La inteligencia artificial generativa está avanzando a una velocidad difícil de seguir. Cada pocos meses aparecen nuevos modelos, nuevas arquitecturas y nuevas técnicas para entrenar, ajustar y utilizar sistemas basados en inteligencia artificial.

En este contexto, aprender simplemente a utilizar una herramienta de IA puede quedarse corto.

Saber escribir un buen prompt es útil, pero entender cómo funcionan los modelos que están detrás de estas herramientas ofrece una base mucho más sólida.

Y aquí es donde aparece una oportunidad especialmente interesante para quienes quieran profundizar en inteligencia artificial: Stanford ha publicado gratuitamente en YouTube las nueve clases de su curso CME 295: Transformers & Large Language Models, correspondiente al trimestre de otoño de 2025.

El programa cubre desde los fundamentos de los Transformers hasta conceptos mucho más avanzados como Mixture of Experts, LoRA, RLHF, DPO, razonamiento mediante reinforcement learning, RAG, function calling, agentes y evaluación de LLMs.

Son más de 15 horas de formación en vídeo, distribuidas en nueve clases de aproximadamente 1 hora y 40 minutos cada una.

Y no estamos hablando de una colección improvisada de vídeos. Stanford proporciona también el syllabus, las diapositivas, un cheatsheet y exámenes con sus soluciones, por lo que el material permite construir un itinerario de aprendizaje bastante completo.

¿Qué es Stanford CME 295?

CME 295 es un curso dedicado específicamente a Transformers y Large Language Models (LLMs).

El programa parte de conceptos fundamentales del procesamiento del lenguaje natural y avanza progresivamente hacia las técnicas utilizadas en los modelos de lenguaje modernos.

La estructura es especialmente interesante porque no comienza directamente hablando de ChatGPT o de prompting.

Primero se estudian los fundamentos necesarios para entender de dónde vienen los LLMs.

Después se aborda la arquitectura Transformer, los diferentes tipos de modelos, el entrenamiento, las técnicas de ajuste y las nuevas aproximaciones al razonamiento.

Finalmente, el curso llega hasta sistemas agénticos y evaluación de modelos.

Puedes consultar el material oficial del curso en CME 295 de Stanford.

Las 9 clases gratuitas de Stanford sobre LLMs

Una de las mejores maneras de aprovechar el curso es seguir las clases en orden.

Cada una construye sobre conceptos introducidos anteriormente, por lo que no es recomendable empezar directamente por los agentes o el razonamiento sin conocer los fundamentos.

«`

1. Transformer: los fundamentos de los LLMs

La primera clase establece las bases sobre las que se construye todo el curso.

Antes de llegar a los grandes modelos de lenguaje, se repasan conceptos fundamentales del procesamiento del lenguaje natural (NLP) y diferentes enfoques utilizados históricamente.

Entre los temas aparecen la tokenización, los embeddings, Word2vec, las redes neuronales recurrentes (RNN), LSTM y el mecanismo de atención.

El objetivo es llegar finalmente a la arquitectura Transformer entendiendo por qué surgió y qué problemas intenta resolver.

La clase dura aproximadamente 1 hora y 42 minutos.

Para alguien que empieza desde cero en LLMs, esta es probablemente la clase que más merece la pena estudiar con calma.

2. Transformer-Based Models & Tricks

Una vez comprendida la arquitectura básica, el curso entra en técnicas más específicas.

Aquí aparecen conceptos como Multi-Head Attention (MHA), Multi-Query Attention (MQA) y Grouped-Query Attention (GQA).

También se estudian diferentes formas de representar la posición de los tokens, incluyendo embeddings posicionales y Rotary Position Embeddings (RoPE).

La clase también introduce diferentes arquitecturas basadas en Transformers y modelos como BERT y sus derivados.

Estos conceptos son especialmente interesantes para quienes quieren comprender qué diferencias existen entre las distintas arquitecturas y por qué determinadas optimizaciones son importantes para los modelos modernos.

3. Large Language Models

Aquí comienza realmente el viaje hacia los LLMs modernos.

La tercera clase aborda la definición y arquitectura de los grandes modelos de lenguaje y entra en cuestiones que afectan directamente a cómo generan respuestas.

Uno de los temas destacados es Mixture of Experts (MoE), una técnica que permite construir modelos con grandes cantidades de parámetros manteniendo determinadas eficiencias durante la ejecución.

También se estudian conceptos como:

• Longitud de contexto.
• Temperatura.
• Estrategias de sampling.
• Prompting.
• In-context learning.
• Chain of Thought.
• Self-consistency.

Esto permite conectar la arquitectura que se ha estudiado anteriormente con el comportamiento que observamos cuando interactuamos con un LLM.

4. Entrenamiento de LLMs

¿Cómo se entrena realmente un modelo de lenguaje?

La cuarta clase aborda precisamente esta cuestión.

Se estudia el pretraining, junto con técnicas relacionadas con la eficiencia computacional, la cuantización y la optimización del hardware.

También aparece el Supervised Fine-Tuning (SFT) y el Parameter-Efficient Fine-Tuning.

Uno de los conceptos especialmente relevantes es LoRA (Low-Rank Adaptation), una técnica ampliamente utilizada para adaptar modelos sin tener que modificar todos sus parámetros.

Para desarrolladores, esta clase puede ser especialmente interesante porque empieza a conectar los fundamentos teóricos con los problemas reales que aparecen al trabajar con modelos grandes.

5. Ajuste de LLMs: RLHF, PPO y DPO

Entrenar un modelo base no es necesariamente suficiente.

Los modelos pueden necesitar posteriormente técnicas que permitan orientar su comportamiento hacia determinadas preferencias.

La quinta clase se centra en el tuning de LLMs.

Entre los conceptos estudiados aparecen el preference tuning, RLHF (Reinforcement Learning from Human Feedback), reward modeling y diferentes aproximaciones de reinforcement learning.

También se estudia PPO y, posteriormente, DPO (Direct Preference Optimization).

Este conjunto de técnicas ayuda a comprender cómo se intenta conseguir que los modelos produzcan respuestas que estén mejor alineadas con determinadas preferencias humanas o criterios definidos.

6. El razonamiento en los LLMs

Uno de los temas más relevantes de los modelos actuales es su capacidad para resolver problemas que requieren múltiples pasos.

La sexta clase está dedicada a los reasoning models.

El curso estudia el uso de reinforcement learning para razonamiento, incluyendo GRPO (Group Relative Policy Optimization) y diferentes aspectos relacionados con el scaling.

Esta parte del curso resulta especialmente relevante para entender por qué los modelos de lenguaje recientes pueden comportarse de forma diferente cuando se enfrentan a problemas matemáticos, programación, lógica u otras tareas complejas.

7. Agentic LLMs: de los modelos a los agentes

La séptima clase probablemente sea una de las más interesantes para desarrolladores que quieran construir aplicaciones con IA.

El foco pasa de los modelos individuales a sistemas capaces de interactuar con información y herramientas externas.

Aquí aparece Retrieval-Augmented Generation (RAG), junto con técnicas avanzadas de recuperación de información.

También se estudian:

• Function calling.
• Agentes.
• Framework ReAct.
• Sistemas que combinan modelos de lenguaje con herramientas externas.

Este cambio de paradigma es importante.

Un LLM tradicional recibe una entrada y genera una salida. Un sistema agéntico puede utilizar un modelo como parte de un proceso más amplio, en el que puede recuperar información, utilizar herramientas y ejecutar diferentes pasos para alcanzar un objetivo.

8. Evaluación de LLMs

A medida que las aplicaciones de IA se vuelven más importantes, surge una pregunta fundamental:

¿Cómo sabemos si un modelo realmente funciona bien?

La octava clase aborda la evaluación de LLMs y, en particular, el concepto de LLM-as-a-judge.

La idea consiste en utilizar un modelo de lenguaje para ayudar a evaluar las respuestas producidas por otros modelos.

Aunque puede resultar muy útil, también presenta problemas.

El curso analiza buenas prácticas, beneficios, sesgos y posibles errores de este enfoque.

Es una parte especialmente importante para quienes quieran desarrollar productos basados en IA, porque evaluar correctamente un sistema puede ser tan importante como construirlo.

9. Tendencias actuales en LLMs

La última clase funciona como cierre del programa.

Después de recorrer Transformers, LLMs, entrenamiento, tuning, razonamiento, agentes y evaluación, el curso dedica una sesión a repasar los principales conceptos y analizar tendencias actuales.

Esta clase también sirve para poner en perspectiva todo lo aprendido.

La tecnología continúa evolucionando y algunas técnicas que hoy son habituales pueden ser reemplazadas o complementadas por nuevos enfoques.

Por eso, más que memorizar herramientas concretas, el objetivo debería ser comprender los principios fundamentales.

El curso también incluye diapositivas y material adicional

Una de las grandes ventajas de CME 295 es que los vídeos no están solos.

Stanford proporciona las diapositivas de las nueve clases, además de un cheatsheet y una sección de preguntas frecuentes.

También existen materiales académicos adicionales, incluyendo un midterm y un examen final con sus respectivas soluciones.

Esto permite utilizar el contenido de una manera mucho más parecida a un curso universitario tradicional.

Puedes seguir una clase, consultar las diapositivas, estudiar los conceptos y posteriormente intentar resolver los ejercicios de evaluación.

Para alguien que quiera aprender seriamente sobre LLMs, este enfoque es mucho más interesante que consumir vídeos de forma pasiva.

¿Cómo estudiar las 9 clases?

Las nueve clases suman aproximadamente 16 horas de vídeo.

Intentar verlas todas de golpe puede ser tentador, pero probablemente no sea la mejor estrategia.

Una alternativa es convertirlas en un programa de nueve semanas.

Semana 1: Transformers y mecanismo de atención.

Semana 2: arquitecturas basadas en Transformers y técnicas como RoPE.

Semana 3: arquitectura y comportamiento de los LLMs.

Semana 4: entrenamiento y técnicas de fine-tuning.

Semana 5: preference tuning, RLHF y DPO.

Semana 6: razonamiento y reinforcement learning.

Semana 7: RAG, function calling y agentes.

Semana 8: evaluación de modelos.

Semana 9: repaso y tendencias actuales.

Después de cada clase, intenta hacer algo práctico.

Puede ser un pequeño experimento en Python, utilizar una API de un modelo, construir un sistema RAG sencillo o simplemente explicar por escrito un concepto que hayas aprendido.

La regla es sencilla:

no estudies solamente para reconocer los conceptos; estudia hasta poder explicarlos y utilizarlos.

Ver los vídeos no es lo mismo que aprender

Este es probablemente el punto más importante.

Puedes ver las nueve clases y olvidar la mayor parte de la información unas semanas después.

Para evitarlo, combina tres actividades:

1. Ver

Visualiza la clase y toma notas de los conceptos que no conozcas.

2. Construir

Después de cada clase, crea un pequeño proyecto relacionado con lo aprendido.

No tiene que ser sofisticado.

3. Explicar

Intenta explicar el concepto con tus propias palabras.

Si puedes explicar qué es atención, por qué existe RoPE, qué hace LoRA, cómo funciona RLHF o qué diferencia existe entre RAG y un agente sin leer tus apuntes, estás mucho más cerca de haberlo aprendido realmente.

¿Por qué merece la pena estudiar LLMs desde los fundamentos?

La inteligencia artificial está haciendo que algunas habilidades se conviertan rápidamente en commodities.

Utilizar un chatbot es cada vez más sencillo.

Crear una imagen mediante IA es cada vez más sencillo.

Generar código también.

Pero eso no significa que comprender estas tecnologías sea menos importante. En muchos casos ocurre precisamente lo contrario.

Cuanto más fáciles sean las herramientas, más valor puede tener la capacidad de entender sus limitaciones, arquitectura y funcionamiento.

Un profesional que únicamente sabe utilizar una interfaz depende de esa interfaz.

Un profesional que comprende los fundamentos puede cambiar de modelo, experimentar con nuevas arquitecturas, evaluar diferentes soluciones y construir herramientas propias.

Ese es precisamente el valor de un curso como CME 295.

No se limita a enseñar cómo utilizar un LLM.

Explica parte de la tecnología que hace posible los LLMs.

Una oportunidad gratuita para aprender sobre inteligencia artificial

El curso CME 295: Transformers & Large Language Models ofrece un recorrido bastante completo por algunos de los conceptos fundamentales de la inteligencia artificial generativa moderna.

Desde tokenización y embeddings hasta Transformers, Mixture of Experts, LoRA, RLHF, DPO, GRPO, RAG, agentes y evaluación de LLMs, las nueve clases permiten construir una visión mucho más profunda del ecosistema.

Y el hecho de que las clases estén disponibles públicamente en YouTube elimina una de las principales barreras de entrada: el acceso al contenido.

Eso sí, hay una diferencia importante entre tener acceso gratuito a las clases y convertirlas en una formación realmente útil.

La segunda parte depende de ti.

Reserva unas horas cada semana, estudia las diapositivas, toma notas, experimenta con código y construye pequeños proyectos.

Porque el objetivo no debería ser simplemente terminar los nueve vídeos.

El objetivo debería ser llegar al final del curso pudiendo responder una pregunta mucho más interesante:

¿Entiendo realmente cómo funcionan los modelos de lenguaje que estoy utilizando?

Si la respuesta es sí, habrás conseguido mucho más que aprender algunos trucos de prompting.

Habrás construido una base para seguir aprendiendo a medida que la inteligencia artificial continúe evolucionando.

---

Recursos oficiales

Playlist completa en YouTube: https://www.youtube.com/playlist?list=PLoROMvodv4rOCXd21gf0CF4xr35yINeOy

CME 295 — Transformers & Large Language Models: https://cme295.stanford.edu/

Syllabus: https://cme295.stanford.edu/syllabus

Cheatsheet: https://cme295.stanford.edu/cheatsheet

FAQ: https://cme295.stanford.edu/faq

La explosión de herramientas de inteligencia artificial ha creado una nueva generación de usuarios capaces de obtener resultados sorprendentes mediante prompts.

Pero existe otra categoría de profesionales: quienes comprenden y construyen los sistemas que hay detrás.

Y esa diferencia puede ser cada vez más importante.

Saber utilizar una herramienta concreta puede ser útil hoy. Comprender los principios que permiten construir herramientas de IA puede resultar mucho más valioso mañana.

La arquitectura puede cambiar. Los modelos pueden cambiar. Las interfaces pueden cambiar.

Los fundamentos permanecen.

Por eso un curso centrado en Transformers, entrenamiento, fine-tuning, razonamiento, agentes y evaluación de LLMs puede ser una excelente manera de pasar de simplemente utilizar inteligencia artificial a comprenderla.

Una oportunidad para aprender IA de forma estructurada

No necesitas convertirte inmediatamente en investigador de inteligencia artificial.

Tampoco necesitas entrenar un modelo de miles de millones de parámetros desde cero.

Lo importante es comenzar a construir una base sólida.

Las nueve clases ofrecen un recorrido que permite pasar desde los fundamentos de los Transformers hasta conceptos mucho más actuales como los agentes y la evaluación de LLMs.

Si estás estudiando programación, trabajando en desarrollo de software, creando productos digitales o simplemente quieres comprender mejor la tecnología que está transformando la industria, puede ser un excelente punto de partida.

Y, sobre todo, es una oportunidad para aprender algo más importante que el último truco para escribir prompts:

entender qué ocurre realmente detrás de la inteligencia artificial que utilizamos cada día.