---
title: "¿Necesita hacer fine-tuning de un LLM? Lista de comprobación"
description: "Cuándo el prompting, RAG o la evaluación resuelven el problema sin fine-tuning, qué datos de entrenamiento necesita y cómo probar un fine-tune antes de pedirlo."
url: https://broadrouter.com/es/blog/fine-tuning-readiness/
lang: es
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/blog/fine-tuning-readiness/) (actualizado el 2026-11-16).

# Antes del fine-tuning: defina el problema que quiere resolver

Por el equipo de BroadNet Inference · 7 min de lectura · Publicado 2026-11-15 · Actualizado 2026-11-16

Haga fine-tuning solo después de que una evaluación muestre un fallo recurrente que no resolvieron mejores prompts, ejemplos, recuperación y validación. La falta de conocimiento suele requerir recuperación, y los errores de formato, salida estructurada y comprobaciones. Antes de pedir un modelo personalizado, reúna ejemplos etiquetados que pueda usar legalmente, reserve un conjunto de prueba y anote la puntuación que hay que superar.

## Puntos clave

-   Empiece con un conjunto de evaluación. Sin una puntuación de referencia, no sabrá si un fine-tuning ayudó.
-   Los datos que faltan o que cambian son un problema de recuperación. El fine-tuning enseña comportamiento y estilo con más fiabilidad que hechos que cambian.
-   La propia guía de OpenAI pone las evaluaciones y la ingeniería de prompts antes del fine-tuning, y dice que el prompting "may be all you need" (Traducción: puede ser todo lo que necesita).
-   Los datos de entrenamiento necesitan derechos de uso, coherencia y un conjunto de prueba reservado que nunca aparezca en el entrenamiento. Un script corto detecta duplicados, contradicciones y filtraciones.
-   La API de autoservicio de BroadNet no tiene endpoint de fine-tuning. Sus fine-tunes en árabe se ofrecen bajo solicitud, en un endpoint privado con un ID de modelo privado.

**En esta página**

1.  ¿Qué problema intenta resolver?
2.  ¿Cómo demostrar que el fallo es recurrente?
3.  ¿Qué cambios más sencillos debe probar primero?
4.  ¿Qué datos necesita y tiene derecho a usarlos?
5.  ¿Cómo evaluar un fine-tune de forma justa?
6.  ¿Qué cambia cuando no puede hacer fine-tuning de modelos alojados?
7.  Dónde encaja BroadNet Inference

El fine-tuning suele ser la primera solución a la que se recurre cuando un modelo se equivoca, y a menudo la equivocada. Cuesta recopilación de datos, etiquetado, ejecuciones de entrenamiento y un modelo que a partir de entonces usted tiene que mantener. Muchos fallos desaparecen con un prompt más claro, con la recuperación del documento adecuado o con una comprobación en código de la salida. Este artículo trata de decidir en qué caso está usted y qué preparar si de verdad necesita un modelo personalizado.

## ¿Qué problema intenta resolver?

Ponga nombre al fallo antes de ponérselo a la solución. La mayoría de los fallos de los LLM encajan en unos pocos patrones, y cada uno tiene un primer paso más barato:

| Síntoma | Pruebe primero | El fine-tuning ayuda cuando |
| --- | --- | --- |
| Datos incorrectos o desactualizados | [Recuperación (RAG)](https://broadrouter.com/es/glossary/rag/) sobre sus documentos | Rara vez; los datos que cambian necesitan recuperación de todos modos |
| Formato incorrecto, JSON roto | [Salida estructurada](https://broadrouter.com/es/glossary/structured-output/), comprobación del esquema, un reintento | El formato es inusual y los ejemplos en el prompt no bastan |
| Etiquetas o categorías incoherentes | Definiciones claras y [ejemplos few-shot](https://broadrouter.com/es/glossary/few-shot-prompting/) | El conjunto de etiquetas es grande o sutil y los ejemplos no caben en el prompt |
| Tono o estilo incorrecto | Una guía de estilo en el [prompt de sistema](https://broadrouter.com/es/glossary/system-prompt/), con ejemplos | Un estilo de la casa debe mantenerse en miles de salidas |
| Términos del dominio mal oídos o mal escritos | Una lista de vocabulario en el prompt, corrección posterior en código | Los modelos de voz oyen mal una y otra vez los mismos nombres, códigos o números |
| Demasiado lento o caro a escala | Un modelo más pequeño, [caché de prompts](https://broadrouter.com/es/blog/prompt-structure-for-caching/), prompts más cortos | Un modelo pequeño ajustado puede igualar a uno grande en una tarea acotada |
| Idioma o dialecto incorrecto | Instrucciones en el idioma correcto; consulte [ingeniería de prompts en árabe](https://broadrouter.com/es/blog/arabic-prompt-engineering/) | El modelo entiende, pero no escribe en el dialecto que usted necesita |

La propia guía de OpenAI describe el mismo orden: primero escribir evaluaciones, luego iterar sobre los prompts y hacer fine-tuning para algunos casos de uso. Dice que el proceso de ingeniería de prompts “may be all you need in order to get great results.” (Traducción: puede ser todo lo que necesita para obtener grandes resultados). Y enumera lo que el fine-tuning añade frente al prompting: más ejemplos de los que caben en un prompt, prompts más cortos que ahorran tokens, entrenar con datos que no quiere enviar en cada solicitud y hacer que un modelo más pequeño sea bueno en una tarea.

## ¿Cómo demostrar que el fallo es recurrente?

Con un conjunto de evaluación. Reúna de 100 a 200 entradas reales con salidas correctas conocidas, como en [evaluar un LLM antes de cambiar](https://broadrouter.com/es/blog/evaluate-llm-before-switching/). Puntúe su prompt actual. Luego etiquete cada fallo con una categoría corta: `wrong_label`, `missing_field`, `dialect`, `hallucinated_fact`, etc.

Un patrón es candidato al fine-tuning solo si se cumplen las tres condiciones:

1.  **Es frecuente.** Representa una parte significativa de los fallos, no uno o dos casos raros.
2.  **Sobrevive a las soluciones baratas.** Probó instrucciones más claras, ejemplos, recuperación y validación, y la categoría sigue ahí.
3.  **Es coherente.** Las personas coinciden en la respuesta correcta. Si dos de sus propios revisores etiquetan el mismo caso de forma distinta, un modelo entrenado con sus etiquetas aprenderá el desacuerdo.

Anote el resultado en una frase corta, como este ejemplo inventado: «En nuestro conjunto de soporte en árabe de 200 casos, el mejor prompt etiqueta mal el 18 % de los tickets de facturación como de entrega; los ejemplos few-shot lo reducen al 15 %». Esa frase es el encargo del fine-tuning y la cifra que hay que superar.

## ¿Qué cambios más sencillos debe probar primero?

Aplíquelos por orden de costo y vuelva a puntuar después de cada uno:

1.  **Instrucciones.** Defina cada etiqueta o campo. Diga qué hacer en caso de duda.
2.  **Ejemplos.** Añada de tres a diez ejemplos reales, incluidos los casos difíciles.
3.  **Recuperación.** Si las respuestas necesitan datos, recupere el fragmento relevante. [Búsqueda RAG en árabe](https://broadrouter.com/es/blog/arabic-rag-search/) y [contexto largo vs. RAG](https://broadrouter.com/es/blog/long-context-vs-rag/) cubren las opciones.
4.  **Restricciones.** Use salida estructurada donde el modelo la admita y compruebe la salida en código. Vuelva a preguntar una vez con el error.
5.  **Otro modelo.** Puede que otro modelo base ya haga lo que necesita. El mismo conjunto de evaluación se lo dirá en una hora.

Cada paso cuesta horas, no semanas, y cada uno le deja una mejor referencia que un fine-tuning tendría que superar si aún lo necesita.

## ¿Qué datos necesita y tiene derecho a usarlos?

Antes de la calidad, compruebe los derechos. Los datos de entrenamiento suelen venir de conversaciones con clientes, documentos o grabaciones de llamadas. Necesita una base legal y, a menudo, un consentimiento o una cláusula contractual que cubra el entrenamiento. Revise su propio aviso de privacidad y sus contratos con clientes, y elimine los datos personales que no necesite. No dé por hecho que su proveedor de API los está recopilando por usted: la declaración de privacidad de BroadNet, por ejemplo, dice que no retiene el contenido de inferencia y que no usa los datos de inferencia para entrenar, ajustar ni evaluar modelos.

Después compruebe la calidad. Este script lee un archivo de entrenamiento y uno de evaluación en el formato JSONL de chat habitual (un `{"messages": [...]}` por línea, que termina con la respuesta del asistente) e informa de problemas que arruinan los fine-tunes en silencio: filas rotas, duplicados, la misma entrada con respuestas distintas, elementos de evaluación filtrados al entrenamiento, el equilibrio de etiquetas y posibles datos personales.

```python
import json, re, sys
from collections import Counter

DIAC = re.compile(r"[ً-ٰٟـ]")          # tashkeel, dagger alef, tatweel
PII = {"email": re.compile(r"[\w.+-]+@[\w-]+\.[\w.]+"),
       "phone": re.compile(r"(?:\+|00)\d[\d\s-]{7,}\d")}

def norm(s: str) -> str:
    s = DIAC.sub("", s.lower())
    s = re.sub("[إأآٱ]", "ا", s).replace("ى", "ي")
    return " ".join(s.split())

def load(path):
    rows, errors = [], []
    for i, line in enumerate(open(path, encoding="utf-8"), 1):
        try:
            ex = json.loads(line)
            roles = [m["role"] for m in ex["messages"]]
            if roles[-1] != "assistant" or "user" not in roles:
                raise ValueError(f"roles {roles}")
            rows.append(ex)
        except (ValueError, KeyError, IndexError, TypeError) as e:
            errors.append(f"line {i}: {e}")
    return rows, errors

def key(ex):     # the input side, normalised: what the model sees
    return norm(" ".join(m["content"] for m in ex["messages"] if m["role"] != "assistant"))

def check(train_path, eval_path):
    train, errs = load(train_path)
    evals, eval_errs = load(eval_path)
    keys = Counter(key(e) for e in train)
    labels = Counter(e["messages"][-1]["content"].strip() for e in train)
    leaked = {key(e) for e in evals} & set(keys)
    pii = Counter(k for e in train for m in e["messages"] for k, rx in PII.items() if rx.search(m["content"]))
    conflicts = Counter()
    seen = {}
    for e in train:
        k, a = key(e), e["messages"][-1]["content"].strip()
        if k in seen and seen[k] != a:
            conflicts[k] += 1
        seen.setdefault(k, a)
    return {"train_examples": len(train), "parse_errors": errs + eval_errs,
            "duplicate_inputs": sum(n - 1 for n in keys.values() if n > 1),
            "same_input_different_answer": len(conflicts),
            "eval_items_also_in_train": len(leaked),
            "answer_distribution": labels.most_common(5),
            "examples_with_possible_pii": dict(pii)}

if __name__ == "__main__":
    print(json.dumps(check(sys.argv[1], sys.argv[2]), ensure_ascii=False, indent=1))
```

Lo ejecutamos con un archivo de juguete de siete líneas con tickets de soporte en árabe, inglés y español. Encontró una fila sin respuesta del asistente, dos entradas duplicadas (una solo difería por un diacrítico, que el normalizador elimina, como en [normalización de texto árabe](https://broadrouter.com/es/blog/arabic-text-normalization-search/)), una entrada etiquetada a la vez como `billing` y `other`, un elemento de evaluación que también aparecía en el entrenamiento y un número de teléfono. Cada uno de ellos habría hecho que el fine-tuning pareciera mejor o peor de lo que es.

La normalización importa en árabe. Sin ella, “متأخر” y “متأخِّر” cuentan como entradas distintas, y una copia casi idéntica de un elemento de prueba puede colarse en el entrenamiento.

## ¿Cómo evaluar un fine-tune de forma justa?

Use el mismo conjunto de prueba reservado que usó para la referencia y manténgalo fuera del entrenamiento. Luego compare:

-   **Con el mejor prompt, no con el primero.** Un fine-tune que supera a un prompt débil no demuestra nada.
-   **Por categoría y por idioma.** Una mejora global puede ocultar una caída en árabe mientras mejora el inglés. Informe de cada uno.
-   **En el comportamiento general.** Añada de 20 a 50 solicitudes corrientes que el modelo ya resolvía bien. Un entrenamiento acotado puede degradar el comportamiento fuera de la tarea.
-   **En costo y latencia.** A menudo un fine-tune se justifica porque un modelo más pequeño hace el trabajo. Mida también los tokens y el tiempo por solicitud.

Decida la regla de aprobación antes de ver las cifras, como en el artículo de evaluación: por ejemplo, «al menos 5 puntos mejor en las etiquetas de facturación, ninguna categoría peor en más de 2 puntos, y árabe e inglés aprueban ambos».

## ¿Qué cambia cuando no puede hacer fine-tuning de modelos alojados?

Menos API alojadas de las que cabría esperar ofrecen fine-tuning de autoservicio. La página de deprecations de OpenAI registra una actualización de su plataforma de fine-tuning de autoservicio: desde el 7 de mayo de 2026, las organizaciones que no habían ejecutado fine-tuning ya no pueden crear trabajos; desde el 2 de julio de 2026, tampoco pueden hacerlo las organizaciones que no habían ejecutado inferencia con un modelo ajustado en los últimos 60 días; y desde el 6 de enero de 2027 los clientes existentes activos ya no podrán crear nuevos trabajos de fine-tuning. Los modelos ajustados existentes siguen disponibles para inferencia hasta que se retiren sus modelos base.

La alternativa habitual es un [modelo de pesos abiertos](https://broadrouter.com/es/glossary/open-weight-model/) entrenado con un método eficiente en parámetros como [LoRA](https://broadrouter.com/es/glossary/lora/). El artículo de LoRA (Hu et al.) informa que, frente a un fine-tuning completo de GPT-3 175B con Adam, LoRA puede reducir 10,000 veces el número de parámetros entrenables y 3 veces la memoria de GPU necesaria. Después necesita dónde servir el resultado: su propio hardware o un proveedor que aloje pesos personalizados. [Modelos de pesos abiertos vs. cerrados](https://broadrouter.com/es/blog/open-weight-vs-closed-models/) trata ese equilibrio.

## Dónde encaja BroadNet Inference

BroadRouter es el sitio web de BroadNet. La API de autoservicio de BroadNet Inference no tiene endpoint de fine-tuning: su [referencia de la API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-fine-tuning-readiness&utm_content=body) documenta solo chat completions y transcripción de audio. La misma página dice: “private endpoints, our Arabic fine-tunes and other models on request are reached with a private ID issued with the endpoint.” (Traducción: a los endpoints privados, nuestros fine-tunes en árabe y otros modelos bajo solicitud se accede con un ID privado emitido junto con el endpoint). Las páginas de modelos de BroadNet presentan un fine-tune de BroadNet de Cohere Transcribe Arabic para números, fechas y nombres en audio con ruido, disponible bajo solicitud con un ID de modelo privado por cliente, y dicen que Gemma 4 VL 26B está disponible en un endpoint privado “including our Arabic fine-tunes” (Traducción: incluidos nuestros fine-tunes en árabe). Son consultas a través de la [página de contacto](https://broadrouter.com/es/contact/#private), no algo que pueda comprar o entrenar usted mismo; [planificar un endpoint privado](https://broadrouter.com/es/blog/private-endpoint-planning/) explica qué enviar.

Para todo lo anterior a ese paso, los modelos públicos bastan para construir su conjunto de evaluación y su referencia: [Qwen3.8 27B](https://broadrouter.com/es/models/qwen3.8-27b/) y [GLM 5.3](https://broadrouter.com/es/models/glm-5.3/) documentan salida estructurada, [Gemma 4 VL 26B](https://broadrouter.com/es/models/gemma-4-vl-26b/) funciona con el crédito inicial de $5 y [BroadNet Transcribe Arabic](https://broadrouter.com/es/models/cohere-transcribe-arabic/) procesa voz a $0.0042 por minuto. El contenido de inferencia no se retiene; los metadatos necesarios de cuenta, facturación y seguridad se conservan como se describe en la declaración de privacidad de BroadNet.

Herramientas gratuitas sobre este tema (en inglés)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[Herramientas gratuitas (en inglés)](https://broadrouter.com/tools/)

## Términos de este artículo

[Fine-tuning (ajuste fino)](https://broadrouter.com/es/glossary/fine-tuning/)

El fine-tuning (ajuste fino) es el proceso de seguir entrenando un modelo de lenguaje preentrenado con un conjunto de datos más pequeño y específico de una tarea, como conversaciones de ejemplo, para que sus pesos cambien y realice esa tarea o estilo con más fiabilidad sin necesitar instrucciones o ejemplos largos en cada prompt.

[LoRA (adaptación de bajo rango)](https://broadrouter.com/es/glossary/lora/)

LoRA (low-rank adaptation, adaptación de bajo rango) es un método de fine-tuning eficiente en parámetros que congela los pesos de un modelo preentrenado y entrena un par de pequeñas matrices de bajo rango para ciertas capas. La actualización aprendida puede guardarse como un pequeño adaptador o fusionarse con los pesos, sin añadir latencia de inferencia.

[Modelo de pesos abiertos (open-weight model)](https://broadrouter.com/es/glossary/open-weight-model/)

Un modelo de pesos abiertos es un modelo de aprendizaje automático cuyos pesos entrenados se publican para que cualquiera los descargue y ejecute, normalmente con una licencia con condiciones. Se diferencia de la IA totalmente de código abierto, que además publica el código de entrenamiento e información detallada sobre los datos, para que otros puedan estudiar y reproducir el modelo.

[RAG (generación aumentada por recuperación)](https://broadrouter.com/es/glossary/rag/)

RAG (generación aumentada por recuperación) es un patrón en el que una aplicación primero recupera, de un almacén externo como un índice de búsqueda o vectorial, fragmentos relevantes para una pregunta, y luego los agrega al prompt para que un modelo de lenguaje responda con ese texto y no solo de memoria.

[Token](https://broadrouter.com/es/glossary/token/)

Un token es la unidad de texto que un modelo de lenguaje lee y escribe: una palabra, parte de una palabra, un signo de puntuación o una secuencia de bytes producida por el tokenizador del modelo. Las APIs de LLM cuentan, limitan y normalmente facturan el uso en tokens.

[Evaluación de LLM (eval)](https://broadrouter.com/es/glossary/eval/)

Una eval (abreviatura de evaluation, evaluación) es una prueba repetible de un modelo de lenguaje o de un prompt: un conjunto fijo de entradas, una descripción de cómo es una buena salida y un calificador (código, una persona u otro modelo) que puntúa cada salida para poder comparar versiones.

[Ingeniería de prompts (prompt engineering)](https://broadrouter.com/es/glossary/prompt-engineering/)

La ingeniería de prompts es el proceso de escribir, estructurar y probar las instrucciones que se dan a un modelo de lenguaje para que produzca de forma constante una salida que cumpla sus requisitos. Abarca los mensajes de rol, instrucciones claras, ejemplos, formato y la medición de resultados con casos de prueba.

[Salida estructurada (structured output)](https://broadrouter.com/es/glossary/structured-output/)

La salida estructurada es una función de las APIs de LLM que restringe la respuesta del modelo a un formato que define el desarrollador, normalmente un JSON Schema, para que el código pueda procesarla de forma fiable. Es más estricta que JSON mode, que garantiza JSON válido pero no una forma concreta.

## Preguntas frecuentes

### ¿Debo hacer fine-tuning o usar RAG?

Use recuperación cuando al modelo le faltan datos, sobre todo datos que cambian: documentos, precios, políticas. Considere el fine-tuning cuando el modelo tiene la información pero se comporta mal de forma constante, en formato, tono, etiquetas o vocabulario del dominio, y los prompts con ejemplos no lo resolvieron.

### ¿Cómo sé si basta con la ingeniería de prompts?

Mídalo. Cree un conjunto de evaluación con entradas reales, puntúe el prompt actual y luego pruebe instrucciones más claras, ejemplos few-shot, salida estructurada y validación. Si la puntuación alcanza su objetivo, deténgase. Si un tipo de fallo persiste a pesar de esos cambios, es candidato al fine-tuning.

### ¿Cuántos datos necesito para hacer fine-tuning?

No hay una cifra universal. Depende de la tarea, el modelo base y el método. Reúna suficientes ejemplos etiquetados y coherentes para cubrir cada caso que le importa, más un conjunto de prueba reservado aparte, y compruebe si la puntuación sigue subiendo a medida que añade datos.

### ¿Puedo hacer fine-tuning de un modelo en BroadNet Inference?

No en autoservicio. La referencia de la API de BroadNet documenta chat completions y transcripción de audio, sin endpoint de entrenamiento. BroadNet presenta fine-tunes en árabe, como una versión ajustada de Cohere Transcribe Arabic, como modelos bajo solicitud servidos en un endpoint privado con un ID de modelo privado.

### ¿BroadNet entrena con el tráfico de mi API?

La declaración de privacidad de BroadNet dice que no usa los datos de inferencia para entrenar, ajustar ni evaluar modelos, y que no retiene el contenido de inferencia. Si quiere hacer fine-tuning con su propio tráfico, debe recopilar y guardar esos datos usted mismo, con derecho a usarlos.

## Siga leyendo

-   [Cómo evaluar un LLM antes de cambiar de proveedor](https://broadrouter.com/es/blog/evaluate-llm-before-switching/)
-   [Ingeniería de prompts en árabe: registro, RTL, cifras y texto mixto](https://broadrouter.com/es/blog/arabic-prompt-engineering/)
-   [RAG en árabe: normalización, chunking y recuperación que funciona](https://broadrouter.com/es/blog/arabic-rag-search/)
-   [Contexto largo vs RAG: cuándo 1M de tokens reemplaza la base vectorial](https://broadrouter.com/es/blog/long-context-vs-rag/)
-   [Modo JSON o json\_schema: salida estructurada que no falla](https://broadrouter.com/es/blog/structured-output-json-schema/)
-   [Modelos abiertos vs. cerrados para empresas: costo, control y riesgo](https://broadrouter.com/es/blog/open-weight-vs-closed-models/)
-   [Un endpoint privado empieza con una carga de trabajo clara](https://broadrouter.com/es/blog/private-endpoint-planning/)
-   [El hardware GPU de BroadNet y cómo sirve los modelos, según BroadNet](https://broadrouter.com/es/blog/broadnet-gpu-fleet-and-serving/)
-   [Caché de respuestas de APIs de LLM para reducir costos en Python](https://broadrouter.com/es/blog/cache-llm-responses-cut-cost/)
-   [Guía: API de voz a texto en árabe, paso a paso](https://broadrouter.com/es/guides/arabic-speech-to-text-api/)
-   [Guía: Usar el SDK de OpenAI para Python con BroadNet Inference](https://broadrouter.com/es/guides/openai-python-sdk/)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-fine-tuning-readiness&utm_content=page-cta) ·

**Fuentes**

-   [OpenAI, guía de optimización de modelos: evaluaciones, ingeniería de prompts y fine-tuning (consultado el 2026-11-15)](https://platform.openai.com/docs/guides/fine-tuning)
-   [OpenAI, Deprecations: actualización del fine-tuning de autoservicio, con fechas 7 de mayo de 2026, 2 de julio de 2026 y 6 de enero de 2027 (consultado el 2026-11-15)](https://platform.openai.com/docs/deprecations)
-   [Hu et al., LoRA: Low-Rank Adaptation of Large Language Models, arXiv 2106.09685 (consultado el 2026-11-15)](https://arxiv.org/abs/2106.09685)
-   [Referencia de la API de BroadNet Inference: endpoints, y «our Arabic fine-tunes» accesibles con un ID privado (consultado el 2026-11-15) (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-fine-tuning-readiness&utm_content=sources)
-   [Página de modelo de BroadNet, fine-tune de BroadNet de Cohere Transcribe Arabic: bajo solicitud, ID privado por cliente (consultado el 2026-11-15)](https://www.broadnet.ai/es/inference/models/cohere-transcribe-arabic-broadnet)
-   [Página de modelo de BroadNet, Gemma 4 VL 26B: endpoint privado «including our Arabic fine-tunes» (consultado el 2026-11-15)](https://www.broadnet.ai/es/inference/models/gemma-4-vl-26b)
-   [Declaración de privacidad de BroadNet Inference: los datos de inferencia no se usan para entrenar, ajustar ni evaluar modelos (consultado el 2026-11-15)](https://www.broadnet.ai/es/inference-privacy)
