Curated picks of the strongest open-source AI models, ranked by use case.
Los modelos de pesos abiertos más potentes para cargas de trabajo agénticas en 2026 — planificación de varios pasos, uso de herramientas, function calling y ejecución de horizonte largo — clasificados por fiabilidad en despliegues agénticos reales más que por benchmarks sintéticos.
Los modelos base de pesos abiertos más potentes para fine-tuning con QLoRA y LoRA en 2026 — clasificados por accesibilidad de hardware, calidad de los fine-tunes resultantes, soporte del ecosistema y licenciamiento para despliegue comercial.
Los modelos de pesos abiertos más sólidos para ejecutarse localmente en Macs con Apple Silicon (M1/M2/M3/M4), clasificados por calidad, soporte MLX y huella de memoria para configuraciones típicas de Mac, desde MacBook Air de 16 GB hasta Mac Studio de 192 GB.
Los modelos de pesos abiertos más sólidos para generación aumentada por recuperación en 2026, clasificados por calidad de recuperación con contexto largo, estabilidad en el seguimiento de instrucciones y economía de inferencia para pipelines RAG en producción.
Los modelos de pesos abiertos más sólidos que caben en menos de 10 GB de VRAM con cuantización Q4_K_M estándar, para GPUs de portátil, tarjetas RTX 3060/4060 de 12 GB y cualquier despliegue donde la memoria sea la restricción limitante.
Los modelos de pesos abiertos más sólidos con ventanas de contexto de 1M+ tokens en 2026, clasificados por retención efectiva de contexto, eficiencia arquitectónica y despliegue práctico para razonamiento sobre bases de código completas o documentos largos.
Los modelos de pesos abiertos más sólidos que aceptan de forma nativa entrada de imagen, audio o vídeo junto con texto, clasificados por capacidad, economía de despliegue y licencia para aplicaciones multimodales en producción.
Los modelos de pesos abiertos más potentes para cargas de trabajo de programación en 2026 — codificación agéntica, autocompletado de código, revisión de código y razonamiento sobre bases de código completas — clasificados por rendimiento en SWE-Bench, economía de despliegue y fiabilidad en escenarios reales.
Los modelos de lenguaje de pesos abiertos más potentes de 2026, clasificados según su capacidad, economía de despliegue, licencias y fiabilidad en escenarios reales — basado en el estado actual de los rankings en abril de 2026.
Los modelos de pesos abiertos más potentes para cadenas de pensamiento extendidas, resolución de problemas matemáticos y análisis estructurado — clasificados en benchmarks de AIME, GPQA y generación compleja de código.
Los modelos de pesos abiertos pequeños más potentes para despliegue en dispositivos, en el edge y en hardware de consumo en 2026 — clasificados por calidad en escalas de 4B, 7B y 14B parámetros para inferencia local en teléfonos, portátiles y GPUs de escritorio.
Los modelos de pesos abiertos más sólidos con un entrenamiento de rechazo mínimo, bien adaptados a casos de uso legítimos como investigación de seguridad, evaluación de equipos rojos, escritura creativa para adultos y discusión educativa de temas sensibles donde el rechazo excesivo de los modelos convencionales es un obstáculo.