Optimización de Modelos de Lenguaje Grande (LLMs) a través del Prompt Engineering
Innovation and Software · 30.09.2025 · 6 (2) · 6-11
DOI: 10.48168/innosoft.s24.a212 ↗Kurz gefasst
Fachartikel in der Zeitschrift Innovation and Software, online erschienen am 30.09.2025. Verfasst von Crishtian Brenon Paz Fernández und 2 weiteren Autor:innen. Die Arbeit nennt 7 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
Este artículo exploró el impacto del prompt engineering en la optimización del rendimiento de modelos de lenguaje grande (LLMs, por sus siglas en inglés) como GPT y BERT. El prompt engineering fue presentado como un enfoque innovador que consistía en diseñar instrucciones específicas para guiar las respuestas de los modelos, mejorando su precisión y relevancia sin modificar sus parámetros internos. El estudio evaluó metodologías para la construcción de prompts efectivos, comparó diferentes estrategias como el few-shot y el zero-shot learning, y analizó casos prácticos en áreas como la generación de texto, la respuesta a preguntas y el análisis de sentimientos. Los resultados mostraron que un diseño estratégico de prompts podía mejorar significativamente la calidad de las respuestas, reducir errores y ampliar el rango de aplicaciones de los LLMs.
Zitieren
APA
Fernández, C. B. P., Sifuentes, S. H. D., & Villanueva, M. T. (2025). Optimización de Modelos de Lenguaje Grande (LLMs) a través del Prompt Engineering. Innovation and Software, 6(2), 6-11. https://doi.org/10.48168/innosoft.s24.a212
Vancouver
Fernández CBP, Sifuentes SHD, Villanueva MT. Optimización de Modelos de Lenguaje Grande (LLMs) a través del Prompt Engineering. Innovation and Software. 2025;6(2):6-11. doi:10.48168/innosoft.s24.a212
BibTeX
@article{Fernndez2025,
author = {Fernández, Crishtian Brenon Paz and Sifuentes, Sergio Helí Diaz and Villanueva, Marcelino Torres},
title = {Optimización de Modelos de Lenguaje Grande (LLMs) a través del Prompt Engineering},
journal = {Innovation and Software},
year = {2025},
volume = {6},
number = {2},
pages = {6--11},
doi = {10.48168/innosoft.s24.a212}
}
EUVIMED