LLMs de código abierto vs propietarios

"Código abierto" y "open-weights" no son sinónimos. Las licencias de código abierto (Apache 2.0, MIT, GPL) aplican al código fuente y permiten uso comercial y privado sin restricciones. Open-weights significa que los pesos del modelo entrenado son descargables pero pueden estar restringidos bajo una licencia especializada. LLaMA 3.1 es open-weights, no open-source — Meta publica los pesos bajo la Licencia Comunitaria Llama 2.1, que permite uso comercial pero incluye restricciones.

Los modelos propietarios no son ni open-weights ni open-source. OpenAI (GPT-4o), Anthropic (Claude Opus 4.7) y Google (Gemini 3.1 Pro) no publican los pesos del modelo. Los accedes exclusivamente vía API.

Entender esta distinción importa para el cumplimiento, la personalización y la soberanía de datos.

Los LLMs propietarios son modelos cerrados accesibles solo vía API — el proveedor controla los pesos, los datos de entrenamiento, la alineación de seguridad y todas las actualizaciones. OpenAI (GPT-4o), Anthropic (Claude Opus 4.7), Google (Gemini 3.1 Pro) y Mistral API son propietarios.

Los precios son facturación por token en API en un servidor controlado por el proveedor. GPT-4o cuesta $5 por 1M tokens de entrada y $30 por 1M tokens de salida. Claude Opus 4.7 cuesta $5/$25. Gemini 3.1 Pro cuesta $2,00/$12,00.

Los proveedores propietarios mantienen el control sobre las actualizaciones del modelo, el comportamiento y la alineación.

Modelo Open-Weights. Un LLM cuyos pesos entrenados son públicamente disponibles y pueden descargarse, modificarse, ajustarse y auto-alojarse. Ejemplos: LLaMA 4 Scout/Maverick (Meta), Mistral Large 2 (Mistral AI), Qwen 2.5 (Alibaba), DeepSeek-R1 (DeepSeek AI).

LLM Propietario. Un LLM cuyos pesos se mantienen privados y nunca se publican. El acceso es exclusivamente a través de la API de un proveedor, requiriendo facturación por token y conectividad de red. Ejemplos: GPT-4o (OpenAI), Claude Opus 4.7 (Anthropic), Gemini 3.1 Pro (Google).

Fine-Tuning. El proceso de reentrenar un modelo preentrenado en un nuevo conjunto de datos más pequeño específico para un dominio o tarea. Los modelos open-weights soportan fine-tuning completo vía LoRA, QLoRA o retropropagación completa; la mayoría de los modelos propietarios restringen o prohíben el fine-tuning.

Fecha de corte de entrenamiento. La fecha después de la cual un modelo no tiene conocimiento de eventos o información.

Mixture of Experts (MoE). Una arquitectura LLM donde el modelo contiene muchas sub-redes "expertas", pero solo una fracción se activa por token. LLaMA 4 Scout y Mistral usan MoE — el costo de inferencia escala con los parámetros activos, no los totales.

Pesos del modelo. Los parámetros numéricos (miles de millones a billones de números) aprendidos durante el entrenamiento del modelo.

Los LLMs de código abierto (LLaMA 3.1, Mistral, Qwen) hacen que los pesos del modelo estén públicamente disponibles — las organizaciones pueden descargarlos, inspeccionarlos, ajustarlos y auto-alojarlos. Los LLMs propietarios (GPT-4o, Claude, Gemini) son propiedad de los proveedores y solo son accesibles a través de APIs.

En muchas tareas, sí. La brecha de rendimiento se ha reducido a 7–8 puntos porcentuales en benchmarks de razonamiento (MMLU). En clasificación, resumen y tareas específicas de dominio, los modelos open-weights como LLaMA 3.1 70B ahora igualan a los propietarios. Los modelos propietarios aún lideran en razonamiento de múltiples pasos complejo, orquestación de agentes y manejo de entrada multimodal.

Las empresas deben usar LLMs de código abierto cuando la privacidad de datos es obligatoria (salud, finanzas, legal), cuando procesan más de 10 millones de tokens por día, cuando se requiere fine-tuning específico del dominio, o cuando el cumplimiento del AI Act de la UE exige residencia de datos on-premises. Los modelos open-weights también eliminan el vendor lock-in y la facturación por token en API.

Para muchos casos de uso, sí. Los LLMs de código abierto están listos para producción para clasificación, resumen, extracción y tareas específicas de dominio. Los modelos propietarios mantienen ventajas en razonamiento complejo, entrada multimodal, integración de herramientas y despliegue sin infraestructura.

Elige open-weights cuando: los datos no pueden salir de tu infraestructura, el volumen diario supera los 10M tokens, necesitas fine-tuning del dominio, o el cumplimiento del AI Act de la UE / HIPAA / SOX requiere residencia de datos on-premises.

Elige propietarios cuando: necesitas máxima precisión sin infraestructura GPU, el volumen está por debajo de 5M tokens/día, no tienes expertise de DevOps, o necesitas inicio rápido sin ingeniería de infraestructura.