Modelos open-weight vs frontier: coste y calidad

La comparación entre modelos open-weight (de pesos abiertos) y modelos frontier se reduce a capacidad y coste. En capacidad general, los mejores modelos open-weight van unos cuatro meses por detrás de la frontera, según la medición de Epoch AI de mayo de 2026. En precio, los modelos open-weight cuestan varias veces menos por token que los modelos frontier insignia a octubre de 2026. En una tarea concreta, entrenar un modelo abierto con esa tarea puede cerrar la distancia de capacidad, y en nuestro estudio QMSum publicado los modelos entrenados puntuaron por encima de los cinco modelos propietarios alojados que probamos en ROUGE-1, con los límites que se explican más abajo.

Este artículo repasa qué separa a los dos tipos de modelo, cuánta distancia general hay, por qué los pesos abiertos cuestan menos, qué modelos abiertos lideran hoy, dónde gana un modelo abierto entrenado según nuestras mediciones y cuánto cuesta cada uno por tarea en las dos dimensiones del coste.

¿Qué diferencia hay entre los modelos open-weight y los modelos frontier?

Un modelo frontier es uno de los modelos más capaces disponibles en cada momento, y casi todos son de pesos cerrados: se accede a ellos a través de la API del desarrollador, que es quien los entrena, los sirve, les pone precio y los retira. Un modelo open-weight publica sus parámetros entrenados, así que cualquiera puede descargarlo, alojarlo y seguir entrenándolo con sus propios datos.

Artificial Analysis traza la línea donde la traza casi todo el sector: un modelo cuenta como de pesos abiertos "where their weights are accessible to download" (cuando sus pesos se pueden descargar), lo que "allows self-hosting on your own infrastructure and enables customizing the model such as through fine-tuning" (permite alojarlo en tu propia infraestructura y personalizarlo, por ejemplo con fine-tuning), consultado el 29 de octubre de 2026. Pesos abiertos es una afirmación más limitada que código abierto. Los datos y el código de entrenamiento suelen seguir siendo privados, y la licencia decide qué puedes hacer comercialmente, como explica nuestra guía de licencias de modelos abiertos.

El UK AI Security Institute resumió en julio de 2026 la ventaja de los modelos abiertos: se pueden "hosted privately, with no data returning to the model providers, adapted to specific tasks, and run only at the cost of compute" (alojar de forma privada, sin que los datos vuelvan a los proveedores, adaptar a tareas concretas y ejecutar solo al coste del cómputo), y una vez en uso ofrecen una base fiable que los proveedores no pueden cambiar ni retirar.

¿Cuánto van por detrás los modelos open-weight respecto a los frontier?

Unos cuatro meses en capacidad general. Epoch AI concluyó que desde enero de 2026 "the most capable open-weight models have lagged frontier closed models by an average of four months" (los modelos open-weight más capaces han ido por detrás de los modelos cerrados de frontera una media de cuatro meses) en su Epoch Capabilities Index, con una distancia media de 8 puntos del índice, "similar to the gap between GPT-5 and GPT-5.5" (parecida a la que hay entre GPT-5 y GPT-5.5), según Epoch AI el 29 de mayo de 2026. Su análisis anterior situaba el retraso en unos tres meses entre enero de 2023 y octubre de 2025.

Las mediciones sobre capacidades más específicas caen en el mismo rango. El UK AI Security Institute evaluó la capacidad en ciberseguridad y comprobó que GLM-5.2 (junio de 2026) y DeepSeek V4-Pro rendían de forma parecida a modelos cerrados de frontera publicados entre 4 y 7 meses antes, una distancia menor que los 6 a 10 meses que midió durante casi todo 2025 (AISI, 17 de julio de 2026).

Las dos mediciones abarcan un conjunto amplio de tareas. Una empresa que ejecuta una sola tarea a gran volumen se hace una pregunta más concreta: qué tal hace el modelo este trabajo y cuánto cuesta cada respuesta. La distancia general es el punto de partida de esa pregunta, y entrenar con la tarea cambia la respuesta, como muestran los resultados de QMSum más abajo.

¿Por qué son más baratos los modelos open-weight?

Los modelos open-weight son más baratos porque cualquiera puede servir los mismos pesos, así que los proveedores compiten en precio por token, mientras que un modelo cerrado tiene un único precio que fija su desarrollador. En OpenRouter, el 29 de octubre de 2026, GLM-5.2 figuraba en 34 endpoints de 25 proveedores, con precios de salida de 1,44 a 8,00 dólares por millón de tokens. Claude Opus 5.5 figuraba en 11 endpoints de 5 proveedores, todos al precio de lista de Anthropic (4 dólares de entrada y 20 de salida por millón de tokens) o por encima.

Hay dos motivos más detrás de la diferencia. Los proveedores no pagan nada al desarrollador por la mayoría de los pesos abiertos, así que su precio solo tiene que cubrir el servicio. Y puedes elegir el tamaño: los modelos abiertos existen en muchos tamaños, y un modelo más pequeño cuesta menos por token.

La última fila es el matiz. Los laboratorios de frontera también venden gamas económicas, y GPT-6 Luna cuesta menos por token que los modelos abiertos alojados. Frente a una gama económica, el argumento a favor de un modelo entrenado descansa en la segunda dimensión del coste, menos tokens por tarea, y en la calidad: si esa gama económica alcanza tu listón en tu tarea.

¿Cuál es el mejor modelo open-weight?

En capacidad general, Artificial Analysis sitúa a DeepSeek V4.1 Flash 1017 y GLM-5.3, ambos con el máximo esfuerzo de razonamiento, como los modelos abiertos de mayor inteligencia, seguidos de MiMo-V2.6-Pro y Ling 3.1 Flash 1019, a 29 de octubre de 2026 (Artificial Analysis). Estas clasificaciones cambian a menudo, así que comprueba la fecha de cualquiera en la que te apoyes.

Para una tarea de negocio, el mejor modelo open-weight es el más pequeño que alcanza tu listón de calidad después de entrenarlo con tus propios ejemplos, con una licencia que permita tu uso. Una clasificación mide capacidad general. Tu conjunto de evaluación mide el trabajo por el que pagas, y puede elegir un modelo mucho más pequeño que el primero de la clasificación.

¿Cuándo supera un modelo abierto entrenado a un modelo frontier?

Un modelo abierto entrenado gana cuando una tarea se repite a gran volumen, la salida se puede comprobar y el listón de calidad lo marca esa tarea. Nuestro estudio QMSum (arXiv 2609.25028) muestra el efecto en el resumen de reuniones orientado a consultas, puntuado con una misma implementación sobre las 281 consultas del conjunto de prueba completo.

Tres resultados importan para esta comparación.

El entrenamiento llevó al modelo abierto por encima de los modelos alojados en ROUGE-1. El modelo abierto de 1.2B sin entrenar obtuvo 30,12 en ROUGE-1, por debajo del mejor modelo propietario alojado, con 32,43. Ajustarlo con las mismas entradas de fragmentos recuperados que lee en inferencia añadió 5,29 puntos de ROUGE-1 (intervalo del 95%: de +4,02 a +6,56), y terminó en 35,41. Darle al modelo sin entrenar esos fragmentos recuperados en lugar de las primeras palabras de la transcripción había añadido 1,55 en el conjunto de prueba y 0,29 en validación, así que la mayor parte de la mejora vino del entrenamiento.

Los dos modelos entrenados puntuaron por encima de los cinco modelos propietarios alojados. Los modelos alojados se ejecutaron en zero-shot con un único prompt conciso y obtuvieron entre 27,89 y 32,43. El artículo limita este orden: los modelos alojados escribieron respuestas más largas, lo que contribuye a la diferencia en una métrica de solapamiento con la referencia, y no se hizo evaluación humana ni de factualidad. Sus conclusiones se limitan a QMSum y a métricas automáticas. Los sistemas publicados más fuertes en QMSum declaran puntuaciones más altas en sus propios artículos, hasta 38,82 de ROUGE-1, así que la aportación del estudio es la comparación con un único evaluador y el resultado de coste. Las versiones alojadas que se probaron eran las vigentes cuando se hizo el estudio, y desde entonces han salido otras más nuevas.

El modelo entrenado más pequeño mantuvo la calidad. El especialista de 406M obtuvo 36,33 frente a 35,41 del sistema de 1.2B, una diferencia que QMSum no puede separar estadísticamente, con menos de la mitad de la memoria máxima en inferencia. En una tarea a gran volumen, ese tamaño marca el coste de servirla, y por eso dimensionamos cada modelo a su tarea.

El mismo patrón aparece en dónde se va el gasto. En los datos públicos de OpenRouter de los 30 días hasta el 12 de octubre de 2026, la clasificación, la extracción y la transformación sumaron el 20,8% del gasto clasificado en modelos, y los modelos cerrados de frontera se llevaron entre el 75% y el 87% del gasto de los diez primeros modelos en esas tareas. Son tareas con salidas comprobables, en las que un modelo entrenado se puede evaluar con precisión. Para el argumento más amplio, consulta ¿ha muerto el fine-tuning?.

¿Cuánto cuestan por tarea los modelos open-weight y los frontier?

El coste por tarea es el precio por token multiplicado por los tokens que usa cada tarea, y un modelo abierto entrenado reduce los dos. El precio baja porque los pesos abiertos se sirven a tarifas en competencia y un modelo bien dimensionado necesita menos hardware. El número de tokens baja porque las instrucciones, el protocolo y los ejemplos que un modelo general necesita en cada prompt quedan entrenados en el propio modelo, así que ya no se envían.

La tabla usa una tarea ilustrativa: 6.000 tokens de entrada, de los que 4.500 son instrucciones y ejemplos repetidos, y 500 tokens de salida. La fila del modelo entrenado conserva los 1.500 tokens de datos propios de cada petición y escribe una respuesta más corta. Los precios son los de lista de cada proveedor el 29 de octubre de 2026.

La fila del modelo entrenado mantiene la tarifa de GLM-5.2 para aislar el efecto de los tokens. Un modelo entrenado para una tarea puede ser mucho más pequeño que un modelo general (los modelos de resumen entrenados de nuestro estudio QMSum tienen 406M y 1.2B parámetros), así que su tarifa por token puede quedar muy por debajo de la de GLM-5.2. La fila de GPT-6 Luna muestra dónde se agota el argumento del precio por token: frente a una gama económica, el ahorro sale del número de tokens, y la pregunta decisiva es la calidad en tu tarea.

Los agentes con prompts más pesados ahorran más. Cuando cada petición lleva guardrails, procedimientos operativos, definiciones de herramientas y ejemplos resueltos, el prompt de partida puede llegar a 10.000 tokens, y de una petición a otra solo cambian sus datos. Si todo eso se entrena en el modelo, solo se envían los mismos 1.500 tokens de datos:

Los tokens de entrada bajan un 85%. El modelo entrenado cuesta menos de una cuarta parte que el mismo modelo abierto con el prompt completo, y unas 13 veces menos que Claude Opus 5.5. GPT-6 Luna sigue costando menos por tarea con estas tarifas de lista; cerrar esa diferencia requiere la tarifa más baja de un modelo entrenado más pequeño, y la calidad en tu tarea decide el resto.

Ajusta la dimensión de los tokens a tu propio tráfico. Depende de qué parte de cada prompt es texto repetido y qué parte son datos propios de la petición, y de si tu modelo actual cobra tokens de razonamiento. El almacenamiento en caché de prompts ya abarata la entrada repetida: Anthropic cobra los aciertos de caché de Claude Opus 5.5 a 0,20 dólares por millón de tokens, una vigésima parte de la tarifa de entrada, a 29 de octubre de 2026. Frente a una configuración con buena caché, el ahorro en la entrada es menor, y los tokens de salida y de razonamiento pesan más en el argumento.

Haz tus propias cuentas con la calculadora de coste por tarea, que recoge el precio por token y los tokens por tarea como datos separados. Nuestras guías sobre el coste por tarea en IA y sobre cuándo un modelo propio supera en coste a una API frontier calculan el punto de equilibrio incluyendo el entrenamiento y el alojamiento.

¿Cuándo conviene usar un modelo frontier?

Alquila un modelo frontier mientras la tarea sea amplia, nueva o de poco volumen, y entrena un modelo abierto cuando sea concreta, estable y repetida.

Los dos funcionan juntos. Usar prompts con un modelo frontier es la forma más rápida de descubrir qué necesita una tarea, y los ejemplos y el conjunto de evaluación que reúnes mientras tanto se convierten en los datos de entrenamiento y en el listón de calidad del modelo entrenado. Las peticiones difíciles o poco habituales pueden seguir en un modelo frontier mientras el modelo entrenado asume el volumen.

Ertas, un laboratorio de IA aplicada, ofrece para esto el endpoint de modelo adaptativo: un modelo entrenado con tu tarea, servido a través de una API compatible con OpenAI. Las versiones nuevas se entrenan en segundo plano con el tráfico de tus agentes, se puntúan con tus evaluaciones y solo entran en servicio con tu aprobación. Si una versión nueva no alcanza el listón, el modelo actual sigue en servicio. Funciona gestionado por Ertas, en tu propia nube o en tus instalaciones, y tus datos siguen siendo privados. Por ahora el endpoint funciona solo por invitación, y estamos desarrollando una versión más ágil para abrirlo a más empresas.

Preguntas Frecuentes

¿Se dice "open weights models" u "open-weight models"?

En inglés se usan las dos formas. "Open-weight model" lleva guion porque "open-weight" modifica al sustantivo, igual que "open-source model". "Open weights" sin guion funciona como sustantivo, como en "the model has open weights". Epoch AI escribe "open-weight models"; el UK AI Security Institute escribe "open weight models". En español se habla de modelos de pesos abiertos.

¿ChatGPT es un modelo frontier?

ChatGPT es el producto de chat de OpenAI, y los modelos que lo hacen funcionar son los modelos frontier de OpenAI. Son modelos de pesos cerrados: se accede a ellos a través de ChatGPT o de la API de OpenAI, y sus pesos son privados.

¿ChatGPT es de código abierto o cerrado?

Cerrado. OpenAI mantiene privados los pesos de los modelos que hay detrás de ChatGPT. También publica modelos open-weight con el nombre gpt-oss, que cualquiera puede descargar y alojar; Epoch AI clasifica gpt-oss-120b como sin restricciones.

¿Qué ejemplos hay de modelos open-weight?

GLM-5.2 de Z.ai, DeepSeek V4 Pro, Kimi K2.6 de Moonshot, Gemma 4 de Google DeepMind y gpt-oss de OpenAI son modelos open-weight. Las licencias varían: Epoch AI clasifica Kimi K2.6 como sin restricciones y Gemma 4 31B como de uso restringido, así que revisa los términos antes de un uso comercial.

¿Por qué cuesta menos ejecutar un modelo open-weight?

Muchos proveedores sirven los mismos pesos abiertos y compiten en precio, y puedes elegir un modelo del tamaño de tu tarea. Un modelo cerrado tiene un único precio de lista que fija su desarrollador. A 29 de octubre de 2026, GLM-5.2 cuesta 4,40 dólares por millón de tokens de salida en Together AI, frente a 20 dólares de Claude Opus 5.5.

¿Puede un modelo open-weight competir con un modelo frontier?

En capacidad general, los mejores modelos abiertos van por detrás una media de unos cuatro meses, según Epoch AI en mayo de 2026. En una tarea concreta, el entrenamiento cambia la comparación: en nuestro estudio QMSum, los modelos abiertos entrenados puntuaron por encima de cinco modelos propietarios alojados en ROUGE-1, con la salvedad de que los modelos alojados escribieron respuestas más largas y no se hizo evaluación humana ni de factualidad.

La Versión Corta

Los modelos frontier van por delante en capacidad general por unos pocos meses, y los modelos open-weight cuestan varias veces menos por token que los modelos insignia. Para una tarea a gran volumen, un modelo abierto bien dimensionado y entrenado con esa tarea puede superar a los modelos alojados en la medida propia de la tarea y enviar muchos menos tokens por petición. Usa un modelo frontier mientras la tarea sea amplia o nueva, y entrena un modelo cuando sea estable y repetida. Introduce tus propios precios y recuentos de tokens en la calculadora de coste por tarea para ver dónde está tu punto de cruce.

Para saber cuándo una tarea justifica su propio modelo, consulta modelos fundacionales frente a modelos específicos. Para ver cómo un modelo entrenado sigue mejorando una vez en producción, consulta aprendizaje continuo para agentes de IA.

---

Fuentes, consultadas el 29 de octubre de 2026: Epoch AI, "Open models lag state-of-the-art closed models by 4 months" (29 de mayo de 2026); UK AI Security Institute, "How Far Behind the Frontier are Leading Open Weight Models on Cyber?" (17 de julio de 2026); comparativa de modelos de pesos abiertos de Artificial Analysis; precios de OpenAI, Anthropic y Together AI; listados de proveedores de OpenRouter. Nuestra investigación: el estudio QMSum y el informe de OpenRouter sobre tareas estructuradas.