Entrenamientos
Cómo funcionan los entrenamientos de XEYE: cuándo lanzarlos, modelos de embeddings, descripciones con IA, estados y coste.
Ciclo de vida de un entrenamiento
Entrenar calcula un embedding (una representación numérica del significado) para cada elemento de la lista: eso es lo que hace posible la búsqueda semántica. Editar elementos nunca lanza nada por sí solo: deja un entrenamiento pendiente y tú decides cuándo lanzarlo.
Cada lista tiene como mucho un entrenamiento pendiente. Al lanzarlo, pasa por estos estados:
- Pendiente
La lista cambió desde el último entrenamiento. Espera a que lo lances.
- En cola
En cola: arrancará en cuanto haya hueco (los entrenamientos se despachan por turnos entre usuarios).
- Entrenando
El worker está calculando embeddings y enriqueciendo elementos. Suele tardar unos minutos.
- Completado
Terminado: el entrenamiento queda «En uso» y las búsquedas usan su modelo de inmediato.
- Fallido
Algo salió mal. El error se muestra en el entrenamiento y puedes lanzarlo de nuevo.
Modelos de embeddings
Cada lanzamiento usa el modelo de embeddings que elijas. Los modelos intercambian calidad por velocidad: los grandes captan mejor los matices, pero tardan más en entrenar y responden algo más lento.
Puedes entrenar la misma lista con varios modelos y compararlos desde la página Búsqueda antes de decidir cuál queda en uso.
El entrenamiento «en uso»
El entrenamiento marcado «En uso» es el que responde a las búsquedas de la lista. Al completarse un entrenamiento pasa a estar en uso automáticamente.
Puedes volver a un entrenamiento completado anterior con «Usar», siempre que cubra exactamente los elementos que la lista tiene ahora. Si los elementos han cambiado, reentrena.
Límites
Una ejecución por lista: una lista con un entrenamiento en marcha no puede lanzar otro hasta que termine o falle.
Límite global de la plataforma: cada ejecución reserva cómputo real, así que el número de entrenamientos simultáneos está limitado. Si un lanzamiento se rechaza, reintenta cuando quede un hueco libre.
Recomendaciones
Agrupa tus cambios: termina de añadir y editar elementos y entrena una vez, no tras cada cambio.
Los elementos añadidos después de un entrenamiento puntúan solo por texto hasta el siguiente; reentrena tras cambios sustanciales.
Compara modelos con consultas reales desde la página Búsqueda antes de quedarte con uno.
Un entrenamiento fallido libera su hueco: revisa el error, corrige la causa si la hay y lánzalo de nuevo.