--- title: Los modelos abiertos siempre vuelven description: Por qué las empresas vuelven a publicar pesos, qué se reservan y qué libertad conserva quien utiliza sus modelos. url: https://www.felixsanz.dev/es/articulos/los-modelos-abiertos-siempre-vuelven language: es published: 2026-08-12 updated: 2026-08-11 tags: - ai alternate-en: https://www.felixsanz.dev/articles/open-models-always-come-back --- # 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](https://opensource.org/ai/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: | Criterio | Z-Image | Krea 2 | Ideogram 4 | MiniMax H3 | | --- | --- | --- | --- | --- | | Pesos | Sí | Sí | Sí | Sí | | Código de inferencia | Sí | Sí | Sí | Sí | | Uso comercial | Sí | Con límites | Con límites | Con límites | | Código de entrenamiento | No | No | No | No | | Datos de entrenamiento | No | No | No | No | | Sistema completo | Sí | Con límites | Con límites | No | Z-ImageKrea 2Ideogram 4MiniMax H3 **Z-Image**La licencia Apache 2.0 permite modificar el modelo y utilizarlo comercialmente. Los datos y el proceso de entrenamiento siguen sin publicarse. La licencia Apache 2.0 permite modificar el modelo y utilizarlo comercialmente. Los datos y el proceso de entrenamiento siguen sin publicarse.Raw y Turbo pueden ejecutarse fuera de Krea. Las condiciones de uso comercial dependen de los ingresos. Medium y Large siguen disponibles solo mediante API.Los pesos cuantizados pueden descargarse, pero la licencia estándar no permite el uso comercial. La versión completa solo está disponible dentro del producto.H3-Base puede descargarse y ejecutarse por separado. La preparación del contexto y el paso final a 2K siguen dependiendo de MiniMax. Además, la licencia excluye varios territorios. [Z-Image](https://huggingface.co/Tongyi-MAI/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. ### Lenguaje En lenguaje, [Kimi K3](https://www.kimi.com/blog/kimi-k3) está lo bastante cerca del *frontier* como para competir con los mejores modelos en tareas reales. Moonshot no afirma que sea el mejor del mundo. De hecho, reconoce que todavía queda por detrás de los principales modelos propietarios. Lo importante es que ha publicado un modelo de 2,8 billones de parámetros totales que **otros proveedores pueden ejecutar y optimizar** bajo las condiciones de su licencia. ### Imagen En imagen, [Ideogram 4.0](https://ideogram.ai/blog/ideogram-4.0/) publica dos versiones cuantizadas de su modelo. Krea ya había abierto [FLUX.1 Krea](https://www.krea.ai/blog/flux-krea-open-source-release) en 2025 y ahora repite con [Krea 2](https://www.krea.ai/krea-2-open-source): un modelo base Raw pensado para *fine-tuning* y LoRAs, y otro Turbo destilado para generar en ocho pasos. Ninguna entrega toda su gama, pero **las dos permiten ejecutar parte de su nueva generación fuera de sus APIs**. ### Vídeo En vídeo la situación es todavía más irregular. [LTX-2.3](https://ltx.io/blog/ltx-2-3-release) ya ofrecía pesos, código de entrenamiento y versiones cuantizadas, además de las variantes Fast y Pro de su API. [LTX-2.5](https://ltx.io/model/ltx-2-5) continúa esa estrategia y Lightricks también ha publicado [una colección de modelos, cuantizaciones y LoRAs](https://huggingface.co/collections/Lightricks/ltx-25). La versión descargable puede ejecutarse en hardware propio y admite adaptadores LoRA, incluidos los entrenados con datos propios. Su licencia comunitaria permite utilizarla comercialmente sin coste a organizaciones con menos de diez millones de dólares de ingresos anuales. [MiniMax H3](https://www.minimax.io/blog/minimax-h3) divide su producto en tres módulos, pero H3-Base no necesita la API para funcionar. Es un modelo de 33B que genera vídeo con audio a 768p y puede ejecutarse localmente con SGLang, vLLM, Diffusers o ComfyUI. En la práctica, Context-IR es un *prompt enhancer* multimodal que solo se ofrece mediante API. Interpreta instrucciones y referencias sin una estructura fija y devuelve un prompt más largo y ordenado que H3-Base puede seguir mejor. MiniMax lo considera importante para obtener la calidad de su producto, aunque indica que puede sustituirse preparando esa entrada con sus guías o con un sistema propio. Regenerate-2K vuelve a procesar el vídeo de 768p junto al contexto original para producir la versión a 2K y todavía no se ha publicado. **MiniMax ha abierto un generador autónomo, pero no todo el pipeline de su producto**. Solo H3-BaseHíbrido 768pHíbrido 2KTodo en la API Tu infraestructura **Context\-IR**No incluido **H3-Base**En tu infraestructura **Regenerate\-2K**No incluido API de MiniMax La descarga incluye H3-Base, que puede ejecutarse en tu propia infraestructura sin Context-IR. La entrada puede prepararse siguiendo las guías de MiniMax, pero el sistema oficial de preprocesado y el paso final a 2K no están incluidos. La descarga incluye H3-Base, que puede ejecutarse en tu propia infraestructura sin Context-IR. La entrada puede prepararse siguiendo las guías de MiniMax, pero el sistema oficial de preprocesado y el paso final a 2K no están incluidos.H3-Base se ejecuta en tu infraestructura y la API de MiniMax prepara el contexto. Las referencias se envían a MiniMax, aunque el vídeo se genera en tu infraestructura.H3-Base sigue ejecutándose en tu infraestructura. La preparación del contexto y la regeneración final a 2K pasan por la API de MiniMax.MiniMax ejecuta los tres módulos y ofrece el pipeline completo mediante su API. **Licencia:** la licencia comunitaria no concede derechos en la Unión Europea, Estados Unidos, Reino Unido ni Corea del Sur, salvo que MiniMax autorice el uso por separado. ### Alibaba elige qué publica Wan permite ver cómo la estrategia puede cambiar dentro de una misma familia. Alibaba publicó [Wan 2.1](https://github.com/Wan-Video/Wan2.1) y [Wan 2.2](https://github.com/Wan-Video/Wan2.2) con código y licencia Apache 2.0, pero mantiene 2.5, 2.6, 2.7 y la beta de 3.0 detrás de su API. Aun así, sigue abriendo variantes especializadas como Wan-Animate-2. No ha cerrado toda la familia de golpe. **Alibaba elige qué versiones publica para alimentar el ecosistema y cuáles reserva para su servicio**. La propia familia Qwen permite ver las dos direcciones. [Qwen3.5-397B-A17B](https://huggingface.co/Qwen/Qwen3.5-397B-A17B) es un modelo multimodal cercano al *frontier* publicado bajo Apache 2.0, y [Qwen3-TTS](https://github.com/QwenLM/Qwen3-TTS) hace lo mismo para síntesis y clonación de voz. En cambio, [Qwen3-Max](https://qwen.ai/blog?id=qwen3-max), [Qwen-Image 2.0](https://qwen.ai/blog?id=qwen-image-2.0) y [3.0](https://qwen.ai/blog?id=qwen-image-3.0) solo están disponibles mediante Qwen Chat o API. Alibaba no ha abandonado los modelos abiertos. **Ha empezado a elegir con más cuidado cuáles publica**. ## 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](https://stability.ai/news-updates/stable-diffusion-public-release) 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](https://docs.midjourney.com/hc/en-us/articles/32199405667853-Version) volvió a ampliar la distancia a finales de 2023. [FLUX.1 \[dev\]](https://bfl.ai/blog/24-08-01-bfl) redujo parte de ella en 2024 y [Nano Banana](https://blog.google/products-and-platforms/products/gemini/updated-image-editing-model/) 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](https://stability.ai/news-updates/stability-ai-secures-significant-new-investment), 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](https://openai.com/index/gpt-4-research/) abrió una diferencia clara en 2023. [Llama 3.1](https://ai.meta.com/blog/meta-llama-3-1/) volvió a acercarse en 2024 y la actualización de [Claude 3.5 Sonnet](https://www.anthropic.com/news/3-5-models-and-computer-use) tomó después la delantera en programación y uso de herramientas. [DeepSeek-R1](https://api-docs.deepseek.com/news/news250120/) redujo la distancia y [Claude Opus 4](https://www.anthropic.com/news/claude-4) volvió a ampliarla durante 2025. En vídeo, el ciclo empezó más tarde y ha avanzado más deprisa. [Kling](https://ir.kuaishou.com/news-releases/news-release-details/kuaishou-unveils-proprietary-video-generation-model-kling) elevó la calidad de los modelos propietarios en 2024. [Wan 2.1](https://github.com/Wan-Video/Wan2.1) publicó pesos y código unos meses después. [Veo 3](https://blog.google/products-and-platforms/products/gemini/veo-3-expansion-mobile/) volvió a ampliar la distancia con audio nativo, y MiniMax H3 y [LTX-2.5](https://huggingface.co/collections/Lightricks/ltx-25) acaban de reducirla desde el lado descargable. Cada modalidad repite el movimiento a su propio ritmo. El [AI Index 2026](https://hai.stanford.edu/ai-index/2026-ai-index-report/technical-performance) 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**. Los modelos propietarios se adelantanLos modelos descargables recortan la distancia Lenguaje Imagen Vídeo 20222023202420252026 202220242026 2022 · Imagen · modelo descargable**Stable Diffusion permite generar imágenes en local** La publicación de sus pesos da lugar a un ecosistema de interfaces, ajustes y herramientas fuera del control de una sola API. 2023 · Lenguaje · modelo propietario**GPT-4 amplía la ventaja de los modelos propietarios** GPT-4 introduce un salto de capacidad dentro de un producto cerrado. Harán falta meses para que aparezca una alternativa descargable comparable. 2023 · Imagen · modelo propietario**Midjourney V6 vuelve a poner por delante a los modelos propietarios de imagen** Midjourney ya era popular, pero V6 mejora la fidelidad al prompt, la coherencia y el texto dentro de las imágenes sin salir de su servicio. 2023 · Lenguaje · modelo descargable**Mixtral demuestra que un modelo descargable puede competir con los mejores modelos propietarios** Mistral publica bajo Apache 2.0 un modelo de mezcla de expertos capaz de igualar o superar a GPT-3.5 en buena parte de sus evaluaciones. 2024 · Lenguaje · modelo descargable**Llama 3.1 mantiene competitivos a los modelos descargables** Compite en muchas tareas reales, aunque no lidere todos los benchmarks. 2024 · Imagen · modelo descargable**FLUX.1 \[dev\] recorta la distancia en generación de imágenes** Este checkpoint de 12B ofrece una calidad cercana a FLUX.1 \[pro\] y da lugar a un nuevo ecosistema de LoRAs y herramientas. 2024 · Imagen · modelo propietario**Las variantes Pro de FLUX vuelven a ampliar la distancia** BFL mantiene FLUX.1 \[pro\], FLUX1.1 \[pro\] y sus modos Ultra y Raw dentro de sus APIs, donde reserva las mayores capacidades de la familia. 2024 · Lenguaje · modelo propietario**Claude 3.5 Sonnet toma la delantera en programación y uso de herramientas** La actualización de octubre supera a Claude 3 Opus en programación, mejora el uso de herramientas e incorpora computer use sin publicar sus pesos. 2024 · Vídeo · modelo propietario**Kling 1.0 lleva el vídeo generativo a escenas más largas y complejas** Kuaishou lanza un modelo propietario capaz de generar movimiento complejo y vídeos de hasta dos minutos a 1080p. 2025 · Lenguaje · modelo descargable**DeepSeek-V3 y R1 recortan la ventaja propietaria** En menos de un mes, DeepSeek publica un modelo generalista competitivo y otro centrado en razonamiento, ambos con pesos descargables. 2025 · Vídeo · modelo descargable**Wan 2.1 acerca el vídeo descargable a los modelos propietarios** Alibaba publica los pesos y el código de inferencia bajo Apache 2.0, con integración en Diffusers y ComfyUI. 2025 · Imagen · modelo descargable**HiDream-I1 mantiene competitivos a los modelos de imagen descargables** HiDream publica bajo MIT tres variantes de un modelo de 17B que compite con los mejores generadores de imagen del momento. 2025 · Imagen · modelo propietario**Nano Banana devuelve la ventaja a los modelos propietarios de imagen** El modelo de Google conserva la apariencia de personas y objetos entre ediciones, pero solo está disponible dentro de Gemini y otros productos de la compañía. 2025 · Vídeo · modelo propietario**Veo 3 devuelve la ventaja a los modelos propietarios de vídeo** Google añade audio nativo y mejora claramente la calidad, pero mantiene el modelo dentro de sus productos y servicios. 2025 · Lenguaje · modelo propietario**Claude Opus 4 devuelve la ventaja a los modelos propietarios** Anthropic sube el listón en programación y tareas de larga duración con un modelo sin pesos descargables. 2025 · Imagen · modelo descargable**FLUX.2 y Z-Image recortan de nuevo la distancia en imagen** Black Forest Labs y Tongyi-MAI publican dos familias capaces de generar y editar imágenes con una calidad cercana a los servicios propietarios. 2025 · Lenguaje · modelo descargable**Kimi K2 Thinking recorta la distancia en razonamiento** Moonshot publica un modelo que compite con los mejores sistemas propietarios y puede razonar y utilizar herramientas durante cientos de pasos. 2026 · Vídeo · modelo descargable**LTX-2 lleva la generación conjunta de vídeo y audio a un modelo descargable** Lightricks publica los pesos de un sistema que genera vídeo y audio de forma conjunta y puede ejecutarse fuera de su API. 2026 · Vídeo · modelo propietario**Kling 3.0 y Seedance 2.0 vuelven a dar ventaja a los modelos propietarios de vídeo** Ambos combinan referencias multimodales, edición y audio nativo, pero siguen dependiendo de sus servicios. 2026 · Imagen · modelo propietario**Nano Banana 2 y GPT Image 2 devuelven la ventaja a los modelos propietarios de imagen** Los modelos de Google y OpenAI mejoran el razonamiento visual, la edición y el texto dentro de las imágenes sin publicar sus pesos. 2026 · Lenguaje · modelo propietario**Claude Fable 5 establece una nueva referencia en lenguaje** Anthropic vuelve a ampliar la distancia en conocimiento, programación y tareas largas con un modelo exclusivamente propietario. 2026 · Imagen · modelo descargable**Ideogram 4.0 y Krea 2 vuelven a recortar la distancia en imagen** Ambos laboratorios publican los pesos de nuevos modelos de imagen mientras mantienen versiones más potentes en sus APIs. 2026 · Lenguaje · modelo descargable**GLM-5.2 y Kimi K3 recortan la distancia en lenguaje** Z.ai y Moonshot publican los pesos de dos modelos de gran escala que otros proveedores pueden ejecutar y adaptar. 2026 · Vídeo · modelo descargable**MiniMax H3 y LTX-2.5 recortan la distancia en vídeo** Ambos publican pesos para generar vídeo con audio, aunque sus licencias ponen límites muy distintos. Son hitos seleccionados, no una comparación de benchmarks. Las curvas muestran cómo los modelos propietarios y descargables se alternan dentro de cada modalidad. 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](https://epoch.ai/publications/open-models-report) 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](https://home.alibabagroup.com/en-US/document-1836829632653950976), 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](https://ideogram.ai/licensing/) para utilizarlos en producción. Esto también permite cobrar según el tamaño del usuario. La [licencia de Krea 2](https://www.krea.ai/krea-2-licensing) 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. ### La licencia de MiniMax H3 El 26 de julio, la cuenta oficial de MiniMax publicó un mensaje bastante claro: [«Open weights. Open research. Open innovation.»](https://x.com/MiniMax_AI/status/2081167102753517574). La empresa participaba en una pequeña marcha en San Francisco para defender que la inteligencia artificial pertenece a todo el mundo. Pocos días después publicó H3. Los checkpoints existen, el código funciona y la comunidad puede modificarlos. No es una apertura inventada. Pero la [licencia de H3](https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/LICENSE) excluye a la Unión Europea, Estados Unidos, Reino Unido y Corea del Sur. En esos territorios no concede permiso ni siquiera para ejecutar los pesos localmente. No han elegido precisamente mercados irrelevantes. MiniMax ha [relacionado estas exclusiones](https://x.com/RyanLeeMiniMax/status/2084122657503707554) con sus litigios por derechos de autor y permite que las organizaciones de esos territorios soliciten una licencia separada. Esto no demuestra que H3 se haya entrenado ilegalmente ni convierte el lanzamiento entero en una mentira. Sí demuestra que **su entusiasmo por un futuro abierto termina donde comienzan sus riesgos legales**. > [!WARNING] > **Uso personal no significa sin licencia** > Una licencia sigue importando aunque ejecutes el modelo en tu ordenador y no cobres por ello. Algunas permiten expresamente el uso personal o no comercial. Otras limitan territorios, actividades o tipos de usuario. Que sea difícil perseguir ese uso no significa que esté autorizado. ### La palabra open no basta Ideogram llama *open source* a unos pesos cuya licencia base prohíbe el uso comercial. Krea abre dos modelos, pero conserva los mejores. Wan construyó su ecosistema con versiones abiertas y ahora distribuye sus modelos más potentes mediante API. En todos los casos existe algo valioso que podemos descargar, pero **la palabra “open” promete más libertad de la que recoge la licencia**. Hay otra tensión. Muchas empresas explican con enorme precisión lo que podemos hacer con sus pesos mientras dicen muy poco sobre los datos con los que los entrenaron. Quieren controlar el uso del resultado, pero apenas explican de dónde sale. La asimetría es evidente. Aun así, no podemos convertir esa sospecha en una acusación concreta sin pruebas. Por eso merece la pena separar tres preguntas cada vez que aparece un anuncio: 1. ¿Qué archivos se han publicado realmente? 2. ¿Qué permite hacer su licencia? 3. ¿Qué partes del producto siguen dependiendo de la empresa? Si se publican los pesos, la licencia permite utilizarlos y la empresa no mantiene cerrada una parte imprescindible, tenemos una apertura amplia. Si solo podemos responder a la primera pregunta, tenemos pesos descargables y **la libertad todavía está por demostrar**. ## El creador no tiene que ser el operador Trabajo en [Runware](https://runware.ai/?utm_source=felixsanz.dev&utm_medium=blog&utm_campaign=open-models-always-come-back&utm_content=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](https://english.www.gov.cn/policies/latestreleases/202508/27/content_WS68ae7976c6d0868f4e8f51a0.html) 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](https://huggingface.co/blog/huggingface/state-of-os-hf-spring-2026) 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.