Pesos abiertos no es barra libre

Lo que te descargas son números

Un modelo de IA tiene tres piezas: la arquitectura, que es el diseño de la red; los parámetros, entre ellos los pesos, y el código de inferencia, que es el programa que lo pone a funcionar. La arquitectura se parece al plano de un edificio vacío; los pesos son lo que el entrenamiento ha ido escribiendo dentro.

Entrenar es la parte cara: consiste en ajustar esos números una y otra vez con enormes cantidades de datos hasta que el modelo responde bien. Quien descarga los pesos aprovecha ese trabajo sin repetirlo.

El tamaño varía muchísimo: los cuatro modelos publicados el 15 de octubre van de unos pocos millones de parámetros a más de 800.000 millones, y eso decide en qué máquina caben.

La OSI pone el listón

Para la OSI, los pesos abiertos son los pesos y sesgos finales de una red ya entrenada, los valores que determinan cómo interpreta el modelo lo que recibe y qué devuelve. Compartirlos con una licencia aprobada por la OSI permite a otros ajustar, adaptar o desplegar el modelo.

Pero es solo una parte. Unos pesos abiertos no incluyen el código de entrenamiento, ni los datos, ni el detalle de cómo se limpiaron y equilibraron. Sin esas piezas, advierte la OSI, se ve el estado final del modelo, pero es difícil reproducirlo, auditarlo o entender cómo se entrenó.

La comparación más sencilla es la de un pastel. Los pesos son el pastel terminado: puedes comerlo, cortarlo o decorarlo de nuevo, pero sin la receta ni la lista de ingredientes no sabes cómo se hizo ni puedes hornear otro igual.

Pesos abiertos no es código abierto

La Open Source AI Definition 1.0 fija cuatro libertades: usar el sistema para cualquier fin y sin pedir permiso, estudiar cómo funciona, modificarlo para cualquier fin y compartirlo, con cambios o sin ellos. Para ejercerlas hay que tener lo que la definición llama la forma preferida para hacer modificaciones.

En un sistema de aprendizaje automático, esa forma incluye, con términos aprobados por la OSI, información sobre los datos lo bastante detallada como para que una persona experta construya un sistema sustancialmente equivalente, el código completo de entrenamiento y ejecución, y los parámetros. Y vale para cada pieza suelta: unos pesos solo son de código abierto si vienen con la información sobre los datos y el código que los produjeron.

Con ese listón en la mano, la primera libertad ya separa las aguas. Una licencia que veta usos concretos u obliga a pedir permiso a partir de cierta facturación no deja usar el modelo para cualquier fin sin preguntar. Y una licencia permisiva tampoco basta por sí sola: faltarían la información sobre los datos y el código.

Para qué sirve tenerlos en casa

Tener los pesos permite ejecutar el modelo en tus propias máquinas, sin enviar datos a nadie. Black Forest Labs, laboratorio de IA para imagen con sedes en Friburgo (Alemania) y San Francisco cuya última ronda, una serie B de 300 millones de dólares en diciembre de 2025, colideraron Salesforce Ventures y Anjney Midha (AMP), con a16z, General Catalyst y la propia Nvidia entre sus inversores, lo dice de su FLUX 3 Image Klein: los equipos con requisitos de soberanía de datos o de despliegue local pueden evaluarlo y adaptarlo en su propia infraestructura.

Mistral AI, la empresa europea de IA fundada en 2023, se financia con capital privado: en septiembre de 2026 anunció una serie D de 3.000 millones de euros liderada por Samsung Electronics, con una valoración de más de 21.000 millones tras la ronda. Con Timestral, su familia de modelos para prever series temporales, va más lejos: dice que puede desplegarlo en el hardware del cliente, incluidas redes aisladas de internet.

La segunda utilidad es adaptarlos. Black Forest Labs publica una versión base de Klein precisamente para ajuste fino, LoRA e investigación, y la licencia de Muse Spark Open, de Meta, permite expresamente ajustar el modelo, crear derivados, destilarlo y fusionarlo.

El límite es el hardware: la tabla va de una tarjeta gráfica doméstica a un servidor con cientos de gigas de memoria. Por eso Muse también se ofrece por API a través de proveedores externos.

Cuatro licencias, cuatro letras pequeñas

La más permisiva es OpenMDW, la licencia de Nemotron 3.5 Super VL, el modelo de Nvidia que entiende texto, imágenes y vídeo. La presentaron en 2025 la Linux Foundation, organización sin ánimo de lucro que acoge proyectos abiertos, y la PyTorch Foundation, que custodia la biblioteca de aprendizaje automático PyTorch dentro de la propia Linux Foundation. Permite usar, modificar y redistribuir sin restricciones, incluye permiso sobre las patentes que el modelo contenga y no impone nada sobre los resultados; a cambio, quien demande alegando que el modelo infringe patentes o derechos de autor pierde la licencia, salvo que responda a una demanda previa contra él.

En el otro extremo está la FLUX Kommunity License: por defecto, uso no comercial, y solo quien cumple su umbral de facturación puede aprovechar comercialmente las imágenes que genera. Además, nadie puede usar el modelo ni sus resultados para mejorar un competidor de FLUX.

Entre medias, Meta y Mistral parten de la redacción de la licencia MIT, una de las más abiertas del software, y le añaden condiciones: Meta, una política de uso y un aviso obligatorio en el producto; Mistral, un tope de facturación que deja fuera a las empresas grandes.

El umbral no se mide igual en todas

Muse y Timestral coinciden en la cifra y en poco más. Muse suma los ingresos de doce meses seguidos, filiales incluidas, y solo cuentan si ofreces el modelo como servicio, es decir, si das acceso a terceros por API para que reciban sus resultados. El uso interno, la investigación y las funciones de un producto propio quedan fuera de esa cláusula.

Timestral mira el mes anterior y la facturación consolidada de tu empresa o de la que te emplea. Si se supera, no hay ningún derecho sobre el modelo ni sobre sus derivados, sea cual sea el uso; queda pedir a Mistral una licencia comercial, que concede a su criterio, o usar su nube.

FLUX Kommunity mide ingresos anualizados y su excepción solo cubre la generación comercial de resultados: la ficha avisa de que no es un permiso general para ajustar el modelo con fines comerciales ni para distribuirlo. OpenMDW no tiene umbral.

Cinco preguntas antes de descargar

Leer una licencia de modelo cuesta menos con las preguntas preparadas. Estas cinco ordenan la lectura; si hay dinero o clientes de por medio, manda el texto completo y, si hace falta, alguien que sepa de derecho.

Primera: ¿permite el uso comercial, y de qué? No es lo mismo vender lo que el modelo genera que vender el modelo, ajustarlo para un cliente o redistribuirlo.

Segunda: ¿hay umbral de ingresos y cómo se mide? Al año o al mes, con o sin filiales, contando tu empresa o la que te emplea, y para cualquier uso o solo para ofrecer el modelo como servicio.

Tercera: ¿obliga a atribuir? Algunas piden incluir la licencia en cada copia; otras, un aviso visible en tu producto, como el «Built with Muse Spark Open» de Meta.

Cuarta: ¿qué usos prohíbe y a quién no se dirige? Las listas incluyen usos militares, vigilancia o biometría, y Muse Spark Open no está pensado para menores de edad.

Quinta: ¿qué pasa con lo que generas y con lo que construyes encima? Meta no reclama la propiedad de los resultados, pero considera derivado cualquier modelo entrenado con ellos; FLUX veta usarlos para mejorar un competidor, y OpenMDW no impone nada sobre ellos.

Un caso de ejemplo: una tienda online

Un caso inventado para practicar: una tienda online de cerámica de Valencia, con diez empleados y una facturación equivalente a 2 millones de dólares al año, quiere fotos de producto, un asistente en su web y una previsión de pedidos. No hay mediciones detrás, solo la lectura de las licencias.

Para las fotos encaja FLUX 3 Image Klein: la tienda factura por debajo del umbral anual, así que puede usar comercialmente las imágenes que genere, con las condiciones de la licencia. Si quisiera ajustar el modelo con su catálogo con fines comerciales, la ficha advierte de que la excepción no lo cubre por sí sola. Y esas fotos no pueden servir para entrenar un generador de imágenes propio.

Para el asistente, Muse Spark Open pide 700 GB de memoria gráfica, fuera del alcance de una tienda, y por API habría que leer además las condiciones del proveedor. Si lo ejecutara en sus servidores, la cláusula de los 20 millones, tal como está redactada, no parece afectarle: un asistente en su propia web es una función de su producto, no un servicio de modelo; sí tendría que mostrar el aviso de Meta y cumplir la política de uso, que advierte de que el modelo no está pensado para menores de 18 años. Nemotron 3.5 Super VL, con OpenMDW, no le pondría límites de uso, pero su versión NVFP4 pide al menos una DGX Spark o una GPU de centro de datos como la H200, según la ficha de Nvidia.

La previsión de pedidos es lo más sencillo: Timestral funciona en una CPU de servidor y la tienda está muy lejos del umbral mensual, así que bastaría con conservar el aviso de atribución en las copias. Pero si mañana la comprara un grupo que factura más de 20 millones de dólares al mes, podría perder los derechos sobre el modelo y sobre lo que haya construido con él: la licencia cuenta la facturación consolidada, y habría que comprobar si pasa a contar la del grupo.