Title: Preguntas frecuentes %E2%80%94 LLM EU
Canonical: https://llmeu.com/es/learn/
Markdown mirror: https://llmeu.com/es/learn.md
Machine-readable: https://llmeu.com/llms.txt (index) - https://llmeu.com/llms-full.txt (full catalogue) - https://llmeu.com/llms-catalogue.json

# Preguntas frecuentes

## Fundamentos

### [%C2%BFQu%C3%A9 es una ventana de contexto y qu%C3%A9 es un token?](/es/learn/context-window-and-tokens/)

Un token es un fragmento peque%C3%B1o de texto, m%C3%A1s o menos una parte de una palabra. Una ventana de contexto es el n%C3%BAmero m%C3%A1ximo de tokens que puede contener una llamada: las instrucciones, la conversaci%C3%B3n hasta ese momento, los pasajes recuperados y la respuesta.

### [LLM frente a IA: qu%C3%A9 es un modelo de lenguaje grande, qu%C3%A9 es un llm base y qu%C3%A9 es Nemotron 3 Super](/es/learn/llm-vs-ai/)

La IA es el campo; un modelo de lenguaje grande es una clase de modelo dentro de %C3%A9l, un LLM base contin%C3%BAa texto en lugar de seguir instrucciones, y Nemotron 3 Super es una mezcla de expertos de 123.6B.

### [%C2%BFQu%C3%A9 es un LLM?](/es/learn/what-is-an-llm/)

Un LLM es un programa entrenado con grandes cantidades de texto para predecir el siguiente token, un peque%C3%B1o fragmento de texto. Responde a partir de sus pesos y del prompt que usted env%C3%ADa, no de una base de datos que consulta.

## Recuperaci%C3%B3n

### [%C2%BFQu%C3%A9 es un retriever de LLM y qu%C3%A9 modelo de incrustaci%C3%B3n multiling%C3%BCe conviene usar?](/es/learn/embeddings-and-vector-search/)

Un retriever combina un modelo de incrustaci%C3%B3n que convierte texto en vectores con un reranker que punt%C3%BAa pasajes. multilingual-e5-large es MIT con bloques de 512 tokens; embeddinggemma-300m admite 2048.

### [%C2%BFQu%C3%A9 es RAG?](/es/learn/what-is-rag/)

RAG es un pipeline, no un modelo: su aplicaci%C3%B3n recupera fragmentos y el modelo responde a partir de ellos. Solo la %C3%BAltima etapa es una completion de chat; la incrustaci%C3%B3n y el reranking son llamadas aparte.

## Alojamiento

### [%C2%BFC%C3%B3mo se ejecutan los LLM en la UE?](/es/learn/how-llms-run-in-the-eu/)

Un modelo se ejecuta donde se ejecuta un endpoint, y la fila registra su regi%C3%B3n y su clase. La residencia es un filtro que se aplica antes de la puntuaci%C3%B3n: si nada la cumple, la solicitud devuelve 409 no_endpoint_for_policy.

### [%C2%BFPesos abiertos o una API: cu%C3%A1l deber%C3%ADa usar?](/es/learn/open-weights-vs-api/)

Pesos abiertos significa que los archivos son descargables; un endpoint significa que alguien los ejecuta por usted. Muchos despliegues europeos usan ambos: una API para carga variable, un checkpoint autoalojado para trabajo sensible.

## Coste

### [%C2%BFCu%C3%A1nto cuesta una llamada a la API de un LLM y qu%C3%A9 significan las cifras de los benchmarks?](/es/learn/llm-cost-and-pricing/)

El precio se lee de la tarifa que registra la fila de un endpoint, por mill%C3%B3n de tokens de entrada y de salida, m%C3%A1s una tarifa visible por solicitud. Una fila sin tarifa registrada se muestra sin precio.

## Licencias

### [%C2%BFC%C3%B3mo funcionan las licencias de modelos abiertos?](/es/learn/llm-licences-explained/)

Una licencia es un campo registrado en cada ficha de modelo: un identificador SPDX y un enlace al texto. Pesos abiertos significa que los pesos se pueden descargar, no que el uso comercial est%C3%A9 permitido.

## API

### [%C2%BFQu%C3%A9 son los l%C3%ADmites de tasa de una API de LLM?](/es/learn/llm-rate-limits-explained/)

Un l%C3%ADmite de tasa aqu%C3%AD es un techo por bucket en una ventana fija: 600 llamadas por clave y 1800 por organizaci%C3%B3n cada minuto, con un m%C3%A1ximo de 8 solicitudes en vuelo en una clave.

## Enrutamiento

### [%C2%BFC%C3%B3mo funciona un enrutador de LLM?](/es/learn/llm-routing-explained/)

Un enrutador convierte una solicitud que no nombra ninguna m%C3%A1quina en la respuesta de un endpoint. Una funci%C3%B3n pura filtra los candidatos por pol%C3%ADtica y residencia, punt%C3%BAa lo que sobrevive y toma la puntuaci%C3%B3n m%C3%A1s alta.