Open weights: qué es y qué te dan de verdad los modelos abiertos
Open weights no es open source: te dan los pesos del modelo, no los datos ni el código de entrenamiento. Qué puedes hacer con ellos y qué licencia lo permite.
En agosto de 2026 Alibaba subió a Hugging Face dos modelos open weights de la misma familia con tres días de diferencia. Qwen3.8-27B, con Apache 2.0. Qwen3.8-2.4T-A95B, con una licencia propia.
Los dos se descargan igual y los dos se anuncian como "abiertos". Pero el segundo te obliga a enseñar su nombre en tu interfaz si pasas de 100 millones de usuarios mensuales o de 20 millones de dólares de ingresos al mes. Esa diferencia está en el fichero LICENSE, y casi nadie lo abre antes de hacer from_pretrained().
En corto: open weights significa que publican los pesos del modelo entrenado, pero no los datos ni el código con los que se entrenó. Puedes ejecutarlo en tu servidor, hacerle fine-tuning o destilarlo si la licencia lo permite, pero no puedes reproducirlo ni auditar con qué se entrenó. Antes de usarlo en producción, lee la licencia de esa versión concreta, no la de la familia.
¿Qué significa open weights?
Un modelo open weights es un modelo cuyos parámetros entrenados se publican para descargarlos y ejecutarlos, sin que se publiquen necesariamente los datos de entrenamiento ni el código que los produjo.
En castellano también se les llama modelos de pesos abiertos. Te dan el resultado de cocinar, no la receta.
Qué descargas cuando bajas un modelo open weights
Descargas cuatro cosas: los pesos, la arquitectura, el tokenizer y la licencia. Este es el listado de openai/gpt-oss-20b según la API de Hugging Face (resumido):
config.json # arquitectura: capas, cabezas, tamaño oculto
generation_config.json # parámetros por defecto de generación
model-00000-of-00002.safetensors # los pesos, troceados
model-00001-of-00002.safetensors
model-00002-of-00002.safetensors
model.safetensors.index.json # qué tensor vive en qué trozo
tokenizer.json # cómo se convierte texto en tokens
tokenizer_config.json
chat_template.jinja # formato de los mensajes
LICENSE
USAGE_POLICY
Los pesos son números: 20.914.757.184 parámetros en este caso, según los metadatos de safetensors del repo. Codifican lo que el modelo "sabe"; config.json le dice a la librería qué arquitectura montar para colocarlos.
El otro formato que verás es GGUF, el de llama.cpp y Ollama: según su especificación, un solo fichero binario con metadatos y pesos. Si ya corres modelos de IA en local con Ollama, llevas tiempo usando open weights.
Fíjate en lo que no aparece: ni un byte del dataset, ni el script de entrenamiento, ni cómo filtraron los datos.
Open weights vs open source: el espectro de apertura
Open weights vs open source no es un sí o un no. Es un espectro con cuatro escalones, y cada uno decide qué puedes hacer.
| Cerrado (solo API) | Open weights, licencia restrictiva | Open weights, licencia permisiva | Open source completo | |
|---|---|---|---|---|
| Ejemplo (oct. 2026) | Claude, ChatGPT | Llama 4, Qwen3.8-2.4T-A95B, Mistral Medium 3.5 | gpt-oss, Qwen3.8-27B, Mistral Small 4, DeepSeek V4.1-Flash | OLMo 3 (AI2), Pythia (EleutherAI) |
| Qué descargas | Nada | Pesos + config + tokenizer | Pesos + config + tokenizer | Pesos, datos, código de entrenamiento y checkpoints |
| Autoalojar | No | Sí | Sí | Sí |
| Fine-tuning y destilación | Lo que ofrezca el proveedor | Sí, con condiciones | Sí | Sí |
| Reproducir el entrenamiento | No | No | No | Sí |
| Auditar los datos | No | No | No | Sí |
| Riesgo principal | Dependes del proveedor: precio, cambios y retirada | Umbrales, nombre obligatorio y política de uso | Sesgos y contenido de entrenamiento sin auditar | Hay pocos: evalúa si su capacidad basta para tu caso |
El último escalón existe. OLMo 3 publica sus mezclas de datos (5,5 billones de tokens solo en la primera fase), el código de entrenamiento y los checkpoints intermedios. El código y los pesos van con Apache 2.0, y los datos, con su propia licencia. Pythia publica 10 tamaños de 14M a 12B, 154 checkpoints por modelo y el orden exacto en que vio los datos de The Pile.
Eso es poder estudiar un modelo. Con un open weights solo puedes estudiar lo que sale de él.
Licencias de modelos open weights: qué permite cada una
Entre las licencias de modelos de IA hay más diferencia que entre los benchmarks. Esto dicen las vigentes en octubre de 2026, leídas en su fuente:
| Licencia | Modelos | Uso comercial | Condición que te puede morder |
|---|---|---|---|
| Llama 4 Community License (5 abr. 2025) | Llama 4 Scout y Maverick | Sí | Más de 700M de usuarios activos mensuales: permiso de Meta. Obliga a mostrar "Built with Llama", a cumplir la política de uso aceptable y a que tu modelo derivado se llame "Llama…" |
| Licencia Qwen3.8-Max | Qwen3.8-2.4T-A95B | Sí | Más de 100M de usuarios mensuales o 20M de dólares de ingresos al mes: nombre del modelo visible en tu interfaz. Si ofreces modelo como servicio o asistente de IA y tu grupo factura más de 50M de dólares en 12 meses consecutivos: licencia aparte, aunque esos ingresos no vengan del modelo |
| MIT modificada | Mistral Medium 3.5 | Sí, con tope | Empresas que facturan más de 20M de dólares al mes: licencia comercial o API de Mistral |
| Apache 2.0 | gpt-oss, Qwen3.8-27B, Mistral Small 4 | Sí | gpt-oss añade un USAGE_POLICY que pide cumplir la ley aplicable |
| MIT | DeepSeek V4.1-Flash | Sí | Ninguna adicional en el repo |
Llama 4, de abril de 2025, sigue siendo la última familia publicada en la organización meta-llama de Hugging Face. La cláusula de 700M no te afecta. La del nombre del derivado sí: salta en cuanto distribuyes un fine-tune, o un modelo entrenado con salidas de Llama.
Y fíjate en Mistral: Small 4 es Apache 2.0 y Medium 3.5 tiene tope de facturación. La licencia es de la versión, no de la marca.
Por qué casi ningún modelo open weights cumple la Open Source AI Definition
Casi ningún modelo open weights cumple la Open Source AI Definition porque publica los pesos, pero no el código de entrenamiento ni una descripción de los datos lo bastante detallada para reproducirlo.
La OSI publicó la Open Source AI Definition 1.0 el 28 de octubre de 2024. Exige las cuatro libertades (usar, estudiar, modificar y compartir) y, para poder ejercerlas, tres componentes:
- Data information: información sobre los datos lo bastante detallada para que una persona experta construya un sistema sustancialmente equivalente. Procedencia, selección, etiquetado y filtrado, más el listado de datos públicos y de terceros.
- Code: el código completo para entrenar y ejecutar, incluido el procesado de datos.
- Parameters: los pesos.
La definición no obliga a publicar el dataset, solo a describirlo con precisión. Aun así, la mayoría de modelos open weights solo entregan el tercer punto.
La OSI lo resumió en septiembre de 2026 en "Open Weights Are Good. Open Source Is Better": "Open-weights allow you to exercise some freedoms, but not all, and only to a certain degree."
El post llegó a Hacker News con 41 puntos, y el único comentario apuntó a otro motivo: "I suspect part of the reluctance to release Open Source models is the fact that they’d have to disclose what data was used to train it". Publicar los datos abre preguntas legales que los pesos solos no abren.
En The Register, James Landay, de Stanford HAI, lo resume así: "Open weights answer 'Can I run this?' Open source answers 'Can I trust this, improve it, and build the next thing on top of it?'".
Qué puedes hacer con un modelo open weights en producción
Mi opinión: si la privacidad o el coste por token importan, un open weights con Apache 2.0 o MIT es la mejor opción disponible. No necesitas que sea open source para sacarle partido. Necesitas saber qué no te da.
- Privacidad. Los datos no salen de tu infraestructura.
- Coste predecible. Pagas hardware, no tokens. gpt-oss-120b cabe en una GPU de 80 GB como una H100, según su ficha. Para tu máquina, revisa los mejores LLMs para correr en local.
- Fine-tuning y destilación. Puedes especializarlo o usarlo como profesor de un modelo pequeño, como explico en destilación de modelos LLM.
- Versiones congeladas. El modelo no cambia por debajo de ti como puede pasar con una API.
Para lo último, fija el commit y fuerza safetensors:
from transformers import AutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained(
"openai/gpt-oss-20b",
revision="<hash-del-commit>", # no "main": un commit concreto
use_safetensors=True, # nunca cargar pickle de un repo ajeno
)
Si vas a montar agentes encima, el ebook gratuito El Developer Agéntico cubre la arquitectura completa (tools, memoria, RAG y MCP) sea cual sea el modelo que pongas debajo.
Lo que open weights no te da
No te da reproducibilidad. Sin datos ni código de entrenamiento no puedes reconstruir el modelo ni verificar que los pesos salen del proceso que dicen. Te fías del publicador.
No te da auditoría de sesgos ni de contenido. No sabes qué textos vio. Si memorizó datos personales o código con licencia incompatible, solo lo descubrirás por sus salidas. Evalúas comportamiento, no origen.
No te da seguridad por defecto. Los checkpoints en pickle (.bin, .pt) pueden ejecutar código al cargarse: la documentación de Python avisa de que se pueden construir datos maliciosos que "execute arbitrary code during unpickling". Safetensors existe para guardar tensores de forma segura frente a pickle. Analicé ese riesgo de cadena de suministro en la auditoría de dependencias tras la compra de Hugging Face por NVIDIA.
No te da estabilidad de licencia. Qwen3.8-27B y Qwen3.8-2.4T no comparten licencia. Mistral Small 4 y Medium 3.5, tampoco. Cada versión nueva es una revisión legal nueva.
Qué revisar antes de meter un open weights en tu stack
Abre el LICENSE del repo exacto que vas a usar y apunta tres cosas: si hay umbral de usuarios o facturación, si obliga a mostrar un nombre o renombrar derivados, y si trae política de uso. Después fija el commit y carga solo safetensors.
Diez minutos de lectura te ahorran descubrir la cláusula cuando ya tienes usuarios. Es decidir el contrato antes de construir, como en Construye con IA, donde una idea llega a producto con las decisiones por escrito.
Preguntas frecuentes
¿Open weights y open source son lo mismo?
No. Open weights significa que publican los pesos entrenados. Open source, según la Open Source AI Definition 1.0 de la OSI, exige además el código completo de entrenamiento y una descripción de los datos suficiente para construir un sistema equivalente. Casi todos los modelos open weights solo cumplen la parte de los pesos.
¿Puedo usar un modelo open weights en un producto comercial?
Depende de la licencia de esa versión. Con Apache 2.0 (gpt-oss, Qwen3.8-27B, Mistral Small 4) o MIT (DeepSeek V4.1-Flash), sí. Si lo distribuyes o lo ofreces en un producto, Llama 4 exige "Built with Llama" y permiso de Meta por encima de 700M de usuarios mensuales; Mistral Medium 3.5 excluye a empresas que facturan más de 20M de dólares al mes.
¿Qué modelos son realmente open source?
OLMo 3 de AI2 y Pythia de EleutherAI: publican pesos, código y checkpoints intermedios con Apache 2.0, y documentan o publican los datos de entrenamiento, que tienen su propia licencia.
¿Es seguro descargar pesos de Hugging Face?
Sí, si cargas safetensors o GGUF de un publicador verificado, fijas la revisión y dejas trust_remote_code desactivado salvo que hayas leído ese código. El riesgo está en los checkpoints pickle, que pueden ejecutar código al cargarse. En Transformers usa use_safetensors=True y un revision con el hash del commit.
¿Puedo hacer fine-tuning de un modelo open weights?
Sí, y es su gran ventaja frente a un modelo cerrado. Antes de publicar el resultado, revisa las condiciones de la licencia sobre derivados.
Por Bezael Pérez — Developer senior con más de 15 años de experiencia y fundador de Dominicode.
¿Quieres construir con agentes en serio?
Curso «Construye con IA» con Claude Code, de la idea al producto.
Developer con más de 15 años en frontend y creador de Dominicode. Escribe sobre IA aplicada al desarrollo de software.
¿Te resultó útil este artículo?
Compártelo con tu comunidad y ayuda a otros desarrolladores.