Mejores modelos LLM open source y open weights
Cuando se habla de modelos LLM "open source", muchas veces se mezclan conceptos. Algunos modelos son realmente open source. Otros son open weights: puedes descargar los pesos, pero no necesariamente los datos de entrenamiento, el código completo o una licencia libre de uso comercial.
La distinción importa para empresas, investigadores y desarrolladores que necesitan saber qué pueden y qué no pueden hacer con un modelo.
Open source vs open weights vs open model
| Término | Qué implica | Ejemplos |
|---|---|---|
| Open source | Código, datos, licencia abierta y permisos amplios según definición OSI | Algunos modelos de Allen AI, OLMo |
| Open weights | Pesos descargables, con licencia propia que puede tener restricciones | Llama 3.x, Gemma 2, Phi-3 |
| Open model | Término amplio; revisar licencia específica | Varía según proveedor |
Antes de usar un modelo comercialmente, lee su licencia. Algunos modelos "abiertos" tienen restricciones de uso comercial, límites de usuarios mensuales o prohibiciones de usar los outputs para entrenar modelos competidores.
Familias populares de modelos abiertos
Modelos y familias a considerar en 2026:
Llama (Meta): Una de las familias más populares. Llama 3.1 y 3.2 ofrecen modelos desde 1B hasta 405B parámetros. Licencia con restricciones de uso comercial para más de 700M de usuarios mensuales. Buena calidad general y en código.
Mistral: Empresa francesa con modelos eficientes. Mistral 7B, Mixtral 8x7B (MoE) y Mistral Large. Licencia Apache 2.0 para algunos modelos, lo que permite uso comercial libre. Excelente relación calidad/costo.
Qwen (Alibaba): Familia con excelente soporte multilingüe, incluyendo español y chino. Modelos desde 1.5B hasta 72B. Licencia permisiva para la mayoría. Destaca en razonamiento y código.
DeepSeek: Modelos chinos con excelente relación calidad/costo. DeepSeek V3 y R1 han sorprendido por su rendimiento en benchmarks. Licencia MIT para algunos modelos. Especialmente fuerte en razonamiento matemático y código.
Gemma (Google): Modelos abiertos de Google, derivados de la tecnología Gemini. Gemma 2 ofrece modelos de 2B y 9B parámetros. Licencia permisiva (Gemma Terms of Use). Buen punto de entrada para uso local.
Phi (Microsoft): Modelos pequeños pero potentes. Phi-3 (3.8B) y Phi-3.5 ofrecen calidad sorprendente para su tamaño. Licencia MIT. Ideales para edge computing y dispositivos con recursos limitados.
Granite (IBM): Modelos empresariales de IBM. Enfocados en uso corporativo con licencias claras. Buenos para tareas de negocio y compliance.
Command R (Cohere): Modelos optimizados para RAG y uso empresarial. Command R y Command R+ ofrecen buen rendimiento en tareas de recuperación y generación con fuentes.
Criterios de selección
Evalúa estos factores antes de elegir un modelo abierto:
- Licencia comercial: ¿puedes usarlo en tu producto? ¿Hay límite de usuarios?
- Calidad en español: no todos los modelos manejan español igual. Prueba con tus propios textos.
- Tamaño del modelo: ¿cuántos parámetros? ¿Cabe en tu hardware?
- Memoria requerida: un modelo de 7B en FP16 necesita ~14GB VRAM. En cuantización 4-bit puede caber en 4-6GB.
- Ventana de contexto: ¿es suficiente para tus documentos?
- Soporte de herramientas: ¿soporta function calling? ¿MCP?
- Rendimiento en código: si vas a programar, evalúa con tareas reales.
- Comunidad: ¿hay soporte, documentación, ejemplos? ¿Se actualiza con frecuencia?
- Facilidad de fine-tuning: ¿puedes ajustarlo a tu dominio? ¿Qué recursos necesitas?
- Infraestructura disponible: ¿tienes GPUs? ¿O usarás un proveedor de inferencia?
Un modelo muy fuerte pero caro de servir puede no ser conveniente. La decisión debe considerar costo total de propiedad, no solo calidad del modelo.
Cuándo elegir modelos abiertos
Los modelos abiertos convienen cuando necesitas:
- Control de despliegue: ejecutar en tu propia infraestructura, sin enviar datos a terceros.
- Privacidad: datos sensibles que no pueden salir de tu organización (salud, finanzas, legal).
- Personalización: fine-tuning para tu dominio específico.
- Costos predecibles: sin facturación variable por uso de API.
- Ejecución offline: en dispositivos edge, sin dependencia de internet.
- Evitar dependencia de un proveedor: no quedar atado a OpenAI, Anthropic o Google.
- Experimentar con fine-tuning: investigar, prototipar, iterar sin restricciones.
No convienen si tu equipo no puede operar infraestructura de IA o no tiene capacidad de evaluar calidad. Un modelo abierto mal servido puede ser peor que una API bien gestionada.
Cómo ejecutar modelos abiertos
Hay varias opciones para ejecutar modelos abiertos:
Ollama: La forma más simple de ejecutar modelos localmente. Soporta Llama, Mistral, Qwen, Gemma, Phi y más. Una línea de comando: ollama run llama3.2. Ideal para desarrollo y testing.
llama.cpp: Implementación en C/C++ optimizada para CPU. Permite ejecutar modelos en hardware sin GPU. Soporta cuantización para reducir memoria.
MLX (Apple): Framework de Apple para ejecutar modelos en Silicon (M1/M2/M3/M4). Optimizado para Mac. Muy eficiente.
vLLM: Servidor de inferencia optimizado para producción. Soporta batching, cuantización y serving a escala. Ideal para desplegar modelos en producción.
Together AI / Groq / Fireworks: Proveedores de inferencia que ofrecen modelos abiertos como API. Si no quieres gestionar infraestructura, puedes usar estos servicios.
Comparativa rápida de modelos abiertos populares
| Modelo | Tamaño | Licencia | Mejor para | VRAM mínima (4-bit) |
|---|---|---|---|---|
| Llama 3.2 3B | 3B | Llama License | Uso general, edge | ~2GB |
| Mistral 7B | 7B | Apache 2.0 | Uso general, código | ~4GB |
| Qwen 2.5 7B | 7B | Qwen License | Multilingüe, razonamiento | ~4GB |
| DeepSeek R1 | 7B-671B | MIT | Razonamiento, matemáticas | ~4GB (7B) |
| Gemma 2 9B | 9B | Gemma Terms | Uso general, calidad | ~6GB |
| Phi-3.5 | 3.8B | MIT | Edge, tareas simples | ~2.5GB |
| Llama 3.1 70B | 70B | Llama License | Máxima calidad, servidor | ~40GB |
Preguntas frecuentes
¿Puedo usar Llama comercialmente?
Sí, siempre que no superes 700 millones de usuarios mensuales. Para la inmensa mayoría de empresas, la licencia de Llama permite uso comercial sin restricciones.
¿Un modelo abierto es peor que GPT-4?
En capacidad general, los modelos cerrados más potentes suelen ser superiores. Pero en tareas específicas con fine-tuning, un modelo abierto puede igualar o superar a un modelo cerrado genérico. Además, los modelos abiertos ofrecen control y privacidad que los cerrados no pueden.
¿Necesito GPUs para ejecutar un modelo abierto?
No necesariamente. Modelos pequeños (1B-7B) pueden ejecutarse en CPU con llama.cpp o en Mac con MLX. Para producción con alta concurrencia, sí necesitas GPUs.
¿Qué es la cuantización?
Es una técnica que reduce la precisión de los pesos del modelo (de 16-bit a 4-bit o 8-bit), reduciendo memoria y aumentando velocidad con una pequeña pérdida de calidad. Es esencial para ejecutar modelos en hardware limitado.
Fuentes y recursos recomendados
- Llama models — modelos de Meta.
- Mistral AI models — modelos de Mistral.
- Qwen — modelos de Alibaba.
- Google Gemma — modelos abiertos de Google.
- IBM Granite — modelos empresariales de IBM.
Conclusión
Los modelos abiertos dan control, privacidad y flexibilidad, pero exigen criterio. No basta con descargar pesos: hay que revisar licencia, calidad, infraestructura y seguridad. La decisión entre modelo abierto y cerrado no es ideológica; es práctica.
Si valoras privacidad, control o personalización, los modelos abiertos son una opción seria en 2026. Si valoras simplicidad, máxima calidad general y no tienes infraestructura, las APIs de modelos cerrados siguen siendo la mejor opción.
