Modelos abiertos y uso en local
En una frase: un modelo de pesos abiertos se descarga y se usa en casa.
No es lo mismo que código abierto. La ventaja es el control: un modelo descargado puede funcionar sin conexión.
Su privacidad depende de todo el recorrido: programas, herramientas y servicios en la nube. El coste incluye equipo y mantenimiento. La capacidad varía según el modelo y la tarea.
Cómo se ve
Qué pasa, paso a paso
- Los pesos son los números que el modelo aprende al entrenarse. Tenerlos facilita ejecutar o ajustar el modelo, si la licencia lo permite.
- Los pesos solos no traen el código ni los datos para repetir el entrenamiento.
- Código abierto exige más. Según la OSI, hacen falta tres cosas. Son los pesos, el código completo y los datos de entrenamiento descritos con detalle.
- Esa definición no obliga a publicar los datos. Obliga a describir su origen, su tratamiento y dónde conseguirlos.
- Por eso los laboratorios hablan de «pesos abiertos». OpenAI presenta así su modelo gpt-oss, con una licencia que permite el uso comercial.
- Cada laboratorio usa su licencia. Algunas son propias o no comerciales. El detalle está en Laboratorios y familias de modelos.
Uso en local
- Hay programas para ejecutar modelos en tu equipo, como Ollama y LM Studio. Funcionan en Mac, Windows y Linux.
- Ollama es una herramienta de terminal que descarga el modelo y abre un chat. LM Studio es una app con ventanas.
- Una vez descargado el modelo, el chat de LM Studio puede funcionar sin conexión.
- Si conectas herramientas o servicios externos, cambia por dónde viajan tus datos. Revisa dónde se procesa cada dato.
- Ollama también ofrece modelos en la nube. Esos no se ejecutan en tu equipo.
- La cuantización guarda los pesos con menos bits. Así hace falta menos memoria, aunque sigue haciendo falta algo más para trabajar.
- OpenAI indica que su gpt-oss pequeño puede ejecutarse en un equipo con poca memoria. Usa un formato optimizado. Los medianos piden mucha memoria, incluso cuantizados.
- Instalar estos programas es cosa de un adulto, o de alguien que sepa de ordenadores.
Un ejemplo de la vida real
Imagina un trabajo del cole con apuntes que no quieres subir a internet. En un servicio en la nube, tus textos viajan a otro sitio. Con un modelo en local y sin conexión, el chat ocurre en tu equipo. Es como hacer los deberes en tu escritorio y no en casa de un desconocido. Eso sí, si le conectas servicios externos, ese recorrido cambia. Y puede ser menos capaz que los mejores modelos cerrados.
Ventajas e inconvenientes
- Privacidad: el chat local puede usarse sin conexión. Si conectas servicios externos, revisa dónde se procesa cada dato. Mira Privacidad de los datos en IA.
- Control: puedes ajustar el modelo y quedarte con la versión que te funciona.
- Sin factura por uso: el coste pasa a ser el equipo y la electricidad.
- Uso comercial libre con licencias permisivas, como Apache 2.0.
- Capacidad: según Epoch AI, los mejores abiertos iban unos cuatro meses por detrás. Es la media desde enero de 2026.
- Es una medida de ese periodo, no una regla para toda tarea.
- Los que caben en una tarjeta gráfica doméstica, de 6 a 12 meses.
- Esa cifra puede ser optimista. Los modelos pequeños suelen optimizarse para pruebas concretas, y el retraso real puede ser mayor.
- Licencias: «abierto» no siempre es libre. Lee la licencia antes de usarlo en un trabajo.
Pruébalo tú
- ¿Qué es un «peso» de un modelo?
- ¿Qué dos ventajas tiene ejecutar un modelo en local?
Respuestas
- Un número que el modelo aprende al entrenarse. El conjunto de pesos es el modelo.
- Control y ahorro de la factura por uso. La privacidad también mejora, si no conectas servicios externos.
Palabras clave
- Pesos: números que el modelo aprende al entrenarse.
- Código abierto: pesos, código y datos descritos con detalle, con permiso para usarlos.
- En local: ejecutar el modelo en tu equipo, sin enviarlo a internet.
- Cuantización: reducir la precisión de los pesos para que ocupen menos memoria.
- Licencia: las reglas que dicen qué puedes hacer con un modelo.