Pesos abiertos vs APIs cerradas

«Abierto» es un espectro, no un interruptor. Lo que hace posible la escena de la IA local no es filosofía — es que existen pesos con licencias permisivas, así que motores, cuantizadores y UIs tienen algo a lo que apuntar. Conoce los niveles antes de construir nada encima de un modelo.

El espectro

Las familias derivan entre niveles con el tiempo — un lanzamiento permisivo en una versión, uno con tope en la siguiente — así que comprueba por modelo, no por marca. Los nombres de nivel aquí describen la licencia, no la calidad: los lanzamientos con tope de Llama y Gemma superan rutinariamente a los permisivos en benchmarks.

Pesos no son datos no son código

• Pesos abiertos: recibes los parámetros y el tokenizador. Puedes correrlos, cuantizarlos, ajustarlos fino y redistribuirlos (dentro de la licencia).
• Código abierto, en sentido estricto: pesos + datos de entrenamiento + código de entrenamiento. Raro — OLMo es el esfuerzo insignia; casi todo lo demás es solo peso abierto.
• La diferencia práctica: los modelos de peso abierto no pueden reproducirse ni auditarse por completo; confías en la descripción del editor. Para correr modelos en local, los pesos son todo lo que necesitas.
• Los datos y el código de entrenamiento, cuando se publican, viven en repos aparte (datasets, GitHub). Los pesos solos nunca te dicen cómo se hizo el modelo.
• Por confianza, permisivo ≠ auditado: una licencia Apache tampoco dice nada de la procedencia de los datos. Dice lo que puedes hacer, no lo que se hizo.

Por qué la escena local corre sobre los niveles permisivos

Cada herramienta de esta guía — llama.cpp y sus cuants GGUF, las UI de escritorio, los servidores locales compatibles con OpenAI — creció alrededor de pesos descargables, despegando con la primera generación 7B abierta genuinamente utilizable en 2023. Las licencias con tope siguen permitiendo el uso local, por eso los modelos de la familia Llama saturan el ecosistema a pesar de no ser código abierto en sentido estricto. Las familias permisivas consiguen la herramienta más profunda simplemente porque nadie tiene que leer los términos primero.

Trampas que comprobar antes del uso comercial

• Topes de usuarios: la licencia comunitaria de Llama pasa a un acuerdo comercial aparte por encima de 700M de usuarios activos mensuales. Irrelevante por debajo de eso, pero sabe que existe.
• Políticas de uso aceptable: Llama y Gemma traen políticas de uso que obligan a los licenciatarios — las categorías de uso restringido aplican incluso por debajo de los topes.
• Nombres y marca: avisos como «Built with Llama» y los requisitos de atribución de Gemma son obligaciones de licencia, no sugerencias.
• Términos regionales y de entidad: algunas licencias excluyen jurisdicciones o entidades sancionadas concretas; los controles de exportación ordinarios se apilan encima.
• Los espejos cuantizados heredan la licencia base: un GGUF comunitario de un modelo Gemma arrastra los términos de Gemma. Lee la licencia del modelo base, no solo la del repo del que descargaste.

Comprueba una licencia en 30 segundos

1. Abre el archivo LICENSE del repo del modelo — no el resumen del README, el texto real de la licencia.
2. Si el repo es una cuantización o variante, sigue el enlace al modelo base del que se cuantizó y lee esa licencia en su lugar.
3. Busca en el texto: "monthly active users", "revenue", "acceptable use", "attribution", "jurisdiction".
4. Decide solo tras el paso 3 — la mayoría de los topes nunca importan para productos pequeños, pero conviene saber que están ahí.

Anatomía de un nombre de repo de Hugging Face

Qwen/Qwen2.5-14B-Instruct
 │      │         │   └─ etapa/variante: instruct, chat, base, coder, vl, ...
 │      │         └─ tamaño: número de parámetros
 │      └─ familia + versión
 └─ organización

community/Qwen2.5-14B-Instruct-GGUF
 └─ repo del cuantizador: mismos pesos, formato reempaquetado

filename: qwen2.5-14b-instruct-q4_k_m.gguf
           familia      tamaño  etapa  etiqueta de cuant

Orden de lectura: organización / familia-versión-tamaño-etapa. Los repos originales contienen safetensors; los cuantizadores comunitarios publican GGUF y otras variantes — los pesos son del editor original, y la licencia viaja con ellos (formatos de modelo).

Juzgando repos en estado salvaje:

• Las organizaciones de primera parte publican los originales; un puñado de cuantizadores comunitarios conocidos republican variantes GGUF/AWQ de todo; los espejos desconocidos no añaden valor y traen sorpresas ocasionales.
• Los recuentos de descargas y las fechas de última actualización son indicadores de salud decentes — una cuantización caduca de un modelo de dos generaciones atrás suele ser un callejón sin salida.
• Cuando dos repos dicen tener el mismo modelo, toma el enlazado desde la página del modelo base.

Postura práctica

• Uso de aficionado y local: casi cualquier licencia de peso abierto vale — estás corriendo el modelo, no redistribuyéndolo.
• Enviar un producto: las familias Apache/MIT ahorran tiempo de abogados; las licencias con tope suelen estar bien por debajo de los topes, pero lee la política de uso una vez.
• APIs cerradas: la mejor calidad de vanguardia en bruto, cero control local, precio por token. Un híbrido común: modelos locales para volumen, privacidad y latencia; la API para el 5% difícil.
• Redistribuir pesos es distinto de correrlos: enviar un GGUF dentro de tu producto es distribución — comprueba los términos primero.
• Algunas licencias atan condiciones a las salidas del modelo o a los derivados con ajuste fino; ninguna (a fecha de redacción) reclama tus prompts, pero lee antes de vender contenido generado a escala.

Pesos locales vs API, lado a lado

Cuándo gana lo local: requisitos de privacidad, uso sin conexión, enorme volumen de tokens, UX sensible a latencia, reproducibilidad (fija los pesos exactos). Cuándo gana la API: el 5% más difícil de las tareas, configuración cero, escala elástica. La mayoría de las configuraciones serias acaban en híbrido.

Cómo elegir en concreto: elección de modelo. Qué aporta cada familia: familias de modelos.

Relacionados: familias de modelos · elección de modelo · formatos de modelo · motores