Domingo, 22 de noviembre de 2026  ·  Español
Concepto

Modelo de pesos abiertos (open weights)

Un modelo de pesos abiertos es un modelo de IA cuyos parámetros entrenados se publican para descarga, de modo que cualquiera puede ejecutarlo en su propio hardware, ajustarlo o inspeccionarlo, aunque no siempre con licencia libre.

También: open weights · open-weight model · modelo open weights · modelo de pesos públicos · pesos abiertos · modelo abierto
Daniel Puentes Prias
Consultor de IA · Actualizado el 13 de noviembre de 2026

Un modelo de pesos abiertos es un modelo de IA cuyos pesos, es decir, los miles de millones de parámetros numéricos que resultan del entrenamiento, se publican para que cualquiera los descargue y ejecute en su propia infraestructura. Llama de Meta, Mistral, Qwen, DeepSeek, Gemma o gpt-oss son ejemplos conocidos. Claude no lo es: Anthropic no publica los pesos de ninguno de sus modelos, y solo se accede a ellos como servicio.

Cómo funciona

Un LLM, tras entrenarse, se reduce a dos cosas: una arquitectura (normalmente un transformer) y un conjunto de tensores con los valores aprendidos. Publicar los pesos significa distribuir esos tensores, habitualmente en formato safetensors o GGUF, junto con el tokenizador y una licencia de uso.

Con eso, el usuario puede:

Lo que normalmente no se publica son los datos de entrenamiento, el código de entrenamiento ni los detalles del proceso de alineamiento. Por eso tener los pesos no equivale a poder reproducir el modelo.

Por qué importa

Para quien construye con Claude, la consecuencia es directa: no puedes alojar Claude en tus servidores ni ejecutarlo sin conexión. Las vías de acceso son la API de Anthropic, las apps de Claude y proveedores cloud como Amazon Bedrock, Google Cloud Vertex AI o Microsoft Foundry. Si tu requisito es que los datos no salgan de una región o de tu nube, la respuesta con Claude pasa por esos proveedores, por opciones de residencia de datos y por acuerdos como la retención cero, no por descargar el modelo.

Esto tiene contrapartidas reales. A favor de Claude: no gestionas GPUs, recibes mejoras de modelo sin redesplegar y accedes a capacidades de frontera. A favor de un modelo abierto: control total de versión, coste marginal predecible a gran volumen, funcionamiento air-gapped y personalización profunda. Muchas arquitecturas maduras combinan ambos: un modelo abierto pequeño para clasificación o filtrado barato y Claude para razonamiento complejo, generación de código o tareas agénticas. Si quieres diseñar ese tipo de sistemas, conviene integrar Claude vía API en tus productos entendiendo bien costes, límites y despliegue.

Por qué Anthropic no publica los pesos

La decisión está ligada a su enfoque de seguridad. Su Política de Escalado Responsable trata la protección de los pesos como una medida central: una vez publicados, cualquier salvaguarda del modelo puede eliminarse con fine-tuning y no hay forma de retirar el acceso. Para modelos con capacidades potencialmente peligrosas, Anthropic considera que mantener los pesos protegidos es parte de mitigar el riesgo.

Qué NO es

Preguntas frecuentes

¿Puedo descargar Claude y ejecutarlo en local?

No. Anthropic no publica los pesos de ningún modelo Claude. Solo puedes usarlo a través de la API de Anthropic, las apps de Claude o proveedores cloud como Amazon Bedrock, Google Cloud Vertex AI o Microsoft Foundry.

¿Un modelo de pesos abiertos es siempre de código abierto?

No necesariamente. Muchos se distribuyen con licencias que restringen usos o escalas comerciales y no publican datos ni código de entrenamiento, por lo que no cumplen definiciones estrictas de código abierto como la de la OSI.

¿Cuándo tiene sentido elegir un modelo abierto en lugar de Claude?

Cuando necesitas funcionamiento sin conexión, control absoluto de la versión, volúmenes enormes de tareas sencillas o fine-tuning profundo. Para razonamiento complejo, código y agentes, Claude suele ofrecer más calidad sin coste de infraestructura propia.

Si uso Claude, ¿cómo controlo dónde se procesan mis datos?

Mediante el proveedor y la región elegidos, las opciones de residencia de datos disponibles y acuerdos como la retención cero de datos para cuentas que lo cumplan. No requiere alojar el modelo.

Términos relacionados

Tutoriales donde se usa

Fuentes