{"id":28112,"date":"2026-02-11T09:44:39","date_gmt":"2026-02-11T08:44:39","guid":{"rendered":"https:\/\/contabo.com\/blog\/los-mejores-llm-de-codigo-abierto-guia-completa-2026\/"},"modified":"2026-03-05T17:09:17","modified_gmt":"2026-03-05T16:09:17","slug":"los-mejores-llm-de-codigo-abierto-guia-completa-2026","status":"publish","type":"post","link":"https:\/\/contabo.com\/blog\/es\/los-mejores-llm-de-codigo-abierto-guia-completa-2026\/","title":{"rendered":"Los Mejores LLM de C\u00f3digo Abierto: Gu\u00eda Completa 2026"},"content":{"rendered":"\n
\"Best<\/figure>\n\n\n\n

ChatGPT acapara toda la atenci\u00f3n con sus 180 millones de usuarios. Mientras tanto, m\u00e1s de la mitad del mercado de LLM se ejecuta on-premises. No es un error tipogr\u00e1fico. M\u00e1s organizaciones conf\u00edan en modelos de lenguaje de c\u00f3digo abierto que puedes poseer, modificar y controlar, en lugar de APIs propietarias que te obligan a alquilar mes tras mes.<\/p>\n\n\n\n

Desde principios de 2023, los lanzamientos de modelos de c\u00f3digo abierto casi se han duplicado en comparaci\u00f3n con las alternativas de c\u00f3digo cerrado. Las empresas se cansaron de ver c\u00f3mo sus facturas de API se disparaban mientras los proveedores cambiaban las estructuras de precios de forma arbitraria. Quer\u00edan v\u00edas de escape. Las consiguieron.<\/p>\n\n\n\n

Esta gu\u00eda elimina el ruido del marketing. Examinaremos los principales LLM de c\u00f3digo abierto que realmente importan en 2026, compararemos su rendimiento en el mundo real y te mostramos c\u00f3mo desplegarlos usando Ollama y LangChain sin quemar tu presupuesto de infraestructura.<\/p>\n\n\n\n

Visi\u00f3n General de los Modelos LLM de C\u00f3digo Abierto<\/h2>\n\n\n\n

Los modelos LLM de c\u00f3digo abierto vienen en dos variantes: modelos base y variantes ajustadas (ajuste fino). Los modelos base conocen los patrones del lenguaje. Los modelos ajustados siguen instrucciones. Necesitar\u00e1s estos \u00faltimos para cualquier cosa \u00fatil.<\/p>\n\n\n\n

El ecosistema abarca desde modelos de 1B de par\u00e1metros que se ejecutan en tu m\u00f3vil hasta monstruos de 670B par\u00e1metros que requieren varias GPU H100. El tama\u00f1o importa en este contexto de una manera inesperada. Un modelo de 7B bien ajustado a menudo supera a uno de 70B mal configurado. El contexto importa m\u00e1s que la cantidad bruta de par\u00e1metros.<\/p>\n\n\n\n

Este art\u00edculo se centra en modelos disponibles a trav\u00e9s de Ollama porque el despliegue manual hace perder tiempo. \u00bfPor qu\u00e9 pasar tres d\u00edas pele\u00e1ndote con entornos de Python cuando Ollama lo gestiona en tres comandos? Cada modelo aqu\u00ed funciona con flujos de trabajo est\u00e1ndar. No necesitas hardware especial.<\/p>\n\n\n\n

Las opciones de despliegue se dividen en tres grupos: en local para los fan\u00e1ticos de la privacidad de los datos, en la nube para los entusiastas de la escalabilidad e h\u00edbrido para quienes no pueden decidirse. Elige en funci\u00f3n de tus requisitos de cumplimiento, no del ruido publicitario de los proveedores. HIPAA exige en local. \u00bfTodo lo dem\u00e1s? T\u00fa decides.<\/p>\n\n\n\n

Ventajas y Desventajas de los LLM de C\u00f3digo Abierto<\/h2>\n\n\n\n

Es tuyo. Esa es la ventaja de los LLM que todo el mundo dice querer hasta que se da cuenta de que ser propietario implica responsabilidad. Ning\u00fan proveedor puede descatalogar tu modelo, cambiar los precios o cerrar tu acceso a la API. T\u00fa controlas los datos de entrenamiento, el proceso de ajuste fino y la infraestructura de despliegue.<\/p>\n\n\n\n

El ajuste fino funciona mejor con modelos de c\u00f3digo abierto porque puedes ajustar hiperpar\u00e1metros que los desarrolladores originales nunca expusieron. Las contribuciones de la comunidad ayudan a acelerar este proceso. Alguien ya resolvi\u00f3 tu problema de optimizaci\u00f3n; solo necesitas encontrar su repositorio en GitHub.<\/p>\n\n\n\n

Los costes se vuelven previsibles. En lugar de ver c\u00f3mo los precios basados en el uso se disparan durante la semana de lanzamiento, pagas por servidores. Los costes fijos superan a las pesadillas variables. A tu CFO le encantar\u00e1. Puede que a tu equipo de infraestructura no tanto.<\/p>\n\n\n\n

Aqu\u00ed est\u00e1 lo que nadie menciona: la calidad va por detr\u00e1s de GPT-4 y Claude. Los equipos de c\u00f3digo abierto no cuentan con presupuestos de entrenamiento de miles de millones de d\u00f3lares. Lo compensan con arquitecturas ingeniosas y esfuerzo de la comunidad, pero \u00bfel rendimiento puro? Los modelos cerrados siguen ganando en la mayor\u00eda de los benchmarks.<\/p>\n\n\n\n

La seguridad se complica cuando los pesos del modelo residen en tus servidores. Los atacantes pueden sondear vulnerabilidades sin l\u00edmites de velocidad. La inyecci\u00f3n de prompts, el envenenamiento de datos y los ataques de inversi\u00f3n de modelos se vuelven m\u00e1s f\u00e1ciles. T\u00fa eres responsable de la defensa. No hay ning\u00fan equipo de seguridad al que llamar cuando algo falla.<\/p>\n\n\n\n

Las licencias var\u00edan enormemente. Apache 2.0 significa \u00abhaz lo que quieras\u00bb. La licencia Llama de Meta a\u00f1ade restricciones comerciales a gran escala. Algunos modelos proh\u00edben por completo el uso comercial. Lee la letra peque\u00f1a o tus abogados la leer\u00e1n por ti m\u00e1s adelante.<\/p>\n\n\n\n

Comparaci\u00f3n de LLM de C\u00f3digo Abierto<\/h2>\n\n\n\n

No existe el mejor LLM de c\u00f3digo abierto. Quien afirme lo contrario est\u00e1 vendiendo algo. El modelo adecuado depende de tu caso de uso, tu hardware y tu tolerancia a depurar a las 2 de la ma\u00f1ana.<\/p>\n\n\n\n

Los benchmarks mienten. No de forma intencionada, pero miden tareas sint\u00e9ticas que no coinciden con el trabajo real. Las puntuaciones de MMLU (Massive Multitask Language Understanding) importan menos que el hecho de que tu chatbot deje de alucinar nombres de clientes. La clasificaci\u00f3n de LLM de c\u00f3digo abierto de Hugging Face ejecuta seis pruebas estandarizadas. Esto es \u00fatil para comparar manzanas con manzanas, pero in\u00fatil para predecir el rendimiento en producci\u00f3n.<\/p>\n\n\n\n

La clasificaci\u00f3n acepta env\u00edos de cualquiera, lo que democratiza la evaluaci\u00f3n e incentiva la manipulaci\u00f3n de m\u00e9tricas. Los modelos se optimizan para el rendimiento en benchmarks en lugar de para un comportamiento \u00fatil. Ya hemos visto esta pel\u00edcula antes con ImageNet.<\/p>\n\n\n\n

Prueba con tus datos reales. Ejecuta el modelo con consultas representativas. Mide la latencia bajo carga. Cuenta las alucinaciones por cada mil respuestas. Los benchmarks sint\u00e9ticos no te dir\u00e1n si el modelo funciona para tu escenario de pesadilla espec\u00edfico.<\/p>\n\n\n\n

Llama 4: Modelo de IA de Prop\u00f3sito General<\/h3>\n\n\n\n

Meta lanz\u00f3 Llama 4 en abril de 2025, y es una bestia diferente a todo lo anterior. Toda la arquitectura cambi\u00f3 a mezcla de expertos (MoE). Tienes dos modelos que realmente puedes descargar hoy: Scout y Maverick.<\/p>\n\n\n\n

Scout ejecuta 17 mil millones de par\u00e1metros activos extra\u00eddos de un total de 109 mil millones repartidos entre 16 expertos. Cabe en una sola H100. Cuant\u00edzalo a int4 y estar\u00e1s ejecutando inferencia seria sin pedir una segunda hipoteca para tu rack. La ventana de contexto de 10 millones de tokens suena incre\u00edble sobre el papel. Las pruebas de aguja en un pajar se superan. \u00bfRecuperaci\u00f3n de documentos en el mundo real? Tu experiencia puede variar. Meta no ha publicado evaluaciones m\u00e1s all\u00e1 de lo b\u00e1sico.<\/p>\n\n\n\n

Maverick es la opci\u00f3n m\u00e1s pesada. Los mismos 17B de par\u00e1metros activos, pero 400B en total repartidos entre 128 expertos, con un l\u00edmite de ventana de contexto de 1 mill\u00f3n. Meta utiliza este modelo internamente para WhatsApp, Messenger e Instagram. Los benchmarks muestran que supera a GPT-4o y Gemini 2.0 Flash. Hay un inconveniente. Meta envi\u00f3 a LMArena una \u00abversi\u00f3n experimental de chat optimizada para la conversacionalidad\u00bb que difiere de la que realmente descargas. La comunidad not\u00f3 que el modelo de producci\u00f3n se comporta de manera diferente. Toma esas cifras de benchmarks con el escepticismo adecuado.<\/p>\n\n\n\n

Este coloso existe en alg\u00fan lugar del cl\u00faster de entrenamiento de Meta. Afirman que tiene 288B de par\u00e1metros activos y aproximadamente 2 billones en total. No est\u00e1 disponible. No planifiques en torno a ello.<\/p>\n\n\n\n

Los modelos ahora son multimodales de forma nativa: texto e im\u00e1genes como entrada, y texto como salida. Entrenados con datos que cubren 200 idiomas, con soporte de ajuste fino para 12: \u00e1rabe, ingl\u00e9s, franc\u00e9s, alem\u00e1n, hindi, indonesio, italiano, portugu\u00e9s, espa\u00f1ol, tagalo, tailand\u00e9s y vietnamita. Sin embargo, los usuarios europeos se llevan una sorpresa desagradable. Las capacidades de visi\u00f3n est\u00e1n bloqueadas en la UE por la pol\u00edtica de uso aceptable de Meta. Por lo tanto, lee los t\u00e9rminos antes de desplegarlo.<\/p>\n\n\n\n

Llama Guard se encarga del filtrado de seguridad de las entradas y salidas. Prompt Guard detecta intentos de jailbreak y de inyecci\u00f3n de prompts. CyberSecEval ejecuta evaluaciones de seguridad. Todo suena razonable sobre el papel de las especificaciones. Los ataques obvios se detectan, pero los m\u00e1s sutiles se cuelan: la historia de siempre con las herramientas de seguridad.<\/p>\n\n\n\n

La licencia sigue siendo de \u00abpesos abiertos\u00bb, no de c\u00f3digo abierto. La Licencia Comunitaria de Llama 4 permite el uso comercial si est\u00e1s por debajo de los 700 millones de usuarios activos mensuales. Ese umbral impide que Microsoft y OpenAI construyan productos competidores sobre el trabajo de Meta, pero tu startup est\u00e1 bien. Est\u00e1s obligado a a\u00f1adir la leyenda \u00abBuilt with Llama\u00bb en los productos comerciales y tus derivados heredan las restricciones de la licencia. Mientras tanto, DeepSeek se distribuye bajo licencia MIT sin ninguna obligaci\u00f3n posterior. Algo que tener en cuenta al elegir tu modelo base.<\/p>\n\n\n\n

Mistral AI: Soluciones de LLM en Dispositivo<\/h3>\n\n\n\n

La startup francesa Mistral AI pas\u00f3 de cero a actor principal en 18 meses. Sus modelos de 3B y 8B se ejecutan en tel\u00e9fonos. Se ejecutan de verdad, no del tipo \u00abt\u00e9cnicamente posible pero inutilizable\u00bb. Los tiempos de respuesta se mantienen por debajo de los 500 ms en hardware reciente.<\/p>\n\n\n\n

Los modelos Ministral superan a las alternativas de tama\u00f1o similar de Google y Microsoft en la mayor\u00eda de los benchmarks. La arquitectura Mixture-of-Experts activa solo las partes necesarias de la red; esto reduce los costes sin sacrificar calidad. En teor\u00eda. En la pr\u00e1ctica, aparecen los compromisos habituales entre velocidad y precisi\u00f3n.<\/p>\n\n\n\n

La llamada a funciones nativa funciona sin prompts especiales: el LLM de Mistral entiende el uso de herramientas desde el primer momento. Los modelos competidores necesitan una ingenier\u00eda de prompts m\u00e1s elaborada para lograr los mismos resultados. Esta funcionalidad importa m\u00e1s que las puntuaciones de benchmarks cuando se construyen agentes.<\/p>\n\n\n\n

Las ventanas de contexto alcanzan los 128k tokens en sus modelos m\u00e1s grandes. \u00datil para el an\u00e1lisis de documentos, pero excesivo para chatbots. La mayor\u00eda de las conversaciones no necesitan m\u00e1s de 8k tokens de contexto, a menos que tus usuarios escriban novelas como prompts.<\/p>\n\n\n\n

La licencia se divide entre Apache 2.0 para los modelos peque\u00f1os y licencias comerciales para los modelos grandes. La empresa Mistral AI necesita ingresos. No se les puede culpar. Su estructura de niveles parece justa en comparaci\u00f3n con alternativas que lo bloquean todo detr\u00e1s de muros de pago.<\/p>\n\n\n\n

Falcon 3: Despliegue de LLM con Recursos Limitados<\/h3>\n\n\n\n

El Instituto de Innovaci\u00f3n Tecnol\u00f3gica de Abu Dabi cre\u00f3 Falcon 3 para ejecutarse en port\u00e1tiles. No en port\u00e1tiles gaming con tres tarjetas gr\u00e1ficas. Port\u00e1tiles normales. El modelo de 3B se ejecuta c\u00f3modamente en un MacBook Air.<\/p>\n\n\n\n

Entrenar con 14 billones de tokens cuesta mucho dinero. Aun as\u00ed, TII lo gast\u00f3, duplicando el volumen de datos de su predecesor. M\u00e1s datos de entrenamiento se correlacionan con un mejor razonamiento. Esta relaci\u00f3n se mantiene hasta que deja de hacerlo. A partir de cierto punto, solo est\u00e1s ense\u00f1ando al modelo a memorizar Stack Overflow.<\/p>\n\n\n\n

La variante Falcon3-Mamba utiliza State Space Models en lugar de transformers. Arquitectura diferente, resultados similares. Inferencia m\u00e1s r\u00e1pida en secuencias largas. Peor rendimiento en secuencias cortas. Elige tu veneno seg\u00fan la longitud de entrada esperada.<\/p>\n\n\n\n

El soporte multiling\u00fce cubre ingl\u00e9s, franc\u00e9s, espa\u00f1ol y portugu\u00e9s. Cuatro idiomas superan el enfoque de Meta de fingir compatibilidad con cincuenta idiomas, donde la calidad se desploma en picado despu\u00e9s del ingl\u00e9s. Las limitaciones honestas ayudan m\u00e1s que las capacidades falsas.<\/p>\n\n\n\n

Gratuito para investigaci\u00f3n y uso comercial bajo la Licencia TII Falcon. No hemos encontrado ninguna trampa oculta. Refrescante despu\u00e9s de leer el documento legal de 12 p\u00e1ginas de Meta.<\/p>\n\n\n\n

Google Gemma 3: Desarrollo Responsable de IA<\/h3>\n\n\n\n

Google cre\u00f3 Gemma 3 utilizando tecnolog\u00eda de Gemini 2.0. El modelo de 27B supera a Llama-405B, DeepSeek-V3 y o3-mini en los benchmarks de LMArena. Eso es un modelo de 27 mil millones de par\u00e1metros superando a algo quince veces m\u00e1s grande. La versi\u00f3n de 4B supera al modelo de 27B de la generaci\u00f3n anterior. La f\u00edsica sigue existiendo, pero Google encontr\u00f3 una laguna mediante entrenamiento por destilaci\u00f3n y una arquitectura de atenci\u00f3n intercalada 5 a 1 que evita que la cach\u00e9 KV se dispare.<\/p>\n\n\n\n

Cinco tama\u00f1os de modelo ahora: 270M, 1B, 4B, 12B y 27B. El diminuto 270M usa un 0,75 % de bater\u00eda para 25 conversaciones en un Pixel 9 Pro. No escribir\u00e1 tu novela, pero clasificar\u00e1 tickets de soporte sin derretir tu dispositivo edge. Los modelos de 4B en adelante son multimodales. Texto e im\u00e1genes. El modelo de 1B se mantiene solo de texto.<\/p>\n\n\n\n

Las ventanas de contexto pasaron de 8K a 128K tokens. Eso son 30 im\u00e1genes de alta resoluci\u00f3n, un libro de 300 p\u00e1ginas o una hora de v\u00eddeo en un solo prompt. Compatibilidad con m\u00e1s de 140 idiomas. La llamada a funciones viene integrada, as\u00ed que puedes crear agentes reales en lugar de pesadillas encadenadas por prompts.<\/p>\n\n\n\n

\u00abDesarrollo responsable de IA\u00bb suena a marketing hasta que lees el informe t\u00e9cnico. Las pruebas internas de Google mostraron mejoras significativas en seguridad infantil, seguridad de contenidos y sesgos de representaci\u00f3n en comparaci\u00f3n con los modelos Gemma anteriores. Realizaron evaluaciones de aseguramiento sin filtros de seguridad para medir el comportamiento bruto del modelo. La mayor\u00eda de los laboratorios se saltan este trabajo aburrido. Entregar r\u00e1pido vence a la seguridad, siempre.<\/p>\n\n\n\n

ShieldGemma 2 filtra contenido de im\u00e1genes da\u00f1inas. Construido sobre la base de 4B, supera a LlavaGuard 7B, GPT-4o mini y al modelo base Gemma 3 en la detecci\u00f3n de contenido sexualmente expl\u00edcito, violento y peligroso. Le proporcionas pol\u00edticas de seguridad personalizadas. Devuelve clasificaciones de s\u00ed\/no con razonamiento. Mejor que nada, peor que una revisi\u00f3n humana, pero al menos escala. La eficacia sigue siendo el cuello de botella.<\/p>\n\n\n\n

La compatibilidad con marcos de trabajo abarca Keras, JAX, PyTorch, Hugging Face y vLLM. En resumen: probablemente puedas hacerlo funcionar con tu stack actual. Probablemente. Tanto AMD con ROCm como NVIDIA han publicado optimizaciones. Gemma QAT te permite ejecutar el modelo de 27B en local sobre GPUs de consumo como la RTX 3090 mediante entrenamiento con cuantizaci\u00f3n consciente (quantization-aware training). Tu equipo gaming acaba de convertirse en un servidor de inferencia en producci\u00f3n. Eso s\u00ed, buena suerte explicando esa factura de electricidad.<\/p>\n\n\n\n

Microsoft Phi-4: IA rentable y eficiente<\/h3>\n\n\n\n

Phi-4 de Microsoft demuestra que los modelos m\u00e1s peque\u00f1os, entrenados con mejores datos, superan a modelos m\u00e1s grandes entrenados con datos de baja calidad. La versi\u00f3n de 16B par\u00e1metros compite de t\u00fa a t\u00fa con alternativas de 70B en tareas de razonamiento. No en todas las tareas, solo en tareas de razonamiento.<\/p>\n\n\n\n

La generaci\u00f3n de datos sint\u00e9ticos suele ser criticada porque ense\u00f1a a los modelos a imitarse a s\u00ed mismos. Microsoft aplic\u00f3 un filtrado agresivo, conserv\u00f3 solo ejemplos de alta calidad y logr\u00f3 resultados que, seg\u00fan las leyes de escalado, no deber\u00edan ser posibles. Al final, las leyes de escalado describen tendencias, no l\u00edmites f\u00edsicos.<\/p>\n\n\n\n

La variante Phi-3.5 MoE activa solo 6,6B par\u00e1metros por entrada, a pesar de tener 42B par\u00e1metros en total. Tu servidor ve una carga de trabajo equivalente a un modelo de 7B. Tu benchmark muestra un rendimiento propio de un modelo de 42B. Al marketing le encanta este truco.<\/p>\n\n\n\n

Las ventanas de contexto alcanzan los 128k tokens en Phi-3.5. Phi-4 baj\u00f3 a 16k. Nadie lo not\u00f3 porque 16k cubre el 99 % del uso real. El otro 1 % escribe art\u00edculos acad\u00e9micos como prompts.<\/p>\n\n\n\n

La licencia Microsoft Research permite el uso comercial, pero con restricciones. L\u00e9ela. Los abogados de Microsoft redactaron un lenguaje muy espec\u00edfico sobre las obras derivadas. Tus abogados tambi\u00e9n deber\u00edan leerla.<\/p>\n\n\n\n

Command R: IA conversacional empresarial<\/h3>\n\n\n\n

Cohere cre\u00f3 Command R para empresas dispuestas a pagar por calidad. El modelo de 104B maneja el razonamiento complejo mejor que la mayor\u00eda de las alternativas. El modelo de 7B se ejecuta de forma local manteniendo un rendimiento aceptable. Elige en funci\u00f3n de si valoras m\u00e1s la calidad o poder dormir tranquilo.<\/p>\n\n\n\n

Las ventanas de contexto de 128k tokens permiten flujos RAG que funcionan de verdad. La mayor\u00eda de los modelos se ahogan con contextos largos. Command R los procesa sin alucinar referencias a documentos que nunca ha visto. Esta fiabilidad cuesta c\u00f3mputo, pero merece la pena en aplicaciones donde la precisi\u00f3n importa.<\/p>\n\n\n\n

El uso de herramientas funciona de forma nativa. El modelo entiende cu\u00e1ndo llamar a funciones, c\u00f3mo interpretar los resultados y qu\u00e9 hacer cuando las APIs devuelven errores. Los competidores tratan el uso de herramientas como algo secundario, pero Cohere lo dise\u00f1\u00f3 desde el inicio para ello.<\/p>\n\n\n\n

La compatibilidad multiling\u00fce cubre 23 idiomas, con niveles de calidad variables. El ingl\u00e9s y el franc\u00e9s funcionan muy bien. El tailand\u00e9s y el vietnamita necesitan ayuda. Cohere documenta estas limitaciones en lugar de fingir que todos los idiomas reciben el mismo trato.<\/p>\n\n\n\n

La licencia CC BY-NC 4.0 bloquea el uso comercial de los pesos abiertos. \u00bfQuieres vender software usando Command R? Paga Cohere. Es justo, entrenar modelos cuesta dinero.<\/p>\n\n\n\n

StableLM: modelos para prototipado r\u00e1pido<\/h3>\n\n\n\n

Stability AI lanz\u00f3 StableLM para desarrolladores que necesitan c\u00f3digo funcionando antes del viernes. El modelo de 1,6B entrenado con 2 billones de tokens supera a otras opciones por debajo de 2B. La velocidad importa durante el prototipado. La precisi\u00f3n importa en producci\u00f3n. StableLM est\u00e1 optimizado para lo primero.<\/p>\n\n\n\n

Siete idiomas reciben soporte real: ingl\u00e9s, espa\u00f1ol, alem\u00e1n, italiano, franc\u00e9s, portugu\u00e9s y neerland\u00e9s. Idiomas europeos. \u00bfNotas un patr\u00f3n? Los datos de entrenamiento provienen de fuentes europeas y los resultados reflejan ese sesgo.<\/p>\n\n\n\n

La capacidad de completar en medio permite predecir segmentos de c\u00f3digo faltantes. Los modelos tradicionales solo contin\u00faan desde el final. Esta elecci\u00f3n arquitect\u00f3nica permite una mejor autocompletaci\u00f3n de c\u00f3digo. Los competidores de Cursor y Copilot deber\u00edan tomar nota.<\/p>\n\n\n\n

Las variantes StableLM-Code se especializan en tareas de programaci\u00f3n. StableLM-Japanese y StableLM-Arabic atienden mercados espec\u00edficos. La especializaci\u00f3n supera a la generalizaci\u00f3n cuando conoces bien tu dominio objetivo.<\/p>\n\n\n\n

La licencia se divide entre las ediciones Community y Enterprise. Los proyectos peque\u00f1os lo usan gratis, mientras que los despliegues grandes pagan. Es un punto intermedio razonable entre lo completamente abierto y lo completamente cerrado.<\/p>\n\n\n\n

StarCoder: un LLM destacado para programaci\u00f3n<\/a><\/h3>\n\n\n\n

BigCode cre\u00f3 StarCoder para desarrolladores, por desarrolladores. El proceso de entrenamiento se document\u00f3 p\u00fablicamente. Se listaron las fuentes del conjunto de datos y se abordaron las preocupaciones \u00e9ticas antes del lanzamiento. <\/p>\n\n\n\n

M\u00e1s de 600 lenguajes de programaci\u00f3n suena excesivo, y lo es, ya que la mayor\u00eda de los desarrolladores usan como m\u00e1ximo cinco lenguajes. Pero contar con soporte para Haskell y Fortran significa que los casos l\u00edmite tambi\u00e9n quedan cubiertos. Alguien por ah\u00ed mantiene COBOL, y StarCoder tambi\u00e9n puede ayudarle.<\/p>\n\n\n\n

El modelo de 15B iguala a competidores de 33B o m\u00e1s. El modelo de 3B iguala al antiguo StarCoder de 15B. Cada generaci\u00f3n reduce el tama\u00f1o a la mitad manteniendo el rendimiento. Al final, la f\u00edsica interviene. A\u00fan no hemos llegado a este punto.<\/p>\n\n\n\n

La funci\u00f3n de completar en medio funciona mejor que las alternativas porque StarCoder se entren\u00f3 espec\u00edficamente para ello. Otros modelos a\u00f1adieron el FIM como algo secundario. Las decisiones de arquitectura importan. Los objetivos de entrenamiento importan a\u00fan m\u00e1s.<\/p>\n\n\n\n

Licencia Apache 2.0: \u00fasalo como quieras. Crea productos comerciales. Entrena modelos derivados. BigCode entrega lo que otros proyectos solo prometen.<\/p>\n\n\n\n

Yi Model: procesamiento de lenguaje biling\u00fce<\/h3>\n\n\n\n

01.AI cre\u00f3 Yi para el mercado chino. El soporte biling\u00fce ingl\u00e9s-chino funciona bien porque ambos idiomas recibieron la misma atenci\u00f3n durante el entrenamiento. La mayor\u00eda de los modelos \u201cmultiling\u00fces\u201d hablan ingl\u00e9s y un resto del mundo bastante roto. Yi maneja bien ambos idiomas.<\/p>\n\n\n\n

Las ventanas de contexto de 200k tokens permiten procesar libros completos. Nunca usar\u00e1s 200k tokens. Tus usuarios tampoco lo har\u00e1n. Pero tener ese margen evita errores de truncamiento de contexto en 190k tokens cuando alg\u00fan usuario pega Guerra y paz entero en tu chatbot.<\/p>\n\n\n\n

Yi-1.5 mejor\u00f3 sobre Yi-1.0 gracias a 500B tokens de preentrenamiento continuo. Mismo modelo base. Mejores datos significan mejores resultados. El ajuste fino importa menos de lo que la gente cree. La calidad de los datos importa m\u00e1s.<\/p>\n\n\n\n

El rendimiento en matem\u00e1ticas y programaci\u00f3n mejor\u00f3 en las versiones recientes; sin embargo, \u201cmejor\u00f3\u201d significa que pas\u00f3 de malo a aceptable. Yi no reemplazar\u00e1 a GPT-4 para razonamiento complejo. Se encargar\u00e1 de tareas b\u00e1sicas sin hacerte quedar mal.<\/p>\n\n\n\n

Tambi\u00e9n tiene licencia Apache 2.0, sin restricciones: crea lo que quieras. Distrib\u00fayelo donde quieras. 01.AI busca m\u00e1s cuota de mercado que ingresos por licencias.<\/p>\n\n\n\n

Qwen 3: programaci\u00f3n y matem\u00e1ticas multiling\u00fces<\/h3>\n\n\n\n

Qwen 3 de Alibaba abarca de 0,6B a 235B par\u00e1metros, combinando arquitecturas densas y MoE. El modelo insignia de 235B activa solo 22B par\u00e1metros por token. Obtienes una inferencia un 90 % m\u00e1s barata que ejecutar los 235B completos. Las matem\u00e1ticas cuadran, aunque tus costes de producci\u00f3n no.<\/p>\n\n\n\n

36 billones de tokens de entrenamiento esta vez, el doble que los que ten\u00eda la versi\u00f3n 2.5. Las ventanas de contexto alcanzan 128K en los modelos grandes y 32K en los peque\u00f1os. La actualizaci\u00f3n de julio de 2025 lo llev\u00f3 a 1 mill\u00f3n de tokens si quieres procesar bases de c\u00f3digo completas en un solo prompt. Buena suerte con tu presupuesto de GPU.<\/p>\n\n\n\n

El modo de pensamiento h\u00edbrido es la verdadera novedad aqu\u00ed. Un modelo alterna entre razonamiento paso a paso y respuestas instant\u00e1neas. Lo activas con una etiqueta en el prompt. Los problemas complejos reciben un razonamiento completo. Las preguntas simples no desperdician ciclos fingiendo pensar. He visto a equipos de DevOps reducir sus costes de inferencia dirigiendo las solicitudes seg\u00fan su complejidad, en lugar de ejecutar todo en modo de razonamiento.<\/p>\n\n\n\n

Ahora son 119 idiomas. Eso es cuatro veces m\u00e1s que la lista de la versi\u00f3n 2.5. El ingl\u00e9s y el chino siguen funcionando mejor. El resto se encuentra en alg\u00fan punto entre \u201crealmente \u00fatil\u201d y \u201csimplemente interpreta el input de forma t\u00e9cnica\u201d. Prueba tus pares de idiomas reales antes de prometer nada a los stakeholders.<\/p>\n\n\n\n

Todos los tama\u00f1os usan Apache 2.0: ya no tienes que revisar qu\u00e9 modelo necesita qu\u00e9 licencia. Hazle ajuste fino, l\u00e1nzalo comercialmente, no hace falta contratar a un abogado antes. Alibaba simplific\u00f3 la situaci\u00f3n legal desde la versi\u00f3n 2.5, y eso importa m\u00e1s que la mayor\u00eda de las mejoras de benchmarks cuando intentas desplegar algo.<\/p>\n\n\n\n

La eficiencia del MoE es lo que hace que esto sea interesante para producci\u00f3n. Qwen3-30B-A3B cabe en una sola A100 de 80GB. Se ejecuta con 3B par\u00e1metros activos mientras iguala los benchmarks de Qwen-32B. Las capacidades de agente funcionan en ambos modos: llamadas a herramientas, automatizaci\u00f3n de navegador y ejecuci\u00f3n de c\u00f3digo incluidas. La variante de 30B obtiene 69,6 en Tau2-Bench, lo que la pone al nivel de modelos propietarios que cuestan dinero real para ejecutar.<\/p>\n\n\n\n

DeepSeek V4: LLM eficiente a gran escala<\/h3>\n\n\n\n

DeepSeek V3.2 se lanz\u00f3 con 685B par\u00e1metros totales, pero activa solo 37B por token. La arquitectura MoE hace el trabajo pesado aqu\u00ed. Tu stack de inferencia ve un modelo de 37B. Los benchmarks muestran algo que supera a GPT-5 en tareas de razonamiento.<\/p>\n\n\n\n

La verdadera novedad es la Atenci\u00f3n Dispersa de DeepSeek (DSA): han reducido la complejidad de la atenci\u00f3n de cuadr\u00e1tica a casi lineal. Ejecuta un prompt de 128k tokens en la V3.1 y ver\u00e1s c\u00f3mo explota la memoria de tu GPU. Ejecuta el mismo en la V3.2 y, de hecho, cabe. Eso no es marketing vac\u00edo. Ese es un trabajo algor\u00edtmico que la mayor\u00eda de los laboratorios no toca, porque lanzar funciones es m\u00e1s llamativo que optimizar los detalles internos. DeepSeek<\/a> hace ambas cosas.<\/p>\n\n\n\n

La Atenci\u00f3n Latente Multi\u2011cabeza comprime la cach\u00e9 KV sin afectar la calidad de tu salida. Combinado con DSA, la inferencia con contextos largos deja de ser un suplicio y empieza a ser predecible.<\/p>\n\n\n\n

V3.2 viene en dos sabores. La variante Thinking est\u00e1ndar integra el razonamiento directamente en el uso de herramientas. Es el primer modelo de la l\u00ednea en hacer eso. \u00bfQuieres crear un agente que tenga que pensar qu\u00e9 herramienta llamar? Ahora funciona. La variante Special elimina por completo el soporte de herramientas y lleva el razonamiento al m\u00e1ximo. Medallas de oro en la IMO 2025 y la IOI 2025. Programaci\u00f3n competitiva y olimpiadas de matem\u00e1ticas, resueltas por un modelo de pesos abiertos. Elige tu compromiso.<\/p>\n\n\n\n

Los 128k de contexto manejan documentos largos. El ingl\u00e9s y el chino funcionan bien. \u00bfOtros idiomas? Usable, pero visiblemente m\u00e1s d\u00e9bil.<\/p>\n\n\n\n

Ejecutarlo localmente significa usar H200 o B200. Incluso cuantizado a 4 bits, necesitas m\u00e1s de 350\u202fGB de VRAM. Esto no es un modelo para port\u00e1til. vLLM y SGLang tienen soporte desde el d\u00eda 0. Las im\u00e1genes Docker ya existen. Despliega si tienes el hierro necesario.<\/p>\n\n\n\n

El precio de la API ronda los 0,28\u202fUSD\/0,42\u202fUSD por mill\u00f3n de tokens de entrada\/salida. Comp\u00e1ralo con lo que cobra Anthropic por Sonnet y las matem\u00e1ticas se ponen interesantes r\u00e1pidamente.<\/p>\n\n\n\n

El c\u00f3digo est\u00e1 cubierto por la licencia MIT. Los pesos del modelo usan la licencia de DeepSeek. Si el modelo genera menos de 1\u202fM\u202fUSD de ingresos anuales, el uso comercial es gratuito. Si es m\u00e1s que eso, habla con ellos. T\u00e9rminos claros superan leer 47 p\u00e1ginas de jerga legal pregunt\u00e1ndote si le debes dinero a alguien.<\/p>\n\n\n\n

Empezando con LangChain y Ollama<\/h2>\n\n\n\n

Ollama instala LLM locales sin tener que lidiar con un infierno de dependencias. Tres comandos. Listo. Esta simplicidad importa m\u00e1s que cualquier puntuaci\u00f3n de benchmark. LangChain proporciona el pegamento entre los modelos y las aplicaciones.<\/p>\n\n\n\n

La integraci\u00f3n de IA en n8n permite crear flujos de trabajo de forma visual. A los desarrolladores no les gusta la programaci\u00f3n visual\u2026 hasta que se acercan los plazos. Entonces, arrastrar y soltar supera escribir c\u00f3digo repetitivo por cent\u00e9sima vez. La combinaci\u00f3n LangChain\u202f+\u202fOllama funciona con suficiente fiabilidad para producci\u00f3n.<\/p>\n\n\n\n

Existen tres opciones de despliegue: modelos en Hugging Face con plan gratuito, Hugging Face Inference Endpoints para velocidad, u Ollama para control total. El plan gratuito funciona para prototipos. Los endpoints cuestan dinero de verdad, pero ofrecen rendimiento real. Ollama requiere gestionar tus propios servidores, pero elimina el encierro con proveedores.<\/p>\n\n\n\n

Las capacidades de agente de IA en n8n permiten razonamiento en m\u00faltiples pasos. Los agentes llaman a herramientas, procesan los resultados y encadenan operaciones. Cuando funcionan, son m\u00e1gicos. Cuando fallan, depurarlos lleva horas. As\u00ed que aseg\u00farate de guardar los registros de conversaci\u00f3n.<\/p>\n\n\n\n

El Self\u2011hosted AI Starter Kit ofrece plantillas que realmente funcionan. Los ejemplos para copiar y pegar superan la documentaci\u00f3n que asume que sabes qu\u00e9 significa CORS. Empieza aqu\u00ed, a menos que disfrutes leer especificaciones de API a medianoche.<\/p>\n\n\n\n

Gu\u00eda de despliegue de LLM local<\/h2>\n\n\n\n

Ejecutar un LLM local requiere orquestar cuatro componentes: modelo, capa de servicio, marco de integraci\u00f3n y l\u00f3gica de la aplicaci\u00f3n. Cada componente falla de manera diferente. Prueba a fondo.<\/p>\n\n\n\n

Los nodos b\u00e1sicos de LLM Chain gestionan flujos de trabajo est\u00e1ndar. Activa la salida estructurada. Agrega mensajes del sistema. Inyecta contexto usando expresiones como {{ $now.toISO() }}. La configuraci\u00f3n toma minutos. La depuraci\u00f3n lleva d\u00edas cuando algo falla.<\/p>\n\n\n\n

Los nodos de Chat Trigger sirven para pruebas. Las aplicaciones reales necesitan fuentes de datos reales: bases de datos, webhooks y cargas de archivos. Los triggers simulan el uso. La producci\u00f3n revela problemas que los triggers no detectan.<\/p>\n\n\n\n

El modelo de chat Ollama necesita cuatro ajustes: selecci\u00f3n de modelo (mistral-nemo equilibra tama\u00f1o y calidad), temperatura en 0,1 para consistencia, keepAlive en 2\u202fh para persistencia de memoria y memory locking activado para velocidad. Todo lo dem\u00e1s permanece por defecto, a menos que sepas por qu\u00e9 lo est\u00e1s cambiando.<\/p>\n\n\n\n

El an\u00e1lisis de salida estructurada evita el caos. Los esquemas JSON definen los formatos esperados. Los parsers de auto\u2011correcci\u00f3n manejan desviaciones menores. Ninguno evita que los modelos ignoren tus esquemas cuidadosamente dise\u00f1ados y devuelvan texto libre de todos modos.<\/p>\n\n\n\n

El manejo de errores distingue los prototipos de los sistemas de producci\u00f3n. Agrega nodos de \u201cNo Operation\u201d despu\u00e9s de los errores. Implementa l\u00f3gica de reintento. Define mecanismos de respaldo (fallbacks). Los modelos fallan. Las redes fallan. Todo falla. Planifica en consecuencia.<\/p>\n\n\n\n

Prueba con usuarios reales. Las pruebas sint\u00e9ticas no detectan los casos l\u00edmite que los usuarios encuentran en minutos. Registra todo. Los usuarios rompen las cosas de formas que no puedes imaginar. Los registros te dicen c\u00f3mo.<\/p>\n\n\n\n

Preguntas frecuentes sobre LLM de c\u00f3digo abierto<\/h2>\n\n\n\n

\u00bfQu\u00e9 tipos de LLM de c\u00f3digo abierto existen?<\/h3>\n\n\n\n

Los modelos preentrenados ya conocen el lenguaje. Los modelos de ajuste fino siguen instrucciones. Necesitas versiones de ajuste fino para trabajo real. Los modelos base sirven para investigaci\u00f3n y proyectos personalizados, donde quieres tener control total.<\/p>\n\n\n\n

Algunas personas diferencian el preentrenamiento continuo del ajuste fino. Es el mismo proceso subyacente. Con datos diferentes. El preentrenamiento continuo a\u00f1ade conocimiento del dominio. El ajuste fino ense\u00f1a comportamiento espec\u00edfico para una tarea. Ambos modifican los pesos del modelo. Ambos requieren capacidad de c\u00f3mputo.<\/p>\n\n\n\n

\u00bfC\u00f3mo empezar con un LLM de c\u00f3digo abierto?<\/h3>\n\n\n\n

Inst\u00e1lalo localmente si tu hardware lo permite. Ollama hace que esto sea sencillo. Alquila servidores GPU si necesitas modelos m\u00e1s grandes. Los proveedores en la nube ofrecen instancias preconfiguradas. Haz clic en los botones, espera y despliega.<\/p>\n\n\n\n

Los servidores solo con CPU cuestan menos. La inferencia se ejecuta m\u00e1s lento. Elige seg\u00fan los requisitos de latencia y las limitaciones de presupuesto. No alquiles H100 para chatbots que atienden a diez usuarios al d\u00eda.<\/p>\n\n\n\n

\u00bfC\u00f3mo ejecutar un LLM localmente?<\/h3>\n\n\n\n

Ollama junto con OpenWebUI te da ChatGPT de forma local. GPT4All funciona si prefieres aplicaciones independientes. LM Studio ofrece mayor control. Jan se centra en la privacidad. NextChat crea interfaces conversacionales. Todos se instalan en minutos. Todos funcionan razonablemente bien.<\/p>\n\n\n\n

Elige seg\u00fan tu flujo de trabajo. Quienes prefieren la l\u00ednea de comandos usan Ollama directamente. Quienes prefieren una interfaz gr\u00e1fica optan por LM Studio. Los paranoicos de la privacidad eligen Jan. Todos los dem\u00e1s eligen lo que funcione primero.<\/p>\n\n\n\n

\u00bfCu\u00e1nta RAM necesitas para ejecutar un LLM?<\/h3>\n\n\n\n

4\u202fGB permiten ejecutar modelos peque\u00f1os, pero con bajo rendimiento. 8\u202fGB permite manejar modelos de 3B a 7B de forma decente. 16\u202fGB abre la mayor\u00eda de las opciones. 32\u202fGB o m\u00e1s permite usar modelos grandes sin hacer swap. La VRAM de la GPU importa m\u00e1s que la RAM del sistema. 8\u202fGB de VRAM cubren la mayor\u00eda de los casos de uso para consumidores.<\/p>\n\n\n\n

El ajuste fino necesita de 2 a 3 veces la memoria de inferencia. La cuantizaci\u00f3n reduce los requisitos. Los formatos GGUF intercambian calidad por tama\u00f1o. Prueba antes de comprar hardware. La herramienta \u201c\u00bfPuedes ejecutarlo?\u201d ofrece estimaciones. Las pruebas reales brindan certeza.<\/p>\n\n\n\n

\u00bfCu\u00e1nto cuesta ejecutar un LLM de c\u00f3digo abierto?<\/h3>\n\n\n\n

Despliegue local: gratis si tu hardware lo soporta. VPS sin GPU: 20\u201150\u202fUSD al mes. Servidores GPU: 50\u2013200+ USD al mes, seg\u00fan las especificaciones. Plataformas gestionadas: precios comparables a los de OpenAI, pero con propiedad y control sobre tus datos.<\/p>\n\n\n\n

Los costos ocultos duelen. Electricidad para el despliegue local. Tiempo de mantenimiento para soluciones autoalojadas. Infraestructura de respaldo cuando la principal falla. Calcula el costo total de manera honesta. Compara de manera justa. Elige sabiamente.<\/p>\n\n\n\n

\u00bfSon seguros los LLM de c\u00f3digo abierto?<\/h3>\n\n\n\n

C\u00f3digo abierto significa que los atacantes pueden ver los pesos del modelo. Pueden sondear vulnerabilidades sin l\u00edmites de tasa. La inyecci\u00f3n de prompts se vuelve m\u00e1s f\u00e1cil. La contaminaci\u00f3n de datos se vuelve posible. Los ataques de inversi\u00f3n del modelo extraen datos de entrenamiento. Cada t\u00e9cnica funciona mejor contra modelos abiertos.<\/p>\n\n\n\n

La defensa requiere esfuerzo. La validaci\u00f3n de entradas detecta ataques evidentes. El limitador de solicitudes frena los ataques de fuerza bruta. La supervisi\u00f3n detecta anomal\u00edas. Ninguna evita a los atacantes determinados. La seguridad por oscuridad falla. La seguridad mediante la diligencia a veces funciona.<\/p>\n\n\n\n

\u00bfPor qu\u00e9 usar LLM de c\u00f3digo abierto de forma comercial?<\/h3>\n\n\n\n

Privacidad de los datos. Control de los costos. Independencia del proveedor. Estas razones suenan abstractas hasta que tu proveedor de API sube los precios un 40\u202f% a mitad del trimestre o deja de dar soporte al modelo del que depende tu producto.<\/p>\n\n\n\n

Los modelos m\u00e1s peque\u00f1os manejan tareas b\u00e1sicas lo suficientemente bien. El ajuste fino mejora los resultados para dominios espec\u00edficos. La transparencia permite auditor\u00edas de cumplimiento. La personalizaci\u00f3n apoya la voz de la marca. Estas capacidades importan m\u00e1s que las posiciones en los benchmarks.<\/p>\n\n\n\n

El rendimiento queda por detr\u00e1s de GPT\u20114 y Claude. Los requisitos de recursos superan a los de las API gestionadas. El mantenimiento requiere conocimientos t\u00e9cnicos. Estos compromisos son costosos. La dependencia de proveedores externos duele a\u00fan m\u00e1s.<\/p>\n\n\n\n

Conclusi\u00f3n<\/h2>\n\n\n\n

El mejor LLM de c\u00f3digo abierto no existe. Llama 4 destaca en tareas generales. Mistral AI se optimiza para dispositivos m\u00f3viles. DeepSeek<\/a> maximiza la eficiencia. Qwen 3 maneja programaci\u00f3n multiling\u00fce. StarCoder se centra en la programaci\u00f3n. Cada uno gana en su categor\u00eda.<\/p>\n\n\n\n

Herramientas como n8n <\/a>y LangChain hacen que el despliegue sea manejable. Aun as\u00ed, seguir\u00e1s dedicando tiempo a depurar. Los modelos a\u00fan generan alucinaciones. Nada funciona a la perfecci\u00f3n. Todo funciona lo suficientemente bien si estableces expectativas realistas.<\/p>\n\n\n\n

<\/p>\n","protected":false},"excerpt":{"rendered":"

ChatGPT acapara toda la atenci\u00f3n con sus 180 millones de usuarios. Mientras tanto, m\u00e1s de la mitad del mercado de LLM se ejecuta on-premises. No es un error tipogr\u00e1fico. M\u00e1s organizaciones conf\u00edan en modelos de lenguaje de c\u00f3digo abierto que puedes poseer, modificar y controlar, en lugar de APIs propietarias que te obligan a alquilar […]<\/p>\n","protected":false},"author":44,"featured_media":27102,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"_uag_custom_page_level_css":"","site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"set","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[1986],"tags":[3688,3896,3594,3566],"ppma_author":[3402],"class_list":["post-28112","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-comparaciones","tag-aplicaciones-de-ia","tag-llm","tag-llm-de-codigo-abierto","tag-ollama"],"uagb_featured_image_src":{"full":["https:\/\/contabo.com\/blog\/wp-content\/uploads\/2026\/01\/blog-head_best-open-source-llms_EN.webp",1200,630,false],"thumbnail":["https:\/\/contabo.com\/blog\/wp-content\/uploads\/2026\/01\/blog-head_best-open-source-llms_EN-150x150.webp",150,150,true],"medium":["https:\/\/contabo.com\/blog\/wp-content\/uploads\/2026\/01\/blog-head_best-open-source-llms_EN-600x315.webp",600,315,true],"medium_large":["https:\/\/contabo.com\/blog\/wp-content\/uploads\/2026\/01\/blog-head_best-open-source-llms_EN-768x403.webp",768,403,true],"large":["https:\/\/contabo.com\/blog\/wp-content\/uploads\/2026\/01\/blog-head_best-open-source-llms_EN.webp",1200,630,false],"1536x1536":["https:\/\/contabo.com\/blog\/wp-content\/uploads\/2026\/01\/blog-head_best-open-source-llms_EN.webp",1200,630,false],"2048x2048":["https:\/\/contabo.com\/blog\/wp-content\/uploads\/2026\/01\/blog-head_best-open-source-llms_EN.webp",1200,630,false]},"uagb_author_info":{"display_name":"Milan Ivanovic","author_link":"https:\/\/contabo.com\/blog\/es\/author\/milan\/"},"uagb_comment_info":0,"uagb_excerpt":"ChatGPT acapara toda la atenci\u00f3n con sus 180 millones de usuarios. Mientras tanto, m\u00e1s de la mitad del mercado de LLM se ejecuta on-premises. No es un error tipogr\u00e1fico. M\u00e1s organizaciones conf\u00edan en modelos de lenguaje de c\u00f3digo abierto que puedes poseer, modificar y controlar, en lugar de APIs propietarias que te obligan a alquilar…","authors":[{"term_id":3402,"user_id":0,"is_guest":1,"slug":"contabro","display_name":"ContaBro","avatar_url":"https:\/\/secure.gravatar.com\/avatar\/?s=96&d=mm&r=g","0":null,"1":"","2":"","3":"","4":"","5":"","6":"","7":"","8":""}],"_links":{"self":[{"href":"https:\/\/contabo.com\/blog\/es\/wp-json\/wp\/v2\/posts\/28112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/contabo.com\/blog\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/contabo.com\/blog\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/contabo.com\/blog\/es\/wp-json\/wp\/v2\/users\/44"}],"replies":[{"embeddable":true,"href":"https:\/\/contabo.com\/blog\/es\/wp-json\/wp\/v2\/comments?post=28112"}],"version-history":[{"count":8,"href":"https:\/\/contabo.com\/blog\/es\/wp-json\/wp\/v2\/posts\/28112\/revisions"}],"predecessor-version":[{"id":28799,"href":"https:\/\/contabo.com\/blog\/es\/wp-json\/wp\/v2\/posts\/28112\/revisions\/28799"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/contabo.com\/blog\/es\/wp-json\/wp\/v2\/media\/27102"}],"wp:attachment":[{"href":"https:\/\/contabo.com\/blog\/es\/wp-json\/wp\/v2\/media?parent=28112"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/contabo.com\/blog\/es\/wp-json\/wp\/v2\/categories?post=28112"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/contabo.com\/blog\/es\/wp-json\/wp\/v2\/tags?post=28112"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/contabo.com\/blog\/es\/wp-json\/wp\/v2\/ppma_author?post=28112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}