| Modalidad | Qué entra / sale | Ejemplos de tarea |
|---|---|---|
| NLP | Texto → texto o etiqueta | clasificación, NER, resumen, question answering |
| Visión | Imagen → etiqueta, caja o imagen | clasificación, detección, segmentación, generación |
| Audio | Sonido → texto, o texto → sonido | transcripción (ASR), síntesis (TTS), clasificación |
| Multimodal | Dos o más de las anteriores | VQA, captioning, búsqueda imagen-texto |
No es taxonomía decorativa. La modalidad decide la familia de arquitecturas, el tipo de pre-procesado (tokenizador, extractor de características, procesador de imagen) y el formato de entrada que vas a manejar. Equivocarte aquí no se arregla con un modelo mejor.
pipeline no adivina. "sentiment-analysis",
"fill-mask", "text-generation",
"image-classification", "automatic-speech-recognition" son
identificadores. El Hub tiene una página por tarea que lista los modelos que la
implementan: ese es el punto de entrada correcto, no el buscador libre.
Fíjate dónde está el fine-tuning: al final, y solo después de descartar el catálogo. Es la rama cara. Empezar por ahí es lo que la guía llama «reinventar la rueda», en versión moderna.
| Bloque | La pregunta que responde |
|---|---|
| Model card | ¿Con qué datos se entrenó y qué limitaciones declara el autor? |
| Licencia | ¿Puedo usarlo para lo que quiero, incluido comercialmente? |
| Files | ¿Cuánto pesa y en qué formato están los pesos? |
| Community | ¿Qué se ha roto ya, y a quién? |
En Files, los pesos vienen en .bin (pickle de PyTorch) o en
.safetensors. El primero se deserializa ejecutando código; el segundo solo
contiene tensores. Si están los dos, coge .safetensors.
En la model card, el dato que más te va a doler no es la métrica: es el dataset de entrenamiento. Un clasificador de sentimiento entrenado con reseñas de productos, aplicado a partes médicos, no falla un poco. Falla de forma sistemática y con confianza alta, que es la peor combinación posible.
| Régimen | Qué significa en la práctica |
|---|---|
| Licencia OSI clásica (MIT, Apache 2.0) | Uso libre, incluido el comercial |
| Licencia con restricciones de uso (familia RAIL y similares) | Descarga libre, pero con usos prohibidos por contrato |
| Licencia «community» de un fabricante | Condiciones propias: umbrales de usuarios, atribución, límites comerciales |
| Modelo gated | Hay que aceptar términos con tu cuenta antes de poder descargar |
La casilla license de la ficha del Hub es un dato, no una garantía. Se
verifica leyendo el texto de la licencia, no el nombre de la etiqueta.
La guía dice, en su lista de ventajas, que los modelos son «gratis y open source: la mayoría de modelos son de uso libre, sin costos por inferencia». Unas páginas después, en Puntos clave, avisa: «no uses modelos sin revisar su licencia en el Hub (algunos tienen restricciones comerciales)». Las dos frases no pueden ser ciertas con la misma fuerza. ¿Cuál vas a usar el día que tengas que firmar algo?
«Sin costos por inferencia» es engañoso en cuanto te lo descargas: el coste se mueve del proveedor a tu máquina, no desaparece. Lo gratis es la licencia, no el cómputo.
Y hay un contraejemplo dentro de la propia guía: entre los modelos que cita como muestra de «500.000+ modelos open source» aparece Stable Diffusion, que se distribuye con una licencia con restricciones de uso, no con una licencia OSI. Antes de fiarte de cualquiera de las listas de nombres del material —salen de un PDF sin fecha— comprueba en el Hub que ese repositorio existe hoy, con ese nombre exacto, y con qué licencia.
Coge el caso de uso real que tengas más a mano —tickets, reseñas, correos, lo que sea— y recorre el árbol anotando cada paso: modalidad, cadena exacta de tarea, filtro de idioma, filtro de licencia. Termina con dos candidatos, no con uno.
De cada candidato apunta tres cosas de su model card: con qué dataset se entrenó, qué limitación declara el autor, y qué licencia tiene leída, no vista en la etiqueta. Si los dos se entrenaron con el mismo tipo de datos y ninguno se parece a los tuyos, ya sabes que compararlos entre sí no te va a decir nada útil.