Saltar al contenido
Enrique Tomás Martínez Beltrán
InicioInvestigaciónPublicacionesTemasDocenciaBlog
Contacto
EN/ES
InicioInvestigaciónPublicacionesTemasDocenciaBlogContacto
EN/ES

Enrique Tomás Martínez Beltrán

Investigación postdoctoral en IA, ciberseguridad y aprendizaje federado, con trabajo en análisis de amenazas, ciberdefensa de ciclo cerrado y aprendizaje descentralizado confiable.

  • Política de privacidad
  • Términos del servicio
  • Accesibilidad
  • Google Scholarse abre en una pestaña nueva
  • ORCIDse abre en una pestaña nueva
  • LinkedInse abre en una pestaña nueva
  • GitHubse abre en una pestaña nueva
Todos los perfiles
  • ResearchGatese abre en una pestaña nueva
  • Scopusse abre en una pestaña nueva
  • DBLPse abre en una pestaña nueva
  • Web of Sciencese abre en una pestaña nueva

Enrique Tomás Martínez Beltrán. Todos los derechos reservados.

Volver arriba

Este sitio carga analítica opcional de Google y proveedores externos de analítica solo si aceptas. Puedes rechazarla y seguir usando la web con normalidad.

  1. Inicio
  2. Notas de investigación sobre aprendizaje federado, ciberseguridad y ciberdefensa
  3. P-RAG: llevar conocimiento de seguridad al modelo
RAG paramétricoP-RAGRAGLLMsAmpliación de conocimientoIA confiable

P-RAG: llevar conocimiento de seguridad al modelo

Comparación precisa entre inyección en contexto, conocimiento parametrizado y recuperación híbrida

Enrique Tomás Martínez Beltrán

Investigador postdoctoral en Informática

13 de agosto de 20269 min de lectura
  • LinkedInse abre en una pestaña nueva
  • Xse abre en una pestaña nueva
P-RAG: llevar conocimiento de seguridad al modelo

Parametric RAG, o P-RAG, cambia el lugar donde se incorpora el conocimiento recuperado. El RAG estándar coloca documentos seleccionados en el contexto del modelo durante la inferencia. Los enfoques paramétricos intentan codificar documentos externos en los parámetros del modelo, a menudo mediante una fase de parametrización o adaptación, y pueden combinarse con recuperación convencional.

La distinción importa cuando un corpus de dominio se utiliza repetidamente y enviar el mismo contexto largo resulta costoso.

1. Dos caminos de memoria

Sea MθM_\thetaMθ​ el modelo base y DDD un corpus de dominio. El RAG contextual calcula:

y∼Mθ(q,Ck(q;D)).y \sim M_\theta(q, C_k(q;D)).y∼Mθ​(q,Ck​(q;D)).

La ampliación paramétrica produce parámetros adaptados θD\theta_DθD​ y genera:

y∼MθD(q).y \sim M_{\theta_D}(q).y∼MθD​​(q).

Un sistema híbrido puede usar ambos. El primer camino es más fácil de actualizar y citar. El segundo puede reducir contexto repetido y facilitar el acceso a patrones frecuentes del dominio.

2. Qué pasa a los parámetros

Codificar conocimiento en parámetros no crea una base de datos perfecta. Cambia el comportamiento estadístico del modelo. Una memoria parametrizada puede comprimir hechos, relaciones y estilo, pero perder procedencia exacta o mezclar versiones antiguas y nuevas.

En seguridad esto exige una regla estricta: el modelo no debe tratarse como fuente autoritativa de políticas cambiantes, indicadores o hechos de incidentes. Para responder puede seguir haciendo falta un recuperador de documentos actuales.

3. Preguntas de evaluación

Compara P-RAG y RAG contextual en:

  • calidad de respuesta y adaptación al dominio,
  • tiempo de actualización cuando cambia una fuente,
  • procedencia y cobertura de citas,
  • interferencia con conocimiento no relacionado,
  • comportamiento de negativa cuando falta un hecho,
  • coste de inferencia y longitud de contexto,
  • riesgo de privacidad y memorización.

La pregunta no es solo si el modelo adaptado responde correctamente más consultas. Es si la ganancia sobrevive a las actualizaciones y sigue siendo inspeccionable.

4. Un patrón híbrido más seguro

Usa conocimiento parametrizado para conceptos estables y repetidos, y recupera evidencia actual para afirmaciones volátiles. La respuesta debería indicar qué hechos proceden de documentos actuales y qué capacidades reflejan la adaptación del modelo.

P-RAG se entiende mejor como una decisión de diseño de memoria y no como un sustituto de la gobernanza de la recuperación.

Esta nota es una síntesis original de conceptos de P-RAG aplicados al conocimiento de seguridad. No reproduce texto de ninguna fuente.

Lectura relacionada

  • Parametric Retrieval Augmented Generation

Investigación relacionada

Grandes modelos de lenguaje para ciberseguridad: un punto de partida responsable

13 de agosto de 2026

Grandes modelos de lenguaje para ciberseguridad: un punto de partida responsable

Mapa práctico de los usos de los LLMs en ciberdefensa, desde inteligencia de amenazas hasta triaje y explicación de alertas, con límites y controles explícitos.

La ciberdefensa autónoma necesita algo más que un LLM

13 de agosto de 2026

La ciberdefensa autónoma necesita algo más que un LLM

Cómo plantear la ciberdefensa autónoma como un ciclo de control acotado con evidencia, políticas, recuperación e intervención humana responsable.