Vasconcelo-Mir, Yuniesky OrlandoPérez-Pupo, IlianaYzquierdo-Herrera, RaykenlerPiñero-Pérez, Pedro YobanisAlvarado-Acuña, Luis SegundoBello-Pérez, Rafael2026-08-242026-08-242025-03-259783031836435https://doi.org/10.1007/978-3-031-83643-5_1https://repositorio.ucn.cl/handle/20.500.14729/10284The development of Generative Artificial Intelligence is revolutionizing human–machine interaction models. In this context, large language models (LLMs) have emerged as tools capable of learning complex patterns. However, many of these technologies are highly resource intensive. An alternative to these complex models is the advent of Small Language Models (SLMs). These smaller models process fewer parameters but achieve acceptable performance in their responses, striking a balance between cost and quality. This study characterizes different SLMs to facilitate decision-making in their implementation. In the methods section, a systematic review is conducted, serving as a guide for researchers and professionals seeking to select the most suitable SLM for their specific needs. An analysis of the efficiency of these models contributes to the application of Artificial Intelligence techniques from a sustainability perspective. The results section presents a comparison of various SLMs available on the Ollama platform. The models compared include Qwen2.5, Phi3.5, Mistral-small, Llama3.1, and Gemma2. A comparative analysis evaluates these models based on their efficiency and effectiveness in terms of computational resources and the human effort required to develop task-specific conversational systems. The study demonstrates the feasibility of using these smaller models in various decision-making environments.El desarrollo de la Inteligencia Artificial Generativa está revolucionando los modelos de interacción entre seres humanos y máquinas. En este contexto, los grandes modelos de lenguaje (LLM) han surgido como herramientas capaces de aprender patrones complejos. Sin embargo, muchas de estas tecnologías requieren una gran cantidad de recursos. Una alternativa a estos modelos complejos es la aparición de los modelos de lenguaje pequeños (SLM). Estos modelos de menor tamaño procesan menos parámetros, pero logran un desempeño aceptable en sus respuestas, alcanzando un equilibrio entre costo y calidad. Este estudio caracteriza distintos SLM con el fin de facilitar la toma de decisiones para su implementación. En la sección de métodos se realiza una revisión sistemática, que sirve como guía para investigadores y profesionales que buscan seleccionar el SLM más adecuado para sus necesidades específicas. El análisis de la eficiencia de estos modelos contribuye a la aplicación de técnicas de Inteligencia Artificial desde una perspectiva de sostenibilidad. La sección de resultados presenta una comparación de diversos SLM disponibles en la plataforma Ollama. Los modelos comparados incluyen Qwen2.5, Phi3.5, Mistral-small, Llama3.1 y Gemma2. Un análisis comparativo evalúa estos modelos en función de su eficiencia y eficacia, considerando tanto los recursos computacionales como el esfuerzo humano requerido para desarrollar sistemas conversacionales orientados a tareas específicas. El estudio demuestra la viabilidad de utilizar estos modelos de menor tamaño en diversos entornos de toma de decisiones.pp. 3-31engenerative artificial intelligenceLLAssistLLMOllamainteligencia artificial generativaBook chapter