Modelo de pesos abiertos (open weights)

Un modelo de pesos abiertos es aquel cuyos parámetros o «pesos», los números que el modelo aprendió durante el entrenamiento, se ponen a disposición pública. Con ellos puedes ejecutar el modelo en tus propios servidores o computadora, hacerle ajuste fino o cuantizarlo, sin depender de la API de una empresa. Ejemplos conocidos son las familias Llama de Meta, los modelos de DeepSeek, Mistral o Gemma de Google.

Es importante no confundirlo con IA de código abierto. Publicar los pesos no implica publicar los datos de entrenamiento ni todo el código para reproducir el modelo, y muchas licencias imponen restricciones de uso. Por eso la Open Source Initiative distingue entre ambos conceptos.

Ventajas: control sobre los datos (útil para privacidad y soberanía), posibilidad de personalizar, costos predecibles y transparencia para investigar el modelo. Desventajas: necesitas infraestructura y conocimientos para operarlo, y una vez publicados los pesos no se pueden «retirar», lo que permite quitar salvaguardas. En 2024, la NTIA del gobierno de EE. UU. publicó un informe sobre este equilibrio entre beneficios y riesgos y no recomendó restringirlos en ese momento, sino monitorearlos.