Modelos de IA abiertos en 2026: DeepSeek, Qwen y Kimi, explicados

¿Qué significa «modelo de IA abierto»?

«Abierto» es una familia de descripciones, no una garantía. Un lanzamiento de pesos abiertos comparte los parámetros finales entrenados de un modelo, que otros pueden después ajustar, adaptar o desplegar cuando la licencia lo permite. ^[4] Un sistema de IA de código abierto es una afirmación más exigente. La definición de la Open Source Initiative requiere tres elementos bajo condiciones aprobadas por la OSI: información sobre los datos lo bastante detallada como para que una persona cualificada pueda construir un sistema sustancialmente equivalente, el código fuente completo utilizado para entrenar y ejecutar el sistema, y los parámetros del modelo. ^[1]

Esa distinción afecta a decisiones reales. Los pesos pueden estar disponibles mientras que los datos y el código de entrenamiento no lo están. El texto explicativo de la Open Source Initiative sobre los pesos abiertos señala que estos se diferencian de la IA de código abierto porque no incluyen el código de entrenamiento ni el conjunto de datos de entrenamiento, ni tampoco un detalle exhaustivo sobre ese conjunto de datos cuando no puede compartirse legalmente; sin ellos, el proceso de entrenamiento es difícil de replicar o de auditar. ^[4] Por tanto, un modelo puede ser desplegable localmente pero no plenamente reproducible, o tener los pesos disponibles bajo condiciones que restringen determinados usos.

Antes de elegir un lanzamiento, hágase cuatro preguntas: ¿pueden obtenerse los pesos exactos? ¿Qué licencia se aplica? ¿Qué entorno de ejecución y qué hardware pueden cargar el formato seleccionado? ¿Qué pruebas existen para la tarea que importa? «Código abierto» no es una nota de rendimiento, ni una garantía de privacidad, ni una promesa de que el modelo quepa en una computadora portátil.

Las secciones siguientes utilizan «de pesos abiertos» cuando las pruebas se refieren a los pesos y reservan «IA de código abierto» para el significado más exigente, a nivel de sistema. Así se evita convertir una distinción técnica útil en una fórmula de marketing.

¿Qué está confirmado sobre DeepSeek V4?

El Transparency Center de DeepSeek recoge DeepSeek-V4 con fecha de lanzamiento del 24 de abril de 2026 y enlaza a una ficha del modelo y a un informe técnico. ^[2] Su registro de cambios oficial indica que la API admitía V4-Pro y V4-Flash desde el 24 de abril de 2026. La entrada del 10 de septiembre de 2026 señala que V4 Flash se retiró y que su nombre de API se redirige temporalmente a V4.1 Flash, y la entrada más reciente a 11 de noviembre de 2026, fechada el 17 de octubre de 2026, actualiza ese modelo a V4.1-Flash-1017. ^[6] Estas declaraciones establecen lanzamientos de familias de modelos y la evolución de la API; no significan que todas las variantes de V4 tengan idénticos pesos, licencia, precio o requisitos de despliegue local.

El anuncio de DeepSeek del 24 de abril de 2026 calificó V4 Preview de «open-sourced» (publicado como código abierto), enlazó a sus pesos abiertos en Hugging Face y describió V4-Pro con 1.6T de parámetros totales y 49B de parámetros activos, y V4-Flash con 284B de parámetros totales y 13B de parámetros activos. ^[7] «Open-sourced» es la formulación de la propia empresa; que un lanzamiento concreto de V4 cumpla la definición de la OSI depende de lo que su repositorio y su licencia ofrezcan realmente. Estas escalas son importantes: un modelo puede tener menos parámetros activos por token que parámetros totales y, aun así, necesitar una infraestructura y unos archivos de modelo considerables. No deduzca que un modelo de API puede ejecutarse cómodamente en una computadora personal.

Si es desarrollador, distinga el nombre del modelo en la API de un punto de control descargado. La documentación de DeepSeek explica los nombres de la API y el redireccionamiento por compatibilidad; el Transparency Center es el lugar adecuado para confirmar un lanzamiento importante y localizar su ficha. ^[2][6] Para un despliegue local, utilice la ficha concreta del modelo, la fuente de los pesos, la licencia y el entorno de ejecución compatible en lugar de hacer suposiciones a partir de un nombre de API.

Para un lector general, resulta útil entender DeepSeek como una familia: puede haber opciones grandes, alojadas y de uso local bajo nombres emparentados. La elección práctica es el lanzamiento exacto y el método de entrega, no la lealtad a una etiqueta de marca.

¿En qué se diferencian Qwen3.8 y Kimi K3.1 Pro?

Qwen3.8-27B es un modelo de visión y lenguaje cuya ficha oficial indica 27B de parámetros del modelo de lenguaje y una licencia Apache 2.0; el resumen de archivos de Hugging Face para el repositorio muestra un tamaño de modelo de 28B de parámetros. La ficha señala que el repositorio contiene los pesos y los archivos de configuración del modelo posentrenado en formato Transformers, y la página de Hugging Face enlaza a versiones cuantizadas para llama.cpp, Ollama, LM Studio o cualquier aplicación compatible. ^[3] Esas versiones cuantizadas se encuentran en repositorios separados, así que compruebe quién ha publicado cada una. Eso lo convierte en un candidato plausible a modelo local solo cuando la cuantización, el contexto y el hardware elegidos encajan.

Kimi K3.1 Pro tiene una escala y una situación de licencia distintas. La ficha de su editor lo califica de modelo de mezcla de expertos, multimodal y de pesos abiertos, indica 2.8T de parámetros totales y 104B de parámetros activados, y nombra una licencia específica de Kimi. ^[5] Puede ser técnicamente accesible sin ser la opción local adecuada para el hardware corriente y sin tener una licencia como la de un modelo con licencia Apache.

Los dos lanzamientos muestran por qué el número de parámetros no responde por sí solo a la pregunta de «cuál es mejor». La escala de 27B de Qwen puede ser más fácil de probar localmente con una cuantización apropiada. La escala mucho mayor de Kimi puede estar orientada a infraestructuras con mucha más memoria y capacidad de despliegue. La comparación correcta es la tarea, la calidad de los resultados, la latencia, el coste, la licencia y el hardware, no la afirmación de que una familia gana en todas las pruebas comparativas.

Ambas fichas son información del editor. Las afirmaciones sobre pruebas comparativas y las descripciones de capacidades deben tratarse como puntos de partida para la evaluación, no como un sustituto de las pruebas con instrucciones, idiomas y casos de fallo representativos. Para usos con consecuencias, conserve un paso de revisión humana y un proceso independiente de comprobación de fuentes.

¿Qué modelo abierto sirve para qué?

Para aprender a hacer despliegues locales, elija el modelo compatible más pequeño que pueda manejar el idioma y la tarea deseados, y después pruébelo. Una cuantización manejable compatible con Qwen puede ser un primer experimento más práctico que un lanzamiento mucho mayor. Hugging Face documenta vías de aplicaciones locales para GGUF, MLX y otros formatos, entre ellas LM Studio, Ollama, llama.cpp y MLX LM. ^[8]

En un flujo de trabajo alojado, una API puede reducir la carga de descargar los pesos, elegir un entorno de ejecución y mantener el hardware. Es una elección de servicio, no una elección de privacidad local. La documentación de la API de DeepSeek muestra cambios en los nombres de los modelos y lanzamientos de la API; los usuarios deben consultar las condiciones del servicio, los precios y el tratamiento de los datos vigentes antes de enviar material sensible. ^[6]

Para un equipo de investigación o de infraestructura, los lanzamientos de pesos abiertos muy grandes pueden servir para el autoalojamiento controlado, la evaluación especializada o la adaptación. También añaden trabajo operativo: obtener los pesos, gestionar la capacidad de inferencia, aplicar actualizaciones de seguridad, respetar las licencias y supervisar la calidad de los resultados. El tamaño de Kimi K3.1 Pro ilustra que la disponibilidad de los pesos no elimina estos costes. ^[5]

Para el trabajo multimodal, verifique la ficha exacta del modelo en lugar de suponer que todos los modelos aceptan imágenes, vídeo o documentos. Qwen describe Qwen3.8-27B como un modelo de visión y lenguaje, mientras que la ficha de Kimi describe las modalidades de texto e imagen. ^[3][5] Eso no dice nada por sí mismo sobre la precisión con una imagen o un documento concretos, sobre todo en un ámbito sensible.

Para el trabajo sensible desde el punto de vista de la privacidad, la ejecución local puede reducir la cesión de las instrucciones a un proveedor alojado, pero no supone privacidad automática. Las descargas de modelos, las actualizaciones, los registros locales, las copias de seguridad, los complementos y los servidores expuestos a la red siguen siendo riesgos aparte. Consulte la guía de IA local del sitio para conocer todas las contrapartidas de hardware y privacidad.

¿Cómo debe evaluar un modelo de pesos abiertos?

Lea primero la ficha del modelo. Confirme el editor, la revisión del modelo, la licencia, la tarea prevista, la arquitectura, las modalidades, las limitaciones conocidas y los formatos de despliegue compatibles. La ficha no es una certificación de exactitud, pero es la fuente más directa de lo que el editor afirma haber publicado. ^[2][3][5]

Después, elija un conjunto de pruebas realista. Utilice un conjunto reducido de instrucciones representativas con datos esperados conocidos, casos límite difíciles y el idioma previsto. Compare los resultados en cuanto a corrección, exhaustividad, coherencia y exceso de confianza perjudicial. No juzgue un modelo únicamente por una primera respuesta pulida o por una sola prueba comparativa pública.

Registre el entorno exacto: revisión del modelo, cuantización, límite de contexto, entorno de ejecución, hardware, instrucciones y acceso a herramientas. Dos usuarios pueden obtener resultados distintos con el mismo modelo nominal cuando estas variables difieren. Este registro también permite reproducir una configuración útil o investigar una mala respuesta.

Compruebe la licencia antes de desplegar más allá de la experimentación personal. La definición de la OSI explica que la IA de código abierto implica algo más que los pesos, y el texto explicativo de la OSI sobre los pesos abiertos señala que los pesos por sí solos no alcanzan lo necesario para usar, estudiar, modificar y compartir plenamente un sistema. ^[1][4] El uso comercial, la redistribución, el ajuste fino, el uso como servicio alojado y la atribución pueden regirse por condiciones diferentes.

Por último, aplique el límite a los resultados. Un modelo abierto puede redactar borradores, traducir, clasificar o ayudar a explorar información. No debe ser la autoridad final en decisiones legales, financieras, médicas, de seguridad física o de seguridad informática sin pruebas actuales e independientes y el criterio profesional adecuado.

¿Cómo se ejecuta un modelo abierto en local sin confusiones?

Elija el entorno de ejecución antes de descargar un archivo de modelo. Hugging Face enumera las aplicaciones locales y los formatos compatibles: por ejemplo, LM Studio admite modelos GGUF y MLX, Ollama admite GGUF y MLX LM admite modelos MLX de generación de texto. ^[8] Un archivo de modelo en el formato equivocado no es una descarga útil.

Empiece por la página oficial de un editor o por un repositorio de modelos consolidado, y después elija un formato que se ajuste a la computadora. La página de Hugging Face de Qwen3.8-27B enlaza a versiones cuantizadas, mientras que el lanzamiento base de 27B no es en sí mismo una afirmación de que todos los dispositivos puedan cargar todas las versiones. ^[3] Deje margen de memoria para el sistema operativo y el contexto en lugar de tratar el tamaño en disco de un modelo como el requisito total.

Mantenga el primer servidor en local, en la misma computadora, y pruébelo con datos inocuos. No exponga el punto de acceso de un modelo local a la internet pública simplemente para usarlo desde otro dispositivo. Si más adelante se necesita un servicio de red, utilice autenticación, mantenga parcheado el entorno de ejecución y sepa quién puede enviarle instrucciones.

Utilice control de versiones para las configuraciones y conserve un registro de la licencia del modelo. Un modelo local puede ser técnicamente fácil de ejecutar pero jurídicamente inadecuado para un servicio previsto, o viceversa. Un experimento ordenado es más seguro y más útil que descargar repetidamente archivos enormes de origen poco claro.

Cuando un modelo no responda bien, cambie una variable cada vez: un contexto menor, una cuantización diferente, un entorno de ejecución distinto o un modelo más ajustado a la tarea. Un número mayor de parámetros no es el único remedio.

¿Qué deben vigilar los lectores en los modelos abiertos durante 2026?

Vigile con atención la identidad de cada lanzamiento. Las páginas oficiales de DeepSeek distinguen entre V4, V4-Pro, V4-Flash y los cambios de la API de V4.1-Flash. ^[2][6] Un titular que diga «DeepSeek V4» puede referirse a un modelo exacto o a una vía de entrega diferentes de los que el lector pretende utilizar.

Vigile las licencias y los detalles de despliegue con tanta atención como las capacidades. La página pública de Qwen3.8-27B identifica Apache 2.0, mientras que Kimi K3.1 Pro identifica una licencia específica de Kimi. ^[3][5] Esas etiquetas deben leerse en los repositorios reales, porque un modelo base, una cuantización de la comunidad y un derivado pueden tener documentación diferente.

Vigile las pruebas que se correspondan con la tarea. Una prueba comparativa de programación no resuelve la comprensión de documentos, una afirmación sobre contexto largo no resuelve la exactitud de los hechos, y que un modelo admita imágenes no resuelve su fiabilidad con ellas. Los lanzamientos abiertos facilitan las pruebas y la adaptación, pero no eliminan la necesidad de evaluar.

Vigile los cambios operativos además de las notas de lanzamiento. Las API alojadas pueden renombrar, redirigir o retirar puntos de acceso, como ilustra el registro de cambios de V4 de DeepSeek. ^[6] Un equipo que dependa de una API debe probar cualquier sustituto antes de usarlo en producción y conservar un proceso alternativo. Un equipo que se autoaloja debe, en cambio, planificar la integridad de las descargas, las actualizaciones del entorno de ejecución, el almacenamiento y la capacidad. Ninguna de las dos vías está permanentemente libre de mantenimiento. Planifique la reversión, presupueste la supervisión y documente quién es responsable de cada tarea operativa antes del lanzamiento.

Mantenga un expediente de pruebas con la revisión de la ficha del modelo, el texto de la licencia consultado, la versión del entorno de ejecución, las instrucciones de evaluación y los modos de fallo observados. Es un trabajo modesto para un proyecto personal y esencial para el uso en una organización. Convierte una afirmación atractiva sobre un lanzamiento abierto en una decisión repetible. También ayuda a distinguir una limitación del modelo de un error en la cuantización, en el diseño de las instrucciones o en la configuración local.

La elección que perdura no es DeepSeek frente a Qwen frente a Kimi en abstracto. Es el modelo exacto más pequeño, con la licencia más clara y con capacidad verificable que cumpla la tarea con una modalidad de despliegue que el usuario pueda mantener.