La respuesta corta
En capacidad bruta a escala de centro de datos, los líderes de las clasificaciones a mediados de 2026 son Kimi K3, cuyos pesos publicó Moonshot en julio de 2026 con una ventana de contexto de 1M de tokens, y DeepSeek V4, cuya variante Pro reporta un 80,6% en el benchmark de programación SWE-bench Verified bajo licencia MIT. Ambos son competitivos frente a los modelos cerrados líderes en evaluaciones públicas.
Para una sola GPU buena, los modelos densos medianos de Qwen son la opción por defecto. Para un portátil sin GPU alguna, modelos pequeños como Gemma son el techo realista. Y para los desarrolladores que solo quieren inferencia barata y capaz a través de una API, Llama 3.3 70B y DeepSeek V3.2 responden por una fracción diminuta de lo que cobran los modelos de frontera.
El titular honesto es que "cuál es el mejor modelo abierto" tiene ahora la misma forma de respuesta que qué modelo de IA usar en general: depende de la tarea y de dónde se ejecute, y la brecha con los modelos cerrados se ha reducido tanto que el precio y la licencia a menudo deciden.
¿Código abierto o pesos abiertos? La licencia sí importa
La etiqueta "código abierto" cubre tres acuerdos distintos, y la diferencia es invisible hasta que te cuesta dinero.
Licencias verdaderamente abiertas (MIT, Apache). DeepSeek publica bajo MIT: úsalo, modifícalo, construye un producto comercial sobre él, sin condiciones dignas de preocupación. Es el significado más estricto de código abierto, y en 2026 varios modelos de nivel frontera por fin lo llevan.
Pesos abiertos con condiciones. La licencia de Llama de Meta es el ejemplo famoso: los pesos son descargables y gratuitos para casi todo el mundo, pero la licencia restringe despliegues comerciales a muy gran escala y ciertos usos. La explicación de Llama cubre por qué esta distinción se discute tanto en internet.
Pesos abiertos, restricciones de investigación. Algunos lanzamientos permiten investigación y uso personal pero restringen por completo el despliegue comercial. Lee antes de construir.
Para una persona que usa estos modelos a través de un producto de chat, nada de esto cambia algo. Para una empresa que lanza software sobre uno de ellos, la licencia es el primer dato a revisar, antes que cualquier benchmark.
Los principales modelos abiertos de 2026, comparados
Los precios son tarifas de API alojada por millón de tokens del índice de coste de modelos de Whizi, obtenidos el 2026-08-20 de los precios de lista de OpenRouter. Las cifras de benchmark son los resultados reportados por los propios desarrolladores en clasificaciones públicas.
| Modelo | Licencia | Contexto | Entrada / salida por 1M de tokens | Dato destacado |
|---|---|---|---|---|
| Kimi K3 (Moonshot) | Pesos abiertos | 1M | $3.00 / $15.00 | Pesos publicados en julio de 2026; lidera las clasificaciones abiertas |
| DeepSeek V3.2 | MIT | 164K | $0.27 / $0.40 | Respuestas de nivel frontera a precios de materia prima |
| DeepSeek V4 Pro | MIT | 1M | $1.19 / $3.56 | Reporta un 80,6% en SWE-bench Verified |
| Llama 4 Maverick (Meta) | Licencia Llama | 1M | $0.20 / $0.80 | El contexto de 1M más barato del índice |
| Llama 3.3 70B (Meta) | Licencia Llama | 131K | $0.10 / $0.32 | El caballo de batalla: en todas partes, y casi gratis |
| Mistral Large 3 | Pesos abiertos | 262K | $0.50 / $1.50 | El lanzamiento abierto europeo más fuerte |
| Qwen3.7 Flash | Apache | 1M | $0.03 / $0.13 | Contexto de 1M al precio más bajo de su clase |
Dos patrones que vale la pena notar. Primero, las ventanas de contexto de 1M de tokens, antes una ventaja de venta de los modelos cerrados, ahora son estándar en los lanzamientos abiertos; la comparación de ventanas de contexto recoge la tabla completa. Segundo, el suelo de precios sigue cayendo: Qwen3.7 Flash responde una consulta estándar por $0.000095 en el índice de coste, lo que pone mil respuestas por debajo de diez centavos.
¿Qué cuesta realmente usarlos?
El índice de coste de Whizi da precio a cada modelo por una respuesta estándar, 1.000 tokens de entrada más 500 de salida, para que las tarifas de lista se puedan comparar. En esa medida, los modelos abiertos no son ligeramente más baratos que los modelos cerrados de frontera; son una categoría económica distinta.
Una respuesta estándar de Llama 3.3 70B cuesta $0.00026. De DeepSeek V3.2, $0.00047. De Kimi K3, el modelo abierto más caro del índice, $0.0105. Los modelos cerrados de frontera se sitúan entre $0.0175 y $0.035 por la misma respuesta, y la horquilla completa del índice, del más barato al más caro, es de aproximadamente 2.000x. Mil respuestas de Llama 3.3 cuestan 26 centavos; las mismas mil de un modelo cerrado de frontera pueden superar los $30.
Por eso los modelos abiertos alimentan silenciosamente el nivel rápido o económico de muchos productos de IA, y por eso las tareas de gran volumen, clasificación, extracción, resumir a escala, casi siempre terminan en ellos. El índice de coste en vivo tiene la tabla completa de 100 modelos con las cuentas por respuesta.
La advertencia que mantiene esto honesto: ejecutar los pesos tú mismo solo es gratis si tu tiempo y tu hardware lo son. Una GPU capaz de servir bien un modelo de 70B es una compra de cuatro cifras, y los modelos medianos que caben en una GPU de consumo cambian capacidad por eso. Para la mayoría de la gente, el acceso alojado a modelos abiertos captura la ventaja de precio sin el hardware.
Qué modelo abierto para qué trabajo
Trabajo de gran volumen y sensible al coste (resúmenes, extracción, etiquetado): Llama 3.3 70B o Qwen3.7 Flash. A fracciones de una décima de centavo por respuesta, el coste de equivocarse de vez en cuando es menor que el coste de que un modelo premium tenga razón.
Programación: DeepSeek V4 Pro o las variantes de programación de Kimi K3. Las cifras reportadas de SWE-bench los ponen en competencia real con los asistentes de programación cerrados, y la licencia MIT hace de DeepSeek la opción segura para integrar. Claude frente a DeepSeek los prueba cara a cara.
Documentos largos: cualquiera de los lanzamientos con contexto de 1M, con Llama 4 Maverick como la opción económica a $0.20 por millón de tokens de entrada.
Local y privado: un modelo mediano de Qwen en una GPU de 24 GB, o modelos pequeños de clase Gemma en un portátil. La privacidad es absoluta, la capacidad es de gama media, y la guía de Llama cubre expectativas realistas para la ejecución local.
Trabajo multilingüe y alojado en Europa: Mistral Large 3, que también respalda la explicación de Mistral.
Dónde los modelos abiertos aún pierden
Una guía honesta nombra las brechas, porque son reales y decantan las decisiones de compra.
La cima del razonamiento. En las tareas de razonamiento multipaso y agénticas más difíciles, los modelos cerrados de frontera aún mantienen la ventaja en la mayoría de las evaluaciones publicadas. La brecha se cerró de forma dramática; no se ha cerrado.
Pulido y producto. Los pesos abiertos se lanzan como pesos. Los modos de voz, las herramientas de investigación profunda, la memoria y los ecosistemas de apps son ingeniería de producto que los proveedores cerrados empaquetan y que los modelos abiertos dejan en manos de quien los aloje.
Consistencia del alojamiento. El mismo modelo abierto puede rendir de forma distinta según el proveedor de alojamiento, dependiendo de la cuantización y las decisiones de servido, un fallo que las API cerradas no tienen. Si un modelo abierto parece de repente peor, el proveedor es sospechoso antes que el modelo.
Soporte y responsabilidad. Cuando un modelo cerrado se comporta mal, hay un proveedor. Cuando unos pesos alojados por ti mismo se comportan mal, hay un sistema de tickets de GitHub.
Tres formas de usar uno de verdad
1. A través de un espacio de trabajo multimodelo. La vía sin configuración: Whizi incluye modelos abiertos como Llama, DeepSeek, Kimi, Qwen y Mistral junto a GPT, Claude y Gemini, así que abierto contra cerrado deja de ser una decisión de suscripción y pasa a ser una decisión por pregunta. Envía el trabajo de volumen a los modelos abiertos baratos y el razonamiento difícil a un modelo líder en la misma conversación.
2. A través de una API. Para los desarrolladores, los modelos abiertos alojados a los precios de arriba son la principal razón para mirar más allá de los proveedores de frontera en cargas de trabajo de producción.
3. En tu propio hardware. Ollama y LM Studio hacen que la ejecución local sea de verdad fácil ahora. Elige esto por privacidad o necesidades sin conexión, no por ahorro; la electricidad es barata pero la GPU no.
- Revisa la licencia antes de construir nada comercial: MIT y Apache son incondicionales, las licencias tipo Llama no lo son
- Dirige las tareas de gran volumen a modelos abiertos primero; la brecha de precio por respuesta es de 20 a 100 veces
- Confía en los benchmarks reportados como una lista corta, luego prueba en tu propia tarea antes de comprometerte
- Si un modelo abierto alojado rinde mal, prueba con otro proveedor antes de culpar al modelo
- Ejecuta en local por privacidad o uso sin conexión, no para ahorrar dinero
- Mantén un modelo de frontera disponible para las tareas donde la brecha aún se nota
Preguntas frecuentes
¿Cuál es el mejor LLM de código abierto ahora mismo?
En las clasificaciones publicadas a mediados de 2026, Kimi K3 lidera en general entre los lanzamientos abiertos, con DeepSeek V4 Pro cerca detrás y con los mejores resultados de programación bajo una licencia MIT verdadera. Para una sola GPU, los modelos densos medianos de Qwen son la elección habitual. La clasificación cambia cada pocos meses, así que trata cualquier respuesta estática como una lista corta de partida.
¿Los LLM de código abierto son tan buenos como ChatGPT o Claude?
En muchos benchmarks publicados, los mejores modelos abiertos ya están a pocos puntos de los modelos cerrados líderes, y para preguntas cotidianas la diferencia es difícil de notar. Los modelos cerrados mantienen una ventaja en las tareas de razonamiento más difíciles y llegan con mucho más pulido de producto: voz, herramientas de investigación y memoria. Para trabajo de gran volumen o sensible al coste, los modelos abiertos son con frecuencia la mejor opción.
¿Los LLM de código abierto son realmente gratis?
Los pesos son gratis para descargar; el cómputo nunca lo es. Ejecutar un modelo capaz por tu cuenta requiere una GPU seria, y el acceso alojado tiene precio por token, aunque muy barato: alrededor de $0.0003 por respuesta estándar para Llama 3.3 70B frente a $0.02 o más para un modelo cerrado líder. Gratis en el sentido de la licencia, barato en el sentido práctico.
¿Puedo ejecutar un LLM de código abierto en mi portátil?
Sí, con expectativas ajustadas. Herramientas como Ollama y LM Studio ejecutan modelos pequeños y medianos en hardware de consumo, y un portátil sin una GPU potente maneja los pequeños. Obtienes privacidad completa y uso sin conexión; renuncias a la capacidad de los modelos grandes, que necesitan hardware de centro de datos o un proveedor alojado.
¿Cuál es la diferencia entre código abierto y pesos abiertos?
Código abierto en sentido estricto significa una licencia como MIT o Apache sin restricciones significativas, que llevan los lanzamientos de DeepSeek y Qwen. Pesos abiertos significa que el modelo es descargable pero la licencia añade condiciones, como la licencia de Llama que restringe los despliegues comerciales muy grandes. Las personas rara vez notan la diferencia; las empresas que integran un modelo deben revisarla primero.
