Modelos de pesos abiertos: qué puede controlar tu empresa

Los modelos de pesos abiertos permiten a una empresa ejecutar y adaptar un modelo bajo su propio control, con los permisos que establezca su licencia. El lanzamiento de Muse Spark Open por parte de Meta el 15 de octubre de 2026 suma otro ejemplo estadounidense: poder descargar los pesos abre una opción de despliegue, pero no garantiza ahorros ni derechos comerciales sin restricciones.

Empieza con una API, salvo que una necesidad concreta de control o una carga de trabajo medida justifiquen operar el modelo por tu cuenta. Una API es una interfaz a la que tu software envía solicitudes para acceder a un servicio; ese servicio puede ejecutar un modelo de pesos abiertos. Puedes evaluar el modelo a través de un proveedor antes de decidir si vale la pena asumir su despliegue.

¿Qué son los modelos de pesos abiertos?

Los modelos de pesos abiertos permiten obtener los parámetros numéricos entrenados con los que un modelo produce respuestas. Esos parámetros son los pesos. Con software compatible y suficiente capacidad de hardware, puedes cargarlos y ejecutar la inferencia, es decir, generar una respuesta a partir de una entrada. Los datos y el código del entrenamiento original pueden seguir sin estar disponibles. La definición de Stanford HAI señala expresamente esa diferencia.

Imagina que recibes una planta ya desarrollada de un vivero. Puedes llevarla a tu invernadero y cuidarla tú mismo. Eso no implica que te entreguen todos los registros de cultivo del vivero ni el método con el que la produjeron. El modelo descargable es el resultado del entrenamiento; reproducir ese entrenamiento original es otra tarea.

Para quien opera el servicio, la ventaja inmediata es poder elegir dónde se ejecuta un modelo concreto. Según la licencia, también puedes modificarlo, ajustarlo con ejemplos de tu trabajo o distribuir un modelo derivado. El ajuste fino, o fine-tuning, consiste en continuar el entrenamiento para cambiar el comportamiento del modelo; no equivale a adjuntar documentos a un prompt.

Pensemos en un asistente interno para consultar documentos de proveedores. Los pesos abiertos podrían permitir que la empresa mantenga el servicio de inferencia dentro de su infraestructura y conserve una versión determinada del modelo. No aportan los permisos de acceso a los documentos, el sistema de búsqueda, la interfaz ni el proceso para gestionar errores. Esos componentes tendrás que desarrollarlos o contratarlos.

¿En qué se diferencian los modelos de pesos abiertos y cerrados?

La diferencia está en si puedes obtener los pesos y ejecutarlos por tu cuenta. En un servicio de pesos cerrados, utilizas la interfaz del proveedor conforme a sus condiciones; no puedes llevarte ese checkpoint a otro servidor. Una versión de pesos abiertos puede ejecutarse en otro entorno compatible, siempre dentro de lo que permita su licencia.

Esto permite separar dos preguntas que suelen confundirse: ¿quién tiene los pesos y quién opera el endpoint al que te conectas? Una API alojada por un proveedor es una forma de acceso. No indica si el modelo que hay detrás es abierto o cerrado.

Migrar una aplicación entre proveedores también exige trabajo. Pueden cambiar los formatos de los prompts, las herramientas compatibles, las entradas multimedia, el procesamiento de las respuestas y la configuración del servicio. Disponer de los pesos ofrece una alternativa al proveedor original; no convierte todos los endpoints en intercambiables.

Pesos abiertos y código abierto: qué cambia

Un enlace de descarga demuestra que puedes acceder a los pesos; no que todo el sistema de IA sea de código abierto. Que un checkpoint utilice una licencia de software conocida ayuda a entender los permisos, pero la transparencia del entrenamiento es una cuestión aparte.

La definición de IA de código abierto de la Open Source Initiative exige libertad para usar, estudiar, modificar y compartir, junto con los materiales necesarios para realizar modificaciones: los parámetros, el código utilizado para entrenar y ejecutar el sistema e información suficientemente detallada sobre los datos de entrenamiento.

Hay un matiz: la definición no exige simplemente que todos los registros del entrenamiento original se puedan descargar públicamente. Especifica qué información debe facilitarse sobre los datos, incluidos los que no pueden compartirse, y dónde encontrar los conjuntos que sí se pueden obtener. Afirmar que «código abierto significa que todos los conjuntos de datos son públicos» simplifica demasiado el estándar.

Al evaluar una compra, conviene comprobar cada aspecto por separado:

• Disponibilidad: ¿Puedes obtener el checkpoint exacto, la copia guardada del modelo que quieres desplegar?
• Permisos: ¿Su licencia permite el uso interno, un producto para clientes, la redistribución o un negocio de alojamiento de modelos?
• Transparencia: ¿Qué código, información sobre los datos y materiales del entrenamiento se pueden inspeccionar o utilizar para reproducirlo?
• Operación: ¿La infraestructura elegida puede ofrecer resultados y tiempos de respuesta aceptables?

Una empresa que despliega un clasificador de facturas quizá necesite, ante todo, permiso de uso comercial y un entorno de ejecución privado. Un grupo de investigación que quiera reproducir el entrenamiento necesita mucho más. Ninguno debería deducir que se cumple su requisito solo por la palabra «abierto».

Modelos de IA abiertos: qué permiten sus licencias

Los permisos corresponden a una versión concreta, no a Meta, OpenAI, DeepSeek, Qwen, Mistral o NVIDIA en su conjunto. Los ejemplos siguientes explican las diferencias que una empresa debe reconocer. No constituyen una clasificación de los mejores modelos.

Verificado el 16 de octubre de 2026: las fichas de los desarrolladores, las páginas de lanzamiento y los textos de las licencias enlazados aquí. La tabla compara esos documentos; no es una evaluación basada en pruebas directas de los modelos. En el caso de Mistral Small 4, la ficha indica Apache 2.0; las condiciones se consultaron en el texto original de la licencia de Apache.

Meta Muse Spark Open: el uso comercial depende de la actividad

Meta lanzó Muse Spark Open el 15 de octubre de 2026, sumando un nuevo modelo desarrollado en Estados Unidos con pesos descargables. Meta lo describe como un modelo multimodal para programación y trabajo con agentes: procesos en los que un modelo utiliza herramientas a lo largo de varios pasos. Su anuncio de lanzamiento ofrece tanto los pesos descargables como una lista de proveedores de API.

La Muse Model License permite el uso, la modificación, el ajuste fino, la destilación, la creación de derivados, la distribución y la venta, con sujeción a sus condiciones. Debes conservar el aviso de derechos de autor, la licencia y la Usage Policy junto con las copias cubiertas, cumplir esa política y mostrar de forma destacada “Built with Muse Spark Open” en la interfaz o en la documentación adjunta, el sitio web o la configuración.

Su definición de derivados incluye los modelos de IA mejorados a partir de las respuestas del software. Esto importa si planeas entrenar otro modelo con ejemplos generados.

La condición que exige un acuerdo independiente se dirige a los negocios de Model as a Service: cuando los ingresos brutos agregados del licenciatario y sus empresas afiliadas superen $20 millones durante cualquier período de 12 meses consecutivos, deben notificarlo a Meta y firmar un acuerdo escrito independiente antes de ofrecer el modelo o sus derivados a través de ese negocio. La sección 3 excluye el uso interno, la investigación, otras actividades comerciales y las funciones de un producto que no sea Model as a Service.

Por tanto, un asistente privado de soporte y un negocio que vende acceso a modelos requieren una clasificación distinta. Ninguno queda exento de las demás condiciones de la licencia. Nuestra guía de despliegue de Muse Spark Open explica los detalles de hardware y alojamiento.

OpenAI gpt-oss: pesos con una licencia permisiva, pero con requisitos de ejecución

OpenAI gpt-oss-20b y gpt-oss-120b son modelos de razonamiento descargables con licencia Apache 2.0. La ficha del desarrollador describe el ajuste fino y la posibilidad de configurar el esfuerzo de razonamiento, que determina cuánto razona el modelo antes de responder.

El archivo de licencia permite la reutilización comercial, la modificación y la redistribución. Para distribuirlo hay que incluir una copia de la licencia, avisos que identifiquen los archivos modificados y las atribuciones y demás avisos aplicables, incluido el contenido de NOTICE cuando se suministre. Apache también concede determinados derechos sobre patentes de los colaboradores; no es una garantía general frente a cualquier reclamación de patentes.

La limitación operativa es concreta: OpenAI indica que estos modelos deben utilizar su formato de respuesta Harmony. Un entorno de ejecución o una plantilla de chat compatibles se encargan de esa estructura. Descargar los pesos e incorporarlos a cualquier interfaz de chat no garantiza un comportamiento correcto.

Para quien desarrolla la aplicación, es una dependencia de integración manejable. Para quien la compra, significa que la propuesta de despliegue debe especificar el entorno de ejecución y el checkpoint, en lugar de limitarse a prometer «OpenAI en un entorno privado».

DeepSeek: la licencia MIT no incluye un servicio gestionado

DeepSeek-V4-Pro es un ejemplo de modelo descargable bajo las condiciones de MIT. La ficha del desarrollador presenta la serie V4 como una versión preliminar, enlaza los checkpoints Pro y Flash e incluye instrucciones para el despliegue local. Aquí se examinan esos materiales concretos; no se afirma que todas las versiones de DeepSeek sean iguales.

La ficha aplica expresamente la licencia MIT al repositorio y a los pesos del modelo. El texto permite usar, copiar, modificar, distribuir, sublicenciar y vender, pero exige conservar el aviso de derechos de autor y de permiso en las copias o en las partes sustanciales. No ofrece garantías.

Para un servicio interno de procesamiento de documentos, esos permisos eliminan un obstáculo de licencia a la hora de operar y modificar ese checkpoint. No aportan un compromiso de tiempo de respuesta, un equipo de gestión de incidentes ni la certeza de que un endpoint alojado con otro nombre sirva la misma versión. Esos requisitos deben figurar en la especificación del servicio o del despliegue.

Qwen: una misma familia, distintas licencias

Qwen3.8-27B y Qwen3.8-2.4T-A95B de Alibaba tienen licencias y capacidades de entrada diferentes. La ficha de Qwen3.8-27B describe una versión multimodal, y su archivo de licencia corresponde a Apache 2.0.

La Qwen3.8-Max License del checkpoint de mayor tamaño permite alojarlo, desplegarlo, ajustarlo, crear derivados y distribuirlo, con sujeción a sus condiciones. Hay que conservar el aviso de derechos de autor y de permiso. Un producto comercial que lo utilice debe mostrar de forma destacada el nombre del modelo en su interfaz cuando supere 100 millones de usuarios activos mensuales o $20 millones de ingresos mensuales.

Existe otra condición cuando el licenciatario o sus empresas afiliadas desarrollan un negocio de Model as a Service o AI Work Assistant y sus ingresos agregados superan $50 millones en cualquier período de 12 meses consecutivos: deben obtener una licencia independiente antes del uso comercial. La excepción para uso interno exige que ni el modelo, ni sus respuestas, ni sus capacidades subyacentes se pongan a disposición de terceros.

Las definiciones son decisivas. AI Work Assistant se centra en productos independientes destinados principalmente a programación o productividad de oficina, con exclusiones para herramientas de una sola función, asistentes de otros ámbitos y funciones de productos cuya finalidad principal sea otra. Clasifica el producto real conforme al texto completo.

También hay una diferencia de capacidades que conviene detectar: la ficha del checkpoint grande indica que solo admite texto y exige el modo de razonamiento, mientras que la versión alojada Qwen3.8-Max incluye funciones adicionales, entre ellas visión. Probar el servicio alojado no demuestra que la descarga tenga las mismas funciones.

Mistral: toma como referencia un checkpoint que ya esté disponible

Mistral Small 4 es un checkpoint multimodal disponible cuya ficha especifica la licencia Apache 2.0. La ficha de Mistral-Small-4-119B-2603 describe entradas de texto e imagen, salida de texto, modos de instrucciones y razonamiento, y personalización mediante ajuste fino.

El texto de Apache 2.0 permite la modificación y redistribución comerciales con sus requisitos de licencia, avisos de cambios y atribución. No exige publicar todas las modificaciones ni concede un uso irrestricto de las marcas del desarrollador.

No extiendas esa conclusión a otros modelos por compartir marca. El anuncio de Large 4 de Mistral describe una versión preliminar pública e indica que los pesos se publicarán a finales de mes. En la fecha de esta verificación, ese anuncio es un compromiso futuro, no una prueba de que exista un checkpoint disponible ni de cuál sea su licencia de descarga.

Quien necesite un despliegue privado inmediato debe elegir una versión que pueda obtener ya. La página sobre Mistral Large 4 analiza la versión preliminar por separado.

NVIDIA Nemotron: consulta las condiciones de la ficha vigente

El checkpoint examinado de NVIDIA Nemotron 3 Ultra utiliza OpenMDW 1.1. La ficha del modelo lo describe como un modelo de razonamiento, conversación y trabajo con agentes, listo para uso comercial y no comercial. Las páginas de licencias de versiones anteriores de Nemotron no sustituyen al enlace de condiciones aplicables de esa ficha.

La licencia OpenMDW 1.1 concede amplios permisos sobre los materiales del modelo suministrados. Al distribuirlos, hay que incluir el acuerdo y los avisos aplicables de derechos de autor y de origen. No impone restricciones ni obligaciones sobre el uso, la modificación o la difusión de las respuestas generadas.

La licencia también contempla la terminación en determinados litigios sobre patentes o derechos de autor, excluye garantías y deja al usuario la responsabilidad de obtener los demás derechos que correspondan. Un permiso amplio no equivale a una promesa de indemnización.

NVIDIA describe datos y procedimientos de entrenamiento publicados, aunque la misma ficha también identifica conjuntos de datos privados. Esto muestra por qué «pesos abiertos» es una descripción mínima del acceso, no una afirmación de que todos los desarrolladores publiquen exactamente los mismos materiales complementarios. Si necesitas reproducir el entrenamiento, examina los materiales concretos en lugar de interpretar la etiqueta como una puntuación de transparencia.

Dónde ejecutas el modelo cambia lo que asume tu empresa

Define los límites del despliegue antes de comprar hardware. Un mismo modelo descargable admite formas de operación muy distintas. La pregunta útil es qué responsabilidades quieres asumir.

API alojada: deja la operación del servicio en manos de un proveedor

Una API alojada es la forma más rápida de empezar cuando necesitas comprobar la calidad del modelo en una tarea. Envías una solicitud a un servicio que carga y opera el modelo. Meta menciona a Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter y Together AI como plataformas de lanzamiento de Muse Spark Open; aparecer en esa lista no implica ofrecer las mismas funciones ni condiciones contractuales.

Para un fundador con financiación que prepara un prototipo de asistente de soporte, el alojamiento externo evita comprometerse con una capacidad antes de validar el proceso. Compara los tipos de entrada, la revisión del modelo, la compatibilidad con herramientas, las condiciones de retención y la región del endpoint concreto que vayas a utilizar.

El límite está en el control de los datos. Aunque el modelo tenga pesos abiertos, utilizar el endpoint de otra empresa sigue implicando enviarle los prompts. El contrato y la configuración del servicio determinan qué ocurre allí. El nombre de un modelo abierto no convierte una llamada a un servicio alojado en procesamiento local.

Tus GPU: control del despliegue y responsabilidad sobre su operación

El alojamiento propio permite decidir cómo se opera el servicio de inferencia. Puedes utilizar equipos propios o alquilar capacidad de GPU en una cuenta de nube. Las GPU son procesadores utilizados para ejecutar los cálculos del modelo. El entorno de ejecución es el software que carga el checkpoint y atiende las solicitudes; las instrucciones de despliegue de los desarrolladores deben orientar la elección de ese entorno y del formato.

Para la dirección de tecnología de una empresa mediana que deba mantener los documentos de proveedores dentro de un entorno controlado, esta puede ser la ventaja decisiva. Ese perímetro también debe abarcar la recuperación de documentos, los registros de solicitudes, la supervisión, las copias de seguridad y cualquier herramienta que invoque el modelo. Un modelo privado que envía el contenido de los documentos a un servicio externo de búsqueda no cumple ese requisito.

También asumes las responsabilidades: control de acceso, parches, planificación de capacidad, pruebas de puesta en producción, respuesta a incidentes y recuperación. Asigna un responsable antes de incorporar esa dependencia. Reservar una GPU no constituye por sí solo un plan de operación en producción.

LLM de pesos abiertos en un dispositivo local

El despliegue local resulta útil cuando el equipo de una persona puede asumir la carga y el aislamiento importa más que la capacidad de atender a muchos usuarios. LLM significa gran modelo de lenguaje. Una persona que desarrolla por su cuenta podría utilizar un modelo local para clasificar archivos o trabajar con un repositorio, manteniendo el control del entorno de ejecución.

La ficha de gpt-oss de OpenAI documenta opciones locales, mientras que la de Mistral Small 4 enumera entornos de ejecución locales y de servidor. Hay que comprobar la compatibilidad con el checkpoint y el formato precisos. Que un modelo aparezca en un catálogo no demuestra que quepa en tu dispositivo.

Una estación de trabajo personal también tiene límites de disponibilidad habituales: puede entrar en suspensión, reiniciarse o estar ocupada con otra tarea. Ten presente esa diferencia antes de convertir un experimento personal satisfactorio en un servicio compartido. Nuestra guía de los mejores LLM locales aborda la selección desde el punto de vista del hardware.

Los límites de hardware que importan en un LLM de pesos abiertos

La primera condición es que el modelo quepa en memoria; la siguiente, que procese suficiente trabajo útil. OpenAI indica que gpt-oss-20b puede ejecutarse con 16GB de memoria usando la cuantización MXFP4 con la que se distribuye, una representación de los pesos con menor precisión. Es una configuración declarada por el desarrollador, no una promesa sobre cualquier equipo o volumen de solicitudes.

En el otro extremo, la ficha de Muse Spark Open de Meta especifica 700GB de memoria de GPU para NVFP4 y 2TB para BF16, dos formatos de pesos con distinta precisión numérica. Su afirmación sobre equipos de escritorio se refiere a dos Mac Studios con Apple M5 Ultra que utilizan MLX, según el anuncio. «Se ejecuta en local» puede referirse a equipos de clases muy diferentes.

Los archivos de pesos no son toda la carga de trabajo durante la ejecución. El historial de entrada, los cálculos intermedios y las solicitudes simultáneas también consumen recursos. Mide el tiempo de respuesta y la cantidad de solicitudes resueltas correctamente con la longitud real de tus prompts. Ni el número de parámetros ni la ventana máxima de contexto indican cuántos clientes puede atender tu servicio con una calidad aceptable.

Qué cambia para quienes desarrollan, operan y compran

La justificación empresarial es más sólida cuando el control resuelve un problema concreto y hay alguien capaz de operar el servicio. El volumen puede reforzarla, pero no basta para decidir.

Para quienes desarrollan, la ventaja es disponer de una opción de despliegue que pueden inspeccionar. Puedes conservar un modelo concreto, cambiar la configuración del servicio o realizar un ajuste fino cuando la licencia lo permita. El trabajo consiste en conseguir que la aplicación funcione correctamente en torno a ese modelo: dar formato a las solicitudes, interpretar las llamadas a herramientas y gestionar los fallos. Empieza con un proceso acotado, como extraer identificadores de proveedores, con ejemplos explícitos de resultados aceptables e inaceptables.

Para quienes operan el servicio, la ventaja es controlar dónde se procesan los datos y cuándo se introducen cambios. A cambio, hay que documentar adónde van los datos y mantener el sistema en buen estado. Una persona responsable de soporte debe exigir un procedimiento claro para derivar los casos con adjuntos ilegibles, clasificaciones inciertas o un servicio de inferencia no disponible. Controlar el modelo no elimina la necesidad de escalar casos a una persona.

Para quienes compran, la ventaja es contar con una alternativa de despliegue creíble. Exige que la propuesta especifique la revisión del modelo, la licencia, la infraestructura, las responsabilidades de soporte y el procedimiento de migración. «Basado en modelos abiertos» no basta si no puedes obtener la configuración o trasladar la aplicación sin reconstruir los componentes que la rodean.

Cuándo ayuda el volumen y cuándo no

El alojamiento propio empieza a tener sentido económico cuando el trabajo útil mantiene ocupada la capacidad. Una cola predecible de procesamiento de documentos puede aprovechar la capacidad de forma distinta a un asistente para clientes que necesita responder de inmediato durante picos irregulares.

Compara el servicio completo: cómputo, almacenamiento, supervisión, tiempo de ingeniería, capacidad ociosa, reintentos, alternativas ante fallos y cualquier acuerdo de licencia aplicable. Después, compara los resultados aceptados con la latencia que exige tu proceso. Una respuesta generada más barata no supone un ahorro si provoca más trabajo de revisión o hace repetir una tarea fallida.

Quien funda una empresa con demanda incierta debería aprender con un servicio alojado antes de comprometerse a comprar hardware. Una dirección de tecnología con carga sostenida y experiencia interna en infraestructura tiene más motivos para medir un despliegue privado. Ninguno necesita un umbral universal de volumen de tokens inventado a partir de la configuración de otra empresa.

La diferencia operativa es esta: un proveedor de API absorbe buena parte del trabajo de capacidad y gestión del servicio; un despliegue propio te permite controlar más aspectos, pero también te hace responsable de ellos.

¿Qué se exagera sobre los pesos abiertos?

La exageración consiste en afirmar que acceder a los pesos trae automáticamente libertad, privacidad y ahorro a la vez. Cada ventaja tiene sus propias condiciones.

«Abierto significa sin restricciones». Las licencias propias de Muse y Qwen muestran por qué esa idea falla. Una descarga puede permitir muchos usos y, al mismo tiempo, imponer condiciones sobre la marca, los derivados o determinados negocios. Incluso una licencia permisiva incluye condiciones que hay que conservar al distribuir un modelo.

«Abierto significa privado». La privacidad depende de cómo circulan los datos por el sistema desplegado. Revisa el proveedor de inferencia, el servicio de recuperación de información, las herramientas, los registros y los administradores. Ejecutar el modelo en tu propio servidor resuelve una parte de ese mapa.

«Abierto significa poder descargar el producto que ofrece la API». La ficha de Qwen distingue expresamente su checkpoint grande, que solo admite texto, de las funciones adicionales de la versión alojada. Las aplicaciones también incorporan coordinación de procesos, herramientas e interfaces alrededor de un modelo. Obtener los pesos no reproduce todo ese comportamiento.

«Abierto significa que se acaba el trabajo recurrente». Sigue haciendo falta capacidad de hardware, el software sigue cambiando y los incidentes siguen necesitando responsables. Un equipo puede ganar autonomía y, aun así, terminar gastando más. Elige la autonomía cuando resuelva una limitación del negocio; afirma que hay ahorros solo después de medirlos.

«Anunciar pesos abiertos equivale a tenerlos disponibles». El calendario de lanzamiento de Mistral Large 4 es el contraejemplo práctico. Planifica la evaluación a partir de un modelo que puedas obtener y sus condiciones publicadas, no de una descarga futura.

Qué puedes cambiar el lunes

Evalúa un proceso antes de cambiar tu infraestructura. Actúa ya si un requisito sobre dónde deben permanecer los datos, una necesidad de personalización o la dependencia de un único servicio están causando problemas. Espera para comprar hardware si aún no conoces la calidad del modelo en la tarea o la carga de trabajo. Si la API actual y sus condiciones satisfacen a quien opera el servicio, no hay un motivo automático para migrar.

1. 1

   Concreta el requisito

   Elige una tarea concreta y explica por qué la solución actual no basta: los documentos deben permanecer dentro de un entorno determinado, una revisión del modelo debe seguir disponible o hay que evaluar una cola estable de procesamiento. Define qué resultados son aceptables y cómo se escalan los casos que lo requieran.

2. 2

   Identifica el modelo concreto y sus permisos

   Guarda el identificador del checkpoint, la revisión, la ficha del modelo y la licencia. Describe si lo utilizarás internamente, ofrecerás una función de producto, lo redistribuirás o venderás acceso al modelo. Resuelve las condiciones aplicables antes de desarrollar sobre esa base.

3. 3

   Evalúa por una vía permitida

   Utiliza un proveedor si los requisitos sobre tus datos lo permiten; de lo contrario, evalúa dentro del entorno exigido. Compara tareas representativas con el servicio actual. Registra los errores, el tiempo de respuesta, el esfuerzo de revisión y las funciones del endpoint de las que dependa la aplicación.

4. 4

   Asigna la operación antes de migrar a producción

   Define quién se encarga de la capacidad, el acceso, la supervisión, las actualizaciones y los incidentes. Exige una forma de volver atrás y un despliegue reproducible. Compra hardware solo cuando el modelo, la carga de trabajo y el plan operativo lo justifiquen.

Utiliza la guía de los mejores LLM de código abierto para seleccionar modelos una vez aclarados esos requisitos. Aquí, la decisión consiste en determinar qué control necesitas y qué responsabilidad estás dispuesto a asumir.

Preguntas frecuentes

¿Qué es un modelo de pesos abiertos?

Es un modelo entrenado cuyos pesos se pueden obtener y ejecutar con software y hardware adecuados. Los datos y el código de entrenamiento pueden seguir sin estar disponibles. La licencia determina qué usos, modificaciones y formas de distribución están permitidos.

¿Cuál es el mejor modelo de pesos abiertos?

No hay una respuesta válida para cualquier tarea. Primero define el uso permitido, las entradas necesarias, el hardware o proveedor y los resultados aceptables. Utiliza la guía de selección enlazada para crear una lista de candidatos y después evalúa tu proceso. Esta página compara el acceso y las responsabilidades, en lugar de clasificar los modelos por rendimiento.

¿Qué diferencia hay entre los modelos de pesos abiertos y cerrados?

Los pesos abiertos se pueden obtener para un despliegue compatible conforme a su licencia. Los pesos cerrados permanecen en manos del proveedor. Ambos tipos pueden ofrecerse mediante una API; utilizar una API no indica si el modelo que hay detrás se puede descargar.

¿Los modelos de pesos abiertos son gratuitos?

Una licencia puede permitir el uso sin regalías, pero operar un modelo sigue consumiendo hardware y tiempo del personal. Un proveedor de alojamiento puede cobrar por la inferencia, y una licencia propia puede exigir un acuerdo independiente para determinados negocios. Comprueba tanto las condiciones del modelo como las del servicio que utilizarás.

¿Se prohibirán los modelos de pesos abiertos?

Un anuncio de lanzamiento no garantiza que el uso vaya a estar legalmente permitido en el futuro. Al desplegar, evalúa el modelo concreto, el uso previsto y las jurisdicciones del despliegue conforme a las normas aplicables. No decidas una migración basándote en la predicción de que todos los modelos de pesos abiertos se prohibirán o quedarán libres de restricciones para siempre.

¿Cómo generan ingresos los modelos de pesos abiertos?

Los pesos descargables pueden convivir con servicios de pago de alojamiento, soporte, personalización y acuerdos de licencia comercial. La descarga de los pesos y el servicio que los rodea son ofertas distintas. Muse y Qwen también ilustran requisitos de licencia independiente que se activan bajo ciertas condiciones para determinados negocios.

¿Cuánto se quedan atrás los modelos de pesos abiertos?

La etiqueta no indica una diferencia de rendimiento. Compara versiones exactas en tu tarea, incluida la configuración del servicio y las funciones disponibles en el endpoint. Una prueba comparativa agregada no permite determinar tu tasa de error, tu capacidad de procesamiento ni tu carga de revisión.

¿Son seguros los modelos de pesos abiertos?

La disponibilidad de los pesos no garantiza un comportamiento seguro de la aplicación. Evalúa los fallos en el proceso previsto, limita los permisos de las herramientas, protege las entradas sensibles y define cómo escalar los casos a una persona. La propia ficha de Meta pide pruebas de seguridad específicas para cada aplicación y medidas de protección adicionales para agentes que realizan acciones con consecuencias importantes.

Para tomar decisiones prácticas sobre la adopción de IA, suscríbete al boletín.