Modelos de IA de código abierto: los mejores de 2026 y qué permite cada licencia

Los mejores modelos de IA de código abierto, a 8 de octubre de 2026, son chinos: MiMo-V2.6-Pro (Xiaomi), GLM-5.3 (Z.ai) y Kimi K3 (Moonshot) encabezan el índice de Artificial Analysis entre los abiertos, a unos 12 puntos de los mejores modelos cerrados. Para usar en tu propio ordenador destacan Gemma 4 (Google), Qwen3.8 27B (Alibaba) y gpt-oss (OpenAI). Casi ninguno es de código abierto en sentido estricto: son modelos de pesos abiertos, y lo que puedes hacer con ellos lo decide su licencia.

Esta guía explica esa diferencia, repasa los modelos que importan con sus tamaños y licencias, y dice para qué sirve cada uno. Cómo instalarlos está en otras dos guías: qué necesitas para usar la IA en local y el tutorial de Ollama.

Código abierto o pesos abiertos: la diferencia que importa

Un modelo de lenguaje es, en la práctica, un archivo enorme de números (los pesos o parámetros) más el código que lo ejecuta. Cuando una empresa «abre» un modelo, casi siempre publica eso: los pesos, para que lo descargues y lo uses donde quieras. Lo que no suele publicar es cómo lo entrenó: los datos, el código de entrenamiento y las recetas. Por eso el término preciso es modelo de pesos abiertos (open weights).

La Open Source Initiative, la organización que mantiene la definición de código abierto desde 1998, publicó el 28 de octubre de 2024 la definición de IA de código abierto (OSAID 1.0). Exige las cuatro libertades de siempre (usar, estudiar, modificar y compartir para cualquier fin) y, para poder ejercerlas, tres cosas:

• Información sobre los datos suficiente para que alguien con conocimientos pueda construir un sistema sustancialmente equivalente. No obliga a publicar los datos, pero sí a describirlos y a decir dónde conseguir los públicos.
• El código completo usado para entrenar y para ejecutar el modelo.
• Los parámetros, con condiciones aprobadas por la OSI.

Con esa vara, la mayoría de los modelos de esta guía no son código abierto: publican pesos, no datos ni código de entrenamiento, y algunos con licencias que limitan el uso. Una excepción conocida es Olmo, del instituto Ai2, que publica sus datos de entrenamiento (Dolma 3), el código y los puntos de control intermedios.

Para tu proyecto, lo que más pesa es la licencia de los pesos. Hay tres familias:

Con licencia Apache 2.0 o MIT, a octubre de 2026, están Gemma 4, Qwen3.8 27B, gpt-oss, DeepSeek V4 y V4.1, MiMo-V2.6, GLM-5.3-Flash, Mistral Small 4 y Large 3, Muse Glimmer, Hy4, Granite 4.2, Olmo y ALIA. Puedes usarlos con fines comerciales, modificarlos y redistribuirlos; solo hay que conservar el aviso de copyright. Las licencias propias del segundo grupo (Qwen3.8-Max es la del modelo de 2.4T) son libres para la inmensa mayoría y ponen condiciones a partir de cierto número de usuarios o de ingresos.

Las condiciones concretas, leídas en cada licencia:

• Llama 4 (licencia): si tu producto supera 700 millones de usuarios activos al mes, necesitas una licencia aparte de Meta; y si distribuyes el modelo o un producto que lo incluye, hay que mostrar «Built with Llama».
• Kimi K3 (licencia): si vendes acceso al modelo como servicio y tu empresa ingresa más de 20 millones de dólares en 12 meses, necesitas un acuerdo con Moonshot; con más de 100 millones de usuarios o 20 millones de dólares de ingresos al mes, debes mostrar «Kimi K3» en tu producto.
• GLM-5.3: igual de abierta, salvo que si vendes el modelo como servicio con más de 10.000 millones de dólares de ingresos debes pasar una revisión de seguridad de Z.ai.
• Qwen3.8-Max: condiciones a partir de 100 millones de usuarios mensuales o de 50 millones de dólares de ingresos si ofreces el modelo como servicio o como asistente de trabajo.
• Mistral Medium 3.5 (licencia): no puedes usarlo si tu empresa factura más de 20 millones de dólares al mes.
• MiniMax-M3: el uso comercial exige mostrar «Built with MiniMax M3» y pedir autorización previa por encima de 20 millones de dólares de ingresos al año.

Los modelos abiertos que importan en octubre de 2026

Tamaños en miles de millones de parámetros (la «B» de los nombres de los modelos). En los modelos de mezcla de expertos (MoE), el primer número es el total y el segundo los que se activan en cada token, que es lo que marca la velocidad.

Los grandes, para servidores

Casi todos admiten 1 millón de tokens de contexto. Las excepciones son Qwen3.8 2.4T, con 262.000 ampliables a 1 millón, y Mistral Large 3, con 256.000.

Medianos y pequeños: de tu ordenador a un servidor con una gráfica

El contexto varía más que en los grandes. Gemma 4 admite 128.000 tokens en sus modelos pequeños y 256.000 en los medianos; Qwen3.8 27B, 262.000 ampliables a 1 millón; gpt-oss, 128.000; Muse Glimmer, 131.000; Mistral Small 4 y Medium 3.5, 256.000; Granite 4.2, 128.000 ampliables a 512.000, y ALIA-40b, 163.840.

Fuente: fichas oficiales en Hugging Face y GitHub, consultadas el 8 de octubre de 2026. Los de menos de 32.000 millones de parámetros funcionan en un ordenador con buena memoria; los de más de 100.000 millones, como gpt-oss-120b o Mistral Small 4, piden una gráfica de servidor o un equipo con 80 GB de memoria o más. Las cuentas exactas, con cuantización incluida, están en IA en local.

Cuánto se acercan a los modelos cerrados

Bastante, pero no del todo. El 8 de octubre de 2026, en el índice de inteligencia de Artificial Analysis, el mejor modelo abierto es MiMo-V2.6-Pro con 46 puntos, seguido de GLM-5.3 (45) y Kimi K3 (44). El mejor cerrado, Claude Opus 5.5 con esfuerzo máximo, tiene 58. De los 204 modelos de esa clasificación, 81 son abiertos.

En Arena, el ranking por votos de usuarios, el primer abierto es Kimi K3, en el puesto 16 de la clasificación general de texto (1.488 puntos frente a 1.525 del primero). En la categoría de programación sube al décimo.

Los fabricantes publican comparaciones más favorables. Z.ai, por ejemplo, da a GLM-5.3 un 88,2 % en Terminal Bench 2.1 frente al 88,8 % de GPT-5.6 Sol, el modelo de OpenAI de la generación anterior. Son cifras medidas por quien vende el modelo: útiles para saber en qué destaca, no para declararlo ganador.

La lectura práctica: para la mayoría de tareas de empresa (clasificar, extraer, resumir, responder con tus documentos) un buen modelo abierto suele bastar. Para la frontera, programación agéntica larga o razonamiento muy difícil, los cerrados siguen por delante.

Para qué sirve cada uno

• Programar y agentes: GLM-5.3, Kimi K3 y Qwen3.8 son los que sus fabricantes orientan a tareas largas con herramientas y los mejor situados en los rankings de código. Si quieres algo más ligero, Mistral Small 4 une en un solo modelo las antiguas líneas de instrucciones, razonamiento (Magistral) y código (Devstral).
• Servir mucho volumen barato: DeepSeek V4.1 Flash, con solo 8.000 a 16.000 millones de parámetros activos sobre 552.000, está pensado para eso, con un millón de tokens de contexto.
• En tu ordenador, para uso general: Gemma 4 (desde el E2B, pensado para móviles, hasta el 31B), Qwen3.8 27B y gpt-oss-20b. Muse Glimmer 30B, de Meta, está destilado de su modelo cerrado Muse Spark y pensado para agentes que funcionan sin conexión.
• Imágenes además de texto: Kimi K3, MiMo-V2.6, GLM-5.3-Flash, MiniMax-M3, Qwen3.8 27B y Gemma 4 aceptan imágenes; MiMo-V2.6 también audio y vídeo.
• Lenguas de España: ALIA-40b, entrenado en el superordenador MareNostrum 5 con 9,8 billones de tokens de 35 lenguas europeas y ajustado sobre todo para castellano, catalán, euskera, gallego e inglés. Su hermano pequeño es Salamandra 7B. En Europa están también EuroLLM-22B y Apertus, de Suiza.
• Investigar o auditar: Olmo 3.1, porque puedes ver con qué datos se entrenó.

Por qué casi todos los punteros son chinos

Los tres primeros abiertos del índice de Artificial Analysis son de empresas chinas, y en la clasificación de texto de Arena el primer modelo abierto que no es chino es Gemma 4 31B, en el puesto 75. Las empresas estadounidenses han ido por otro camino. OpenAI publicó gpt-oss en agosto de 2025 y, según su perfil de Hugging Face, no ha publicado otro modelo de lenguaje general abierto desde entonces. Meta, que con Llama fue durante años la referencia abierta, no ha publicado un Llama nuevo desde Llama 4 (abril de 2025); su modelo principal, Muse Spark, es cerrado, y lo que abre son versiones pequeñas como Muse Glimmer. Google mantiene Gemma, y con Gemma 4 pasó de su licencia propia a Apache 2.0. En Europa, Mistral sigue publicando pesos, aunque su modelo intermedio, Medium 3.5, sale con una licencia que excluye a las empresas grandes.

Que un modelo sea chino no significa que tus datos vayan a China. Los pesos son un archivo: si lo ejecutas en tu equipo o en un servidor europeo, nada sale de ahí. Lo que sí procesa los datos en China es la app y la API oficial de DeepSeek, como dice su política de privacidad. Si te preocupan los sesgos del entrenamiento, que es una duda razonable con cualquier modelo, la respuesta es la misma de siempre: pruébalo con tus casos.

Qué dice la ley europea de los modelos abiertos

El Reglamento europeo de IA, en su artículo 53.2, exime de parte de las obligaciones de documentación técnica a los proveedores de modelos de uso general publicados con «una licencia libre y de código abierto que permita el acceso, la utilización, la modificación y la distribución del modelo» y cuyos pesos sean públicos. La exención no vale para los modelos con riesgo sistémico, los más potentes. Es dudoso que una licencia que excluye a las empresas por encima de cierta facturación encaje en esa definición. Lo demás sobre la norma está en el reglamento europeo de IA.

Por dónde seguir

• IA en local: lo que necesitas saber: memoria, cuantización y qué modelo cabe en tu equipo.
• Ollama, paso a paso: instalar y usar un modelo abierto en tu ordenador.
• Cómo elegir un modelo de IA para un proyecto: abierto o cerrado, con números.
• ChatGPT vs Claude vs Gemini: los cerrados con los que se comparan.