Qué es un modelo de IA de pesos abiertos y qué puedes hacer con él (y qué no)

Un modelo de IA de pesos abiertos es uno que puedes descargar entero y hacer funcionar en tu propio ordenador o servidor. Cuando usas ChatGPT, tu pregunta viaja a los servidores de OpenAI, el modelo calcula la respuesta allí y tú solo recibes el texto. Con un modelo de pesos abiertos, como Llama de Meta, Qwen de Alibaba, gpt-oss de OpenAI o Mistral Large 4, el archivo que hace ese trabajo está en tu disco y la respuesta se calcula en tu máquina.

Tener el modelo en tu disco te da control sobre adónde van tus datos y te permite adaptar el modelo a tu tarea. A cambio, necesitas un equipo con memoria suficiente, no sabes con qué textos se entrenó y tienes que respetar una licencia que cada empresa redacta a su manera.

Qué son los pesos y cómo se consiguen

Por dentro, un modelo de lenguaje es una cadena enorme de operaciones matemáticas. Recibe un texto convertido en números y calcula qué fragmento es más probable que venga a continuación, como contamos en cómo funciona ChatGPT por dentro. Cada una de esas operaciones multiplica por unos valores guardados. Esos valores son los pesos, también llamados parámetros, y un modelo grande tiene miles de millones.

Nadie los escribe a mano. Al empezar el entrenamiento son números casi al azar y el modelo acierta poco. Después lee cantidades gigantescas de texto, intenta adivinar cada palabra siguiente y, cada vez que falla, un procedimiento matemático corrige un poco todos los pesos en la dirección que habría reducido ese error. Tras repetir la prueba con billones de palabras, en miles de chips y durante semanas, los pesos acaban guardando lo aprendido, desde la gramática hasta datos sobre el mundo. Mistral, por ejemplo, entrenó su modelo Large 4 con 3.800 chips de NVIDIA.

Todo ese esfuerzo termina en unos archivos, y publicar los pesos es entregar esos archivos, que son la parte cara y difícil de conseguir. Lo que no se entrega es lo que hizo falta para fabricarlos, es decir, los textos de entrenamiento, el código que dirigió el proceso y las decisiones intermedias.

Pesos abiertos, código abierto y modelo cerrado

Las tres etiquetas se confunden a menudo, pero describen cosas distintas:

• Modelo cerrado. Solo lo usas a través de la web, la app o la API de la empresa que lo creó, y los pesos nunca salen de sus servidores. Así funcionan ChatGPT, Claude o Gemini.
• Modelo de pesos abiertos. Descargas los pesos y los ejecutas donde quieras, con las condiciones de su licencia. Normalmente no se publican los datos de entrenamiento ni el código completo para repetirlo.
• IA de código abierto. La Open Source Initiative (OSI), la organización que decide qué licencias de software cuentan como código abierto, publicó en 2024 su definición para la inteligencia artificial. Exige que cualquiera pueda usar el sistema para cualquier fin sin pedir permiso, estudiarlo, modificarlo y compartirlo. Además de los pesos, pide el código completo de entrenamiento y de ejecución, y una descripción de los datos tan detallada que una persona experta pueda construir un sistema sustancialmente equivalente.

La OSI no obliga a publicar los datos en sí, pero sí a contar cuáles se usaron y dónde conseguir los que son públicos. Y una licencia que exige permiso a partir de cierto tamaño o que veta un tipo de negocio no da la libertad de usar el modelo para cualquier fin. Por eso muchos modelos que se anuncian como abiertos son, con más precisión, de pesos abiertos. En el otro extremo está OLMo, del instituto de investigación Ai2, que publica los pesos, el código y los datos completos de entrenamiento con licencia Apache 2.0.

Qué puedes hacer con un modelo de pesos abiertos

Ejecutarlo en tu equipo. Si el modelo cabe en tu ordenador, funciona sin conexión y sin cuota mensual, y el texto que le das no sale de la máquina para generar la respuesta. La privacidad también depende de lo que conectes al modelo, porque si le das un buscador o acceso a otro servicio, esos datos sí viajan, como detallamos al comparar la IA local y la IA en la nube.

Adaptarlo a tu tarea. Con los pesos en la mano puedes seguir entrenándolo con tus propios ejemplos, lo que se llama fine-tuning, para que conteste con el formato, el tono o el vocabulario que necesitas. Cuándo compensa y cuándo basta con darle documentos lo explicamos en nuestra guía de fine-tuning. Con un modelo cerrado solo puedes hacerlo si la empresa ofrece esa opción y con sus condiciones.

Decidir dónde vive y durante cuánto tiempo. La copia que descargas sigue igual aunque la empresa cambie o retire el modelo de su servicio, y una empresa o una administración puede instalarla en sus propios servidores sin enviar documentos a nadie.

Qué no puedes hacer

Saber con qué se entrenó. Los pesos no dicen qué textos leyó el modelo, si había obras con derechos de autor o datos personales entre ellos, ni por qué responde lo que responde. Son miles de millones de números y no se pueden leer como un manual.

Ignorar la licencia. Abierto no significa sin condiciones. La de Llama 4 obliga a pedir permiso a Meta a las empresas que superen los 700 millones de usuarios mensuales, y para descargar los pesos hay que dar nombre, fecha de nacimiento y organización en su página de Hugging Face. La de Mistral Large 4 permite el uso comercial gratis, pero exige un contrato aparte a quien lo revenda como servicio. Otros, como gpt-oss o Qwen3.8-27B, usan Apache 2.0, una licencia de software estándar que permite casi cualquier uso.

Esperar que mejore solo. El modelo descargado no aprende de cómo lo usas ni se actualiza por su cuenta. Si la empresa publica una versión mejor, tienes que descargarla y sustituir la anterior.

Qué ordenador hace falta

Lo que más importa es la memoria. Los cálculos del modelo los hace sobre todo la tarjeta gráfica, que puede ejecutar miles de multiplicaciones a la vez. Para ir rápido, el modelo tiene que caber entero en su memoria o, en ordenadores como los Mac con chip de Apple, en la memoria unificada que comparten el procesador y la gráfica, con algo de margen para el texto con el que trabaja. Si no cabe, programas como llama.cpp pueden repartirlo con la memoria normal del ordenador, a costa de ir mucho más lento.

Lo que ocupa depende de cuántos parámetros tiene y de con cuántos bits se guarda cada uno. El bit es la unidad mínima de información y ocho forman un byte. Cuantos más bits recibe cada número, más precisión conserva y más espacio ocupa. Qwen3.8-27B, con 27.000 millones de parámetros, sirve de ejemplo. Su archivo pesa 53,8 GB guardado a 16 bits (dos bytes por parámetro), 28,6 GB a 8 bits y 19 GB en la versión de unos 4 bits que más se usa en ordenadores personales. Según nuestra cuenta, esa última cabe en una tarjeta gráfica de 24 GB, pero no en una de 16 GB. Comprimir a menos bits resta algo de precisión, y cuánto depende de cada modelo.

Con esa regla, estos son los tamaños de referencia en octubre de 2026:

• Modelos pequeños, de hasta unos 30.000 millones de parámetros. OpenAI asegura que gpt-oss-20b funciona con 16 GB de memoria, así que basta un portátil o un PC con una buena gráfica.
• Modelos medianos, de unos 100.000 a 200.000 millones. Según OpenAI, gpt-oss-120b cabe en una sola tarjeta de centro de datos de 80 GB, y NVIDIA dice que su ordenador compacto DGX Spark, con 128 GB de memoria unificada, admite modelos de hasta 200.000 millones de parámetros.
• Modelos gigantes, de cientos de miles de millones o más. Mistral Large 4 ocupa 1,06 TB en su versión completa y, como contamos en la noticia de su lanzamiento, incluso muy comprimido pide un Mac con 512 GB de memoria.

Si no tienes ese equipo, muchos modelos de pesos abiertos también se pueden usar por API a través de empresas que los ejecutan por ti. Pierdes la ventaja de privacidad, pero conservas la posibilidad de cambiar de proveedor o de llevarte el modelo a tus servidores más adelante. Para descargar el archivo correcto conviene saber qué formato pide tu programa, algo que aclaramos en GGUF o safetensors.