- Diferencia fundamental entre el código abierto total y los modelos de pesos abiertos, donde solo se liberan los parámetros ya entrenados.
- Análisis de los modelos líderes actuales como Kimi K3, GLM-5.2 y DeepSeek V4 Flash según su rendimiento y coste.
- Impacto de las licencias y la infraestructura en la elección entre el autoalojamiento y el uso de APIs propietarias.
Seguro que has oído hablar mil veces de la inteligencia artificial de código abierto, pero si rascas un poco la superficie, te darás cuenta de que hay un matiz técnico que cambia las reglas del juego. No es lo mismo que te den la receta completa con los ingredientes y el horno configurado a que te den el plato ya cocinado para que tú le añadas tu propia salsa. Aquí es donde entra en juego el concepto de pesos abiertos, una categoría que está moviendo el tablero de la industria tecnológica y generando debates intensos entre gigantes como Google, Meta y OpenAI.
Para que nos entendamos, estamos en un momento donde la brecha de rendimiento entre los modelos cerrados, esos que solo puedes usar vía chat o API, y los modelos que puedes descargar en tu propio servidor, se ha reducido drásticamente. Ya no es una cuestión de si uno es mucho mejor que otro, sino de quién tiene el control sobre los datos, la privacidad y, sobre todo, el bolsillo. En este artículo vamos a desgranar a fondo qué significa realmente que un modelo sea abierto y cuáles son las opciones que mandan en el mercado ahora mismo.
La gran pelea: ¿Código Abierto o Pesos Abiertos?
Mucha gente usa estos términos como si fueran lo mismo, pero la Open Source Initiative es muy clara al respecto: hay una diferencia abismal. Un sistema de código abierto total debería entregarte no solo los pesos, sino el código de entrenamiento, los datos exactos que se usaron y la documentación detallada para que cualquier persona pueda replicar el modelo desde cero. Es el sueño de la transparencia absoluta, como ocurre con proyectos como OLMo o Pythia.
Sin embargo, la mayoría de lo que vemos hoy en día, incluyendo los famosos Llama de Meta o Gemma de Google, son en realidad modelos de pesos abiertos. Esto significa que el desarrollador te da los valores numéricos (los pesos) que la red neuronal ajustó durante su entrenamiento. Puedes descargarlos, instalarlos en tu máquina y hacerles un ajuste fino o fine-tuning, pero la receta secreta de los datos de entrenamiento sigue guardada bajo llave en las oficinas de la empresa.
Esta distinción no es solo para presumir de tecnicismos; tiene implicaciones legales y comerciales fuertes. Por ejemplo, la Ley de IA de la Unión Europea podría tratar de forma más flexible a los modelos que sean genuinamente abiertos, mientras que el lavado a cielo abierto (llamar algo abierto cuando no lo es) es una práctica que algunos investigadores critican duramente para ganar puntos en relaciones públicas.
Radiografía de los modelos que dominan el tablero
Si nos fijamos en los rankings actuales, como los de LLM Stats, hay nombres que destacan por encima del resto dependiendo de lo que busques. El Kimi K3 de Moonshot AI se ha plantado como el líder indiscutible en capacidad general. Con unos bestiales 2,8 billones de parámetros, es una bestia capaz de manejar contextos masivos de más de un millón de tokens, ideal para trabajos de conocimiento profundo y programación compleja.
- Kimi K3: El rey de la potencia bruta y el razonamiento, aunque requiere una infraestructura pesada y tiene su propia licencia con restricciones para empresas muy grandes.
- GLM-5.2: Una opción fenomenal si buscas algo orientado a agentes y programación, con la ventaja de usar una licencia MIT, que es mucho más permisiva.
- DeepSeek V4 Flash: La elección inteligente para quienes buscan eficiencia. Es extremadamente barato a través de API y muy rápido, ideal para tareas ejecutadas por agentes automáticos.
- GPT-oss: OpenAI ha sorprendido con modelos como el gpt-oss-120b y el 20b, permitiendo que la gente los ejecute localmente bajo Apache 2.0, algo que rompe con su tendencia habitual de hermetismo.
Es curioso ver cómo la estrategia de OpenAI ha cambiado, pasando de cerrar todo a lanzar modelos que pueden funcionar en un portátil potente o incluso en un móvil de gama alta, enfatizando que la privacidad y el control individual son ahora argumentos de venta clave.
Costes, hardware y el dilema del autoalojamiento
Aquí es donde la cosa se pone seria para las empresas. Usar una API cerrada es cómodo: pagas por token y el proveedor se encarga de que el servidor no explote. Pero cuando pasas a los pesos abiertos y decides el autoalojamiento, el gasto se desplaza hacia el hardware. Necesitas GPUs potentes, como se detalla en la guía completa de Nvidia en Linux, mucha electricidad y, sobre todo, personal especializado que sepa gestionar las vulnerabilidades y las actualizaciones.
Si comparamos precios, la diferencia es obscena. Mientras que un modelo cerrado de última generación puede costar varios dólares por millón de tokens, opciones como DeepSeek V4 Flash bajan el precio a céntimos por millón. Esto ha provocado que la cuota de mercado de los modelos abiertos crezca rápidamente, ya que el rendimiento es casi idéntico pero el coste es una fracción del original.
Seguridad, soberanía y tensiones geopolíticas
No todo es color de rosa. La apertura de los modelos ha generado una guerra de datos. Se ha denunciado que algunas empresas utilizan técnicas de extracción de datos, haciendo millones de preguntas a modelos cerrados como Claude para luego usar esas respuestas para entrenar sus propios modelos abiertos. Es, básicamente, intentar robar la inteligencia de uno para alimentar al otro.
Por otro lado, hay un movimiento fuerte, liderado por firmas de capital riesgo y tecnológicas como Dell o IBM, que instan a los gobiernos a no dejar que el mercado quede en manos de un trío dominante. Argumentan que la IA de pesos abiertos es fundamental para la soberanía tecnológica y la ciberseguridad, ya que permite a cada país o empresa tener su propia IA sin depender de los caprichos de una compañía extranjera.
La realidad es que el ecosistema se está dividiendo en niveles de control. Los sistemas cerrados mantienen el poder en el proveedor; los de pesos abiertos permiten trasladar la operación a infraestructura propia; y el código abierto total democratiza el proceso de creación. En este escenario, la elección final depende de si valoramos más la comodidad de la nube o la libertad de tener el código ejecutándose detrás de nuestro propio cortafuegos.
El panorama actual muestra que la potencia de los modelos descargables ha alcanzado la escala de frontera, haciendo que el coste y la privacidad sean los verdaderos motores de decisión. Mientras Kimi K3 lidera en capacidad, GLM-5.2 ofrece libertad legal y DeepSeek optimiza la economía de la API, dejando claro que el futuro de la inteligencia artificial no será un monopolio, sino un espectro donde convivirán soluciones propietarias y sistemas abiertos según las necesidades de cada usuario o empresa.
