LLM leyes de escalado: análisis de investigadores de IA

Los modelos de lenguaje de gran tamaño predicen el siguiente token basándose en patrones aprendidos de los datos de texto. El término LLM leyes de escalado se refiere a las regularidades empíricas que vinculan el rendimiento del modelo con la cantidad de cómputo, los datos de entrenamiento y los parámetros del modelo utilizados durante el entrenamiento.

Para entender cómo estas relaciones influyen en el diseño de modelos modernos en la práctica, revisamos los hallazgos de 8 artículos académicos y las perspectivas de 3 importantes laboratorios e investigadores de IA.

Conclusiones clave del análisis de las leyes de escalado de LLM

El gráfico muestra cómo el entrenamiento de LLM ha pasado de enfoques con muchos parámetros y pocos datos a entrenar modelos más pequeños con muchos más datos. Los primeros modelos, como GPT-3, Gopher y MT-NLG, usaban cerca de un token de entrenamiento por parámetro. La investigación de Chinchilla sugirió posteriormente que, con un presupuesto fijo de cómputo de entrenamiento, aproximadamente 20 tokens por parámetro podrían ofrecer un mejor rendimiento.

Los modelos recientes de Llama superan esta proporción por un margen amplio. Llama 3 8B, por ejemplo, se entrenó con aproximadamente 1.900 tokens por parámetro. Esto muestra que invertir más cómputo durante el entrenamiento puede mejorar la capacidad del modelo por parámetro y reducir los costes de inferencia a lo largo de la vida útil del modelo.

La conclusión principal es que el número de parámetros por sí solo no es un indicador fiable del rendimiento del modelo. La calidad del modelo depende de cómo se equilibren los parámetros, los datos de entrenamiento y el cómputo.

Evidencia de la investigación académica sobre leyes de escalado

“Comportamientos de escalado del post-entrenamiento con aprendizaje por refuerzo de LLM”, Zhang, Yin et al.

El artículo Comportamientos de escalado del post-entrenamiento con aprendizaje por refuerzo de LLM (2026) examina cómo el aprendizaje por refuerzo durante el post-entrenamiento escala con el tamaño del modelo y el cómputo.

Los autores realizan un estudio empírico en modelos de distintas escalas y descubren que la relación entre la pérdida de prueba, el cómputo y los datos puede modelarse mediante una ley de potencia predictiva. Este patrón se mantiene tanto en modelos base como en modelos ajustados por instrucciones, lo que sugiere que el post-entrenamiento con aprendizaje por refuerzo sigue regularidades similares a las observadas en el preentrenamiento.

Sin embargo, el análisis también identifica una tendencia de saturación latente en el término de eficiencia de aprendizaje. Aunque los modelos más grandes logran una mayor eficiencia de aprendizaje, los rendimientos disminuyen a medida que crece la escala.

Esto indica que el escalado del aprendizaje por refuerzo tiene límites incorporados que difieren de los observados en el preentrenamiento y que los profesionales deben tener en cuenta estos límites al asignar cómputo a las etapas de post-entrenamiento.¹

“Las leyes de escalado se encuentran con la arquitectura del modelo: hacia LLMs eficientes en inferencia”, Bian, Yu, Venkataraman y Park

Bian et al. (2025) se basan en el marco de Chinchilla incorporando la arquitectura del modelo al escalado óptimo en cómputo. Las leyes de escalado tradicionales tratan el número de parámetros y los tokens de entrenamiento como las variables principales, pero a medida que el costo de inferencia se convierte en una preocupación central, las decisiones arquitectónicas determinan cada vez más la eficiencia de despliegue.

Los autores presentan una ley de escalado condicional que añade información arquitectónica al marco de Chinchilla. Examinan cómo el tamaño oculto, la asignación de parámetros entre capas MLP y de atención, y la atención de consulta agrupada influyen tanto en la precisión como en el costo de inferencia. El marco también incluye un procedimiento de búsqueda para identificar configuraciones que sean simultáneamente eficientes en inferencia y precisas.

Para validar el enfoque, los autores entrenan más de 200 modelos que van desde 80 millones hasta 3 mil millones de parámetros con entre 8 mil millones y 100 mil millones de tokens de entrenamiento. Los resultados sugieren que las decisiones arquitectónicas pueden desplazar la relación entre el tamaño del modelo y el costo de inferencia de maneras predecibles. Este hallazgo respalda la tendencia más amplia de tratar la arquitectura del modelo como un factor ajustable en el escalado y no como una elección fija antes de comenzar el entrenamiento.

Figura 1: Resultados del barrido de escalado que muestran el rendimiento de inferencia (izquierda) y las curvas de nivel de pérdida de entrenamiento previstas (derecha) en función del tamaño oculto y la relación MLP-atención.²

“Ley de densificación de LLMs”, Xiao, Cai y Zhao

La ley de densificación de LLMs (2025) examina con qué eficiencia utilizan sus parámetros los modelos. Introduce el concepto de densidad de capacidad, definida como la relación entre el número de parámetros efectivos de un modelo y su número real de parámetros. El número de parámetros efectivos se estima ajustando las leyes de escalado a los modelos existentes y preguntando cuán grande tendría que ser un modelo de referencia para igualar el rendimiento actual.

Los autores observan que los mejores modelos en cada momento muestran una densidad de capacidad creciente. Esto significa que los modelos más nuevos logran un rendimiento determinado con menos parámetros que los modelos anteriores. La tendencia parece aproximadamente exponencial.

Esta observación sugiere que el progreso en los modelos de lenguaje de gran tamaño consiste en escalar el tamaño del modelo y en mejorar la arquitectura del modelo, la calidad de los datos de entrenamiento y los algoritmos de entrenamiento. El artículo sostiene que rastrear la eficiencia de los parámetros es esencial para entender las direcciones futuras en el procesamiento del lenguaje natural y el aprendizaje automático.

Figura 2: El gráfico muestra la densidad de capacidad estimada para LLMs de código abierto en cinco benchmarks de razonamiento y codificación; el tamaño del círculo indica el número de parámetros del modelo y una línea de tendencia sugiere una “ley de densificación” en la que la densidad de capacidad máxima crece exponencialmente.³

“Sloth: leyes de escalado para habilidades de LLM para predecir el rendimiento en múltiples benchmarks entre familias”, Polo, Somerstep y Choshen

Sloth introduce un nuevo enfoque en Sloth: leyes de escalado para habilidades de LLM para predecir el rendimiento en múltiples benchmarks entre familias (2025), cambiando el enfoque de la pérdida del modelo al rendimiento a nivel de benchmark. En lugar de tratar las tareas por separado, Sloth identifica un conjunto de habilidades latentes que capturan el rendimiento de los modelos de lenguaje en diferentes benchmarks. Estas habilidades representan capacidades generales como el razonamiento o la recuperación de conocimiento.

El marco modela cómo cada habilidad escala con los parámetros del modelo y los datos de entrenamiento. Sloth utiliza características simples, como los logaritmos del tamaño del modelo y del dataset, para describir cómo cambian estas habilidades dentro de una familia de modelos. Una vez ajustado, Sloth puede predecir cómo se desempeñarán modelos más grandes de la misma familia en muchos benchmarks sin necesidad de entrenarlos.

Al utilizar las predicciones de Sloth, las organizaciones pueden decidir dónde asignar recursos computacionales y evitar configuraciones de entrenamiento que probablemente no alcancen el rendimiento deseado. Esto respalda una planificación más racional del entrenamiento de modelos bajo restricciones del mundo real.⁴

“Más allá de Chinchilla-Optimal: incorporar la inferencia en las leyes de escalado de modelos de lenguaje”, Sardana, Portes y Doubov

En Más allá de Chinchilla-Optimal: incorporar la inferencia en las leyes de escalado de modelos de lenguaje (2025), Sardana et al. amplían el marco de Chinchilla incorporando los costes de inferencia al escalado óptimo en cómputo.

En lugar de minimizar únicamente el cómputo de entrenamiento, fijan un nivel de rendimiento objetivo y optimizan el costo combinado de entrenamiento e inferencia durante la vida útil del modelo.

Este cambio conduce a una idea práctica importante: en entornos de uso intensivo, los modelos más pequeños entrenados con más datos a menudo pueden igualar el rendimiento de modelos más grandes incurriendo en costes totales de cómputo más bajos.

Figura 3: Los gráficos comparan las proporciones de costo total, número de parámetros y tokens de entrenamiento entre modelos de costo óptimo del mundo real y modelos del estilo Chinchilla.⁵

“¿Puede continuar el escalado de la IA hasta 2030?”, Epoch IA

Epoch IA examinó en 2024 si el ritmo actual de escalado del entrenamiento de IA, aproximadamente cuatro veces por año, puede continuar hasta el final de la década. El análisis se centra en cuatro posibles limitaciones: la disponibilidad de energía, la capacidad de fabricación de chips, la escasez de datos y el muro de latencia impuesto por los requisitos de computación secuencial.

Los autores estiman que las ejecuciones de entrenamiento de 2e29 FLOP probablemente serán factibles para 2030. Proyectan que los datos multimodales ampliarán las reservas efectivas de datos de entrenamiento a entre 450 billones y 23 mil billones de tokens, lo que permitirá ejecuciones de entrenamiento de 6e28 a 2e32 FLOP. La generación de datos sintéticos podría ampliar aún más esto si los laboratorios de IA destinan una parte significativa del cómputo a producirlos.

El análisis identifica la disponibilidad de energía como la limitación con mayor probabilidad de ser la primera en activarse, seguida de la capacidad de fabricación de chips. La escasez de datos se convierte en un problema significativo alrededor del mismo período, mientras que es menos probable que el muro de latencia sea limitante a corto plazo.

El trabajo de Epoch traduce el concepto abstracto de límites de escalado en límites cuantitativos específicos, proporcionando a las organizaciones puntos de referencia para la planificación a largo plazo en torno a los recursos de cómputo y las inversiones en infraestructura.⁶

“Entrenamiento de modelos de lenguaje de gran tamaño óptimos en cómputo”, Hoffmann, Borgeaud y Mensch

El artículo Entrenamiento de modelos de lenguaje de gran tamaño óptimos en cómputo (2022) reevalúa leyes anteriores para modelos de lenguaje neuronales mediante un amplio conjunto de experimentos controlados. Modela la pérdida como una función conjunta de los parámetros del modelo y el tamaño de los datos de entrenamiento, y descubre que muchos modelos grandes anteriores estaban subentrenados para su número de parámetros. Cuando los investigadores entrenan modelos más grandes con datos de entrenamiento insuficientes, la calidad resultante del modelo no coincide con las predicciones de las leyes de escalado tradicionales.

Los autores demuestran que, con un presupuesto de cómputo fijo, el rendimiento óptimo se logra cuando los modelos utilizan recuentos de parámetros y de tokens de entrenamiento de órdenes de magnitud similares. Este resultado se conoce ampliamente como la ley de escalado de Chinchilla. Establece que el entrenamiento óptimo en cómputo requiere una relación casi proporcional entre el número de parámetros y el número de tokens de entrenamiento.

Este enfoque produce modelos más pequeños que funcionan mejor que modelos más grandes entrenados con datos limitados. También respalda una selección eficiente de modelos, ya que los investigadores pueden ajustar leyes de escalado a modelos más pequeños y predecir el rendimiento de modelos de lenguaje para configuraciones más grandes antes del entrenamiento.

Figura 4: La figura superpone predicciones de varios métodos, todas las cuales indican que los modelos grandes actuales están sobredimensionados y, en cambio, deberían ser más pequeños y entrenarse durante más tiempo.⁷

“Leyes de escalado para modelos de lenguaje neuronales”, Kaplan y McCandlish

Kaplan et al. introdujeron las primeras leyes de escalado ampliamente citadas para modelos de lenguaje neuronales en Leyes de escalado para modelos de lenguaje neuronales (2020).

En su análisis, el rendimiento del modelo sigue relaciones de ley de potencia con respecto a tres variables clave: el número de parámetros del modelo, el tamaño del dataset de entrenamiento (medido en tokens) y el cómputo total de entrenamiento.

Al variar sistemáticamente estos tres factores, los autores mostraron que aumentar cualquiera de ellos conduce a reducciones predecibles de la pérdida, siempre que los demás se escalen adecuadamente.

Figura 5: La figura muestra cómo cambia la pérdida de prueba con el tamaño del modelo bajo diferentes presupuestos de cómputo y cantidades de pasos de entrenamiento, revelando el equilibrio óptimo entre el tamaño del modelo, el cómputo y la duración del entrenamiento para obtener el mejor rendimiento.

Este trabajo sentó las bases para investigaciones posteriores sobre las leyes de escalado de modelos de lenguaje. También demostró que la forma y la profundidad del modelo tienen un efecto menor que el número total de parámetros y los tokens de entrenamiento cuando el cómputo es fijo. Esta idea influyó en cómo los investigadores posteriores diseñaron algoritmos de entrenamiento para modelos de lenguaje de gran tamaño.⁸

Opiniones de importantes laboratorios e investigadores de IA sobre las leyes de escalado de LLM

Más allá de las leyes de escalado académicas, los investigadores y profesionales de la industria destacan cómo estos principios se traducen en el desarrollo y despliegue de modelos en el mundo real.

Las siguientes perspectivas ilustran cómo las diferentes partes interesadas, desde proveedores de hardware hasta investigadores aplicados, interpretan y aplican las leyes de escalado en la práctica.

NVIDIA

Desde una perspectiva de infraestructura, NVIDIA presentó las leyes de escalado como herramientas prácticas para diseñar y entrenar modelos de lenguaje de gran tamaño en 2025. Destaca tres ejes principales de escalado:

• Tamaño del modelo.
• Tamaño del dataset.
• Recursos de cómputo.

Según NVIDIA, escalar cualquiera de estos factores en el régimen correcto produce mejoras predecibles en la calidad del modelo.

El artículo también destaca la importancia del cómputo en tiempo de prueba. Los sistemas modernos dedican más tiempo a la inferencia utilizando técnicas como secuencias de razonamiento extendidas. Esto añade una nueva dimensión a las leyes de escalado, yendo más allá del enfoque original en los tokens de entrenamiento y los parámetros del modelo.

NVIDIA utiliza estas ideas para explicar por qué la demanda de recursos de cómputo sigue creciendo, incluso cuando los modelos se vuelven más eficientes en el uso de parámetros. Sugiere que tanto el entrenamiento como la inferencia seguirán siendo importantes impulsores del uso de cómputo en los futuros sistemas de procesamiento del lenguaje natural.⁹

Cameron Wolfe, investigador de LLM en Netflix

Desde el punto de vista de un profesional, Cameron Wolfe explica en 2025 cómo las relaciones originales de ley de potencia de la literatura académica se aplican a los modelos actuales y cómo los profesionales pueden utilizar estas curvas para estimar el rendimiento alcanzable del modelo antes de entrenar modelos más grandes.

Wolfe analiza los roles de la forma y la arquitectura del modelo en el escalado y señala que, si bien las leyes de escalado tradicionales se centran en el número de parámetros, los sistemas prácticos también deben considerar la calidad de los datos y los algoritmos de entrenamiento. El artículo destaca las preocupaciones sobre la disponibilidad de datos de alta calidad y cómo estas limitaciones pueden afectar el entrenamiento de futuros modelos más grandes.

La discusión presenta las leyes de escalado como una guía para evaluar los modelos existentes y para estimar cómo puede cambiar el rendimiento del modelo cuando se amplían los datos de entrenamiento o se ajustan los parámetros del modelo.¹⁰

MIT-IBM Watson IA Lab

Adoptando una perspectiva más metodológica, los investigadores del MIT-IBM Watson IA Lab analizan las leyes de escalado en múltiples arquitecturas y datasets en 2025.

Los investigadores compilan un meta-dataset amplio que incluye 485 modelos preentrenados, metadatos detallados de entrenamiento y 1.9 millones de métricas de rendimiento. Los modelos provienen de 40 familias de modelos (Pythia, OPT, OLMo, LLaMA, Bloom, T5-Pile, GPT y más). Este dataset se utiliza para probar más de 1.000 leyes de escalado candidatas e identificar patrones que se generalizan entre diferentes familias de modelos.

El estudio describe pasos claros para ajustar leyes de escalado bajo restricciones de cómputo. Recomienda definir un presupuesto de cómputo y un rendimiento objetivo, y luego entrenar una pequeña colección de modelos de diferentes tamaños en lugar de centrarse en los modelos más grandes. Los puntos de control intermedios se destacan como fuentes valiosas de información, mientras que los datos de entrenamiento tempranos se desaconsejan debido al ruido.

Los autores muestran que cuando se siguen estas pautas, las predicciones pueden acercarse al límite inferior establecido por la variabilidad de la semilla aleatoria. Incluso cuando las predicciones son menos precisas, las leyes de escalado siguen siendo útiles para comparar opciones de entrenamiento e identificar configuraciones prometedoras.

El trabajo señala que el rendimiento varía significativamente entre las familias de modelos, lo que refuerza la importancia de utilizar entornos de entrenamiento diversos al ajustar las leyes de escalado.¹¹

¿Qué dicen los investigadores líderes sobre el futuro del escalado?

Posturas que respaldan la validez continua de las leyes de escalado

En todo el panorama de la investigación, hay evidencia consistente de que las leyes de escalado se mantienen dentro de los regímenes probados. El trabajo fundacional muestra relaciones claras de ley de potencia entre los parámetros del modelo, el tamaño de los datos de entrenamiento y el cómputo de entrenamiento cuando los modelos se entrenan en entornos equilibrados.

Estudios posteriores matizan esta imagen al demostrar que el entrenamiento óptimo en cómputo requiere alinear el tamaño del modelo con el volumen de tokens de entrenamiento, y que esta alineación mejora el rendimiento del modelo en comparación con enfoques anteriores.

El trabajo adicional sobre evaluación multitarea muestra que el rendimiento en benchmarks también escala de manera predecible cuando se expresa en términos de un conjunto más pequeño de habilidades latentes. Esto refuerza la opinión de que las leyes de escalado de modelos de lenguaje siguen siendo herramientas fiables para pronosticar el rendimiento del modelo cuando el tamaño del dataset y los recursos de cómputo se asignan adecuadamente.

Posturas que enfatizan la asignación eficiente del cómputo

Una segunda línea de investigación sostiene que el progreso depende cada vez más de cómo se distribuye el cómputo y no solo de aumentar el número de parámetros. Los análisis del entrenamiento óptimo en cómputo muestran que los modelos requieren datos de entrenamiento suficientes para alcanzar su potencial y que los modelos más grandes entrenados con datos limitados suelen ser ineficientes.

El trabajo que incorpora los costes de inferencia amplía esta idea al mostrar que el costo total de un modelo depende tanto del cómputo de entrenamiento como del cómputo en tiempo de inferencia.

Esta perspectiva sugiere que los futuros esfuerzos de escalado harán hincapié en configuraciones eficientes que optimicen conjuntamente el tamaño del modelo, los tokens de entrenamiento y el volumen de inferencia esperado. Plantea el diseño de modelos de lenguaje de gran tamaño como un ejercicio de asignación de cómputo y no como una búsqueda de crecimiento máximo de parámetros.

Posturas que enfatizan la creciente importancia de la eficiencia y la densidad

Otro punto de vista se centra en la eficiencia de los parámetros y el uso efectivo de los recursos computacionales. La investigación que rastrea la densidad de parámetros muestra que los modelos más nuevos logran un rendimiento más sólido con menos parámetros que los modelos anteriores. Esto indica que las mejoras arquitectónicas, la calidad de los datos y los algoritmos de entrenamiento desempeñan un papel importante en las ganancias de rendimiento.

Los comentarios técnicos también destacan la creciente importancia del comportamiento de inferencia y las mejoras posteriores al entrenamiento. En conjunto, estos hallazgos sugieren que los sistemas futuros dependerán de un diseño de modelo eficiente y de mejores métodos de entrenamiento, más que de una expansión descontrolada del número de parámetros. El énfasis pasa de los modelos más grandes a modelos más capaces que utilizan sus parámetros de manera más efectiva.

Restricciones al futuro escalado de LLM

Límites de cómputo y energía

Un tema recurrente en la literatura es la gran demanda de cómputo necesaria para entrenar e implementar modelos de lenguaje de gran tamaño. Entrenar modelos grandes consume importantes recursos de cómputo, mientras que la inferencia a gran escala genera costes operativos sustanciales.

Estos factores imponen límites económicos al escalado incluso cuando las leyes de escalado teóricas indican que hay más ganancias posibles. A medida que los modelos crecen, el consumo de energía y los requisitos de hardware se vuelven cada vez más difíciles de gestionar.

Limitaciones de disponibilidad de datos

Otra limitación es la disponibilidad de datos de alta calidad. Las formulaciones tradicionales de las leyes de escalado suponen el acceso a datos de entrenamiento abundantes, pero esta suposición ya no es fiable.

Varios análisis señalan la oferta limitada de texto de alta calidad y la creciente necesidad de datos seleccionados o datos sintéticos. A medida que el tamaño de los datos de entrenamiento se convierte en un factor limitante, la calidad de los datos se vuelve tan crucial como el número de parámetros para determinar el rendimiento del modelo.

Limitaciones económicas y de presupuesto de cómputo

El escalado práctico está limitado tanto por factores técnicos como por consideraciones financieras y organizativas. La investigación centrada en la predicción del rendimiento muestra que la planificación del presupuesto de cómputo es esencial para determinar qué ejecuciones de entrenamiento son factibles.

Los comentarios sobre las prácticas de la industria destacan el creciente costo del cómputo y la necesidad de que las organizaciones asignen sus recursos con cuidado. Estos factores limitan hasta dónde se puede llevar el escalado en entornos del mundo real.

Limitaciones algorítmicas y arquitectónicas

La investigación sobre leyes de escalado enfatiza que las mejoras predecibles ocurren cuando los modelos se entrenan en regímenes equilibrados. El trabajo que analiza la eficiencia de los parámetros demuestra que los avances arquitectónicos pueden desplazar la relación entre el tamaño del modelo y el rendimiento.

Los comentarios adicionales muestran que los algoritmos de entrenamiento influyen en la eficacia con la que se aplican las leyes de escalado. Estas ideas implican que el simple escalado de parámetros no puede continuar indefinidamente y que el progreso dependerá cada vez más de nuevos métodos de entrenamiento y arquitecturas de modelo.

No te pierdas nuestros análisis comparativos e insights basados en datos. El botón abre Google; seleccionar AIMultiple confirma que deseas ver AIMultiple con más frecuencia en los resultados de búsqueda de Google.

Añadir como fuente preferida

Preguntas frecuentes

Cita esta investigación

Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{LLM leyes de escalado: análisis de investigadores de IA}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/llm-scaling-laws}},
  note   = {AIMultiple. Recuperado el 24 de julio de 2026}
}

Registro de cambios

2 actualizaciones

20262025

1. 22 de may

   Añadidos tres artículos a la sección de investigación: escalado de post-entrenamiento con RL, escalado arquitectónico eficiente en inferencia y el análisis de escalado a 2030 de Epoch AI.

Enlaces de referencia

1.

Scaling Behaviors of LLM Reinforcement Learning Post-Training: An Empirical Study in Mathematical Reasoning

2.

SCALING LAWS MEET MODEL ARCHITECTURE: TOWARD INFERENCE-EFFICIENT LLMS

3.

Densing law of LLMs | Nature Machine Intelligence

Nature Publishing Group UK

4.

Sloth: scaling laws for LLM skills to predict multi-benchmark performance across families

5.

Beyond Chinchilla-Optimal: Accounting for Inference in Language Model Scaling Laws

6.

Can AI scaling continue through 2030? | Epoch AI

7.

Training Compute-Optimal Large Language Models

8.

Scaling Laws for Neural Language Models

9.

How Scaling Laws Drive Smarter, More Powerful AI | NVIDIA Blog

10.

Scaling Laws for LLMs: From GPT-3 to o3

Deep (Learning) Focus

11.

How to build AI scaling laws for efficient LLM training and budget maximization | MIT News | Massachusetts Institute of Technology

Sıla Ermut

Analista de la industria

Síguenos

Sıla Ermut es analista de la industria en AIMultiple y cubre modelos de IA, infraestructura de IA, gobernanza de IA y aplicaciones empresariales de IA. Su investigación se centra principalmente en el uso de la IA en marketing, atención sanitaria, cadenas de suministro y sostenibilidad.
Anteriormente trabajó como reclutadora en empresas de gestión de proyectos y consultoría. Sıla tiene un máster en Psicología Social y una licenciatura en Relaciones Internacionales.

Ver perfil completo

Sé el primero en comentar

Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.

Nombre

Dirección de correo electrónico

Comentario

0/450

Publicar comentario