Predicción del siguiente token
La predicción del siguiente token es el objetivo engañosamente simple detrás de los modelos estilo GPT: dado todo hasta el momento, adivina el siguiente fragmento de texto.
Descripción general
Repeated billions of times, this single task produces models that write, reason, and converse.
Buceo profundo
La predicción del siguiente token entrena un modelo para asignar probabilidades al siguiente token teniendo en cuenta todos los tokens anteriores. El texto primero se divide en tokens (partes de subpalabras) mediante un tokenizador, como la codificación de pares de bytes. Un Transformer solo decodificador lee la secuencia de izquierda a derecha y genera una distribución de probabilidad de todo el vocabulario para la siguiente posición. Durante el entrenamiento, al modelo se le muestran corpus de texto masivos y se le penaliza cada vez que asigna baja probabilidad al siguiente token real. En el momento de la generación, el modelo toma muestras o elige con avidez un token, lo agrega y repite este ciclo de forma autorregresiva. Este objetivo escala notablemente: GPT-2, GPT-3 y sus sucesores aprendieron gramática, hechos, traducción y razonamiento simplemente al volverse muy buenos en la predicción del siguiente token.
Información técnica
El mecanismo clave es la autoatención causal (enmascarada): al predecir la posición N, el modelo solo puede atender a las posiciones 1 a N-1, nunca al futuro. La capa de salida proyecta el estado oculto final en el vocabulario y aplica softmax para obtener probabilidades. El entrenamiento minimiza la entropía cruzada, lo que equivale a maximizar la probabilidad del texto observado. Los controles de muestreo, como la temperatura y la p superior, remodelan esa distribución en la inferencia para compensar la creatividad con la confiabilidad.
Impacto Estratégico
Speed and scale
Los flujos de trabajo lingüísticos pueden avanzar más rápido sin sacrificar la coherencia.
Access and reach
Amplía el acceso a través de idiomas y estilos de comunicación.
Decisiones más claras
Los equipos pueden dedicar más tiempo a juzgar mientras la automatización se encarga de la repetición.
El futuro de la predicción del próximo token
La predicción del siguiente token sustenta esencialmente todos los modelos modernos de lenguajes grandes y seguirá siendo la columna vertebral de la IA generativa. La investigación lo está ampliando con ventanas de contexto más largas, decodificación especulativa y paralela para mayor velocidad y objetivos de predicción de múltiples tokens que adivinan varios tokens futuros a la vez. Aprendizaje reforzado a partir de capas de retroalimentación humana en la parte superior para alinear los resultados. La frontera está haciendo que el mismo objetivo simple sea más barato, más rápido y más controlable a una escala cada vez mayor.
Implementación en el mundo real
Impulsar a ChatGPT y asistentes similares para generar respuestas conversacionales, un token a la vez.
Autocompletar y sugerencias de código en herramientas como GitHub Copilot mientras escribes.
Redacción de correos electrónicos, artículos y textos de marketing a partir de un breve mensaje.
Generación de texto en tiempo real en asistentes de escritura que terminan tus oraciones.
Riesgos y barandillas
Los hechos alucinados pueden aparecer silenciosamente en informes, flujos de apoyo o resultados de investigaciones.
La sensibilidad rápida puede crear resultados inconsistentes en solicitudes similares.
Los datos de texto confidenciales pueden quedar expuestos si los controles de acceso son débiles.
Hoja de ruta de implementación
Defina el formato de salida, el tono y los estándares de calidad antes del lanzamiento.
Respuestas terrestres con fuentes confiables siempre que la precisión sea importante.
Mantenga un punto de control de revisión humana para los resultados de alto riesgo.
Realice un seguimiento de los patrones de error y vuelva a capacitar las indicaciones o los flujos de trabajo con regularidad.
Sigue explorando
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Next-Token Prediction quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Siguiente guía
Entrenamiento de predicción de múltiples tokens
Preguntas frecuentes
What is Next-Token Prediction?
La predicción del siguiente token es el objetivo engañosamente simple detrás de los modelos estilo GPT: dado todo hasta el momento, adivina el siguiente fragmento de texto. Repetida miles de millones de veces, esta única tarea produce modelos que escriben, razonan y conversan.
¿Qué genera un modelo de predicción del siguiente token en cada paso?
El modelo produce una probabilidad para cada siguiente token posible, luego se selecciona uno mediante muestreo o elección codiciosa.
¿Qué tipo de atención utiliza un decodificador estilo GPT?
El enmascaramiento causal garantiza que la posición N solo pueda ver las posiciones anteriores, preservando la configuración de predicción de izquierda a derecha.
¿Qué significa aquí generación "autoregresiva"?
La generación autorregresiva produce un token, lo agrega al contexto y repite el ciclo.
¿Qué función de pérdida suele minimizarse durante el entrenamiento?
La entropía cruzada penaliza al modelo por asignar baja probabilidad al siguiente token verdadero, lo que equivale a maximizar la probabilidad.
¿Qué hace el aumento de la temperatura durante el muestreo?
Una temperatura más alta aplana la distribución de probabilidad, aumentando la aleatoriedad; una temperatura más baja hace que las elecciones sean más conservadoras.