Cuando escuchas que un modelo de inteligencia artificial es "open source", probablemente imaginas algo parecido a Linux: código abierto, comunidad libre, sin candados corporativos. Pues bien, en el mundo de los LLMs esa palabra se usa con una generosidad que raya en la deshonestidad. Según el ranking actualizado de lmmarketcap.com, la gran mayoría de los modelos que se anuncian como "open source" son, técnicamente hablando, cualquier cosa menos eso. Publican los pesos del modelo —ese archivo gigante que ya entrenaron— pero esconden el código de entrenamiento, los pipelines de datos y las suites de evaluación. Es como darte la llave de una casa sin decirte cómo fue construida ni de qué materiales está hecha. Puedes vivir ahí, pero no puedes replicarla.
La diferencia que nadie te explica
Existe una distinción brutal entre "open weights" y "open source" real. Los modelos verdaderamente de código abierto liberan todo el stack: pesos, código de entrenamiento, pipelines de datos y metodologías de evaluación, todo bajo licencias permisivas. Ejemplos que cumplen esa definición completa son contadísimos. OLMo de Allen AI es uno de los pocos que ha publicado absolutamente todo. Llama de Meta, Mistral, Gemma de Google, Falcon... todos caen en la categoría de "open weights": puedes usar el modelo resultante, pero no puedes reproducir el proceso desde cero porque no tienes acceso a los datos de entrenamiento ni al código completo que lo generó.
Esto no es un detalle técnico menor. Es una distinción que tiene implicaciones enormes para la industria, para los investigadores independientes y para cualquiera que quiera auditar estos sistemas en busca de sesgos, vulnerabilidades o simplemente entender qué demonios están haciendo con tu información cuando los integras en una aplicación.
El negocio detrás del "openness"
Las empresas grandes aprendieron rápido que publicar los pesos de un modelo genera una cantidad obscena de goodwill en la comunidad tech. Meta con Llama generó más cobertura positiva con su "apertura" que con cualquier otra iniciativa en años. Pero seamos claros: liberar solo los pesos es una decisión de negocios calculada, no un acto de altruismo. Te dan suficiente para que construyas sobre su arquitectura, generes casos de uso que validan su investigación, y dependas de su ecosistema. El control real —cómo se entrenó, con qué datos, bajo qué condiciones— se queda adentro.
El leaderboard de lmmarketcap.com intenta poner orden en este caos clasificando los modelos según qué tan abiertos son realmente. Y el panorama es revelador: en 2025-2026, con todo el ruido alrededor de DeepSeek, Qwen, Llama 3, Mistral y compañía, los modelos que cumplen el estándar completo de open source son una minoría absoluta. El resto juega con la etiqueta como herramienta de marketing.
Lo que esto significa para quien construye con IA
Si eres desarrollador, productor musical metiendo IA en tu workflow, o cualquier persona que integra estos modelos en proyectos reales, la distinción importa en varios niveles. Primero, la reproducibilidad: si encuentras un comportamiento extraño o un sesgo problemático en el modelo, sin acceso al proceso de entrenamiento no puedes entender de dónde viene ni cómo corregirlo. Segundo, la soberanía: un modelo de open weights sigue siendo propiedad intelectual de quien lo entrenó; las licencias de uso pueden cambiar —y han cambiado, como vimos con versiones anteriores de Llama— dejando proyectos enteros en el limbo legal. Tercero, la seguridad: auditar un sistema de IA sin acceso al pipeline completo es como revisar la seguridad de un edificio sin planos.
El movimiento de IA abierta genuina existe y es valioso. Allen AI, EleutherAI y algunos proyectos comunitarios están haciendo el trabajo pesado de verdad. Pero son la excepción, no la regla, y el ecosistema necesita empezar a llamar las cosas por su nombre. "Open weights" es open weights. "Open source" es otra cosa. Mientras la industria siga usando ambos términos como sinónimos, el ranking de lmmarketcap.com —y recursos similares— se vuelven herramientas esenciales para navegar el ruido sin que te vendan gato por liebre.
La conversación sobre qué tan "abierta" es realmente la IA abierta apenas está empezando, y en 2026 va a volverse mucho más urgente conforme más infraestructura crítica se construya sobre estos modelos. Saber exactamente qué tienes en tus manos —y qué no tienes— no es un lujo académico. Es una decisión operativa.