Contenido de la guía
Guía de prompts para los modelos generativos GPT Image
Los modelos de generación de imágenes gpt-image de OpenAI están diseñados para obtener visuales de calidad de producción y procesos creativos totalmente controlables. Son adecuados...
Esta guía está disponible para suscriptores de AI-Base
Obtén acceso completo a esta guía práctica, configuraciones listas y scripts de terminal.
Recursos relacionados del ecosistema
Guías prácticas, terminología clave y habilidades de agentes
Guía: cómo construir bucles para agentes de IA
La ingeniería de bucles es la disciplina de diseñar el circuito cerrado en el que opera un agente: qué hace entre herramientas, cómo valida su propio trabajo y cuándo decide que una tarea está completada. Guía exhaustiva de verificadores, memoria compartida y seguridad.
15 prompts para crear agentes en Claude Code
Claude Code puede funcionar no solo a través del diálogo principal, sino también mediante subagentes: configuraciones independientes con su propio prompt de sistema, un conjunto li...
Thinking Machines lanza Inkling 2 Small: un modelo MoE de 594B que puede afinar otros modelos
Thinking Machines presentó Inkling 2 Small, un modelo MoE de 594B parámetros con 17B activos que lidera entre modelos abiertos en varias tareas y demostró poder fine-tunear Qwen3.5-4B de forma autónoma.
Estructura de Prompts para Imágenes (Image Prompt Engineering)
Metodología profesional para la elaboración de solicitudes textuales para redes neuronales gráficas. La fórmula dorada de cinco elementos: sujeto principal, detalles del entorno, características de iluminación, parámetros de cámara virtual y estilo artístico de renderizado.
Cadena de Prompts (Prompt Chaining para Principiantes)
Metodología para descomponer una tarea compleja en una secuencia de prompts enfocados (Prompt Chaining). El resultado del primer paso se pasa como entrada al siguiente, garantizando alta calidad en cada bloque.
Revolut traslada a unos 2.000 ingenieros a modelos GLM locales para programación
Revolut movió a unos 2.000 ingenieros a modelos GLM desplegados localmente, reduciendo el coste de IA para programar en unas diez veces y el tiempo de ejecución de tareas en un 70%.