Modelos de IA abiertos: qué significa, cuáles probar y cómo elegir

«Modelo de IA de código abierto» puede significar cosas muy distintas en una página de descarga. Antes de elegir uno, comprueba cuatro elementos por separado: si puedes obtener los pesos, bajo qué licencia puedes usarlos, si se publican el código y la información del entrenamiento, y si tu equipo puede ejecutarlo para la tarea que necesitas. Una licencia permisiva para los pesos no demuestra, por sí sola, que todo el sistema cumpla la definición de IA de código abierto de la Open Source Initiative (OSI).

Qué cambia entre una API, pesos abiertos e IA de código abierto

Una API comercial deja utilizar un modelo a través de un servicio; normalmente no entrega los parámetros que producen sus respuestas. Un modelo de pesos descargables permite ejecutarlo o adaptarlo donde la licencia y el hardware lo permitan. El grado de apertura puede variar: el código de inferencia quizá esté disponible, mientras el conjunto de datos, el procedimiento de entrenamiento o parte de la documentación no lo están. Llamar «abierto» a todo ese conjunto sin especificar qué se entrega confunde decisiones técnicas y legales.

La definición de IA de código abierto de OSI exige libertades para usar, estudiar, modificar y compartir el sistema. Para hacerlas posibles, pide acceso a información suficiente sobre los datos de entrenamiento, el código de entrenamiento y ejecución y los parámetros del modelo. No obliga a publicar cada dato original cuando no se puede compartir, pero sí a describir procedencia, selección y procesamiento con detalle suficiente. Se trata de un criterio exigente. Una ficha que dice «Apache 2.0» junto al archivo de pesos no responde automáticamente a todas esas preguntas.

Hay otra confusión frecuente: «gratis» no significa «abierto». Un chat sin coste puede conservar todo el modelo bajo control del proveedor. A la inversa, descargar pesos puede no costar dinero y aun así exigir un equipo, electricidad, administración y tiempo de integración. Decide qué necesitas realmente: ¿auditar un proceso de investigación, desarrollar una aplicación, trabajar sin conexión o simplemente redactar mejor? Cada propósito exige un nivel distinto de control.

Tres ejemplos para aprender a leer las fichas

OLMo 2, de Ai2, es un ejemplo valioso cuando la prioridad es estudiar cómo se construyó un modelo. Sus desarrolladores publican pesos, datos accesibles, código, recetas de entrenamiento, evaluaciones y puntos intermedios. La ficha de una variante pequeña como OLMo 2 1B Instruct declara licencia Apache 2.0 y un uso previsto orientado a investigación y educación. Eso no garantiza que rinda mejor en español o en tus tareas que otras familias; sí ofrece materiales para examinar el proceso. Conviene leer la ficha exacta de la variante elegida, porque tamaño y ajuste cambian el comportamiento.

Qwen3-4B publica pesos con licencia Apache 2.0 en su repositorio oficial de Hugging Face. Es un punto de partida para aprender a ejecutar un modelo de texto y consultar su ficha técnica. Ese dato de licencia se refiere al repositorio concreto: no demuestra por sí solo que estén accesibles todos los materiales de entrenamiento que pide OSI. Antes de usarlo en un producto, comprueba el código, las dependencias, las condiciones de distribución y los límites que declara su editor.

Gemma ilustra el caso de pesos disponibles bajo condiciones propias. Google publica términos de uso que incluyen requisitos para redistribución y restricciones de usos. Por eso resulta impreciso agrupar cualquier versión de Gemma con modelos licenciados en Apache 2.0 o presentarla como equivalente a un sistema plenamente abierto. Además, la familia evoluciona: hay que consultar los términos de la variante exacta y la fecha del documento, no una reseña antigua. Estos tres ejemplos son categorías de documentación, no ganadores de una prueba que no hemos hecho.

Empieza por la tarea y prepara una evaluación pequeña

Antes de descargar gigabytes, escribe diez ejemplos representativos de lo que quieres hacer. Si buscas resumir informes en castellano, incluye textos breves y largos con datos que luego puedas verificar. Si quieres clasificar mensajes, crea casos ambiguos y decide qué error te perjudica más. Si necesitas programación, utiliza fragmentos cuyo resultado puedas ejecutar en un entorno controlado. Un resultado vistoso en una pregunta de demostración no describe la fiabilidad del modelo en tus documentos.

Prepara una hoja con columnas para respuesta útil, error factual, formato, tiempo y necesidad de intervención humana. Repite los mismos casos con cada opción y conserva las instrucciones utilizadas. No publiques datos personales o confidenciales en demostraciones hospedadas sin revisar sus condiciones. Si la tarea es crítica, añade una revisión humana de cada salida relevante. Nuestra guía sobre elegir un modelo según la tarea explica por qué la opción más grande no siempre resuelve mejor un trabajo concreto.

Hugging Face recomienda que las fichas de modelos documenten usos previstos, limitaciones, entrenamiento y evaluación. Lee esa sección antes de atribuir capacidad a un modelo. Si no existe o es vaga, la ausencia es información para tu decisión. Y cuando un resultado importante dependa de una cifra, una fuente o una norma, verifícalo fuera del modelo.

Hardware: qué mirar sin perseguir un número mágico

El tamaño de los pesos es solo una parte de la memoria que puede necesitar una ejecución. También cuentan el formato de precisión o cuantización, la longitud del contexto, el software de inferencia y la memoria ocupada por el sistema. Los requisitos cambian entre versiones y configuraciones. Por eso no es responsable prometer que «un portátil cualquiera» ejecutará con fluidez un modelo determinado ni dar una cifra universal de RAM para todos los casos.

Comprueba primero la ficha oficial y la documentación de la herramienta con la que lo cargarás. Si existe una variante pequeña o cuantizada autorizada, úsala para aprender el flujo antes de comprar una GPU. Verifica que la cuantización proviene de una fuente identificable y que conserva el tipo de licencia que necesitas. Un equipo local puede reducir el envío de datos a una API externa cuando el procesamiento realmente se hace en ese equipo, pero no protege archivos si el ordenador está comprometido, si otra aplicación sube registros o si expones el servicio a la red sin control.

Si estás considerando montar una máquina dedicada, el artículo sobre IA local sin internet y componentes del PC ayuda a ordenar gasto y requisitos. La elección de hardware debe venir después de una prueba funcional y de verificar cuánto valor te aporta trabajar sin conexión.

Licencia y seguridad: dos comprobaciones diferentes

La licencia indica qué puedes hacer con el material distribuido: usarlo, modificarlo, alojarlo o redistribuirlo bajo determinadas condiciones. Lee el archivo de licencia del repositorio y las restricciones adicionales del editor. Si integras el modelo en una empresa, registra versión, procedencia y avisos que debas conservar. La ficha de Hugging Face muestra metadatos de licencia, pero sus propias guías recomiendan consultar el texto legal enlazado. Una etiqueta en la cabecera no sustituye esa lectura.

La seguridad trata de otra cosa: archivos de origen desconocido, dependencias, permisos, datos de entrada, registro de conversaciones y acceso a la instancia. Descarga desde el editor verificado, comprueba la variante exacta y mantén el entorno actualizado. No confíes a un modelo una decisión sanitaria, financiera o legal sin fuentes y revisión competente. Poder ejecutar un modelo en casa no le da acceso a hechos recientes ni convierte sus respuestas en verdaderas.

Una ruta razonable para probar sin casarte con una familia

1. Define una tarea concreta y diez ejemplos evaluables.
2. Elige una variante pequeña con ficha técnica y licencia claras; OLMo 2 sirve para estudiar apertura, Qwen3 para explorar pesos con licencia permisiva y Gemma para entender términos propios.
3. Confirma tamaño, software compatible y requisitos de tu equipo en la documentación de la versión exacta.
4. Ejecuta los mismos casos, registra errores y compara el trabajo de revisión que exige cada opción.
5. Antes de publicar o integrar, verifica de nuevo licencia, dependencias, política de datos y fecha de la ficha.

La elección madura no consiste en memorizar el nombre del modelo del mes. Consiste en saber qué parte del sistema controlas, qué puedes verificar y qué coste de mantenimiento estás dispuesto a asumir.

Fuentes y alcance

• OSI, Open Source AI Definition 1.0: criterio de libertades y materiales requeridos.
• Ai2, OLMo 2 y ficha oficial de OLMo 2 1B Instruct.
• Qwen, ficha oficial de Qwen3-4B.
• Google, términos de Gemma (aplicación según variante).
• Hugging Face, guía de fichas de modelos.

Fuentes y disponibilidad revisadas el 16 de octubre de 2026. Este artículo no incluye pruebas propias de rendimiento ni asesoramiento jurídico sobre licencias. Texto y portada conceptual elaborados con apoyo de IA y revisión editorial.