IA de código abierto: pruebo 4 grandes modelos LLM

El ecosistema de la IA de código abierto ha dado un vuelco notable en octubre de 2026: Meta, DeepSeek, StepFun y NVIDIA publicaron cuatro importantes puntos de control con pesos abiertos entre el 15 y el 17 de octubre. Son modelos de lenguaje en el sentido práctico habitual, aunque no todos se distribuyen bajo una licencia de código abierto estricta. El 19 de octubre probé los cuatro a través de la API con las mismas tareas cortas en polaco. DeepSeek y Nemotron completaron la batería entera, mientras que Muse Spark Open y Step 5 consumieron en ocasiones todo el presupuesto de generación sin llegar a devolver una respuesta.

Cuatro lanzamientos de IA de código abierto y cuatro enfoques distintos

Muse Spark Open llegó de la mano de Meta el 15 de octubre. Ese mismo día, StepFun liberó los pesos de Step 5 Preview, tras haber ofrecido el modelo únicamente mediante API (analicé por separado aquel lanzamiento de la API de Step 5 Preview). NVIDIA también publicó Nemotron 3.5 Super VL el 15 de octubre. DeepSeek completó el grupo el 17 de octubre con V4.1 Flash 1017, una puesta al día del V4.1 Flash original. El matiz resulta clave: no se trata del estreno simultáneo de cuatro familias de modelos totalmente nuevas.

Estas especificaciones proceden de los repositorios oficiales consultados el 20 de octubre de 2026. StepFun describe su desarrollo como un modelo de 600B, si bien los metadatos de su repositorio informan de 604B. La cifra de 763B de DeepSeek corresponde igualmente al valor reflejado en sus metadatos; no debe interpretarse como un recuento de parámetros activos por token. Distinguir estas etiquetas evita comparaciones equívocas entre el volumen total de la arquitectura y la fracción que interviene en cada paso de inferencia.

Los cuatro modelos anuncian ventanas de contexto de cerca de un millón de tokens. Se trata de una cota teórica de capacidad, no de una garantía de que cualquier despliegue pueda procesar semejante volumen a una velocidad operativa razonable. La memoria reservada para el contexto de una conversación prolongada se suma a la ocupada por los pesos, y la capacidad real disponible depende también de las peticiones concurrentes. Mi prueba de respuestas cortas no sometió a estrés esas ventanas de contexto.

Pesos abiertos frente a LLM de código abierto: qué cambia en la práctica

Contar con pesos abiertos ofrece una vía para ejecutar estos modelos de IA de código abierto en infraestructura propia bajo control directo. Asimismo, facilita la adaptación y el ajuste fino, siempre con sujeción a los términos de la licencia pertinente. Este factor transforma la dependencia frente a un servicio alojado: el acceso ya no queda supeditado por completo a que un punto de enlace remoto mantenga activo ese checkpoint específico. Ahora bien, no elimina la carga técnica que conllevan el despliegue, el mantenimiento, la evaluación ni el cumplimiento legal.

Las cifras de la arquitectura requieren la misma cautela técnica. Un modelo sustentado en una mezcla de expertos (MoE) activa solo una fracción de sus parámetros para generar un token concreto, lo que modera el cálculo por paso. Sin embargo, los expertos restantes forman parte íntegra del sistema y deben permanecer accesibles en la memoria del entorno de inferencia. Por ello, los 42B de parámetros activos de Muse Spark Open no lo convierten en una descarga ligera comparable a un modelo denso estándar de 42B.

El marco legal muestra contrastes notables. DeepSeek recurre a la licencia MIT, con la exigencia habitual de conservar el aviso de copyright y la concesión de permisos. Meta utiliza su propia Muse Model License, que estipula un acuerdo comercial independiente para negocios de modelos como servicio (MaaS) cuyos ingresos superen los 20 millones de dólares en un periodo de 12 meses consecutivos. StepFun también aplica una licencia personalizada: los productos que sobrepasen 100 millones de usuarios activos mensuales o 20 millones de dólares de facturación mensual deben mostrar la mención «Powered by StepFun AI», mientras que los fabricantes de dispositivos de hardware y los operadores MaaS con más de 20 millones de dólares de facturación anual requieren un acuerdo específico. NVIDIA opta por OpenMDW 1.1. Etiquetar las cuatro propuestas bajo la fórmula genérica de «gratuitas para cualquier uso comercial» borraría condiciones que pueden condicionar un proyecto antes de salir a producción.

NVIDIA publica además recetas y recursos de entrenamiento. Este material enriquece la versión más allá de la mera descarga del punto de control, pero no debe interpretarse como una garantía de que cada elemento utilizado durante la fase de entrenamiento pueda conseguirse y reproducirse de forma independiente. Distribuir pesos abiertos, compartir documentación técnica de entrenamiento y garantizar una reproducción exacta y autónoma de todo el proceso son tres afirmaciones radicalmente distintas.

Qué ocurrió en mi prueba en polaco

El 19 de octubre envié a cada modelo los mismos 12 enunciados a través de la API, con una única ejecución por tarea (puedes consultar el método completo y cada fallo registrado en mi análisis sobre los cuatro modelos abiertos probados en polaco). El banco de pruebas se configuró con temperatura 0 y un límite de 6000 tokens de salida que abarcaba de forma conjunta el razonamiento y la respuesta final. Las tareas incluyeron operaciones aritméticas, gramática polaca, extracción de datos de facturas en formato JSON, un cálculo de suma de comprobación y la identificación del día de la semana de una fecha histórica. Se trató de una comprobación práctica centrada en salidas breves, no de una evaluación exhaustiva de inteligencia general.

Todos los fallos registrados correspondieron a respuestas vacías tras alcanzar con exactitud el límite de 6000 tokens de generación. Muse se bloqueó en la conversión de unidades al transformar 2.5 horas a segundos. StepFun Step 5 se atascó en la instrucción restringida a tres palabras, en la pregunta sobre las regiones administrativas de Polonia y en la corrección ortográfica. Las respuestas con contenido emitidas por los modelos resultaron válidas tras aplicar la corrección de criterio que detallo a continuación.

Corregí una regla inicial en el evaluador automático. En un principio, el sistema exigía el infinitivo polaco «wziąć», pero tres de los modelos respondieron con una construcción en imperativo perfectamente legítima: «Weź parasol, bo na pewno będzie padać» (que significa «Llévate el paraguas, porque seguro que va a llover»). Al admitir esta variante gramatical, las puntuaciones de Muse, DeepSeek y Nemotron sumaron un punto adicional. La respuesta de Step para esa tarea concreta llegó totalmente en blanco.

Los tiempos de respuesta reflejan el comportamiento de estas peticiones vía API, sujetas a las condiciones operativas de los servicios en ese instante. Cada solicitud pudo gestionarse sobre diferentes arquitecturas de servidores y cada tarea se ejecutó una única vez. Estas cifras no establecen una clasificación universal de velocidad ni predicen el rendimiento en hardware local. De igual modo, una puntuación perfecta en esta prueba no presupone la calidad de redacción extensa, la precisión en traducción ni la solvencia en otros idiomas.

Ejecución en IA local frente al consumo por API

La vía de la API permite evaluar estos sistemas sin montar previamente una infraestructura de inferencia a gran escala. Ese fue el camino que escogí para llevar a cabo esta prueba. El despliegue de una IA local cobra sentido cuando la exigencia de control sobre el checkpoint, la soberanía de los datos, la personalización técnica o las cargas de trabajo continuas justifican la inversión en equipamiento y mantenimiento. Son decisiones de infraestructura bien diferenciadas de una simple sesión de prueba de una tarde.

La ficha técnica de Meta señala un requisito de unos 700 GB de memoria de GPU para la cuantización NVFP4 y cerca de 2 TB para precisión BF16. Su ejemplo de despliegue en el entorno Mac contempla dos estaciones M5 Ultra Mac Studio equipadas con 512 GB de memoria unificada cada una. Se trata de una configuración extrema de alta capacidad, de ningún modo de un indicio de que un ordenador portátil estándar pueda mover el modelo con fluidez.

Los ejemplos de infraestructura facilitados por StepFun recurren a cuatro GPU B300 o bien ocho aceleradoras H200 para trabajar en precisión FP8. Por su parte, NVIDIA lista entre sus opciones para Super VL en formato NVFP4 un único sistema DGX Spark o una H200, así como nodos de dos GPU H100. Son recomendaciones oficiales de los desarrolladores, no mediciones realizadas sobre mis propios equipos. Conviene recordar que los distintos formatos de precisión y las reservas de contexto no pueden intercambiarse a la ligera.

• Determina el checkpoint exacto y el formato de cuantización antes de calcular la memoria necesaria.
• Configura el entorno de ejecución documentado por el fabricante y respeta las plantillas de conversación requeridas.
• Comienza con una ventana de contexto prudente y un volumen de concurrencia realista.
• Valida las respuestas finales, la generación estructurada y las llamadas a funciones con tareas propias de tu flujo de trabajo.
• Amplía el contexto o el tamaño de lote únicamente tras medir el consumo real en todo el despliegue.

Cargar los pesos con éxito en memoria supone solo el primer paso. Una aplicación real exige margen operativo adicional para alojar el estado de la conversación y las operaciones intermedias de cálculo. Para estos modelos masivos, el concepto de entorno local alude casi siempre a estaciones de trabajo dedicadas o clústeres bajo control directo. Una tarjeta gráfica convencional para juegos con 24 GB no debe tomarse como base de partida para los puntos de control completos analizados aquí. Las alternativas viables para un PC doméstico están recogidas en mi guía para ejecutar IA en local, mientras que mi banco de pruebas de modelos locales en RTX 4090 expone con datos precisos qué nivel de rendimiento ofrece ese segmento de hardware.

Cómo elegir entre estos modelos según la tarea

Para procesar tareas breves en polaco similares a las de mi prueba, DeepSeek y Nemotron se posicionan como los candidatos iniciales más sólidos a partir de los datos que registré. Ambos resolvieron con éxito cada uno de los ejercicios. Representa un motivo suficiente para incorporarlos en una fase de evaluación, pero no basta para designar un modelo de producción definitivo sin realizar pruebas previas con textos extensos, historiales amplios y múltiples peticiones simultáneas.

Muse Spark Open demanda una valoración orientada a otros propósitos si el interés radica en la invocación de herramientas o en tareas complejas de ingeniería, áreas que Meta destaca en su documentación. La pregunta de conversión que quedó sin respuesta pone de manifiesto un problema bajo el margen de tokens fijado en mi prueba; sin embargo, ese fallo aislado no determina por sí solo la utilidad del modelo en flujos de trabajo autónomos complejos. Step 5 exige una consideración similar, vigilando con especial atención si la fase de razonamiento interno agota el presupuesto antes de generar la respuesta visible.

En proyectos centrados en documentación visual o análisis de imagen, la arquitectura multimodal de Nemotron adquiere gran relevancia, aunque conviene aclarar que la tarea de facturación de este test consistió en texto plano. No envié facturas escaneadas, capturas de pantalla ni archivos de vídeo. Las capacidades teóricas que anuncia un fabricante y las modalidades efectivamente examinadas en un análisis nunca deben confundirse.

El coste de las API requiere una comparación minuciosa y contextualizada en el tiempo. La estructura oficial de precios de DeepSeek discrimina entre aciertos de caché y tokens de entrada sin caché, además de variar según franjas valle y punta. El gasto total anotado durante una prueba puntual del pasado no equivale a una tarifa plana de catálogo. Los tokens consumidos durante el proceso de razonamiento oculto impactan en la factura tanto como el texto final legible, en particular si una respuesta vacía termina consumiendo íntegramente el límite asignado.

Las cuatro guías que componen esta serie

• Muse Spark Open: análisis del gigante de 816B de Meta, requisitos de hardware, despliegue en Mac, licencias y el desglose de su resultado 11/12.
• DeepSeek V4.1 Flash 1017: novedades del checkpoint, tarifas oficiales de la API en USD, integración de Search y Fetch API y su rendimiento de 12/12.
• Cuatro modelos abiertos a examen en polaco: metodología, el conjunto de las 12 tareas, tiempos, gasto de tokens y la corrección del criterio de evaluación.
• Nemotron 3.5 Super VL frente a Step 5: dos vías operativas de despliegue y dos filosofías de licencia marcadamente distintas.

He reunido más análisis independientes sobre modelos de lenguaje e inferencia en el Laboratorio de este blog.

Preguntas frecuentes

¿Qué modelo ha ganado la comparativa?

DeepSeek y Nemotron empataron en cabeza con un 12/12 en mi prueba en polaco. DeepSeek registró la mediana de tiempo por petición más baja durante esta sesión. Esta prueba técnica no determina un ganador absoluto para tareas de programación, visión por ordenador, redacción en inglés o desarrollo de agentes autónomos.

¿Se pueden utilizar los cuatro en proyectos comerciales?

Las licencias contemplan vías para el uso comercial, aunque bajo condiciones notablemente dispares. La licencia vigente de StepFun exige un acuerdo comercial independiente antes de que los fabricantes de hardware integren el modelo en dispositivos físicos, así como para proveedores de modelos como servicio con ingresos superiores a 20 millones de dólares en 12 meses; la licencia de Meta impone un umbral equivalente de 20 millones de dólares para operadores de servicios MaaS. Recomiendo examinar detenidamente la licencia correspondiente al uso previsto.

¿Se solucionarían las respuestas vacías ampliando el límite de tokens?

Podría mitigar el problema en ciertos casos, pero mi prueba no contempló una reejecución con mayor margen. Incrementar el límite de salida también puede disparar el tiempo de espera y el coste por llamada. Es aconsejable tratar cualquier variación en el presupuesto de tokens como un experimento operativo y no como una solución garantizada.

¿Son extrapolables estos resultados en polaco a otros idiomas?

Ofrecen una base comparativa de partida, pero obligan a realizar pruebas directas en cada idioma de destino. La gramática, la ortografía, los modismos locales y las respuestas alternativas válidas exigen comprobaciones adaptadas a cada lengua. Traducir los enunciados de una batería de pruebas no asegura que se mantengan idénticos el nivel de dificultad ni las pautas de evaluación.