Guías

Crear datasets JSONL válidos para fine-tuning desde CSV y JSON

Genera archivos .jsonl válidos para fine-tuning de OpenAI chat, Alpaca y Gemini desde hojas de cálculo y arreglos JSON en local con validación por línea.

3 min de lectura

Respuesta rápida: Las APIs de ajuste fino (fine-tuning) requieren `JSONL` delimitado por líneas donde cada fila es un objeto JSON independiente, aunque los datos suelan nacer en `.csv`. Convertir filas localmente mapea columnas a formatos OpenAI `messages` o Alpaca sin subir conjuntos de datos privados.

Por qué las APIs de entrenamiento y lotes exigen JSONL en vez de JSON

El JSON estándar envuelve registros en un arreglo `[ ... ]`, obligando a leer todo el archivo en memoria antes de procesar el primer elemento. JSONL escribe un objeto JSON compacto e independiente por línea.

Las plataformas de OpenAI, Anthropic Batch API y Vertex AI procesan millones de líneas JSONL en streaming validando cada ejemplo de forma individual.

  • Cada línea debe ser JSON minificado en una sola línea (sin saltos internos).
  • Las líneas en blanco al final o comas sobrantes provocan rechazo al subir.
  • Cada ejemplo suele mapearse a un arreglo `messages` basado en roles.

Formatear ejemplos de entrenamiento OpenAI Chat y Alpaca desde CSV

Los conjuntos curados de evaluación y entrenamiento suelen mantenerse en Excel o Google Sheets con columnas `system`, `prompt`/`user` y `completion`/`assistant`. Escribir scripts puntuales para cada exportación frena el ritmo.

CSV a JSONL incluye plantillas listas de objetos crudos, OpenAI Chat (`messages[]`) y Alpaca (`instruction/input/output`) para exportar directo en el navegador.

json
{"messages":[{"role":"user","content":"Explain UTF-8 BOM"},{"role":"assistant","content":"A 3-byte EF BB BF header telling Excel to decode UTF-8."}]}

Convertir datasets CSV a JSONL OpenAI/Alpaca

Extraer arreglos JSON anidados a JSONL validado

Si tu archivo de partida es un objeto API anidado como `{ "data": { "samples": [...] } }`, indica la ruta `data.samples` en JSON a JSONL para desenvolver el arreglo y validar cada línea generada.

Convertir arreglos JSON o validar JSONL

Estimar el costo de tokens del dataset localmente

Nunca pegues ejemplos privados de entrenamiento en contadores de terceros. Mide la huella de tokens del JSONL generado sin conexión antes de lanzar un trabajo de ajuste fino.

Contar tokens en GPT-5, Claude 4 y Gemini 2.5

Referencias

Preguntas frecuentes

¿Qué nombres de columna reconoce la plantilla OpenAI Chat de CSV?

Columnas llamadas system, user/prompt/question y assistant/completion/answer se asignan al arreglo de roles messages; usa modo Crudo si tienes columnas personalizadas.

¿Puedo convertir un archivo de registro JSONL de vuelta a un arreglo JSON?

Sí. Cambia la dirección en JSON a JSONL hacia JSONL -> JSON para reunir todas las líneas en un arreglo JSON formateado.

¿Por qué falló mi subida de fine-tuning en la línea 142?

Casi siempre por una comilla sin escapar, una línea vacía o un valor NaN en esa fila. Activar Validar cada línea detecta filas inválidas al instante.

Formatos relacionados

Comparativas relacionadas

Guías relacionadas