Modelos de lenguaje (LLM)

Curriculum learning (aprendizaje por currículo)

El curriculum learning es una técnica de entrenamiento que presenta los datos al modelo en orden de dificultad creciente —primero ejemplos sencillos, luego progresivamente más difíciles— igual que un currículo educativo humano. Mejora la eficiencia del aprendizaje y la calidad final frente a presentar todo el material en orden aleatorio.

Por Ana María González Actualizado: 16 de mayo de 2026

Definición rápida

Respuesta directa

Explicación ampliada

En el entrenamiento clásico, los datos se presentan en orden aleatorio. El curriculum learning parte de una intuición pedagógica: un estudiante aprende mejor si domina lo básico antes de enfrentarse a lo complejo. Aplicado a modelos de IA, consiste en ordenar (o ponderar) los ejemplos de entrenamiento de menor a mayor dificultad, de modo que el modelo construya capacidades fundamentales antes de abordar casos difíciles. Esto puede acelerar la convergencia, mejorar la generalización y estabilizar el entrenamiento, especialmente en tareas estructuradas como razonamiento matemático o código. La dificultad puede definirse de muchas formas: longitud, complejidad sintáctica, número de pasos de razonamiento, o incluso usando un modelo para puntuar cuán difícil es cada ejemplo. Aunque es una técnica relativamente interna del proceso de entrenamiento, conviene que un decisor empresarial la conozca de oídas porque aparece en las fichas técnicas de modelos y en las propuestas de proveedores que ofrecen fine-tuning: un proveedor que ordena bien los datos de ajuste suele obtener mejores resultados con menos datos del cliente.

Por qué importa para tu empresa

Aplicación práctica

Para una empresa que encarga un fine-tuning a un proveedor, saber que existe el curriculum learning permite hacer una pregunta inteligente en la evaluación de propuestas: cómo ordenan y ponderan los datos de ajuste. La regla práctica: no es algo que la empresa configure directamente, pero sí un indicador de madurez del proveedor; quien solo "mete todos los datos juntos" suele necesitar más datos del cliente y obtener peor resultado que quien diseña una progresión.

Ejemplo concreto

Caso real

Una empresa de formación encargó a un proveedor ajustar un modelo para corregir automáticamente ejercicios de sus alumnos. El primer proveedor entrenó con los 4.000 ejercicios corregidos en bloque aleatorio: resultado mediocre y petición de más datos. Un segundo proveedor aplicó curriculum learning —primero ejercicios cortos y claros, después casos ambiguos y largos— y con los mismos 4.000 ejemplos logró una calidad notablemente superior sin pedir datos adicionales. La empresa incorporó "¿cómo ordenáis los datos de entrenamiento?" a su checklist de evaluación de proveedores de IA.