14 de septiembre de 2026 # Qué son los pesos de un modelo de IA y qué diferencia hay entre abiertos y cerrados  ChatGPT se puede usar gratis, Llama se puede descargar y hay uno llamado OLMo que publica incluso los datos y buena parte del proceso con el que se ha entrenado. A los tres se les mete a menudo en la misma conversación sobre modelos "abiertos", aunque son casos bastante distintos. La [[Investigacion-Open-weights-frente-a-closed-weights|investigación que acompaña a este post]] entra en las licencias, los grados de apertura, pesos, destilación, las consecuencias para una empresa y un montón de cosas más que son extremadamente interesantes si quieres profundizar. Para este post, me interesa explicaros bien esto de los pesos abiertos y cerrados, y ya que estamos, el *fine tuning* y el *model distillation*. ## Open source, gratis y propietario son categorías distintas  Empecemos por algo un poco más básico, separar unas cuantas palabras que usamos como si fueran sinónimos. - **Gratis** se refiere al precio: puedes usar un servicio sin pagar y no tener acceso a su código, sus pesos ni su proceso de entrenamiento. La versión gratuita de ChatGPT es un buen ejemplo. En el argot técnico se suele decir *"gratis como la cerveza en una fiesta"*. Puedes ir y beber lo que quieras, pero no puedes llevarte los barriles de cerveza del local de la fiesta a tu casa. - **Propietario** significa que el fabricante restringe alguna de las libertades de usar, estudiar, modificar o redistribuir el producto que reconoce el open source. Conservar derechos sobre él no basta para distinguirlo: quien publica algo como open source también puede conservarlos. Un producto propietario puede ser gratis o de pago, e incluso puede publicar algunas de sus piezas. Los modelos de pesos cerrados ofrecidos mediante ChatGPT y los modelos Claude son propietarios, aunque tengan opciones de uso gratis. OpenAI también publica modelos de pesos abiertos con licencia permisiva, como gpt-oss. Microsoft tiene tanto modelos propietarios como modelos open source. - **Open source** significa que la licencia reconoce unas libertades concretas: usar, estudiar, modificar y redistribuir. En el software tradicional suele bastar con publicar el código bajo una licencia abierta. En IA hace falta más, porque el modelo no se reduce al código. Por eso un modelo puede ser gratuito y completamente propietario. También puede publicar sus pesos y no cumplir la definición estricta de open source. Y aunque sea abierto, alguien tiene que pagar las máquinas que lo ejecutan. ## Qué son los pesos de un modelo  Un modelo combina una arquitectura con un conjunto de parámetros aprendidos durante el entrenamiento. A esos parámetros, que pueden ser matrices, vectores y otros tensores numéricos, se les suele llamar en conjunto **pesos**. Condicionan cómo procesa la información, aunque la respuesta también depende de la entrada, el contexto y la forma en que se ejecute el modelo. El código implementa las operaciones de la red y los pesos contienen el resultado del entrenamiento. No son una copia legible de los datos con los que aprendió ni explican por sí solos cómo se construyó el modelo, aunque pueden memorizar fragmentos de esos datos y, en algunos casos, llegar a reproducirlos. Pero sí son una parte fundamental que necesitas para ejecutar esa versión concreta, junto con la arquitectura, la configuración, el *tokenizer* y el software de inferencia. Por eso tiene tanta importancia que el fabricante los publique o los mantenga cerrados. ## Con pesos cerrados sueles acceder al modelo como servicio  Es lo que ocurre con los modelos GPT ofrecidos mediante ChatGPT o la API, con los modelos Claude y con los modelos Gemini: escribes una petición, el proveedor ejecuta el modelo en su infraestructura y recibes la respuesta, pero no los ficheros con sus parámetros. Es la forma habitual de acceder a modelos de pesos cerrados, aunque un proveedor también puede ofrecer instalaciones restringidas mediante acuerdos específicos. A cambio, tampoco tienes que comprar las tarjetas gráficas, mantener el servicio ni aplicar cada actualización. El proveedor se ocupa de la infraestructura, corrige fallos y decide las medidas de seguridad. La pega es la dependencia. No puedes ejecutar el modelo donde quieras, modificar directamente sus parámetros ni conservar una versión concreta salvo que el proveedor te dé esa opción. También dependes de sus precios, sus condiciones y su calendario de cambios. Nada de esto dice si el servicio es gratis o de pago. Solo dice que utilizas el modelo sin recibir una copia. ## Con pesos abiertos puedes ejecutar tu propia copia  En este texto uso **pesos abiertos** en su sentido habitual en la industria: el fabricante publica los ficheros con los parámetros para que puedas descargarlos, aunque la licencia puede imponer condiciones. Con los demás artefactos necesarios puedes ejecutarlos en tus servidores, en una nube que elijas o, si el modelo es lo bastante pequeño, en tu propio ordenador. Eso te permite mantener una versión, adaptarla, reducir su tamaño o trabajar sin conexión. También puedes evitar que las peticiones lleguen al fabricante si ejecutas el modelo dentro de una infraestructura que controles. Pero los pesos abiertos no resuelven el resto por su cuenta. La licencia sigue diciendo qué puedes hacer con ellos. Los datos y el proceso de entrenamiento pueden continuar cerrados. Y ejecutar el modelo cuesta dinero, aunque descargar los ficheros sea gratis. Además, el trabajo que hacía el proveedor pasa a quien despliega el modelo: infraestructura, actualizaciones, vigilancia, seguridad y continuidad del servicio. Según el volumen y el caso de uso, puede compensar muchísimo o salir bastante más caro que una API. ## Open source y pesos abiertos son dos cosas distintas  Llama y Gemma 3 se pueden descargar, y aun así no se distribuyen bajo licencias reconocidas como *open source*. Son modelos de pesos abiertos con licencias propias, un caso frecuente y que genera bastante confusión. Meta conserva los derechos sobre Llama y lo distribuye con una licencia propia. En Llama 4, si los productos o servicios de una organización o sus afiliadas superaban los 700 millones de usuarios activos mensuales en el mes anterior al lanzamiento, la organización tenía que solicitar otra licencia, que Meta podía conceder o no. También hay una política de usos prohibidos, condiciones sobre cómo puedes nombrar lo que construyas y restricciones específicas para los modelos multimodales en la Unión Europea. Gemma 3 utiliza sus propios términos de uso, pero Gemma 4 se publicó el 2 de abril de 2026 bajo Apache 2.0. Cohere también ha publicado algunos modelos Command bajo licencias específicas, pero hay que comprobar la licencia del *checkpoint* concreto y no atribuir una sola condición a toda la familia. Así que aquí hay dos ejes, no una escala. Uno es de derechos, y lo fija la licencia. El otro es de acceso, y lo fija el fabricante cuando decide publicar los pesos o guardárselos. No todas las combinaciones reciben el nombre de *open source*: - **Pesos cerrados y licencia propietaria**: los modelos GPT ofrecidos mediante ChatGPT o API, Claude y Gemini. - **Pesos abiertos con licencia propia**: Llama, Gemma 3 y algunos Command. - **Pesos abiertos con licencia permisiva**: gpt-oss, Gemma 4 y las versiones de Mistral publicadas bajo Apache 2.0. Que sus pesos lleven una licencia permisiva no basta para que el modelo completo cumpla la definición de *open source* de la OSI. - **Open source en el sentido de la OSI**: pesos, código de entrenamiento e inferencia e información suficiente sobre los datos bajo términos adecuados. OLMo es uno de los ejemplos más claros. - **Código abierto con pesos retenidos**: se puede publicar la arquitectura o el software sin publicar un *checkpoint* concreto. GPT-2 salió por fases: OpenAI publicó inicialmente el código y los pesos de versiones pequeñas, pero retuvo temporalmente los del modelo completo. Eso no lo convertía en un servicio; impedía ejecutar la versión grande ya entrenada, aunque el código pudiera estudiarse o utilizarse para entrenar otro modelo. La Open Source Initiative publicó en 2024 una definición de *open source* aplicada a la IA, y pide tres cosas: los pesos, el código que entrena y ejecuta el modelo, e información detallada sobre los datos de entrenamiento, aunque el conjunto completo no se pueda publicar por derechos o por privacidad. Con esa definición, un modelo sin pesos no es *open source* por mucho que su código lleve una licencia libre. Llama y Gemma 3 tampoco cumplen esa definición porque sus licencias imponen condiciones que las cuatro libertades no admiten. Y una licencia permisiva sobre los pesos, como ocurre con gpt-oss o Gemma 4, no demuestra por sí sola que se hayan publicado el resto de los elementos exigidos. Ojo con lo que esto significa en la práctica: puedes descargarte un modelo y seguir dependiendo de lo que su dueño te deje hacer con él. ## Fine-tuning: seguir entrenando el mismo modelo  El **fine-tuning** parte de un modelo ya entrenado y continúa su entrenamiento con un conjunto de ejemplos normalmente más pequeño y específico. Sirve para ajustar cómo responde, especializarlo en una tarea, enseñarle un formato o intentar incorporar información determinada, aunque no es una forma fiable de mantener datos factuales que cambian con frecuencia. El resultado es una versión ajustada del modelo de partida, con sus parámetros modificados o con pequeños parámetros adicionales. No se entrena un modelo nuevo desde cero. Los pesos abiertos permiten hacer este ajuste en tu propia infraestructura y conservar la versión resultante. Con pesos cerrados también puede haber fine-tuning, pero solo si el proveedor lo ofrece como servicio, como ofrece Microsoft en Azure Foundry. En ese caso puedes personalizar el comportamiento sin recibir los pesos originales ni los modificados. ## Model distillation: entrenar un modelo con otro modelo  La **destilación de modelos** es otra cosa. Un modelo profesor proporciona respuestas, probabilidades, representaciones u otras señales y se entrena a un segundo modelo, el alumno, para que aproxime parte de su comportamiento o capacidad. El alumno suele ser más pequeño, aunque el tamaño no es lo que define la técnica. El resultado sí es otro modelo, con sus propios pesos. El modelo pequeño intenta reproducir una parte del comportamiento del grande, pero no hereda automáticamente todas sus capacidades. Se busca que haga bien un conjunto de tareas con menos memoria, menos cálculo y un coste menor. Por eso destilar no es comprimir un fichero. En la cuantización reduces la precisión con la que representas los pesos de un modelo. En la destilación entrenas uno distinto para que aprenda del primero. Para destilar no siempre necesitas los pesos del modelo profesor: sus respuestas pueden bastar. Pero la licencia y las condiciones del servicio pueden limitar si está permitido usar esas respuestas para entrenar otro modelo. Una vez más, que algo sea accesible no dice qué derechos tienes sobre ello. Fine-tuning y destilación aparecen juntas muchas veces, porque una forma habitual de destilar consiste en ajustar el modelo pequeño con ejemplos generados por el grande. Pero describen cosas distintas: el *fine-tuning* es un procedimiento de ajuste; la destilación es un objetivo profesor-alumno, conseguir que el segundo aproxime información o comportamientos del primero. Usar datos sintéticos generados por otro modelo no convierte por sí solo cualquier entrenamiento en destilación. ## Por qué no basta con decir que un modelo es abierto  En empresas oigo bastante eso de "queremos un modelo abierto". Para mí, todavía falta concretar cuatro cosas: > [!question] Las preguntas > - ¿Se puede usar gratis o cuánto cuesta ejecutarlo de verdad? > - ¿La licencia permite usar, modificar y redistribuir el modelo? > - ¿Se pueden descargar los pesos y ejecutar el modelo sin el fabricante? > - ¿Se publican también el código, los datos y el proceso de entrenamiento? > Con esas cuatro preguntas, la conversación queda bastante más clara. --- Si este te ha resultado interesante, la respuesta completa a las preguntas, con las licencias una por una, la regulación europea y todas las fuentes y mucha mas información, está en la investigación que acompaña a este artículo --> [[Investigacion-Open-weights-frente-a-closed-weights|Investigación: Modelos de IA abiertos y cerrados: pesos, licencias y formas de adaptarlos]]. --- Publicado el 14 de septiembre de 2026