¿Pesos abiertos o código abierto? La diferencia que compte

#El malentendido inicial

Cuando descargas Llama, Mistral o Qwen a través de Ollama, oyes por todas partes el término «open-source». Casi siempre se usa de forma impropia. El término exacto es open-weights: lo que publica el laboratorio son los pesos del modelo, los miles de millones de parámetros numéricos aprendidos durante el entrenamiento. El resto (el código utilizado para entrenarlo, el corpus de datos y la receta exacta) suele mantenerse cerrado.

La confusión proviene de una analogía tentadora pero falsa: se equiparan los pesos al «código fuente» del modelo. Sin embargo, los pesos no son código legible y modificable como el código fuente de un programa. Son el resultado compilado de un entrenamiento. Recibir los pesos es un poco como recibir un binario ejecutable muy potente y reconfigurable, pero no la cadena completa que permite reconstruirlo desde cero.

#Pesos, código, datos: los tres niveles de apertura

Para evaluar la apertura de un modelo, hay que distinguir tres bloques independientes. Un modelo puede abrir uno, dos o los tres. Es la combinación la que determina su grado real de apertura.

Los pesos (weights)

Los parámetros numéricos de la red, distribuidos en archivos (a menudo en formato GGUF o safetensors). Con ellos, puedes ejecutar el modelo, cuantizarlo y realizar un ajuste fino. Es el nivel que se suele abrir con más frecuencia.

El código de entrenamiento

Los scripts, la arquitectura detallada, los hiperparámetros, la receta de preentrenamiento y alineación. Sin él, no puedes reproducir el modelo — solo usarlo tal como está.

Datos de entrenamiento

El corpus en el que el modelo se entrenó. Casi nunca se publica, por razones legales (derechos de autor), competitivas y prácticas (teraoctetos de texto).

Un verdadero software de código abierto ofrece el equivalente a los tres: puedes leer, modificar y recompilar. Un LLM de pesos abiertos generalmente solo abre el primer componente. Es útil, a menudo suficiente para el autoalojamiento, pero no es código abierto en sentido estricto.

#Qué es realmente open-weight y lo que permite

Un modelo con pesos abiertos te da acceso a los pesos, generalmente bajo una licencia que permite el uso local, la modificación y a menudo el uso comercial. En la práctica del autoalojamiento, es precisamente lo que necesitas cada día.

Ejecutar localmente

Cargar el modelo en Ollama, LM Studio o llama.cpp y ejecutarlo en tu máquina, sin conexión, sin enviar tus datos a otro lugar.

Quantizer

Reducir el consumo de memoria (Q4_K_M, Q5_K_M, Q8_0…) para que un modelo grande quepa en tu GPU. Un modelo de 14B en Q4 cabe en aproximadamente 9 GB de VRAM.

Fine-tuner

Ajustar el modelo a tu dominio con tus propios ejemplos (LoRA, QLoRA). Partes de los pesos publicados como base.

Redistribuir

Según la licencia, republicar una versión modificada —es lo que alimenta los miles de variantes comunitarias en Hugging Face.

Concretamente, cuando ejecutas un modelo con Ollama, utilizas pesos abiertos (open-weights). El daemon escucha en http://localhost:11434 y sirve un modelo del que no conoces ni el código de entrenamiento ni los datos, y para un uso local, eso no tiene ninguna importancia.

# Télécharger et exécuter des poids open-weights en local
ollama run qwen3.5:4b

# Inspecter la licence embarquée dans le modèle
ollama show qwen3.5:4b --license

#¿Por qué Llama no es open-source en sentido estricto?

Llama de Meta es un ejemplo típico de modelo que se llama « open-source » aunque no lo sea. Meta publica los pesos bajo una licencia propia, la Llama Community License, que ni es Apache 2.0 ni MIT. Dos puntos la descalifican respecto a la definición clásica de open-source.

Una cláusula de umbral comercial

La licencia impone condiciones especiales cuando se supera un número muy elevado de usuarios activos mensuales. Una verdadera licencia de código abierto no discrimina a nadie por tamaño o uso (criterio de no discriminación).

Restricciones de uso

La política de uso aceptable prohíbe ciertos usos. El código abierto clásico no permite restringir los ámbitos de aplicación («sin discriminación por finalidades»).

Ni código ni datos

Meta no publica ni el código de entrenamiento completo ni el corpus. Imposible reproducir Llama a partir de lo que se distribuye.

La Open Source Initiative, que mantiene la definición de referencia del código abierto, considera que este tipo de licencia no cumple los criterios. Por tanto, Llama es, en sentido estricto, un modelo de pesos abiertos con una licencia permisiva pero restringida, no un modelo de código abierto. El mismo razonamiento se aplica a muchos modelos con licencias «comunitarias» propias.

#Modelos realmente open-source

La buena noticia: existen modelos que merecen la etiqueta. Dos familias se distinguen según el grado de apertura.

#Pesos bajo una licencia aprobada por la OSI

Muchos modelos publican sus pesos bajo Apache 2.0 o MIT, licencias reconocidas como de código abierto, sin restricciones de uso ni de finalidad. Es el caso de varios modelos Mistral (como Mistral Small 24B), de la familia Qwen (Qwen 3.5, Qwen 3.8) en sus versiones bajo Apache 2.0 y de Gemma, que Google pasó a Apache 2.0 con Gemma 4 (abril de 2026). Puedes usarlos comercialmente, modificarlos y redistribuirlos libremente. Sin embargo, ten en cuenta que una licencia Apache para los pesos no implica que los datos o el código de entrenamiento estén publicados.

#Apertura completa: pesos + código + datos

Un paso más arriba, algunos proyectos publican todo: pesos, código de entrenamiento y datos. Iniciativas como OLMo (Allen Institute for AI) o la familia Pythia (EleutherAI) buscan explícitamente la reproducibilidad total. Son los únicos verdaderamente open-source en el sentido pleno del término, pero son escasos y no siempre alcanzan el nivel de los mejores modelos open-weights en calidad bruta.

#Un marco de análisis para evaluar la apertura

Ante un nuevo modelo, hazte estas preguntas en orden. Te permiten pasar del eslogan de marketing a una evaluación concreta de lo que podrás hacer con él.

1. 01
   ¿Los pesos son públicos?

   ¿Se pueden descargar sin acuerdo comercial ni lista de espera? Si la respuesta es sí, el modelo es, como mínimo, de pesos abiertos. Si no (acceso únicamente mediante API), el modelo es cerrado, independientemente del discurso.
2. 02
   ¿Bajo qué licencia?

   Apache 2.0 o MIT = permisivo y de código abierto en lo que respecta a los pesos. Licencia « community/research » propia = leer atentamente las restricciones (umbral de usuarios, uso comercial, entrenamiento de competidores).
3. 03
   ¿Se permite el uso comercial?

   Punto decisivo si estás construyendo un producto. Algunas licencias lo prohíben completamente, otras lo limitan por encima de un umbral.
4. 04
   ¿Se ha publicado el código de entrenamiento?

   Si es así, puedes entender y reproducir la receta. Raro fuera de proyectos con fines académicos.
5. 05
   ¿Están documentados los datos?

   ¿Corpus publicado o al menos descrito? Es el último paso hacia el código abierto completo y el que menos veces se supera.

Un modelo que responde «sí» a las dos primeras preguntas ya cubre la inmensa mayoría de las necesidades de autoalojamiento. Las tres últimas preguntas importan sobre todo para la investigación, la auditoría y los requisitos de cumplimiento más estrictos.

Cerrado

Pesos inaccesibles, solo API. Ejemplos típicos: modelos propietarios en la nube.

Pesos abiertos restringidos

Pesos públicos, licencia propia con restricciones. Ejemplo: Llama bajo Community License.

Pesos abiertos con licencia permisiva

Pesos públicos bajo las licencias Apache 2.0 / MIT. Ejemplos: Mistral Small 24B, Qwen 3.5 / 3.8, Gemma 4.

Totalmente de código abierto

Pesos + código + datos publicados y reproducibles. Ejemplos: OLMo, Pythia.

#¿Qué cambia concretamente para ti?

La diferencia no es teórica. Según tu situación, tiene consecuencias prácticas directas.

Autoalojas para tu uso personal

Esta distinción te afecta poco. Los pesos abiertos son más que suficientes: ejecutas el modelo, lo cuantizas y tus datos permanecen en tu equipo. Elige según el rendimiento y el tamaño adecuado para tu GPU.

Estás construyendo un producto comercial

La licencia se vuelve crítica. Comprueba que el uso comercial esté autorizado y que ningún umbral te cause problemas. Prioriza Apache 2.0 / MIT para dormir tranquilo.

Debes auditar o demostrar el cumplimiento normativo

Necesitas el código y, idealmente, los datos. Solo los modelos completamente open-source (OLMo, Pythia) permiten una verdadera trazabilidad de punta a punta.

Quieres realizar un ajuste fino y redistribuir

Asegúrate de que la licencia permita las obras derivadas y su redistribución. La mayoría de las licencias permisivas lo permiten; algunas licencias propias lo regulan.

#Para ir más allá

Una vez aclarada la cuestión del grado de apertura, estas guías te ayudan a poner en práctica el autoalojamiento:

Qué es Ollama y cómo funciona

El punto de partida para descargar y ejecutar pesos open-weights localmente, con los comandos básicos (run, pull, list).

Elegir tu cuantización (Q4, Q5, Q8, FP16)

Una vez que hayas obtenido los pesos, la cuantización determina cuánta memoria ocupan en tu tarjeta.

Ejecutar un LLM en local sin GPU (solo CPU)

Si no tienes una tarjeta gráfica dedicada, cómo aprovechar aun así modelos de pesos abiertos en la CPU.