Estado de la IA open source en julio de 2026
(stateofopensource.ai)- Los modelos de pesos abiertos ya alcanzaron un nivel similar al de los cerrados en programación, seguimiento de instrucciones y conocimiento general, y el costo de inferencia cayó 50 veces en 36 meses, por lo que el centro de la competencia se desplazó del modelo en sí al arnés de agentes
- A mediados de 2026, en OpenRouter los pesos abiertos representan más de la mitad del procesamiento de tokens y los 5 modelos principales también son todos abiertos, pero en razonamiento, búsqueda en contextos largos y tareas de agentes aún queda una brecha promedio de capacidades del 3,3% frente a los cerrados
- El 79% de los desarrolladores que agregan funciones de IA usa modelos abiertos, pero su llegada a producción es del 51%, menor que el 63% de los cerrados, por lo que la estandarización, las herramientas de despliegue y la confianza operativa siguen siendo cuellos de botella clave
- Ecosistemas como Databricks, Mistral AI y DeepSeek ya consiguieron grandes ingresos e inversiones, y el autoalojamiento convierte el costo por uso de tokens en costos fijos, pero a medida que bajan los precios de los modelos, los ingresos se desplazan a capas superiores como plataformas y arneses
- La próxima competencia dependerá de quién sea dueño del arnés, la memoria, los permisos de escritura y la gobernanza; para mantener la apertura, habrá que construir arneses neutrales y estándares portátiles de permisos, y evitar la dependencia de un modelo, proveedor o país específico
IA propia, no alquilada
- La IA abierta permite que los usuarios sean dueños directos de los modelos y los datos en áreas difíciles de alquilar mediante API cerradas, como idiomas con poco mercado, servicios offline de campo, hardware propio e infraestructura pública
- Una emisora Māori del norte de Nueva Zelanda entrenó un modelo de voz para te reo con una licencia que mantiene los datos dentro de la comunidad
- PwC ajustó finamente un modelo abierto con lenguaje financiero y lo opera en su propio hardware para cientos de clientes, sin pagar tarifas por token
- Investigadores de Lausanne crearon con Red Cross un modelo médico abierto alineado con directrices humanitarias y preparan ensayos clínicos en su país y en Tanzania
- Agricultores de East Africa ejecutan en sus teléfonos un modelo offline de diagnóstico de enfermedades de la yuca en campos donde no llega la nube
- Un consorcio público de Switzerland entrenó un modelo nacional en supercomputadoras públicas y publicó pesos, datos y código de entrenamiento
- Así como Mozilla surgió para impedir que una sola empresa monopolizara la puerta de entrada a la web, en la IA también hacen falta competencia, interoperabilidad y libertad para abandonar a un proveedor
- El objetivo no es elegir un único modelo, sino crear una estructura que conecte varios modelos de forma estándar y permita cambiar de proveedor en cualquier momento
Capacidades y uso de los pesos abiertos
- En Chatbot Arena, la brecha entre modelos abiertos y cerrados se redujo del 8,04% al 0,5% desde enero de 2024, y luego volvió a ampliarse al 3,3% en marzo de 2026
- En agosto de 2024 se había estrechado hasta el 0,5%, y en febrero de 2025 DeepSeek-R1 empató brevemente con el modelo estadounidense de mayor nivel
- La brecha promedio volvió a crecer con la ventaja de los modelos cerrados de razonamiento, pero los modelos abiertos están al mismo nivel o cerca en programación, seguimiento de instrucciones y conocimiento general
- La brecha restante se concentra en razonamiento, búsqueda en contextos largos y tareas de agentes
- El precio de inferencia por 1 millón de tokens de modelos de nivel GPT-4 cayó de 20 dólares a 0,40 dólares, una baja de 50 veces, durante 36 meses
- Stanford HAI calculó que los precios de nivel GPT-3.5 cayeron 280 veces en 18 meses
- Epoch AI estima una baja anual de 9 a 900 veces, y un estudio del MIT de noviembre de 2025 estima que los precios de frontera, ajustados por el efecto del hardware, caen de 5 a 10 veces por año
- En OpenRouter, la proporción de tokens de pesos abiertos pasó de ser mínima a cerca de un tercio a fines de 2025 y a más de la mitad a mediados de 2026
- Esto es una ventaja medida por procesamiento de tokens; por cantidad de solicitudes, los proveedores cerrados de EE. UU. siguen adelante
- El uso de modelos abiertos se concentra en cargas de trabajo de programación y agentes
- En el último mes, los 5 modelos con mayor volumen de procesamiento en OpenRouter son todos de pesos abiertos
- En orden: DeepSeek V4 Flash 18.4T, Xiaomi MiMo-V2.5 14.9T, Tencent Hy3 preview 14.8T, MiniMax M3 14.3T y Owl Alpha, de fuente no divulgada, 11T
- Les siguen Anthropic Claude Opus 4.7 9.02T, DeepSeek V4 Pro 8.55T, Claude Sonnet 4.6 7.33T, Claude Opus 4.8 6.18T y DeepSeek V3.2 4.31T
- A mediados de 2026, el procesamiento semanal de tokens de los 9 modelos principales es de unos 18T para los de origen chino y unos 5,5T para los de origen estadounidense, una relación de más de 3 a 1; los desarrolladores que enrutan según costo tienden a elegir pesos abiertos
Alta adopción y baja conversión a producción
- En la encuesta de desarrolladores 2026 de Mozilla y SlashData, entre quienes agregan funciones de IA, el 79% usa modelos abiertos y el 71% usa modelos cerrados
- El 29% usa solo modelos abiertos y el 21% usa solo modelos cerrados
- La mitad, el 50%, usa ambos tipos en conjunto, por lo que para la mayoría de los equipos no son sustitutos completos
- La adopción de modelos abiertos es más alta en Greater China y East Asia, con 89% cada una, seguida por Western Europe con 70% y South America con 66%
- Las únicas regiones donde la adopción de cerrados supera a la de abiertos son Western Europe y South America
- La llegada a producción muestra una diferencia: 51% en equipos que usan modelos abiertos frente a 63% en equipos que usan modelos cerrados
- En empresas pequeñas, es 54% para cerrados y 53% para abiertos
- En empresas medianas, 66% y 55%, respectivamente; en empresas de 1.001 empleados o más, 73% y 57%
- A medida que crece el tamaño de la organización, la tasa de despliegue de cerrados sube de 54% a 73%, pero la de abiertos casi no se mueve, de 53% a 57%, lo que indica que los recursos empresariales por sí solos no resuelven el cuello de botella del despliegue abierto
- Las mayores diferencias entre desarrolladores que abandonaron modelos abiertos y quienes los siguen usando son falta de rendimiento del modelo +12 puntos porcentuales, integración con sistemas existentes +11 pp, y mantenimiento y actualizaciones +10 pp
- La falta de documentación, el despliegue, hosting y escalado, y la evaluación y comparación de modelos marcan +8 pp cada uno
- El ajuste fino y la personalización marcan +4 pp, no hay diferencia en costos de infraestructura ni en seguridad, privacidad y cumplimiento regulatorio, y la falta de soporte profesional marca -2 pp
- Los factores que separan la continuidad del abandono se concentran más en integración, operación y mantenimiento que en la capacidad pura del modelo
- Al analizar por región a 1.410 desarrolladores actuales o pasados de modelos abiertos, los obstáculos generales son costos de infraestructura y cómputo 27%, seguridad, privacidad y cumplimiento regulatorio 26%, mantenimiento 24%, despliegue, hosting y escalado 23%, y falta de soporte profesional 22%
- En South Asia, seguridad y cumplimiento regulatorio llegan a 39%, y soporte profesional a 31%, niveles especialmente altos
- Las únicas regiones donde las respuestas de “sin problemas importantes” superan el 15% son North America con 21% y Greater China con 16%
- La muestra de Oceania, con 39 personas, y la de Eastern Europe y CIS, con 98 personas, son menores que un umbral confiable
La brecha operativa del stack de IA abierta
- El mapa del stack de junio de 2026 de Mozilla evalúa 9 capas, 48 componentes y 1.361 proyectos con puntajes de 1 a 5 según 10 criterios de madurez
- Aunque la capacidad en sí es alta, la estandarización y la preparación para operaciones empresariales aparecen como las más bajas en casi todas las capas y componentes
- El cuello de botella común del stack abierto no es la calidad del modelo, sino la estandarización y preparación para operaciones empresariales; las herramientas de despliegue, integración, soporte y gobernanza siguen incompletas
Rendimiento comercial y estructura de costos de la IA open source
- La IA de pesos abiertos creció hasta convertirse en un mercado comercial de cientos de miles de millones de dólares, y los modelos de ingresos validados son cinco: inferencia alojada, plataformas empresariales, licencias on-premise, servicios de fine-tuning y herramientas de harness
- Las principales empresas se expandieron hacia etapas de inversión, ingresos y salida a bolsa
- Databricks superó los 5.400 millones de dólares en ingresos anualizados y está en etapa previa a la salida a bolsa
- DeepSeek registró aproximadamente 220 millones de dólares en ingresos recurrentes anuales (ARR), 7.400 millones de dólares de inversión pública y una valuación superior a 50.000 millones de dólares
- Mistral AI creció 20 veces en 12 meses y llegó a unos 400 millones de dólares de ARR; su inversión pública es de 3.050 millones de dólares, su valuación ronda los 14.000 millones de dólares y también mantiene negociaciones de inversión por alrededor de 20.000 millones de euros
- Moonshot AI recaudó 3.900 millones de dólares; Reflection AI y Cerebras, cerca de 2.100 millones de dólares cada una; Cohere, 1.700 millones de dólares; y Together AI, 1.334 millones de dólares
- Baseten obtuvo 585 millones de dólares; Black Forest Labs, 450 millones de dólares; Hugging Face, 400 millones de dólares; Modular, 380 millones de dólares; Fireworks AI, 327 millones de dólares; Anyscale, 281 millones de dólares; LangChain, 260 millones de dólares; y Stability AI, 230 millones de dólares en inversión pública
- Zhipu AI y MiniMax no revelaron el monto total de inversión pública y salieron a bolsa mediante IPO en Hong Kong en 2026
- Nvidia, Salesforce, AMD, Google, IBM, ASML, Tencent, CATL y Schwarz Group también respaldan empresas en las capas de modelos, inferencia y herramientas
- Cohere opera negocios empresariales y on-premise, y en mayo de 2026 lanzó Command A+ como open source; LangChain registra más de 126.000 estrellas en GitHub y una cuota de desarrolladores del 60%
- En usos a gran escala, el cobro por token según consumo de los modelos cerrados genera problemas presupuestarios
- Microsoft canceló la mayoría de las licencias de Claude Code antes del 30 de junio de 2026, después de que las tarifas por token consumieran en pocos meses su presupuesto anual de IA, y está evaluando DeepSeek V4 alojado en Azure con seguridad reforzada para cargas de trabajo pesadas de Copilot
- Uber agotó en cuatro meses todo su presupuesto de codificación con IA para 2026 y luego limitó el gasto mensual por herramienta y por empleado a 1.500 dólares
- Stripe sirve modelos abiertos en vLLM para procesar 50 millones de llamadas API diarias con un tercio de las GPU que usaba antes, y redujo los costos de inferencia en 73%
- El autoalojamiento de pesos abiertos convierte costos operativos variables controlados por el proveedor en costos fijos propiedad de la empresa
- Entre mayo y septiembre de 2025, en OpenRouter los modelos abiertos representaron cerca del 20% del uso, pero capturaron solo alrededor del 4% de los ingresos de la capa de modelos
- Con capacidades similares, el precio por llamada de los modelos cerrados era aproximadamente 6 veces mayor
- El estudio de Nagle–Yue de la Linux Foundation estimó en unos 24.800 millones de dólares el ahorro anual potencial no realizado por esta diferencia de precios
- Aunque aumente el uso de modelos abiertos, si la capa de modelos se comoditiza, los ingresos se acumulan en capas superiores como plataformas y harnesses
Soberanía nacional y posibilidad de salida del proveedor
- Con más de 70 estrategias nacionales de IA en marcha, el foco de las políticas pasó de si se cuenta con una estrategia nacional a qué capa del stack se puede poseer
- El caso en el que, tres días después del lanzamiento de Claude Fable 5 en junio de 2026, una orden de exportación de un gobierno llevó a Anthropic a bloquear el acceso de ciudadanos extranjeros en todo el mundo expuso el alcance del control del proveedor
- Como no era posible un cumplimiento selectivo, a las 5:21 p. m. del viernes se interrumpieron los modelos de todas las personas alcanzadas, y los usuarios que dependían de ese modelo se vieron afectados sin aviso previo
- Un proveedor puede apagar un modelo alojado, pero no puede apagar de forma remota una copia de los pesos que se ejecuta en equipos del usuario
- Para las empresas, los pesos almacenados en disco son un mecanismo de mitigación de riesgos; para los Estados, marcan la diferencia entre una política independiente y una sujeta a autorización externa
- La dependencia de proveedores en la era cloud ya muestra altos costos de salida
- Sacar 1 PB de AWS S3 cuesta entre 90.000 y 120.000 dólares
- El 80% de las empresas está devolviendo cargas de trabajo a sus propios entornos
- 37signals dejó la nube y redujo sus costos anuales de 3,2 millones de dólares a menos de 1 millón
- Los costos cloud de GEICO fueron 2,5 veces superiores a lo planificado
- Los sistemas construidos sobre API propietarias también aceptan sin más los cambios de precios y tienen dificultades para migrar limpiamente, por lo que los pesos abiertos ofrecen el derecho a abandonar al proveedor
- En marzo de 2026, las descargas acumuladas en Hugging Face fueron de 942 M para Alibaba Qwen y 476 M para Meta Llama, lo que convirtió a China en la mayor fuente de pesos abiertos
- En febrero de 2026, Qwen fue descargado más que las siguientes ocho organizaciones combinadas
- La proporción de tokens de modelos chinos de pesos abiertos en OpenRouter pasó de menos del 2% a fines de 2024 a más del 45% del tráfico semanal en abril de 2026, y representó cerca del 61% entre los 10 modelos con mayor uso
- DeepSeek cuenta con más de 26.000 cuentas empresariales y el 58% de las startups de IA nacidas en 2025 lo incluyeron en su stack, pero al menos 8 jurisdicciones restringen sus servicios alojados
- Las empresas combinan ambas decisiones: prohíben las apps alojadas, pero autoalojan los pesos o los usan mediante endpoints occidentales
- La expansión del open source en China es una política incluida en la AI Plus Initiative del State Council de agosto de 2025 y en el Five-Year Plan nacional de marzo de 2026
- Los pesos públicos también responden a los controles de exportación de semiconductores y distribuyen la carga de inferencia hacia el hardware local de usuarios de todo el mundo
- En el Global South existe demanda por diversificar proveedores y salir del monopolio tecnológico estadounidense, mientras que en otras regiones el costo es la principal motivación
El harness de agentes como nueva capa competitiva
- Así como el navegador fue el agente de usuario de la web abierta que negociaba con los servidores en nombre del usuario, el harness de agentes sobre el modelo se encarga de la orquestación, las herramientas, la memoria, los sandboxes y los permisos.
- El stack de harness se compone de varias capas, desde el modelo hasta el usuario y la gobernanza.
- Capa de control: LangGraph, CrewAI, AutoGen y LlamaIndex convierten los modelos en agentes mediante bucles iterativos de razonamiento y acción.
- Capa de conexión: MCP se encarga de las herramientas y el contexto; A2A, de la comunicación entre agentes; y Mem0, Letta y Zep, de la memoria.
- Capa de acción: E2B, Daytona y Modal ofrecen sandboxing y ejecución, mientras que los permisos y la identidad siguen siendo un área de escritura sin resolver.
- Capa de evaluación y observabilidad: Langfuse y Phoenix rastrean los resultados de ejecución y el comportamiento.
- Capa de usuario y pagos: AG-UI y A2UI se encargan de la interfaz; x402, AP2 y UCP, de los pagos y la medición.
- Capa de gobernanza: Meta-harness, Omnigent, OPA y Agent governance toolkit integran políticas basadas en estado, registros, linaje, presupuestos y cancelaciones en múltiples harnesses.
- En su primer año, MCP alcanzó 97M de descargas mensuales del SDK y más de 10,000 servidores activos, creció 4,750% en 16 meses y fue donado en diciembre de 2025 a la Agentic AI Foundation de la Linux Foundation.
- Solo alrededor del 21% de las empresas cuentan con una gobernanza madura de agentes, por lo que el ritmo de adopción supera al de los mecanismos de control.
-
Integración vertical de modelos y harnesses
- En Terminal-Bench 2.0, en mayo de 2026, un harness de terceros obtuvo 79.8% con los mismos pesos de Anthropic, superando por 21.8 puntos porcentuales el 58.0% de Claude Code.
- Ocho semanas después, en Terminal-Bench 2.1, la clasificación se invirtió cuando los laboratorios internalizaron los harnesses.
- La combinación de Codex CLI y GPT-5.5 registró 83.4%, mientras que la de Claude Code y Claude 5 Fable registró 83.1%.
- El harness independiente mejor ubicado que usaba el mismo Fable 5 llegó a 80.4%, reduciendo la brecha en la cima a unos 3 puntos porcentuales.
- En todos los modelos comparables, los harnesses propiedad de los laboratorios superaron a los independientes.
- Optimizar conjuntamente el modelo y el harness mejora el rendimiento, pero al cambiar a otro modelo el rendimiento baja, lo que genera dependencia como subproducto de la optimización.
- Los modelos abiertos no tienen un harness de primera línea para responder a esto, por lo que no aparecen entre los primeros puestos de la validación oficial de Terminal-Bench 2.1.
- Al compararlos en un harness neutral, Claude Opus 4.8 registró 71.9% a 2.41 dólares por tarea; Opus 4.7, 68.5% a 1.98 dólares; y el modelo abierto GLM 5.2, 67.8% a 0.43 dólares.
- El modelo abierto queda apenas por debajo de Opus 4.7 y unos 4 puntos porcentuales detrás de Opus 4.8, pero cuesta aproximadamente una quinta parte.
- Los datos de uso real generados en harnesses propiedad de los laboratorios crean un volante de datos que vuelve al siguiente modelo; si el stack propio es dueño del harness, puede conservar esos mismos datos directamente.
-
El permiso de escritura no resuelto
- Las lecturas, como consultar documentos, hacer queries a bases de datos o listar calendarios, son reversibles y producen resultados relativamente pequeños, por lo que pueden permitirse por defecto.
- Las escrituras, como enviar mensajes, ejecutar presupuestos, modificar registros o realizar transacciones, son costosas o irreversibles, por lo que deben concentrar confirmaciones, umbrales de aprobación, límites de costo y funciones de cancelación.
- Existen alrededor de 12 frameworks, 10 harnesses y 3 protocolos peer, pero no hay un modelo portátil de permisos de escritura que abarque hosts MCP, peers A2A, llamadas directas a herramientas y límites entre frameworks.
- La especificación MCP 2025-11-25 trasladó la autenticación a OAuth 2.1 y A2A v1.0 estandarizó las Agent Cards firmadas, pero ambos se detienen en la autenticación de identidad.
- Verificar la identidad no decide qué puede ejecutar un agente.
- El modelo de amenazas MCP de CoSAI clasifica la fatiga de consentimiento, en la que los usuarios aprueban sin pensar la mayoría de las solicitudes de autorización, como una amenaza de primer nivel.
- Los meta-harnesses como Omnigent open source de Databricks rastrean el estado de la sesión y controlan la siguiente escritura, en lugar de usar filtros de prompts para cada agente individual.
- Si después de descargar un paquete no verificado se intenta hacer push de código, se puede exigir aprobación humana.
- También pueden aplicarse topes de costo que pausen la sesión cuando se gasta un monto definido.
- La capa que controla el área de escritura sobre múltiples harnesses es el punto donde se formará un modelo de permisos sostenible.
-
Seguridad y ventajas restantes de los modelos cerrados
- El filtrado, el monitoreo y la cancelación no dependen de que los pesos sean privados, sino que son funciones de la capa de servicio y harness, y también pueden aplicarse a modelos abiertos autoalojados.
- En 2025, también se produjeron vulnerabilidades de permisos CVSS 9.3~9.4 en sistemas cerrados de Anthropic, Microsoft, ServiceNow y Salesforce.
- Tras evaluar si el gobierno de EE. UU. debía restringir los pesos abiertos, la NTIA recomendó monitoreo en lugar de restricciones.
- Los sistemas cerrados siguen por delante en cuatro áreas:
- Harnesses integrados y el volante de datos detrás de ellos.
- La brecha entre el 89% de recuperación multi-aguja de Gemini 3 y el 41% de DeepSeek V4-Pro en búsquedas de contexto largo de 1 millón de tokens.
- Cumplimiento listo para usar con SOC 2, HIPAA y no retención de datos incluidos por defecto.
- Una contraparte contractual a la que los clientes pueden exigir responsabilidad.
- El cumplimiento y la responsabilidad son cuestiones contractuales; los harnesses integrados, una cuestión de herramientas; y la fidelidad de contexto largo, un problema de modelo que los laboratorios abiertos deben resolver directamente.
Cinco inversiones para mantener la apertura
- Construir harnesses abiertos: hay que crear harnesses generales o específicos por industria codiseñados con pesos abiertos, como Codex y GPT-5.5.
- El momento para construirlos es antes de que los laboratorios cerrados unan por completo modelo y harness en un único producto alquilado.
- Poseer la memoria: a medida que el precio de los pesos se acerca a cero, el modelo se vuelve una pieza reemplazable, mientras que la memoria con contexto acumulado se convierte en un activo que crece con interés compuesto.
- Debe almacenarse detrás del propio firewall, en un formato portátil y solo anexable; una vez que termina el acceso, no se puede restaurar el contexto de años.
- Resolver permisos portátiles: se necesita un estándar que distinga entre escrituras permitidas sin supervisión, escrituras con aprobación humana y escrituras prohibidas en todo MCP, A2A, llamadas directas a herramientas y límites entre frameworks.
- Si no surge un estándar abierto mientras se forman las políticas de escritura basadas en estado de los meta-harnesses, las plataformas cerradas definirán las reglas.
- Salir del pago por uso: hay que comparar directamente modelos cerrados y abiertos, mantener un segundo modelo en espera detrás de interfaces abiertas y autoalojar donde la carga sea predecible.
- Se espera que los precios iniciales terminen hacia 2027~2028, después de las salidas a bolsa de los proveedores y el agotamiento de los descuentos; conviene establecer doble suministro mientras cambiar sea fácil y barato.
- Establecer múltiples proveedores como opción predeterminada: si el ecosistema se concentra en un solo proveedor abierto, será difícil verlo como un recurso común.
- 47 países restringen el procesamiento de datos en el extranjero y hay más de 70 estrategias nacionales en marcha.
- Europa invierte en EUROPA, Canadá reservó 890 millones de dólares e India asignó 38,231 GPU.
- Si el financiamiento público no sostiene el desarrollo a largo plazo, el ecosistema abierto también puede converger hacia una sola fuente.
Señales que hay que seguir monitoreando
- Capacidades y adopción: hay que monitorear la brecha de capacidades del 3.3%, si se mantiene el empate en codificación, la brecha en razonamiento y agentes, y la proporción de tokens de codificación agéntica en OpenRouter
- Si la proporción de tokens abiertos se estanca y la brecha de razonamiento se amplía, la tendencia actual se revertirá
- Arneses: son clave la brecha en Terminal-Bench entre los arneses propiedad de los laboratorios y los arneses independientes, la gobernanza de MCP y A2A bajo la AAIF, y una especificación portable de permisos que aún no existe
- Si aumenta la ventaja de los arneses de los laboratorios o las plataformas cerradas definen primero los estándares de permisos, la capa abierta se debilitará
- Estructura del mercado: hay que observar en conjunto el ARR, la inversión y las OPI de Zhipu y MiniMax de los laboratorios abiertos, el punto de inflexión de precios por uso en 2027~2028 y las inversiones en cómputo soberano estatal
- Si se corta el financiamiento estatal o la economía de los laboratorios abiertos no logra escalar, será difícil formar un mercado sostenible
- Confianza y seguridad: hay que monitorear las capacidades de uso indebido de los pesos abiertos, la facilidad para eliminar el ajuste fino de seguridad, el CSAM sintético y las imágenes íntimas no consentidas (NCII), así como la política de la NTIA de monitoreo en lugar de restricciones
- Un incidente grave de uso indebido o un giro de las políticas hacia un enfoque centrado en restricciones puede cambiar el entorno de distribución abierta
- Cuando los actores responsables de la apertura, la portabilidad y la distribución amplia en los procesos de toma de decisiones de IA obtengan un estatus equivalente, el mercado pasará de una estructura de alquiler de modelos a una de propiedad directa
2 comentarios
Parece que volvió a Loop Engineering.
Opiniones en Hacker News
Los modelos abiertos podrían derribar a Anthropic y OpenAI. Los hiperescalares de nube pueden operar modelos sin pagar licencias, y Apple puede reducirlos para ejecutarlos directamente en el dispositivo
Los modelos de vanguardia son una ventaja competitiva, pero también una carga. El costo de entrenamiento es astronómico, pero si se deja de desarrollar, el modelo cae en el olvido, y se termina dependiendo del marketing para sostener la idea de que cada modelo es significativamente distinto. Ya es válido preguntarse si realmente hay grandes diferencias entre modelos, y creo que la clave para volver determinista y útil a un modelo aleatorio y alucinador está en el framework de ejecución
Si cambian las condiciones del mercado, podrían volver a cerrarlos como Meta, y si los costos de entrenamiento siguen subiendo, también es dudoso que la estrategia de pesos abiertos sea financieramente sostenible
Aun así, una organización grande tiene que poner enormes cantidades de dinero y recursos de cómputo mientras renuncia a ingresos, y es difícil que esa generosidad dure para siempre. La cuestión es cuál colapsará primero: el modelo de negocio de los modelos de vanguardia o la inversión gratuita de los seguidores rápidos
Parece una dinámica donde se fracasa si no se logra una superinteligencia autorreforzada. Si se logra, los modelos de vanguardia se adelantarán con un crecimiento exponencial más rápido; si no, los seguidores rápidos aplastarán las enormes inversiones y desaparecerá la capacidad de defensa. Es parecido a cómo, en semiconductores, el silicio impulsado por la ley de Moore dejó atrás al GaAs, y además es difícil hacer cumplir el copyright
Incluso usando B300 a un precio alto de 5 dólares por hora y asumiendo un MFU del 50%, serían unos 15 millones de dólares. Hay riesgos de fallas en el entrenamiento y costos de entrenamiento posterior, pero comparado con el gasto en inferencia posterior, no parece una escala tan absurda
Hace exactamente 4 meses, la cuota de mercado en OpenRouter era 60% modelos cerrados y 40% modelos abiertos, pero ahora los modelos abiertos tienen 63% y dieron vuelta la situación. El 19 de marzo, el throughput total de los modelos abiertos era de 888 mil millones de tokens, y ayer fue de 4.19 billones, un crecimiento de 5x en unos 4 meses
También hice un dashboard que se actualiza a diario con datos de OpenRouter: https://dirac.run/labs-market-share
Aun así, es muy interesante ver crecer el uso de modelos abiertos en OpenRouter
Si no estás de acuerdo, me gustaría saber qué defensas crees que tienen estas empresas. Veo el gasto masivo de OpenAI y Anthropic y me frustra no encontrar ninguna defensa real
Por supuesto, este texto tiene un estilo generado por LLM: https://www.pangram.com/history/29a71663-e6b2-4db6-87bd-b943...
Me pregunto por qué ejecutivos ponen su nombre en textos así. Tal vez lo sientan como una extensión natural de la costumbre de firmar borradores escritos por secretarios o comunicados preparados por el equipo de PR
Creo que ayudaría a la cultura de la comunidad si HN ejecutara Pangram automáticamente en publicaciones centradas en texto, o al menos en las que llegan a la portada. Yo personalmente uso un plugin del navegador, pero viendo los comentarios, parece que hay gente que no detectó que fue generado por AI
En vez de que cada lector lo revise por su cuenta de forma intermitente, sería mejor que un sitio agregador de contenido automatice la detección de AI. Hace poco también implementaron revisión automática con Pangram en Manifund, y según entiendo LessWrong lleva tiempo usando esta función
Este material de presentación es doloroso de leer. Tiene demasiados gráficos que casi no conectan con el texto de alrededor, y parece una presentación de CTO imaginada por un LLM. Igual, como tiene aspecto de slides de CTO, al parecer lo consideran “HIGH IMPACT”
Habría sido mucho mejor si el CTO de Mozilla hubiera explicado directamente su análisis de forma clara
En general apoyo la expansión de los modelos abiertos, así que quiero tomar esto en serio, pero es difícil porque se nota demasiado que lo escribió una AI. Parece que despidieron a la gente que antes escribía estos textos
No lo digo solo para burlarme; creo que un estilo de AI fácilmente reconocible hace que parte de los lectores se desconecte de inmediato, dañando el argumento del texto y generando el efecto contrario
“Mozilla existe porque una empresa intentó monopolizar la puerta de entrada a la web y la comunidad abierta se levantó para impedirlo”, pero viendo la cuota actual de Firefox, la puerta de entrada a la web está de hecho en manos de Google y Apple
Puede que baste con un futuro donde unos pocos modelos abiertos contengan las desviaciones del resto del ecosistema, pero no parece que este texto esté planteando esa lógica
Después, otra empresa más usó su posición de mercado para expandir un navegador gratuito y hundió la cuota de Firefox, pero sigue pagándole dinero a Mozilla para que no parezca un monopolio
Impresiona ver a Mozilla haciendo de todo para subirse a la última moda, pero sin crear un navegador de privacidad de verdad para desarrolladores y usuarios avanzados
También terminé empatizando con la estrategia de IA de Mozilla. En vez de crear sus propios modelos o vender contenido de IA de baja calidad, está construyendo una capa de compatibilidad de código abierto, así que su enfoque no parece irreal
No quiero un mundo donde la IA quede verticalmente subordinada, y si Mozilla de verdad puede reproducir su estrategia pasada en la IA de código abierto, eso beneficiaría a todos
Últimamente me ha gustado mucho Zen, pero incluso después de dos meses de uso la función de pestañas fijadas me sigue pareciendo un poco confusa: https://zen-browser.app/
La versión PDF es más cómoda de leer: https://stateofopensource.ai/state-of-open-source-ai-2026.pd...
Da pena que no se vea ninguna comunidad alrededor de modelos verdaderamente abiertos que publiquen también los datos fuente y la metodología de entrenamiento, de modo que cualquiera con recursos realmente pueda reproducirlos. Dejaron que el significado del término “abierto” se diluyera de forma sorprendente
El diseño y la maquetación hacen la lectura innecesariamente difícil, pero es realmente impresionante ver que el costo de inferencia cayó casi 50 veces. Viendo el lanzamiento de Kimi K3, los modelos abiertos ya se están acercando al nivel de punta
La IA de código abierto está avanzando mucho más rápido de lo que Anthropic y OpenAI esperaban