Predibase

Predibase es una plataforma para el ajuste fino y servicio de grandes modelos de lenguaje de código abierto, desarrollada por el equipo que creó Horovod y Ludwig en el grupo de infraestructura de IA de Uber. Fundada en 2021 por Travis Addair (CTO), Devvret Rishi (CEO) y Piero Molino (Chief Science Officer), la empresa dedicó tres años a construir una infraestructura que resuelve un problema de producción específico: ¿cómo implementar múltiples variantes de modelos ajustados sin pagar por una GPU dedicada para cada uno? En junio de 2025, Rubrik adquirió Predibase por una cifra estimada entre $100 million y $500 million, integrándola en una plataforma de ciberseguridad de datos orientada a la adopción de IA agéntica a nivel empresarial.

El núcleo técnico de la plataforma es LoRAX (LoRA eXchange), un framework de servicio multiadaptador de código abierto que ejecuta cientos de adaptadores LoRA ajustados simultáneamente sobre un modelo base compartido en una sola GPU. Sobre esto se encuentra Turbo LoRA, una técnica que combina LoRA con decodificación especulativa para lograr mejoras de rendimiento de 2 a 3 veces en el tiempo de inferencia. El ajuste fino se gestiona a través del pipeline de entrenamiento respaldado por Ludwig, con soporte para el ajuste fino supervisado estándar y, desde principios de 2025, Reinforcement Fine-Tuning (RFT) utilizando optimización de recompensas GRPO. La plataforma se integra con AWS, Azure y GCP para implementaciones en VPC, y un nivel gratuito serverless cubre hasta 10M de tokens al mes para experimentación.

Lo que realmente hace Predibase en mayo de 2026

Predibase opera como un plano de control gestionado sobre dos pilares técnicos: LoRAX para el servicio y Ludwig para el entrenamiento. El flujo de trabajo de entrenamiento es directo. Conectas un conjunto de datos, seleccionas un modelo base (Llama 3, Mistral y sus derivados tienen soporte oficial), configuras los hiperparámetros de LoRA y envías un trabajo. Los trabajos se ejecutan en GPU gestionadas por Predibase o alojadas en VPC. Después del entrenamiento, creas un endpoint de implementación que carga tu(s) adaptador(es) contra el modelo base compartido a través de LoRAX.

Ese último paso es más importante de lo que parece. A diferencia de algunos competidores que implementan automáticamente al finalizar el entrenamiento, Predibase requiere un paso explícito de creación de implementación. Una sola implementación de LoRAX puede alojar docenas de adaptadores simultáneamente, cada uno enrutando a una variante ajustada diferente. Esta es la arquitectura que utilizó Checkr al reemplazar GPT-4 en múltiples tareas de clasificación de verificación de antecedentes: un modelo base Llama 3 8B, múltiples adaptadores ajustados para diferentes tipos de casos, todos servidos desde un endpoint de GPU con una inferencia 30x más rápida y un costo 5x menor que la API de OpenAI.

El Reinforcement Fine-Tuning, lanzado a principios de 2025 y disponible en los niveles Enterprise y VPC, va más allá. En lugar de requerir miles de ejemplos etiquetados, RFT funciona a partir de una función de recompensa: defines cómo se ve un resultado correcto (un objeto JSON válido, una prueba superada, una puntuación de confianza por encima de un umbral), y el modelo itera contra esa recompensa. El CTO de Predibase, Travis Addair, describió el límite práctico en una entrevista en febrero de 2025:

"La función de recompensa es definitivamente el mayor cuello de botella. Terminas dedicando alrededor del 80 por ciento de tu tiempo cuando trabajas con esto." - Travis Addair, CTO de Predibase, NextWord Substack, febrero de 2025

El nivel serverless ofrece a los equipos un camino sin infraestructura para la experimentación: hasta 1M de tokens al día, 10M al mes, contra modelos base alojados por Predibase. Las cargas de trabajo de producción pasan a implementaciones privadas facturadas por segundo, con un costo de computación de GPU de aproximadamente $2.14 a $4.80 por hora, dependiendo del hardware. Los trabajos de ajuste fino se cobran por millón de tokens procesados, con tarifas que varían de $0.50 a $20.00 por millón, dependiendo del tamaño del modelo y el método de ajuste fino.

Dónde se sitúa Predibase frente a OpenPipe y Together AI

Las plataformas de ajuste fino se dividen en un eje fundamental: quién proporciona los datos de entrenamiento y cuánta ingeniería de ML se espera del usuario. Predibase, OpenPipe y Together AI responden a esa pregunta de manera diferente.

OpenPipe (adquirida por CoreWeave en septiembre de 2025) se dirige a desarrolladores de aplicaciones que no quieren pensar en absoluto en los datos de entrenamiento. Su SDK envuelve tus llamadas API de LLM existentes, captura pares de solicitud/respuesta del tráfico de producción y los convierte automáticamente en un conjunto de datos de ajuste fino. Estás destilando a partir del uso en vivo de tu aplicación en lugar de construir un corpus curado. La selección de modelos base es más reducida (aproximadamente 10 modelos en el momento de la adquisición), y los métodos de ajuste fino se limitan al SFT estándar. Para los equipos que ya ejecutan un producto sobre GPT-4 u otro LLM alojado, OpenPipe supone una menor sobrecarga. Para los equipos que construyen aplicaciones novedosas sin tráfico de producción aún, ofrece menos. El servicio multiadaptador LoRAX de Predibase no tiene equivalente en el stack de OpenPipe.

Together AI adopta un enfoque de amplitud: más de 200 modelos de código abierto accesibles a través de una API compatible con OpenAI, con el ajuste fino como una característica en lugar del producto principal. Together soporta DPO (Direct Preference Optimization) junto con el ajuste fino supervisado, algo que Predibase no expone de forma nativa en su interfaz de usuario. La ventana de contexto de Together para el ajuste fino de Llama 3.1-8B se extiende a 131k tokens. La facturación es por token en lugar de por segundo de tiempo de actividad de la GPU, lo que hace que los costos sean más predecibles para cargas de trabajo variables. La contrapartida: Together ejecuta un modelo por endpoint. No hay equivalente al procesamiento por lotes multiadaptador de LoRAX, lo que significa que los equipos que sirven 20 variantes ajustadas pagan por 20 implementaciones separadas. Para flotas multimodelo, la economía de Predibase puede ser sustancialmente mejor. Para los equipos que necesitan un modelo bien optimizado con una amplia selección base, Together AI es el camino más limpio. Puedes explorar Together AI en together.ai.

Otras plataformas en el espacio de infraestructura de ajuste fino que vale la pena conocer: Modal y RunPod ofrecen computación de GPU en bruto donde controlas todo el stack de entrenamiento, brindando más flexibilidad a un mayor costo de ingeniería. Anyscale adopta un enfoque nativo de Ray para el ajuste fino distribuido a escala. Replicate y fal.ai sirven inferencia a escala pero ofrecen herramientas de ajuste fino más ligeras que Predibase.

Cómo es realmente el flujo de trabajo de ajuste fino

Llevar un modelo ajustado a producción en Predibase implica tres fases: preparación y carga de datos, configuración del trabajo de entrenamiento y creación de la implementación. La interfaz web maneja flujos de trabajo básicos pero expone controles de hiperparámetros limitados. Los usuarios avanzados trabajan a través del SDK de Python o la API REST.

Los requisitos de los datos de entrenamiento siguen las convenciones de esquema de Ludwig: las columnas se nombran según el tipo de tarea (el ajuste de instrucciones requiere nombres de columna diferentes a los de la finalización de texto). La plataforma proporciona un panel de vista previa del conjunto de datos durante la carga que valida el formato antes de enviar los trabajos, lo que detecta errores de esquema de manera temprana. Una ejecución de ajuste fino de Qwen2 en una prueba práctica realizada por el profesional de ML Alex Strick van Linschoten tomó aproximadamente 53 minutos en una GPU A100 en junio de 2024. Una vez finalizado el entrenamiento, Strick notó un punto de fricción:

"No esperaba este paso adicional, y tarda un poco en iniciarse." - Alex Strick van Linschoten, blog personal, junio de 2024, refiriéndose al paso separado de creación de la implementación después de que finaliza el entrenamiento

En su prueba, la implementación de un modelo no se inicializó después de varias horas, lo que impidió las pruebas de inferencia. Este es un modo de fallo real, no un caso aislado. Los equipos de producción deben validar la inicialización de la implementación como parte de su proceso de CI/CD antes de enrutar el tráfico. La arquitectura de implementación de LoRAX introduce latencia en el arranque en frío cuando los adaptadores se cargan desde el almacenamiento a la memoria de la GPU; las solicitudes posteriores al mismo adaptador son rápidas una vez que está en caché.

Para los flujos de trabajo de RFT, la complejidad adicional es el diseño de la función de recompensa. Escribes una función que toma una finalización del modelo y devuelve una recompensa escalar. Las tareas bien definidas (validación de esquemas JSON, ejecución de código, coincidencia de expresiones regulares) son ajustes naturales. Las tareas difusas (tono, utilidad, calidad de resumen) requieren el diseño de rúbricas y, a menudo, una lógica de puntuación personalizada. La observación de Travis Addair de que el diseño de la función de recompensa consume el 80% del tiempo del proyecto RFT se alinea con lo que los equipos informan de flujos de trabajo GRPO comparables. Predibase envuelve la infraestructura para que no tengas que gestionar tú mismo la infraestructura de entrenamiento RL distribuida, pero el trabajo de diseño de recompensas no desaparece.

Para quién está diseñado Predibase

El perfil más claro es un equipo de ingeniería de machine learning en una empresa con datos propietarios, múltiples requisitos de modelos específicos de dominio y el presupuesto de computación para justificar implementaciones de GPU dedicadas. El caso de Checkr es representativo: un sistema de producción que maneja millones de verificaciones de antecedentes, donde la precisión de GPT-4 en casos extremos era insuficiente y los costos de la API a escala eran prohibitivos. El ajuste fino de un modelo Llama 3 8B con adaptadores específicos para tareas produjo una mejor precisión a una quinta parte del costo. LoRAX de Predibase sirvió todos los adaptadores de tareas desde una sola implementación sin pagar costos de GPU por variante.

La plataforma también es un ajuste natural para industrias reguladas. Empresas de servicios financieros como Nubank utilizan la implementación en VPC para garantizar que los datos de entrenamiento nunca salgan de su perímetro en la nube. Equipos de atención médica que realizan ajustes finos en registros de pacientes, equipos legales que lo hacen en historiales de casos, contratistas gubernamentales que trabajan con datos confidenciales: todos ellos se benefician de las garantías de residencia de datos del nivel VPC. La adquisición por parte de Rubrik fortalece este posicionamiento, agregando gobernanza de datos empresariales e infraestructura de seguridad al flujo de trabajo de ajuste fino.

Los equipos de desarrollo de agentes de IA que construyen agentes especializados sobre LLM de código abierto personalizados son un caso de uso emergente. RFT es particularmente adecuado para la conformación de recompensas de agentes, donde puedes definir si las llamadas a herramientas de un agente lograron el resultado objetivo como una señal de recompensa directa. Esta es la dirección en la que Rubrik está impulsando a Predibase tras la adquisición, pasando de ser una "plataforma de ajuste fino" a un enfoque de "gobernar cada agente".

Lo que Predibase no es

Predibase no es una herramienta sin código (no-code). La interfaz web es más limpia que construir tu propio stack de ajuste fino desde cero, pero tareas como la selección de rango de LoRA, la programación de la tasa de aprendizaje y la fusión de adaptadores requieren conocimientos de ML para configurarse de manera significativa. Los equipos sin un ingeniero de ML dedicado encontrarán que la curva de aprendizaje es pronunciada.

No es una API por token con inferencia gratuita ilimitada. El nivel gratuito serverless cubre la experimentación, pero las cargas de trabajo de producción requieren implementaciones privadas facturadas por segundo. Los equipos con tráfico altamente variable (picos separados por períodos de inactividad) acumularán costos durante el tiempo de inactividad. El modelo de facturación favorece cargas de trabajo estables y consistentes donde los costos de tiempo de actividad de la GPU se amortizan sobre solicitudes constantes. La facturación por token de Together AI es más favorable para patrones de uso con picos o estacionales.

No es una plataforma de aplicaciones completa. Predibase maneja el entrenamiento y el servicio. Aún necesitas construir el gateway de la API, el enrutamiento de solicitudes, el monitoreo y la lógica de la aplicación por encima. Esto es deliberado: es infraestructura, no una solución.

Descarta Predibase si las necesidades de tu modelo quedan fuera de las familias Llama y Mistral de forma nativa. Los equipos que requieren ajuste fino a escala de Qwen, Gemma, Phi-3.5 o DeepSeek tienen un soporte oficial limitado. Descártalo si tu equipo está en una etapa inicial sin tráfico de LLM en producción todavía y desea el camino más rápido hacia un modelo ajustado; el enfoque de destilación de OpenPipe te llevará allí más rápido. Descártalo si la incertidumbre de la adquisición es un obstáculo: la hoja de ruta del producto de Rubrik para Predibase no se ha detallado públicamente hasta abril de 2026, y las discusiones de la comunidad de desarrolladores reflejan preocupación sobre si el producto de ajuste fino de autoservicio sigue siendo una prioridad dentro de una empresa de ciberseguridad.