DeepSeek, Qwen y la ola de pesos abiertos

Intermedio

Durante mucho tiempo, la historia de la "buena IA" fue la historia de un puñado de modelos cerrados y de frontera a los que solo podías acceder alquilándolos a través de una API. Eso ya no es toda la historia. Una ola de modelos de pesos abiertos — muchos de laboratorios chinos como DeepSeek y el Qwen de Alibaba, junto al Llama de Meta y el Mistral francés — se volvió lo suficientemente buena, barata y pequeña como para que descargar y ejecutar tu propio modelo capaz se convirtiera en una opción real. Esta página es el mapa duradero de ese panorama: por qué ocurrió, qué significa realmente "pesos abiertos", las concesiones honestas frente a los modelos cerrados de frontera y cómo usar realmente estos modelos hoy.

What you'll learn

Entender POR QUÉ los modelos de pesos abiertos se volvieron competitivos — capacidad por coste y razonamiento abierto
Precisar qué significa realmente 'pesos abiertos' — frente a código abierto y frente a datos abiertos
Reconocer los arquetipos: chat general, razonamiento, programación y modelos pequeños/eficientes
Sopesar las concesiones reales frente a la frontera cerrada — la brecha de capacidad en las tareas más difíciles, y hacerte cargo de tu propia infraestructura y seguridad
Conocer las dos formas de usarlos realmente: una API alojada o autoalojamiento vía Ollama

Por qué los modelos de pesos abiertos se volvieron competitivos de repente

Tres cosas cambiaron aproximadamente al mismo tiempo y, juntas, cerraron la mayor parte de la brecha cotidiana.

La capacidad por coste se desplomó. Mejores recetas de entrenamiento, curación de datos y arquitecturas de mezcla de expertos (MoE) (donde solo se activa una fracción de los parámetros de un modelo grande por token) permitieron a los laboratorios lanzar modelos que rinden muy por encima de su coste. Para una gran parte de las tareas reales — redactar, resumir, extraer, clasificar, programación rutinaria — un buen modelo abierto es ahora "suficientemente bueno", a una fracción del coste de una API de frontera.
Llegaron los modelos de razonamiento abiertos. La línea de razonamiento de DeepSeek fue un punto de inflexión: demostró que la capacidad de "pensar paso a paso antes de responder" — antes el foso de unos pocos modelos cerrados — podía entrenarse y publicarse con pesos abiertos. Una vez que un laboratorio lo demostró, el resto del ecosistema abierto lo siguió.
Los modelos pequeños se volvieron genuinamente útiles. Los modelos por debajo de 10B, e incluso por debajo de 1B, se volvieron coherentes y útiles, lo que significa que puedes ejecutar algo capaz en un portátil o un servidor barato. Eso cambia la economía de la privacidad, la latencia y la escala.

El efecto neto: la brecha con la frontera cerrada no desapareció, pero para la mayor parte del trabajo dejó de ser el factor decisivo. Los factores decisivos pasaron a ser el coste, el control y dónde viven tus datos.

Qué significa realmente "pesos abiertos"

Este es el punto más confuso de todo el espacio. "Abierto" trabaja mucho de tres maneras distintas, y no son la misma cosa.

Término	Lo que realmente obtienes	Lo que normalmente NO obtienes
Pesos abiertos	El archivo del modelo entrenado (los pesos). Puedes descargarlo, ejecutarlo, hacerle fine-tuning y autoalojarlo.	Los datos de entrenamiento, y a veces el código de entrenamiento completo. El uso puede regirse por una licencia personalizada.
Código abierto (estricto)	Los pesos más el código de entrenamiento/inferencia bajo una licencia estilo OSI, con libertad para usar, modificar y redistribuir.	A menudo, aún no los datos de entrenamiento.
Datos abiertos	Los conjuntos de datos reales con los que se entrenó el modelo, publicados abiertamente.	Raro para modelos a escala de frontera; la mayoría de los modelos "abiertos" son de pesos abiertos, no de datos abiertos.

La conclusión práctica: la mayoría de los modelos que la gente llama "código abierto" son en realidad de pesos abiertos. Puedes ejecutarlos y adaptarlos, pero normalmente no puedes reproducirlos desde cero, y debes leer la licencia. Las licencias varían:

Algunos se distribuyen bajo licencias permisivas (Apache 2.0, MIT) que son limpias para uso comercial — los modelos Qwen y Mistral, por ejemplo, han usado históricamente Apache 2.0, y DeepSeek ha usado MIT para lanzamientos importantes.
Algunos se distribuyen bajo licencias comunitarias personalizadas con condiciones — la licencia de Llama de Meta, por ejemplo, ha incluido históricamente una cláusula que restringe a las empresas más grandes (por usuarios activos mensuales) el uso libre.

Comprueba siempre la ficha del modelo concreto para conocer su licencia antes de construir sobre él. Neutral pero importante: que un modelo sea de pesos abiertos te dice que puedes alojarlo tú mismo; no te dice los términos legales, y no hace desaparecer las cuestiones de licencia o residencia de datos — las reubica en ti.

Los cuatro arquetipos

Las familias de pesos abiertos casi siempre vienen como un abanico de variantes, no como un único modelo. Aprende los cuatro arquetipos y podrás leer la línea de cualquier laboratorio de un vistazo.

Arquetipos de modelos de pesos abiertos

Pulsa Intro o Espacio para girar la tarjeta. Usa las flechas izquierda y derecha para moverte entre las tarjetas.Término mostrado.

1 / 4

Una sola familia — Qwen es el ejemplo más claro — normalmente te da toda la escala: modelos diminutos para el edge y portátiles, modelos de tamaño medio para servidores, un gran buque insignia para las tareas más difíciles, más variantes especializadas en programación y razonamiento. Eliges el peldaño que encaja con tu hardware y tu tarea, no "el modelo".

Las concesiones honestas frente a la frontera cerrada

Los modelos de pesos abiertos no son una mejora estricta. Son un trato distinto. Aquí está el trato de forma neutral.

Dimensión	Pesos abiertos (autoalojado o alojamiento barato)	Frontera cerrada (API alojada)
Capacidad en las tareas más difíciles	Fuerte y cerrando rápido, pero la frontera cerrada normalmente sigue liderando en el razonamiento más difícil, las tareas agénticas de largo horizonte y los nichos	Suele ser el techo en las tareas más duras
Coste a escala	Puede ser drásticamente más barato, especialmente autoalojado o vía hosts económicos	Prima por token; predecible pero se acumula
Privacidad / residencia de datos	Puedes mantener los datos totalmente dentro de tu entorno	Los datos salen de tu red hacia el proveedor
Control y personalización	Total: fine-tuning, cuantización, fijar una versión, ejecutar sin conexión	Limitado a lo que expone la API; las versiones pueden cambiar bajo tus pies
Quién se hace cargo de la seguridad y las operaciones	Tú — las barreras de protección, el filtrado de abuso, la disponibilidad, el escalado y el parcheado son tu trabajo	El proveedor gestiona la infraestructura y ofrece una seguridad base

Esa última fila es la que la gente infravalora. Cuando autoalojas un modelo de pesos abiertos también heredas las responsabilidades que un laboratorio de frontera normalmente absorbe por ti: la seguridad de contenidos y la mitigación de abusos, mantener el despliegue parcheado, la capacidad y la disponibilidad, y evaluar tú mismo cada nueva versión del modelo. "Pesos abiertos" te compra control, y el control es tanto un coste como un beneficio. Para intuición de costes en el lado de la API de este trato, consulta Economía de tokens.

Cómo usar realmente un modelo abierto

Hay exactamente dos caminos, y la mayoría de los equipos usan ambos en distintas etapas.

API alojada — muchos proveedores (incluidos los propios laboratorios y hosts de inferencia de terceros) sirven modelos de pesos abiertos detrás de una API, a menudo compatible con OpenAI. Obtienes la economía del modelo abierto sin trabajo de infraestructura. Mejor cuando quieres bajo coste sin ejecutar servidores, pero ten en cuenta que tus datos siguen saliendo de tu red.
Autoalojamiento — descargas los pesos y los ejecutas en tu entorno. Máxima privacidad y control, y la única opción cuando los datos realmente no pueden salir de tu red. La rampa de entrada más fácil es Ollama, que descarga y ejecuta modelos abiertos con un solo comando.

Prueba un modelo localmente en cuatro pasos

Guided walkthrough1 of 4

Descárgalo de ollama.com/download (macOS/Windows) o usa el script de instalación de Linux. Esto te da el comando ollama y un servicio local en segundo plano. Guía completa en la página Ejecutar modelos localmente.

Descarga y ejecuta un modelo abierto localmente con Ollama

ollama run qwen3

Ese único comando descarga un modelo Qwen de pesos abiertos e inicia un chat local — sin clave de API, sin datos saliendo de tu máquina. Cambia qwen3 por otra familia (por ejemplo, una etiqueta de Llama, Mistral o DeepSeek) para compararlos en tu propia tarea. Elegir el modelo adecuado para un trabajo dado es una habilidad en sí misma: consulta Elegir un modelo.

Elegir entre abierto y cerrado, en la práctica

No elijas por tabla de clasificación. Elige por restricción:

Los datos no pueden salir de tu red → el pesos abiertos autoalojado es la respuesta, punto.
Alto volumen, sensible al coste, calidad "suficientemente buena" → los pesos abiertos (alojados o autoalojados) normalmente ganan en coste.
Necesitas lo absolutamente mejor en las tareas más difíciles → la frontera cerrada aún tiende a liderar — úsala donde importa y enruta el tráfico más fácil a modelos abiertos más baratos.
Quieres hacer fine-tuning, cuantizar, fijar una versión o ejecutar sin conexión → solo los pesos abiertos te dan ese control.

El movimiento más duradero es ejecutar una evaluación diminuta sobre tus propios datos reales entre un candidato abierto y uno cerrado. Los benchmarks describen la tarea de otro; tu evaluación describe la tuya.

Compruébate

0/3

¿Qué te garantiza obtener 'pesos abiertos'?
Debes procesar datos que legalmente no pueden salir de tu red. ¿Qué camino encaja?
¿Qué nueva responsabilidad asumes cuando autoalojas un modelo de pesos abiertos?

Key takeaways

Los modelos de pesos abiertos cerraron la mayor parte de la brecha cotidiana gracias a la capacidad por coste, los modelos de razonamiento abiertos y modelos pequeños genuinamente útiles
'Pesos abiertos' = pesos descargables que puedes ejecutar y ajustar — NO necesariamente código abierto, datos de entrenamiento abiertos ni una licencia permisiva; lee siempre la ficha del modelo
Lee cualquier línea por arquetipo: chat general, razonamiento, programación y pequeño/eficiente — la mayoría de las familias ofrecen toda la escala de tamaños
El trato es real: lo abierto te compra coste, privacidad y control, pero la frontera cerrada normalmente sigue liderando en las tareas más difíciles y heredas la seguridad y la infraestructura
Dos formas de usarlos: una API alojada (a menudo compatible con OpenAI) o autoalojar vía Ollama con un solo comando — luego evalúa sobre TUS datos, no sobre una tabla de clasificación

Por qué los modelos de pesos abiertos se volvieron competitivos de repente​

Qué significa realmente "pesos abiertos"​

Los cuatro arquetipos​

Las concesiones honestas frente a la frontera cerrada​

Cómo usar realmente un modelo abierto​

Prueba un modelo localmente en cuatro pasos​