# Capítulo 10: Cuándo usar cada técnica de especialización y compresión. En este capítulo aprenderás a elegir entre prompting, LoRA, QLoRA, destilación, cuantización y poda según el problema real, el presupuesto y el riesgo aceptable. La primera pregunta no es qué técnica está de moda. Es qué comportamiento falta. Si el modelo conoce la tarea pero responde con un formato incorrecto, conviene empezar por plantilla, prompting, ejemplos y validación externa. Son cambios reversibles, baratos y fáciles de comparar. Entrenar antes de corregir el contrato de entrada y salida puede fijar un problema que pertenecía al harness. Si falta conocimiento actualizado o privado, recuperar documentos suele ser preferible a modificar pesos. Un sistema de recuperación permite citar, renovar o retirar información sin volver a entrenar. La especialización de pesos tiene sentido cuando se busca un patrón estable: estilo, formato, decisiones repetibles o uso de herramientas que el prompting no resuelve con suficiente consistencia. Aun así, los datos deben estar autorizados y separados en entrenamiento, validación y prueba. LoRA es el primer control para adaptación eficiente. Congela la base e introduce matrices de bajo rango. Conviene cuando hay memoria suficiente para mantener el modelo base en una precisión alta y se quiere reducir el riesgo adicional de cuantización durante el entrenamiento. En Ornith, los targets deben derivarse de los módulos reales de la arquitectura híbrida; copiar una lista preparada para LLaMA puede omitir proyecciones importantes. El rango y alpha se eligen mediante evaluación, no por costumbre. QLoRA añade una base congelada cuantizada para ahorrar memoria. Conviene cuando LoRA en BF16 no cabe o cuando se necesita explorar rápidamente varias configuraciones. El ahorro no convierte a QLoRA en ganador de calidad. Para Ornith existe ejecutabilidad comunitaria, pero eso no demuestra retención de capacidades. La comparación correcta usa el mismo dataset, split, targets, longitud, semillas y gates que LoRA BF16. Si QLoRA rompe visión, herramientas o español, su menor VRAM no compensa la regresión. La cuantización de inferencia responde a otra necesidad: desplegar el mismo modelo con menos memoria o mayor velocidad potencial. Se empieza desde un origen fiable, se registra la receta y se compara el GGUF contra un control de mayor precisión. Q4_K_L es el baseline operativo, no una garantía universal. La KV cache se evalúa aparte porque cambia memoria creada durante la ejecución, no los pesos. Un A/B limpio nunca cambia quant y KV en la misma corrida. La destilación se elige cuando existe un profesor útil y se quiere entrenar un estudiante más pequeño o especializado. Requiere datos, cómputo y una definición clara de qué señal se transfiere. Puede combinar logits, estados o respuestas, pero cada ruta tiene riesgos de sesgo y cobertura. DFlash también usa una forma de entrenamiento de un draft, pero ese draft no es un modelo general autónomo: participa en decodificación especulativa y el target verifica sus propuestas. No debe confundirse con destilar un nuevo LLM de propósito general. La poda estructurada entra después, no antes. Conviene cuando hay una forma de despliegue objetivo, capacidad para recuperar el modelo y evidencia de que el runtime aprovechará la arquitectura resultante. Minitron enseña a comparar profundidad y anchura con destilación. Sheared LLaMA enfatiza la forma final y el continued pre-training. LLM-Pruner obliga a respetar dependencias. ShortGPT ofrece un screening barato de capas, pero advierte que generación puede degradarse aunque un benchmark parezca estable. En Ornith todo queda compatible sin probar. La poda de expertos no aplica al Ornith 9B denso. Cambiar a un modelo MoE sería otro objetivo, no una optimización del mismo checkpoint. Tampoco se declara que una poda haya retirado idiomas, visión, seguridad, censura o capacidades sin una batería específica. Menos parámetros describe estructura; no describe por sí solo el comportamiento que queda. MTP y DFlash se eligen por latencia, no por especialización. MTP integrado sigue sin evaluar. DFlash está presente como archivo, no cargado ni validado. Si se investigan, se crea un perfil aislado para cada uno y se mide aceptación, costo del draft, memoria, latencia, throughput y estabilidad. Activar ambos o cambiar el quant al mismo tiempo impediría saber qué produjo el resultado. Un árbol de decisión práctico queda así. Primero corrige contrato y prompting. Después considera recuperación para conocimiento cambiante. Si necesitas conducta estable, compara LoRA BF16 con QLoRA. Si el problema es despliegue, compara cuantización de pesos y KV por separado. Si necesitas un estudiante, diseña destilación. Si el runtime y presupuesto justifican una forma menor, investiga poda con recovery. Para latencia, evalúa rutas especulativas como módulos independientes. Cada rama termina en los mismos gates: calidad por dominio, seguridad, licencia, privacidad, memoria, latencia y reproducibilidad. Una técnica que no supera los gates vuelve a laboratorio, aunque ahorre recursos. La reversibilidad importa: adaptadores separados, artefactos versionados, despliegues canario y rollback conservan opciones. Confirmado hoy: las técnicas resuelven problemas diferentes y existen fuentes primarias para diseñar cada experimento. Pendiente: ejecutar comparaciones locales; ninguna técnica de especialización, poda, MTP o DFlash ha sido aprobada para Ornith por esta edición del Atlas.