La creciente popularidad de las plataformas de redes sociales en todo el mundo ha aumentado sustancialmente la presencia de lenguaje ofensivo en estas plataformas. Hasta la fecha, la mayoría de los sistemas desarrollados para mitigar este desafío se centran principalmente en contenido en inglés. Sin embargo, este problema es una preocupación global y, por lo tanto, otras lenguas, como el español, están involucradas. Este artículo aborda la tarea de identificar discursos de odio, racismo y misoginia en español dentro del contexto colombiano en las redes sociales, e introduce un conjunto de datos de referencia específicamente desarrollado para este propósito. De hecho, el experimento compara el rendimiento de modelos TLM de métodos de Deep Learning, como BERT, Roberta, XLM y BETO ajustados al dominio del argot colombiano, luego compara el mejor modelo TLM contra un GPT, teniendo un impacto significativo en lograr predicciones más precisas en esta tarea. Finalmente, este estudio proporciona una comprensión detallada de los diferentes componentes utilizados en el sistema, incluida la arquitectura de los modelos y la selección de funciones. Los mejores resultados muestran que el modelo BERT logra una precisión del 83.6% para la detección de discursos de odio, mientras que el modelo GPT logra una precisión del 90.8% para el discurso racista y del 90.4% para la detección de misoginia.