Un checkpoint guarda el estado completo de un modelo —sus parámetros aprendidos hasta ese momento— en un archivo, permitiendo pausar y retomar un entrenamiento largo sin perder el progreso, comparar distintas etapas del entrenamiento, o directamente usar ese modelo para hacer predicciones sin necesidad de volver a entrenarlo.
Por qué es una práctica imprescindible
Entrenar un modelo grande puede tomar días o semanas; sin checkpoints periódicos, cualquier falla técnica a mitad de camino —un corte de energía, un error de software— obligaría a reiniciar el entrenamiento completo desde el principio, con la enorme pérdida de tiempo y recursos que eso implicaría.