La nueva carrera de modelos abiertos cambió el poder en IA

Durante mucho tiempo, “modelo abierto” parecía sinónimo de una alternativa menor a los laboratorios de frontera. En 2026, esa imagen quedó obsoleta. MiniMax M3, Qwen3.6, Kimi K3 y DeepSeek V4 compiten por el territorio que más interesa a las empresas: contexto largo, razonamiento, programación, multimodalidad, agentes y costo de inferencia.

El cambio no es solo técnico. Cuando los pesos pueden descargarse, evaluarse y ejecutarse en infraestructura propia, el comprador gana opciones de implementación, privacidad y negociación. Pero apertura no es una palabra binaria. Hay licencias permisivas, licencias personalizadas, pesos disponibles sin datos de entrenamiento y modelos que requieren autorización comercial bajo ciertas condiciones.

Este artículo separa capacidad, licencia e infraestructura con fecha de corte en 4 de agosto de 2026. La tesis es simple: los modelos abiertos ya redistribuyen el poder en la inteligencia artificial, pero aún no democratizan por sí solos el cómputo, la transparencia ni la responsabilidad.

Panorama comparativo en 4 de agosto de 2026

Los números provienen de model cards y repositorios oficiales. No hacen que las familias sean directamente comparables: cada proveedor mide tareas, hardware y configuraciones de forma diferente. Lo que la tabla permite comparar es la dirección del proyecto.

MiniMax M3: el contexto largo deja de ser solo una promesa de interfaz

El MiniMax M3 combina una arquitectura de mezcla de expertos con cerca de 428 mil millones de parámetros totales y 23 mil millones activados por token. El modelo es nativamente multimodal y acepta texto, imagen y video. Su ventana declarada llega a 1 millones de tokens.

La innovación más interesante está en la MiniMax Sparse Attention, una forma de reducir el costo de la atención en secuencias muy largas. La empresa afirma ganancias de hasta nueve veces en la carga inicial y quince veces en generación, además de una reducción expresiva del cómputo por token en 1 millones de tokens. Son resultados del proveedor, no un sello universal de rendimiento, pero atacan un cuello de botella real: el contexto largo solo es útil cuando la latencia y memoria permiten usarlo.

El M3 también ofrece tres modos de razonamiento, del directo al más profundo. En la práctica, esto intenta aproximar dos necesidades que suelen competir: respuestas rápidas para tareas simples y más presupuesto de inferencia para planificación, programación y agentes.

La apertura, sin embargo, requiere precisión. La licencia del M3 permite muchos usos y la distribución de los pesos, pero impone atribución comercial, autorización previa para organizaciones de cierto tamaño y restricciones de uso. Por lo tanto, la descripción correcta es modelo de pesos disponibles bajo licencia personalizada y restrictiva, no open source en el sentido de la Open Source Initiative.

Qwen3.6: eficiencia activa y multimodalidad en un mismo diseño

El Qwen3.6-35B-A3B es el primer modelo de pesos abiertos de la generación Qwen3.6. Reúne 35 mil millones de parámetros, pero activa aproximadamente 3 mil millones por token. Esto reduce el costo de inferencia sin obligar al sistema a renunciar a una amplia base de especialistas.

El diseño híbrido combina atención tradicional con Gated DeltaNet, además de una capa visual. El contexto nativo es de 262.144 tokens y puede extenderse hasta cerca de 1 millón. La familia también preserva estados de razonamiento entre etapas, algo especialmente útil en programación agentiva: un agente puede alternar entre lectura, ejecución de herramientas y corrección sin “olvidar” toda la línea de pensamiento operacional.

Entre las cuatro familias, Qwen ofrece la licencia más sencilla para adopción: el modelo analizado utiliza Apache 2.0, una licencia permisiva conocida por equipos legales y de ingeniería. Esto no significa que todo el sistema sea automáticamente “IA de código abierto” según la definición de la OSI, porque los datos de entrenamiento, su procedencia y la receta completa de reproducción no fueron publicados. La formulación responsable es pesos abiertos con licencia permisiva.

El anuncio oficial de Qwen en X también deja clara la ambición: multimodalidad, código y agentes dejan de ser productos separados para formar una familia de implementación.

Kimi K3: la escala frontera entra en el mundo de los pesos disponibles

El Kimi K3 lleva el argumento de la escala al extremo: 2,8 billones de parámetros totales, 104 mil millones activos y 1.048.576 tokens de contexto. El Moonshot combina Kimi Delta Attention, Gated Multi-Head Latent Attention, una técnica de conexión residual llamada AttnRes y un codificador visual propio.

El objetivo no es solo responder preguntas largas. El modelo fue diseñado para trabajo de horizonte extendido: entender bases de código, mantener estado al usar herramientas, analizar imágenes y completar tareas que exigen muchas etapas. La empresa afirma eficiencia de escalado 2,5 veces mejor que la generación anterior. De nuevo, es una medición del proveedor; el mérito editorial está en observar que la arquitectura intenta hacer viable un modelo gigantesco sin activar todo su tamaño en cada token.

El anuncio oficial en X, en 16 de julio, anticipó la liberación de los pesos, que luego aparecieron en el repositorio y en el model card oficiales. La licencia Kimi K3 es personalizada. Concede derechos amplios, pero no debe confundirse con Apache, MIT u otra licencia aprobada por la OSI. Aquí, la categoría más segura es pesos abiertos bajo licencia propia.

El K3 también muestra un límite importante de la narrativa de democratización. Descargar pesos no significa servirlos con buena latencia. Modelos de esta escala siguen requiriendo clústeres, memoria de alto rendimiento e ingeniería especializada.

DeepSeek V4: compresión para transformar 1 millón de tokens en producto

El DeepSeek V4 Pro tiene 1,6 billón de parámetros totales y 49 mil millones activos. La versión V4 Flash reduce la escala a 284 mil millones totales y 13 mil millones activos. Ambas ofrecen 1 millón de tokens de contexto y licencia MIT.

La principal novedad es la combinación de atención dispersa y fuertemente comprimida. Según el model card, en 1 millón de tokens el V4 Pro usa 27% de las operaciones de inferencia por token y 10% de la caché de claves y valores en comparación con el V3.2. Esto ataca directamente el problema que suele arruinar aplicaciones de contexto largo: no basta con caber; es necesario leer, recuperar y generar sin explotar memoria ni costo.

Las versiones Pro y Flash también reflejan una decisión de producto. La primera busca mayor capacidad; la segunda ofrece un camino más liviano para tareas frecuentes. El anuncio oficial de DeepSeek en X, en 24 de abril, presentó ambas variantes y la ventana de contexto.

MIT es una licencia permisiva, pero la misma advertencia aplica: pesos y artefactos de inferencia abiertos no reconstruyen, por sí solos, todo el proceso de entrenamiento. El DeepSeek V4 es un modelo de pesos abiertos con licencia permisiva, con transparencia relevante en el reporte y en los model cards, pero no con la totalidad de datos y decisiones necesarias para reproducción completa.

Open source, open weights y source-available no son sinónimos

La Definición de Open Source AI de la OSI exige libertad para usar, estudiar, modificar y compartir un sistema de IA. Para que “estudiar y modificar” sea real, no bastan los parámetros finales: se requiere código e información suficientemente detallada sobre los datos para comprender y recrear el sistema.

La propia OSI usa pesos abiertos para describir modelos cuyos parámetros pueden obtenerse, pero cuyo entrenamiento no está totalmente abierto. Es una categoría valiosa. Permite auditoría conductual, adaptación, ejecución local y competencia. Solo no entrega la misma transparencia que un proyecto plenamente reproducible.

Una taxonomía útil para compradores es:

• Open source AI: libertades de uso, estudio, modificación y compartición, con componentes e información exigidos por la definición de la OSI.
• Open weights: pesos disponibles para descargar y adaptar; código, datos y receta de entrenamiento pueden continuar siendo parciales.
• Source-available: código o pesos pueden verse, pero la licencia mantiene restricciones incompatibles con open source.
• Licencia permisiva: MIT y Apache 2.0 reducen fricción en uso y redistribución, aunque no garantizan que todos los ingredientes del entrenamiento estén abiertos.
• Licencia personalizada: derechos y deberes deben leerse caso por caso; la etiqueta “abierto” no reemplaza ese análisis.

Esta distinción debe entrar en el mismo proceso de compra que costo, seguridad y retención. Nuestra guía sobre cómo elegir un proveedor de IA sin comprar riesgo explica por qué la documentación contractual es parte de la arquitectura.

NVIDIA: aceleradora de la apertura y centro de gravedad del cómputo

NVIDIA contribuye a esta ola en tres capas. Primero, proporciona los aceleradores usados para entrenar y servir muchos de estos modelos. Segundo, ofrece bibliotecas, kernels y herramientas como NeMo, TensorRT-LLM y NIM, que transforman pesos en servicios de inferencia. Tercero, publica sus propias familias, datos y herramientas abiertas.

En enero, la empresa reunió modelos, datos y herramientas abiertas en las líneas Nemotron y Cosmos. En marzo, anunció la Nemotron Coalition, con laboratorios socios, datos y cómputo en la nube. El catálogo de implementación ya incluye, por ejemplo, MiniMax M3 y DeepSeek V4 Pro.

Esto es contribución concreta: optimizaciones públicas, recetas de ajuste y distribución reducen el tiempo entre “peso disponible” y “sistema ejecutable”. Pero hay una paradoja. Cuanto más el ecosistema abierto depende de CUDA, GPUs de última generación y nubes con esos aceleradores, más la apertura del software puede reforzar la concentración de la infraestructura.

En otras palabras, pesos abiertos no significa cómputo abierto. Alternativas de hardware y runtimes independientes amplían la competencia, pero compatibilidad, disponibilidad de memoria y madurez de herramientas aún pesan. Para una empresa, esta capa debe entrar en el diseño de portabilidad, así como hacemos al discutir IA en producción después del piloto.

Regulación en EE. UU.: qué es ley, propuesta, orden y regla de exportación

En 4 de agosto de 2026, Estados Unidos no tiene una ley federal única y abarcante que regule todos los modelos open-weight. El panorama es fragmentado y debe describirse según la naturaleza de cada instrumento.

• El Plan de Acción de IA de América es un plan de política pública, no una ley aprobada por el Congreso. Recomienda incentivar la IA open source y open-weight.
• El Marco Legislativo Nacional de IA es una propuesta de la Casa Blanca para orientar legislación. No es, por sí mismo, estatuto federal vigente.
• El NSPM-11 es un memorándum presidencial dirigido al aparato de seguridad nacional. Orienta a organismos federales; no equivale a una ley general para empresas.
• Las reglas del Bureau of Industry and Security son controles de exportación efectivos. La revisión de enero de 2026 empezó a analizar caso por caso ciertas exportaciones de chips avanzados a China, bajo condiciones. Partes de las Regulaciones de Administración de Exportaciones también tratan tecnología y pesos de modelos en categorías específicas.
• El informe de la NTIA sobre pesos abiertos de modelos recomendó monitoreo y evaluación de evidencias. Es un informe de política, no una prohibición vinculante.

El debate, por lo tanto, cruza cuatro objetivos en tensión: innovación, competencia, seguridad y control sobre capacidades estratégicas. Restringir ampliamente pesos puede proteger contra ciertos riesgos, pero también concentrar poder en pocos laboratorios capaces de operar modelos cerrados. Liberar todo sin evaluación puede ampliar usos maliciosos y dificultar la rendición de cuentas. Los controles de chips añaden otra capa: limitan capacidad de entrenamiento e inferencia aun cuando el software circula.

Este panorama es informativo y no constituye asesoramiento jurídico. Empresas que implementan modelos deben evaluar licencia, sector, destino de exportación, datos tratados y jurisdicción con apoyo especializado.

Qué cambia esta carrera para las empresas

La pregunta no es “¿cuál modelo ganó?”. La respuesta cambia según tarea, hardware y semana. La pregunta más duradera es: ¿cuánto de la operación sigue bajo control cuando el modelo cambia?

Hay cinco decisiones prácticas:

1. Prueba la tarea, no solo el benchmark. Compara tasa de finalización, calidad, latencia y costo en flujos reales.
2. Trata la licencia como un requisito técnico. Un cambio de uso, facturación o distribución puede alterar las obligaciones.
3. Separa el modelo de operación. Herramientas, memoria, observabilidad y supervisión humana deben sobrevivir al cambio de motor. Ve la lógica de agentic engineering.
4. Mide el costo completo. Pesos gratuitos pueden requerir hardware, optimización, seguridad y equipo costosos.
5. Planea la portabilidad. Evita dependencia invisible de un formato, una GPU, una biblioteca o una nube.

Los modelos de contexto largo también aumentan la tentación de ponerlo todo en el prompt. Esto puede generar exposición y memoria descontrolada. El artículo sobre memoria de IA como riesgo operacional muestra cómo separar el historial útil del acumulado indiscriminado.

La conclusión: la apertura se convirtió en ventaja competitiva — con capas

MiniMax M3, Qwen3.6, Kimi K3 y DeepSeek V4 demuestran que pesos disponibles ya compiten en contexto, agentes, código y multimodalidad. La novedad no está en un ganador único, sino en la velocidad con que técnicas de frontera entran en modelos que las empresas pueden inspeccionar, adaptar y ejecutar fuera de una interfaz exclusiva.

Al mismo tiempo, el mapa sigue siendo desigual. Las licencias varían. Los datos de entrenamiento permanecen opacos. El cómputo se concentra. Las herramientas abiertas pueden fortalecer al mismo proveedor que domina aceleradores. Y la regulación estadounidense avanza por planes, actos ejecutivos, controles de exportación y propuestas, no por una regla federal única.

Para líderes, la mejor respuesta no es elegir un campo ideológico. Es construir una operación capaz de comparar modelos, intercambiar componentes y mantener control sobre datos, costo y responsabilidad. Si quieres mapear dónde esta portabilidad crea valor en tu empresa, agenda un diagnóstico con XMACNA.

Preguntas frecuentes

¿Open weights es lo mismo que open source?

No. Open weights significa que los parámetros finales pueden ser obtenidos. Open source AI, según la OSI, exige libertades e información adicional que permitan usar, estudiar, modificar y compartir el sistema efectivamente.

¿Cuál de las cuatro familias tiene la licencia más permisiva?

En el segmento analizado, Qwen3.6-35B-A3B usa Apache 2.0 y DeepSeek V4 usa MIT. MiniMax M3 y Kimi K3 usan licencias personalizadas. Aun así, una licencia permisiva de pesos no significa que los datos y el proceso completo de entrenamiento estén abiertos.

¿Un modelo open-weight siempre cuesta menos?

No. Puede eliminar o reducir el costo por llamada, pero sumar gastos en GPUs, ingeniería de inferencia, seguridad, disponibilidad y soporte. El cálculo debe considerar el costo total por tarea completada.

¿NVIDIA ayuda o concentra el mercado de modelos abiertos?

Ambas cosas pueden ser verdad. La empresa publica herramientas, optimizaciones, modelos y datos que aceleran la adopción. Al mismo tiempo, la dependencia de CUDA y GPUs de última generación concentra parte relevante de la infraestructura.

¿Estados Unidos prohibió modelos de pesos abiertos?

No hay una prohibición federal general vigente a la fecha de corte. Existen controles de exportación, actos ejecutivos, políticas sectoriales, propuestas legislativas y reglas estatales. El efecto depende del modelo, hardware, usuario, destino y sector.