Los modelos abiertos siempre vuelven

##Introducción

El software libre tiene una curiosa habilidad para estar siempre a punto de ganarlo todo o de desaparecer. Llevamos décadas esperando el año de Linux en el escritorio y enterrándolo otra vez unos meses después. Con los modelos de inteligencia artificial está empezando a ocurrir algo parecido: los modelos abiertos también vuelven en oleadas.

Durante las últimas semanas han aparecido modelos con pesos descargables en casi todas las modalidades. Kimi K3 se ha acercado a los mejores modelos de lenguaje propietarios. Ideogram y Krea han publicado nuevos modelos de imagen. MiniMax ha abierto parte de H3 y Lightricks ha lanzado LTX-2.5 en su API junto a una colección de pesos descargables. Black Forest Labs también ha mostrado su primer modelo de vídeo y ya ha anunciado una futura variante abierta de FLUX 3.

Es tentador juntar todos estos lanzamientos y decir que los modelos propietarios están perdiendo su ventaja. El problema es que muchos de estos modelos no son realmente open source. Algunos no permiten el uso comercial. Otros conservan cerrada su mejor versión, y H3 excluye varios de los mayores mercados del mundo.

Eso no convierte la oleada en una campaña de marketing vacía. La hace bastante más interesante. En este artículo vamos a ver por qué abrir los pesos también es una forma de competir, qué están intentando conseguir estas empresas y qué libertad conserva realmente quien descarga el modelo.

##Abierto, ¿qué exactamente?

Un modelo no es una sola cosa. Están los pesos resultantes del entrenamiento, el código necesario para ejecutarlo, los datos, el propio proceso de entrenamiento, la licencia y todo lo que lo convierte en un producto. Publicar una parte no abre automáticamente las demás.

Cuando una empresa publica unos pesos que podemos descargar y ejecutar, hablamos de open weights. Si además permite utilizarlos, modificarlos y redistribuirlos sin limitar el propósito, la licencia añade libertad real. Para hablar de open source en un sentido más estricto también necesitaríamos el código de entrenamiento y suficiente información sobre los datos y el proceso para poder estudiar y reproducir el sistema. Esa es, a grandes rasgos, la diferencia que recoge la Open Source AI Definition de la OSI.

Casi todos estos modelos se apoyan además en librerías abiertas como PyTorch, Transformers, Diffusers, vLLM o SGLang. Sin ellas sería mucho más difícil entrenarlos y ejecutarlos, pero utilizar software libre no convierte automáticamente el modelo en software libre. Un modelo cerrado puede funcionar enteramente sobre herramientas abiertas.

Por eso dos modelos descargables pueden ofrecer libertades completamente distintas:

Z-Image, de Tongyi-MAI, es el caso más sencillo. Alibaba publica un modelo base de imagen de 6B, el código para ejecutarlo y una licencia Apache 2.0. No entrega los datos ni todo el proceso de entrenamiento, así que sigue siendo más preciso hablar de open weights, pero podemos modificarlo y utilizarlo comercialmente sin pedir una licencia adicional.

Krea, Ideogram y MiniMax también publican pesos que se pueden descargar y ejecutar. La diferencia está en lo que permiten sus licencias y en las partes que cada empresa mantiene cerradas. Los pesos responden a si podemos ejecutar el modelo. La licencia determina qué tenemos permiso para hacer con él.

##Una ola en todas las modalidades

La apertura de un modelo aislado puede ser un experimento. Cuando ocurre casi al mismo tiempo en áreas tan distintas empieza a parecer una tendencia.

##Por qué siempre vuelven

Esta no es la primera vez que parece que los modelos abiertos están a punto de alcanzar a los propietarios. Tampoco será la última.

Stable Diffusion publicó sus pesos en 2022 y permitió generar y modificar imágenes desde casa. La comunidad construyó interfaces, LoRAs, ControlNets y sistemas de entrenamiento que ningún proveedor habría podido desarrollar por su cuenta. Midjourney ya llevaba tiempo siendo popular cuando V6 volvió a ampliar la distancia a finales de 2023. FLUX.1 [dev] redujo parte de ella en 2024 y Nano Banana volvió a mover el listón al año siguiente.

Stability AI también demuestra que conseguir una adopción enorme no garantiza construir un negocio sostenible. En 2024, después de superar los 150 millones de descargas, la empresa cambió de dirección y recibió una nueva ronda de inversión. Buena parte del valor creado por Stable Diffusion terminó en interfaces y proveedores que Stability AI no controlaba. No podemos culpar de sus problemas a la apertura, pero conseguir adopción y saber monetizarla son problemas distintos.

En lenguaje ocurrió algo parecido. GPT-4 abrió una diferencia clara en 2023. Llama 3.1 volvió a acercarse en 2024 y la actualización de Claude 3.5 Sonnet tomó después la delantera en programación y uso de herramientas. DeepSeek-R1 redujo la distancia y Claude Opus 4 volvió a ampliarla durante 2025.

En vídeo, el ciclo empezó más tarde y ha avanzado más deprisa. Kling elevó la calidad de los modelos propietarios en 2024. Wan 2.1 publicó pesos y código unos meses después. Veo 3 volvió a ampliar la distancia con audio nativo, y MiniMax H3 y LTX-2.5 acaban de reducirla desde el lado descargable. Cada modalidad repite el movimiento a su propio ritmo.

El AI Index 2026 muestra precisamente ese vaivén. La diferencia entre el mejor modelo abierto y el mejor cerrado se redujo hasta casi desaparecer en 2024 y volvió a ampliarse durante 2025. El dato exacto depende del benchmark, pero el patrón permanece: la distancia se abre y se cierra.

Ser el primero en desarrollar una capacidad nueva sigue siendo extremadamente caro. Una vez alguien ha demostrado que funciona, reproducirla se abarata mucho más rápido gracias al progreso algorítmico y al hardware. Epoch AI estima que las capacidades del frontier propietario suelen llegar a los modelos descargables con varios meses de retraso.

Los modelos abiertos no necesitan mantenerse en primera posición. Les basta con convertir una ventaja exclusiva en una base sobre la que pueden trabajar los demás. Stable Diffusion no tuvo que seguir siendo el mejor modelo de imagen para cambiar el mercado. Bastó con que permitiera hacer cosas que ninguna API permitía entonces.

##Abrir también es competir

Publicar los pesos cuesta dinero. Hay que preparar checkpoints, escribir código de inferencia, documentar el modelo y dar soporte a una comunidad que encontrará formas bastante creativas de romperlo. Si tantas empresas lo hacen, no es porque de repente hayan dejado de querer construir un negocio.

La primera recompensa llega en forma de distribución fuera de la API propia. Un modelo descargable aparece en ComfyUI, Diffusers, cuantizaciones y proveedores de inferencia. Cada integración reduce el coste de probarlo y hace más probable que alguien construya sobre él. La empresa deja de ser la única capaz de adaptarlo a nuevos usos.

Para Alibaba, además, la relación con el negocio es directa. La compañía ha explicado que más modelos abiertos producen más aplicaciones, y esas aplicaciones acaban consumiendo recursos en la nube. Publicar el modelo puede ser una forma de vender la infraestructura que lo ejecuta.

Wan y Qwen sugieren que esa estrategia está cambiando. Alibaba mantiene abiertos modelos importantes, pero las versiones más recientes de varias familias se han quedado en su API. Es posible que la apertura ya les haya dado la distribución que buscaban y ahora quieran monetizar una parte mayor del uso. También puede ser una decisión temporal o depender del coste de cada modelo. Alibaba no ha explicado el motivo, así que de momento el patrón importa más que nuestra teoría.

Krea e Ideogram utilizan otra estrategia. Ambas publican modelos competitivos, pero reservan sus versiones más potentes y algunas partes del producto para sus APIs. Krea 2 Raw y Turbo se pueden descargar, mientras Medium y Large viven en la API. Ideogram permite experimentar con FP8 y NF4, pero exige una licencia comercial para utilizarlos en producción.

Esto también permite cobrar según el tamaño del usuario. La licencia de Krea 2 concede uso comercial a empresas con menos de un millón de dólares de ingresos anuales. Al superar el umbral hay que negociar una licencia Enterprise. Un desarrollador puede construir con el modelo y Krea conserva la posibilidad de cobrar cuando ese uso se convierte en un negocio de cierto tamaño.

La apertura también puede ser una estrategia comercial. Puede llevar usuarios a la API, la nube o una licencia superior. A cambio, la empresa acepta que otros ejecuten el modelo y construyan productos que no controla.

##Cuando open weights también es marketing

Llamar open a un modelo también se ha convertido en una forma de venderlo. El problema empieza cuando el anuncio sugiere más libertad de la que conceden la licencia o el propio producto.

##El creador no tiene que ser el operador

Trabajo en Runware, un proveedor de inferencia. Para nosotros, disponer de los pesos significa poder ejecutar el modelo, optimizarlo y añadir funciones sin depender de que el laboratorio original decida ofrecerlas.

Eso no quiere decir que todo el mundo deba comprarse varias GPU y desplegar Kimi K3 en casa. Su documentación recomienda decenas de aceleradores. Incluso modelos mucho más pequeños requieren actualizaciones, monitorización y un uso lo bastante constante para amortizar el hardware. En muchos casos utilizar un proveedor sigue siendo más barato y bastante más sencillo.

La diferencia es que el creador deja de ser el único operador. Distintos proveedores pueden competir en precio, latencia, disponibilidad y funciones. Si ninguno te convence y tienes la infraestructura necesaria, puedes ejecutarlo por tu cuenta.

Esa capacidad de cambiar de proveedor o ejecutar el modelo por mi cuenta es la libertad que más me importa. No necesito que todos los usuarios hagan self-hosting. Necesito que puedan elegir quién ejecuta el modelo y que exista una alternativa si la API cambia de precio, desaparece o deja de permitir su caso de uso.

Los pesos abiertos no eliminan a los intermediarios. Evitan que exista uno solo por obligación.

##Por qué esta ola viene de China

Buena parte de los modelos que están empujando esta oleada procede de China: Kimi, DeepSeek, Qwen, GLM, Wan, H3 y Z-Image. No parece una coincidencia, pero tampoco existe una única explicación.

China reúne una competencia doméstica enorme. Publicar pesos permite que un modelo consiga desarrolladores, integraciones y derivados sin tener el canal de distribución de ChatGPT o Gemini. También permite que empresas de otros países lo ofrezcan sin obligar a sus usuarios a depender de una API china.

Para compañías que venden nube, hardware o servicios, publicar el modelo puede atraer usuarios al resto del negocio. Alibaba no necesita cobrar siempre por el checkpoint si su ecosistema termina generando negocio dentro de su plataforma. La apertura no es una donación. Es una forma de decidir en qué parte de la cadena quiere competir.

La política pública china también favorece expresamente los ecosistemas abiertos. A eso se suma la presión por conseguir más con menos acceso al hardware más avanzado. Es razonable pensar que las restricciones de chips incentivan arquitecturas eficientes y la optimización para hardware muy distinto. Lo que no podemos afirmar es que esas restricciones sean la causa directa de publicar los pesos.

El resultado sí puede medirse. Hugging Face estima que los modelos chinos representan alrededor del 41% de las descargas de modelos abiertos en su plataforma. Una descarga no equivale a un uso en producción, pero demuestra que no se trata solo de anuncios.

Hay algo irónico en todo esto. Durante años se presentó el software abierto como una forma de evitar depender de las grandes tecnológicas. Ahora son grandes empresas chinas las que lo utilizan para competir contra otras grandes empresas. No es exactamente la revolución que imaginaban los primeros defensores del software libre, pero el usuario sigue recibiendo más opciones.

##No necesitan ganar para cambiar el mercado

Los modelos propietarios siguen teniendo ventajas. Suelen ser los primeros en ofrecer las capacidades más difíciles de desarrollar y pueden ofrecer una experiencia más cuidada. Tampoco obligan al usuario a mantener infraestructura. En algunas modalidades continúan claramente por delante. Negarlo solo haría más débil el argumento.

Los modelos abiertos tampoco son siempre baratos ni transparentes. Y poder descargar un checkpoint no significa que sea fácil ejecutarlo. Puede ocupar cientos de gigabytes y exigir muchísimo hardware. Incluso entonces puede depender de una parte que la empresa no ha publicado.

Aun así, cada oleada hace que las capacidades permanezcan menos tiempo encerradas. Lo que ayer solo existía dentro de una API acaba disponible a través de otros proveedores, y la comunidad puede adaptarlo de formas que el creador nunca habría construido.

Yo prefiero ese mundo. No porque espere que los modelos abiertos lideren todos los benchmarks, sino porque obligan a competir más allá del modelo. Ya no basta con entrenarlo. También importa quién puede ejecutarlo y qué libertad conserva el usuario.

¿Será 2026 el año de los modelos abiertos? No lo sé. Tampoco hace falta. Mientras sigan devolviendo al usuario la posibilidad de elegir, esta ola ya habrá servido para algo.