Validador de conjuntos de ajuste fino

Comprueba un conjunto de datos de chat buscando los errores que tumban un entrenamiento a mitad.

Los datos de entrenamiento se leen en el navegador. Nada se sube y nada persiste al cerrar la página.

Recorre el archivo registro a registro

Acerca de Validador de datasets

Un entrenamiento falla con el primer registro malformado, y normalmente lo encuentra cuando ya te has ido a casa. Las comprobaciones que merece la pena hacer antes son poco vistosas y rápidas: cada registro un objeto con un array de mensajes, cada mensaje con rol y contenido, la conversación empezando donde debe y —la que se le escapa a todo el mundo— terminando en un mensaje del asistente, porque ese es el turno que el registro enseña. También se señalan dos mensajes de usuario seguidos, porque suelen significar que se fusionaron dos registros. Junto a los errores, la distribución de tamaños del archivo muestra la cola que no cabrá antes de que sea la razón de que el entrenamiento pare.

Características

• Cada hallazgo señalado en la línea de la que salió
• Comprueba que cada registro analice, y sigue más allá de los que no
• Roles comprobados contra el conjunto conocido, los raros señalados
• Detecta un registro que no termina en un mensaje del asistente
• Detecta dos turnos seguidos del mismo lado
• Detecta contenido vacío, que valida y no enseña nada
• Distribución de tamaños: mediana, percentil 90 y máximo
• Clave de mensajes configurable para formatos que la llaman de otro modo

Cómo usar Validador de datasets

1. Suelta el conjunto .jsonl o pégalo
2. Ajusta la clave de mensajes si tu formato es distinto
3. Corrige los errores y luego mira los avisos
4. Compara la distribución de tamaños con tu límite de contexto

Ejemplo

Entrada

line 3: two user messages in a row

Salida

Records: 3 · Errors: 0 · Warnings: 1

Normalmente indica que dos registros se unieron por accidente.

Errores comunes y solución de problemas

• Un registro no termina con un mensaje del asistente. — Ese registro no tiene nada que enseñar: el turno final del asistente es el objetivo. Por eso es un error y no un aviso.
• No encuentra el array de mensajes. — Ajusta la clave de mensajes a como la llame tu formato. Conversation y turns son ambas habituales.
• Señala dos mensajes de usuario seguidos. — Suelen ser dos registros concatenados por error. Si el turno doble es deliberado, es un aviso y no un error.
• Algunos registros son enormes. — Los percentiles muestran la cola. Todo lo que supere el límite de contexto fallará, y es muchísimo más barato descubrirlo aquí que a mitad de un entrenamiento.

Preguntas frecuentes

¿Qué formato espera?

El formato de chat: un objeto JSON por línea, cada uno con un array de mensajes de pares rol y contenido. El nombre de la clave es configurable, porque las convenciones difieren, pero la forma interior es la misma en todas partes.

¿Por qué un registro debe terminar en un mensaje del asistente?

Porque ese turno es lo que el registro enseña. Una conversación que acaba en un mensaje de usuario tiene una pregunta y ninguna respuesta, así que no hay nada de lo que aprender.

¿Los recuentos de tokens son exactos?

No, son estimaciones por caracteres. Sirven para detectar el caso extremo que no cabrá, que no necesita precisión: el recuento exacto sale del tokenizador del proveedor.

¿Un resultado limpio significa que los datos son buenos?

Significa que el archivo está bien formado. Si los ejemplos enseñan lo correcto es una pregunta sobre tus datos, y ningún validador la responde.

¿Se sube mi conjunto de datos?

No. Los datos de entrenamiento suelen ser el archivo más sensible de un equipo, y todo esto corre en el navegador.

Herramientas relacionadas

• Visor y validador JSONL — Lee, filtra y comprueba un archivo JSONL línea por línea.
• Conversor de transcripciones — Convierte un array de mensajes en una transcripción legible, y al revés.
• Constructor de lotes — Convierte una tabla de filas en un trabajo por lotes, con ids únicos.
• Divisor de texto — Divide un documento en fragmentos solapados que cortan en límites reales.
• Planificador de contexto — Reparte la ventana entre prompt, herramientas, historial y respuesta.
• Relleno de plantillas — Expande un prompt sobre una tabla de filas y mira qué falta.

Más herramientas de IA y agentes

• Constructor de skills — Escribe un SKILL.md con el frontmatter revisado mientras escribes.
• Linter de skills — Pega un SKILL.md y descubre qué impide que se asocie a una tarea.
• Constructor de subagentes — Crea el archivo de definición de un subagente con sus herramientas y modelo.
• Constructor de comandos — Crea un comando propio, con argumentos y una lista de herramientas.
• Instrucciones del proyecto — Redacta un CLAUDE.md que se gane su sitio en cada sesión.
• Manifiesto de plugin — Genera un plugin.json y mira la estructura de carpetas que espera.
• Constructor de hooks — Crea hooks de settings.json y detecta los matchers que nunca se activan.
• Probador de reglas de permiso — Prueba reglas de permitir, preguntar y denegar con comandos reales.
• Configuración de servidor MCP — Genera una entrada de servidor MCP para stdio, HTTP o SSE.
• Esquema de herramienta MCP — Define una herramienta y obtén el JSON Schema, con el modo estricto revisado.
• Verificador de esquemas — Pega una definición y averigua por qué se rechaza o se llama mal.
• Relleno de plantillas — Expande un prompt sobre una tabla de filas y mira qué falta.
• Linter de prompts — Encuentra contradicciones, instrucciones muertas y marcadores sin rellenar.
• Comparador de prompts — Compara dos versiones palabra por palabra, con la diferencia en tokens.
• Ejemplos few-shot — Convierte pares de entrada y salida en ejemplos etiquetados, JSON o de chat.
• Secciones XML del prompt — Envuelve secciones en etiquetas de las que el contenido no puede salir.
• Visor y validador JSONL — Lee, filtra y comprueba un archivo JSONL línea por línea.
• Conversor de transcripciones — Convierte un array de mensajes en una transcripción legible, y al revés.
• Visor de streams SSE — Pega una respuesta en streaming y recupera el texto, las llamadas y el uso.
• Planificador de contexto — Reparte la ventana entre prompt, herramientas, historial y respuesta.
• Planificador de caché — Ordena los bloques para que el prefijo cacheable sea lo más largo posible.
• Divisor de texto — Divide un documento en fragmentos solapados que cortan en límites reales.
• Coste de un bucle de agente — Calcula el coste turno a turno, con el historial reenviado y la caché aplicada.
• Constructor de lotes — Convierte una tabla de filas en un trabajo por lotes, con ids únicos.

Ver todas las herramientas de IA y agentes · Todas las herramientas