Modelos abiertos frente a cerrados: Llama, DeepSeek y Mistral contra OpenAI, Google y Anthropic

Dónde está la frontera.

La diferencia entre un modelo abierto y uno cerrado no está en lo bien que escribe, sino en dónde vive el archivo que contiene lo que ha aprendido. Ese archivo son los pesos: los parámetros ajustados durante el entrenamiento. Meta los publica con la familia Llama, DeepSeek con sus modelos de razonamiento y Mistral con buena parte de su catálogo. OpenAI, Google y Anthropic no los publican: sus modelos solo se alcanzan a través de una API o de su aplicación.

Esa decisión determina tres cosas a la vez, y ninguna es menor. Quién puede ejecutar el modelo, en qué máquina se ejecuta y cuánto cuesta cada consulta. Un modelo abierto descargado se comporta como cualquier otro programa instalado en tu equipo. Uno cerrado es un servicio al que te conectas, con las condiciones que ponga quien lo opera.

Conviene separar dos conceptos que se mezclan a menudo. "Pesos abiertos" no es lo mismo que "código abierto" ni que "datos abiertos". Publicar los pesos permite ejecutar y modificar el modelo, pero no revela con qué textos se entrenó. Esa distinción aparece más adelante y explica buena parte del debate regulatorio.

Qué gana quien ejecuta en local.

Un modelo instalado en tu propio hardware no envía nada a ningún servidor. Para quien trabaja con información sujeta a confidencialidad (historia clínica, expedientes legales, datos de administración pública), esa característica pesa más que unos puntos de diferencia en una tabla comparativa. El dato no sale de la máquina, y eso resuelve de golpe la parte del cumplimiento normativo que depende de terceros.

También permite ajustar el modelo con datos propios. Las API cerradas ofrecen opciones de personalización, pero limitadas y facturadas aparte. Con los pesos en la mano, el ajuste se hace en casa sin pedir permiso ni pagar por token.

El coste cambia de naturaleza. Una vez descargado el modelo, el gasto se reduce a la electricidad y al hardware que ya tienes. Quien no quiera montar nada puede recurrir a proveedores que alojan modelos abiertos y cobran por uso, como Together, Fireworks u OpenRouter. Ahí el modelo sigue siendo abierto, pero vuelves a depender de la conexión y de un tercero.

Qué gana quien usa una API.

Las compañías que no publican sus pesos suelen reservar su versión más capaz para tareas exigentes: razonamiento en varios pasos, generación de código, uso de herramientas externas y agentes que encadenan acciones. OpenAI, Google y Anthropic actualizan sus modelos con frecuencia y mantienen infraestructura propia para absorber picos de tráfico.

El usuario no gestiona servidores ni se preocupa por si la GPU tiene memoria suficiente. Tampoco actualiza nada: el modelo mejora sin que toques el código. A cambio, acepta varias condiciones que no controla.

• Las consultas pasan por servidores de la compañía, con su política de retención de datos.
• El precio depende de la tarifa vigente y puede cambiar sin aviso.
• El modelo puede retirarse o sustituirse por una versión nueva en cualquier momento.
• El acceso depende de que la compañía mantenga el servicio en tu país y acepte tu forma de pago.

Ninguna de esas condiciones es teórica. Cualquiera que haya integrado una API en un producto ha tenido que adaptarse a una versión retirada con pocos meses de antelación.

En ByteHoy | Qué son las alucinaciones de la IA: por qué un modelo inventa datos y cómo se mitiga

El hardware marca el límite real.

Aquí está el punto que muchas comparativas se saltan. Un modelo abierto de tamaño medio exige una GPU con memoria suficiente para cargar los pesos completos más el contexto de la conversación. Los modelos pequeños, por debajo de 10.000 millones de parámetros, corren en portátiles recientes con gráfica dedicada. Los grandes piden equipos de gama alta o alquiler en la nube.

Herramientas como Ollama, LM Studio o llama.cpp han simplificado la puesta en marcha. Siguen pidiendo conocimientos básicos de línea de comandos y cierta paciencia con los errores de compatibilidad. La cuantización reduce el espacio necesario a cambio de perder algo de precisión en las respuestas, un intercambio que se nota más en tareas de matemáticas y código que en texto general.

Licencias y letra pequeña.

No todo lo abierto es igual, y la diferencia tiene consecuencias legales. Llama se distribuye con una licencia comunitaria que impone condiciones a las empresas con muchos usuarios. Mistral alterna Apache 2.0 con licencias más restrictivas según el modelo. DeepSeek publica pesos, pero no detalla del todo los datos de entrenamiento.

Eso importa porque una licencia permisiva permite uso comercial sin negociar con el fabricante, mientras que una restrictiva puede obligarte a hacerlo. Antes de integrar un modelo abierto en un producto conviene leer el archivo de licencia, no la nota de prensa del lanzamiento. Es un paso administrativo poco vistoso y que se salta con frecuencia.

La otra letra pequeña afecta a los modelos cerrados, en sentido contrario. Su documentación pública tampoco desvela el corpus de entrenamiento ni los métodos exactos de alineación. El secreto es simétrico en ese punto, aunque se reparta de forma distinta.

Quién ofrece qué.

El mapa de actores se ordena por esta elección. Meta ha hecho de Llama su apuesta pública y permite que cualquiera lo descargue. DeepSeek ha publicado pesos de modelos de razonamiento que compiten en tareas donde los cerrados presumían de ventaja. Mistral combina ambas estrategias según el producto. Del lado cerrado, OpenAI con GPT, Google con Gemini y Anthropic con Claude solo ofrecen acceso remoto.

Las alternativas dentro del mundo abierto no son solo técnicas, también de licencia. Un mismo modelo puede aparecer con pesos descargables y una versión alojada por un tercero con condiciones distintas. Y un modelo cerrado puede integrarse en herramientas de terceros sin que eso cambie nada de fondo: sigues dependiendo de la API original.

Qué falta por saber.

La distancia entre abierto y cerrado se mide en tareas concretas, no en etiquetas. En razonamiento complejo y agentes autónomos, los modelos cerrados mantienen ventaja. En texto, resumen y clasificación, los abiertos compiten de cerca, y las cifras exactas cambian con cada lanzamiento. Cualquier tabla que veas con porcentajes concretos caduca en semanas.

El debate pendiente es la transparencia de los datos. Publicar pesos no equivale a publicar el corpus de entrenamiento. Las autoridades europeas han empezado a pedir detalles sobre las fuentes, y ahí los modelos abiertos ofrecen auditabilidad parcial mientras los cerrados conservan el secreto completo. Tampoco hay fecha para un régimen común que obligue a unos y otros por igual.

Queda por ver si los grandes laboratorios abiertos mantienen esa política cuando sus modelos ganen capacidad, y si los cerrados publican algún día información verificable sobre sus datos. Ninguna de las dos vías garantiza por sí sola privacidad, coste bajo o máxima calidad. Son compromisos distintos, y la elección depende de qué priorices.

En ByteHoy | Agentes de IA que configuran tu router: qué pueden ver y qué no deberías dejarles tocar