Open weights vs open source: qué diferencia hay en la IA

Open weights vs open source: qué diferencia hay en la IA

Modelos open weights u open source: definición, diferencias, licencias y usos en la empresa. Por qué un LLM casi nunca es open source como lo es Linux.

Conceptos
Actualizado el
6 min de lectura

Un modelo open weights («de pesos abiertos») es un modelo de IA cuyo editor publica los pesos entrenados: se puede descargar, ejecutar en servidores propios y ajustar. Los datos de entrenamiento y el código que produjeron esos pesos, en cambio, suelen permanecer cerrados. Es lo que lo distingue de un modelo open source en el sentido de la Open Source Initiative, que también debe proporcionar el código de entrenamiento y una descripción de los datos suficiente para que un experto pueda reconstruir un sistema equivalente.

Y, sin embargo, no pasa una semana sin que se lean en los medios o en LinkedIn anuncios de lanzamientos de modelos de IA open source... ¡que en realidad no lo son!

¿Jugamos con las palabras? Al contrario, la diferencia nos parece bastante fundamental.

«Open source» y «open weights» (weights = pesos) son dos términos que a menudo se usan indistintamente en los debates sobre IA. Sin embargo, designan realidades fundamentalmente distintas.

Este artículo repasa las diferencias reales entre ambos conceptos, da ejemplos de modelos open weights disponibles en 2026 y explica por qué a la IA generativa le cuesta seguir el modelo open source tradicional.

¿Qué es el open source?

El open source es la transparencia total: acceso al código fuente completo y posibilidad de modificarlo, auditarlo y entenderlo con exactitud.

Tomemos Linux. Cada línea de código es visible. Puedes compilar tu propia versión, adaptarla, mejorarla o encargar una auditoría del código para detectar vulnerabilidades.

Esta transparencia permite:

  • La confianza: cualquier experto puede comprobar que no hay vulnerabilidades ocultas
  • La seguridad colectiva: miles de ojos detectan y corrigen los errores con rapidez
  • La independencia: ningún riesgo de depender de una sola empresa

Esa filosofía es la que dio lugar a Git, Apache, Firefox, PostgreSQL, Python... Proyectos que están entre los más fiables del mundo y que se usan masivamente en las empresas, también en un marco comercial. Google y Microsoft figuran incluso entre los mayores contribuidores del open source.

Los pesos de un LLM no son código fuente

Un LLM (modelo de lenguaje) como GPT-5.2, Mistral 3 o Gemini 3 no es un programa clásico. Es una arquitectura matemática con miles de millones de «pesos» (weights): las conexiones de la red neuronal, fruto de un entrenamiento que cuesta varios millones de euros.

La diferencia crucial: tener los pesos de un LLM no equivale a tener el código fuente de un software.

Se parece más a recibir un software ya compilado: puedes ejecutarlo, pero no ves:

  • Los datos de entrenamiento utilizados
  • Las decisiones metodológicas (algoritmos, hiperparámetros)
  • Las estrategias de optimización
  • Los errores corregidos por el camino

Resultado: una máquina potente... pero opaca.

¿Qué es un modelo open weights?

Frente a los gigantes que mantienen cerrados sus grandes modelos, algunos actores como Mistral AI o DeepSeek publican los pesos de sus modelos en Hugging Face. Incluso OpenAI y Google se han sumado con algunos modelos.

Ilustración generada por GeminiIlustración generada por Gemini

Esta apertura aporta ventajas reales:

  • Probar el modelo en tus servidores sin depender de una API externa
  • Ajustarlo a tus necesidades específicas (vocabulario jurídico, médico...)
  • Mantener tus datos en tu propia infraestructura
  • Controlar tus costes
  • Permitir que la comunidad innove

Ejemplos de modelos open weights en 2026

Los principales modelos open weights disponibles a 6 de noviembre de 2026, con la licencia que figura en su repositorio de Hugging Face o en la web del editor:

ModeloEditorPaísLicenciaUso comercial
gpt-oss (20b, 120b)OpenAIEstados UnidosApache 2.0Libre
Gemma 4GoogleEstados UnidosApache 2.0Libre
Llama 4MetaEstados UnidosLlama 4 Community LicenseLicencia específica a partir de 700 millones de usuarios mensuales
Mistral Large 3, Ministral 3Mistral AIFranciaApache 2.0Libre
Mistral Large 4Mistral AIFranciaMistral Ecosystem Open-Weight License (MIT modificada)Libre para uso interno; licencia comercial obligatoria para revenderlo como servicio de inferencia
Qwen3.8-27BAlibabaChinaApache 2.0Libre
DeepSeek V4.1 FlashDeepSeekChinaMITLibre
Hy4 PreviewTencentChinaApache 2.0Libre

Las licencias permisivas se están convirtiendo en la norma: Google abandonó sus condiciones de uso propias de Gemma en favor de Apache 2.0 con Gemma 4, y en esta tabla Meta es el único editor estadounidense que mantiene una licencia restrictiva. En sentido contrario, Mistral AI ha publicado Large 4 con una licencia que se reserva la reventa como servicio de inferencia, cuando la familia Mistral 3 estaba bajo Apache 2.0.

El tamaño también cuenta. Gemma 4 (31.000 millones de parámetros en su versión más grande), Qwen3.8-27B o gpt-oss-20b caben en una sola GPU de centro de datos, mientras que Mistral Large 4 (alrededor de un billón de parámetros) o Hy4 Preview (770.000 millones) necesitan un servidor con varias GPU. Las licencias cambian de una versión a otra, incluso dentro de una misma familia: hay que comprobarlas repositorio por repositorio.

Open weights vs open source: la diferencia en una tabla

Open source (definición de la OSI)Open weightsPropietario
Pesos descargablesSíSíNo (acceso por API)
Código de entrenamientoSíRara vezNo
Información sobre los datos de entrenamientoSí, suficiente para reconstruir un sistema equivalenteParcial o inexistenteNo
Ejecución en tus servidoresSíSíNo
Fine-tuningSíSíLimitado a las opciones del editor
EjemplosLLM360gpt-oss, Mistral, Qwen, DeepSeek, Gemma, LlamaGPT, Gemini, Claude

El término «open source» queda, por tanto, reservado a un puñado de proyectos de investigación. Casi todos los modelos anunciados como «open source» son en realidad modelos open weights.

Las licencias open weights no son equivalentes

Publicar los pesos no dice nada de los derechos de uso. Es la licencia la que los fija, y varía mucho de un editor a otro:

  • Licencias permisivas (Apache 2.0, MIT): uso comercial, modificación y redistribución libres. Es el caso de gpt-oss de OpenAI y de toda la familia Mistral 3, Mistral Large 3 incluido, publicada bajo Apache 2.0 en diciembre de 2025.
  • Licencias «comunitarias» propias del editor: el uso comercial está permitido, pero con condiciones. La licencia de Llama 4 obliga, por ejemplo, a solicitar a Meta una licencia específica a partir de 700 millones de usuarios activos mensuales, y regula los usos autorizados. Es una de las razones por las que la Open Source Initiative no considera Llama como open source.
  • Licencias MIT modificadas: la base es permisiva, pero un uso concreto queda reservado. La licencia de Mistral Large 4 autoriza el uso interno y la integración en un producto, pero exige un contrato comercial con Mistral a quien quiera ofrecer el modelo a terceros como servicio de inferencia o de entrenamiento.

Para una empresa, la pregunta práctica no es, por tanto, «¿open source o no?», sino «¿qué me permite la licencia y quién la ha redactado?».

Por qué un verdadero open source es tan difícil para los LLM

1. Los datos de entrenamiento: el rompecabezas legal

Los datos utilizados para entrenar los LLM proceden en gran parte de obras protegidas por derechos de autor: libros, artículos, contenidos web, publicaciones científicas. Estos datos se recopilaron de forma masiva sin el consentimiento explícito de los autores.

Publicarlos entraña riesgos legales. Los litigios se multiplican en Estados Unidos y en Europa. Revelar con precisión qué contenidos se han utilizado abriría frentes judiciales enormes. Es un problema estructural que exige una evolución del marco legal.

Aunque en Hugging Face se encuentran cientos de miles de conjuntos de datos, los datos más interesantes no están libres de derechos.

2. La reproducibilidad es extremadamente difícil

Con Linux, si se tiene el código, se puede recompilar exactamente la misma versión.

Con los LLM es mucho más complicado, incluso teniéndolo todo (código, datos, pesos):

  • Los procesos de aprendizaje incorporan aleatoriedad por diseño
  • El resultado varía de un entrenamiento a otro y de un hardware a otro
  • Reproducir el entrenamiento cuesta varios millones de euros

La reproducibilidad perfecta queda, por tanto, fuera del alcance práctico, aunque siga siendo posible en teoría.

3. Sesgos y alucinaciones: imposibles de detectar solo en los pesos

Las alucinaciones de un modelo de IA y sus sesgos son el equivalente de las vulnerabilidades y los errores del software.

Incluso con acceso a los pesos, no se pueden «leer» los sesgos o las alucinaciones en el modelo. Están distribuidos de forma invisible en miles de millones de parámetros.

La única manera de detectarlos: probar el modelo en situaciones reales con benchmarks. Los sesgos se revelan con el uso, no con la inspección.

Las iniciativas realmente transparentes son la excepción

Algunos proyectos intentan acercarse a una verdadera transparencia. LLM360 es un ejemplo destacado: no solo publica los pesos finales, sino también los puntos de control intermedios y el código de entrenamiento completo, y comparte los datos de forma responsable.

Estas iniciativas siguen siendo escasas porque primero exigen resolver los problemas legales, lo que requiere una movilización política.

¿Qué enfoque te conviene?

Para una empresa que invierte en IA, la realidad no es ni «todos los modelos propietarios» ni «todos open weights». El enfoque adecuado combina ambos.

Los modelos open weights tienen un interés estratégico real para la diversificación: utilizar una combinación de modelos open weights (Mistral, Qwen...) y de modelos comerciales (GPT, Gemini...) puede reducir la dependencia de un solo proveedor y mejorar la continuidad y la calidad del servicio.

En Ask This Guy, por ejemplo, utilizamos a la vez modelos open weights (que podemos alojar en una o varias infraestructuras europeas) y modelos comerciales, según las necesidades. Seguimos en tiempo real el rendimiento de cada proveedor.

Es precisamente esta diversidad de proveedores la que garantiza un mejor nivel de servicio a nuestros clientes.

Preguntas frecuentes

¿Un modelo open weights es gratuito para uso comercial?

Los pesos se descargan sin coste, pero el uso comercial depende de la licencia. Las licencias permisivas como Apache 2.0 o MIT (gpt-oss, Mistral 3) lo autorizan sin condiciones particulares. Las licencias propias de un editor, como la de Llama, lo autorizan con restricciones. También hay que contar el coste de la infraestructura que ejecuta el modelo: los pesos son gratuitos, las GPU no.

¿Se puede ejecutar un modelo open weights en local?

Sí, es incluso su principal interés: el modelo se ejecuta en tus servidores, sin enviar datos a un proveedor. La limitación es el hardware. Un modelo de una veintena de miles de millones de parámetros cabe en una GPU; uno de más de 100.000 millones necesita varias. Detallamos los órdenes de magnitud en nuestro artículo sobre los LLM on premise en la empresa.

¿Un modelo open weights es necesariamente más soberano?

No. Permite no depender de la API de un editor, pero la soberanía depende también de dónde se aloja el modelo, de quién controla ese proveedor de alojamiento y del derecho que se le aplica. Un modelo open weights servido por un proveedor estadounidense sigue sometido al derecho estadounidense. Más detalles en nuestra página IA soberana: definición y criterios.


(Crédito de la imagen de portada: Peter Adams, faces of Open Source)

Partager :

Artículos relacionados

Elige un número del 1 al 10: por qué la IA dice 7Conceptos

Elige un número del 1 al 10: por qué la IA dice 7

Pedimos 14.000 veces un número del 1 al 10 a siete IA. Cinco responden 7 casi siempre, sea cual sea la temperatura. ¿De dónde viene este sesgo de la IA?

9 min
IA open source en la empresa: licencias y ahorro realConceptos

IA open source en la empresa: licencias y ahorro real

IA open source en la empresa: lo que permite cada licencia de modelo abierto, cuánto ahorra frente a las API y por qué sus reglas se van a endurecer.

11 min
Mixture of experts (MoE) o modelo denso: guía sencillaConceptos

Mixture of experts (MoE) o modelo denso: guía sencilla

Mixture of experts (MoE) o modelo denso: cómo funciona cada arquitectura, qué cambia para tus GPU, la velocidad y el precio, y cuál conviene elegir.

8 min

¿Te interesan nuestras soluciones?

Mira cómo Ask This Guy puede acelerar tus proyectos de IA

Reservar una demo