The State of Open Models 2026
Capacidad · Uso · Coste · Adopción · Despliegue
Cómo es hoy el ecosistema de modelos abiertos, a partir de las fuentes más importantes del sector.

// Sobre este informe
¿Cuál es el estado actual de los modelos abiertos?
La conversación gira en torno a si los modelos abiertos están a la altura de los modelos propietarios o cerrados. Pero para las compañías, la decisión se fundamenta más allá de un benchmark. Las preguntas que más se hacen las empresas no se enseñan en una comparativa de puntuaciones. Más bien les preocupan otras cosas: cuántas empresas los usan, cuánto les cuesta completar una tarea o quién opera la infraestructura que los ejecuta. La idea con la que hacemos este informe es sencilla: antes de sacar una conclusión sobre los modelos abiertos, hay que saber cómo es el ecosistema.
Cada capítulo presenta sus resultados en gráficos. Su página de Evidencia y métodos recoge las fuentes, los cálculos y las limitaciones, para que puedas comprobar nuestro trabajo.
El informe lo elabora Helmcode Research, parte de Helmcode. Somos una plataforma/cloud de inferencia de modelos de pesos abiertos.
Fuentes de datos
00 Resumen ejecutivo
¿Qué hemos encontrado? Resumen rápido
-
Capítulo 01 · Ecosistema
Cada fuente tiene un líder distinto
54%
de las descargas de los modelos que seguimos en Hugging Face de octubre de 2025 a septiembre de 2026 fueron a Qwen. Su modelo más descargado, Qwen3-0.6B, se descargó el doble que el más descargado de Meta, OpenAI o Google. El tamaño de los modelos de Qwen y la posibilidad de correrlos en gráficas domésticas han conseguido una gran distribución.
Un líder distinto en cada fuente
Descargas
Hugging Face, oct. 2025–sept. 2026
- 1
Qwen
54,2% de las descargas
- 2
Google
8,5% de las descargas
- 3
Meta
8,2% de las descargas
- 4
DeepSeek
6,1% de las descargas
Tokens
OpenRouter, pesos abiertos, oct. 2025–sept. 2026
- 1
DeepSeek
31,3% de los tokens
- 2
Tencent
16,5% de los tokens
- 3
Xiaomi
12,2% de los tokens
- 4
Z.ai
12,1% de los tokens
Cuota de cada laboratorio dentro de su fuente; dos poblaciones y dos unidades que no se suman ni son cuotas de mercado. Fuentes: Hugging Face hub-stats y ATOM Project; OpenRouter (CC BY 4.0). Si la mayoría de las descargas va a unas pocas familias, ¿cuánto se acercan los mejores modelos abiertos a los mejores?
- 1
-
Capítulo 02 · Capacidad
La capacidad de los modelos abiertos depende de la tarea
2–32puntos
de diferencia entre el mejor modelo de pesos abiertos y el mejor modelo cerrado en cuatro pruebas: 2,2 en ciencia de posgrado, 16,8 en matemáticas avanzadas, 31,8 en conocimiento factual y 1,5 puntos en tareas agénticas largas, en las pruebas de Epoch AI y de Vals AI. Kimi K3.1 Pro se sitúa como el modelo más similar a los modelos cerrados tras su lanzamiento.
Mejor modelo de pesos abiertos frente al mejor modelo cerrado
Mejor modelo de pesos abiertos Mejor modelo cerrado
Ciencia de posgrado
Kimi K3.1 Pro 94,2%
Gemini 4 Argon 96,4%
2,2 pts
Trabajo agéntico
Kimi K3.1 Pro 63,6%
Claude Fable 5.2 y Claude Opus 5.5 65,2%
1,5 pts
Matemáticas avanzadas
Kimi K3.1 Pro 78,2%
Claude Fable 5.2 95,1%
16,8 pts
Conocimiento factual
Kimi K3.1 Pro 62,2%
Claude Fable 5.2 94,0%
31,8 pts
Proporción de cada prueba respondida o resuelta, modelos lanzados hasta el 10 de noviembre de 2026; la cifra bajo cada barra es la distancia en puntos porcentuales. Tres pruebas en ejecuciones propias de Epoch AI; el trabajo agéntico, en Terminal-Bench 4.0, de Vals AI, con el mismo agente para todos los modelos. Fuentes: Epoch AI (CC BY 4.0); Vals AI. La capacidad es una cosa. Pero, ¿qué modelos se usan de verdad?
-
Capítulo 03 · Uso
En todo el año, un tercio de los tokens de pesos abiertos fue solamente a DeepSeek
31%
de los tokens de pesos abiertos en OpenRouter de octubre de 2025 a septiembre de 2026 fue a los modelos de DeepSeek; después iban Tencent (17%), Xiaomi (12%) y Z.ai (12%). Qwen, el más descargado, se llevó el 1,0%. Las descargas pueden indicar un uso local pero no uso vía API.
Consumo de tokens de pesos abiertos del ranking de OpenRouter, de octubre de 2025 a septiembre de 2026
DeepSeek Otros modelos/labs
- 1
DeepSeek V4 Flash DeepSeek
18,1% de los tokens abiertos
- 2
MiMo-V2.5 Xiaomi
9,8% de los tokens abiertos
- 3
Hy3 Tencent
7,5% de los tokens abiertos
- 4
GLM 5.3 Flash Z.ai
6,3% de los tokens abiertos
- 5
Hy4 preview Tencent
5,8% de los tokens abiertos
- 6
DeepSeek V4.1 Flash DeepSeek
5,0% de los tokens abiertos
- 7
DeepSeek V4 Pro DeepSeek
4,6% de los tokens abiertos
- 8
Nemotron 3 Ultra NVIDIA
4,6% de los tokens abiertos
Denominador: tokens procesados por modelos de pesos abiertos en el ranking diario de OpenRouter. Top 50. Fuente: OpenRouter (openrouter.ai/rankings), a 15 de octubre de 2026 (CC BY 4.0). Los tokens miden volumen. ¿Cuánto cuesta de verdad una tarea terminada?
- 1
-
Capítulo 04 · Coste
Con casi la misma calidad, el mejor modelo abierto terminó una tarea por menos de la mitad del precio
$7por tarea resuelta
con Kimi K3.1 Pro, de pesos abiertos, que completó el 63,6% de las mismas 66 tareas agénticas largas; Claude Opus 5.5 completó el 65,2% a $18,48. Pero GLM-5.3 costó $24,11 por tarea resuelta y GPT-6.1 Sol, cerrado, $3,13: un token barato no es una tarea barata.
Vals AI, Terminal-Bench 4.0.
Coste por tarea resuelta, ocho modelos en las mismas 66 tareas agénticas largas
Pesos abiertos Cerrado
- 1
Muse Ember 39,4% completado · 26 min por tarea
$0,55 por tarea resuelta
- 2
GPT-6.1 Sol 55,0% completado · 45 min por tarea
$3,13 por tarea resuelta
- 3
GLM-5.3 Flash 37,4% completado · 61 min por tarea
$3,26 por tarea resuelta
- 4
Kimi K3.1 Pro 63,6% completado · 49 min por tarea
$7,18 por tarea resuelta
- 5
Claude Sonnet 5.5 64,1% completado · 82 min por tarea
$16,76 por tarea resuelta
- 6
Claude Opus 5.5 65,2% completado · 64 min por tarea
$18,48 por tarea resuelta
- 7
Claude Fable 5.2 65,2% completado · 55 min por tarea
$22,35 por tarea resuelta
- 8
GLM-5.3 38,9% completado · 83 min por tarea
$24,11 por tarea resuelta
Terminal-Bench 4.0 con el mismo agente (mini-SWE-agent), tres ejecuciones, a los precios del proveedor vía API. Fuente: Vals AI. Fuera de los benchmarks y las plataformas, ¿cuántas organizaciones usan un modelo abierto?
- 1
-
Capítulo 05 · Adopción
En las empresas estadounidenses, según la estimación de Menlo Ventures, los modelos abiertos se llevaron una quinta parte de los tokens y el 4% del dinero
4%
del gasto de las empresas estadounidenses en modelos de IA fue a modelos abiertos en septiembre de 2026, mientras procesaban el 19% de los tokens (Menlo Ventures). Solo el 6,4% de las empresas estadounidenses que pagan por IA paga a una plataforma que sirve modelos abiertos (Ramp).
Cuota de los modelos abiertos en los tokens y en el gasto, en las dos fuentes que miden ambas cosas
Menlo Ventures empresas de EE. UU., modelado, sept. 2026
Tokens19%
Gasto4%
Vercel AI Gateway desarrolladores y startups, sept. 2026
Tokens71,5%
Gasto23%
Menlo Ventures: una estimación modelada a partir de una encuesta a unos 400 responsables de decisión de EE. UU. (Morning Consult, septiembre de 2026). Vercel: tokens que pasan por su AI Gateway y gasto estimado a precios de lista. Y cuando lo hacen, ¿en la infraestructura de quién se ejecuta el modelo?
-
Capítulo 06 · Despliegue
Tener los pesos no dice dónde se ejecuta un modelo
39%
de los tokens enrutados por OpenRouter en un mes fue a proveedores independientes como Together, DeepInfra o Wafer, que sirven sobre todo modelos de pesos abiertos; los labs que sirven sus propios modelos se llevaron el 52% y las grandes nubes, el 9%.
Ilustración: el nodo del escenario de equilibrio del capítulo Quién sirvió los tokens a través de OpenRouter en el mes hasta el 9 de noviembre de 2026
Proveedores independientes Los propios labs Grandes nubes
¿Cuándo compensa alquilar tus propias GPU? 8x B200 alquiladas con DeepSeek-V4-Pro cuestan lo mismo que la API de DeepSeek si trabajan este porcentaje del mes
Cuanto más corta la barra, antes compensa alquilar; «nunca» significa que la API siempre sale más barata.
Arriba: tokens mensuales en la página de proveedores de OpenRouter, modelos abiertos y cerrados juntos, agrupados por nosotros. Abajo: un escenario modelado de carga de GPU para ver cuándo compensa alojar un modelo por tu cuenta. Fuentes: OpenRouter; páginas de precios de los proveedores; SemiAnalysis InferenceX.
El resumen ejecutivo recoge cada hallazgo con su gráfico, que puedes leer en unos seis minutos. El informe completo reúne todos los capítulos, con las fuentes a un clic de cada gráfico.
// Conclusiones
Qué nos dicen los datos sobre el estado de los modelos abiertos
Cinco conclusiones sencillas. Si quieres entenderlas mejor, cada una remite a los capítulos y a las fuentes.
Hay líderes distintos según lo que se mire
Qwen se llevó el 54% de las descargas en Hugging Face entre octubre de 2025 y septiembre de 2026, y casi la mitad de los modelos derivados. En los mismos meses, DeepSeek tuvo el 31% de los tokens de pesos abiertos del ranking de OpenRouter, y Kimi K3.1 Pro obtuvo la mejor puntuación abierta en las pruebas de capacidad del informe. Descargas, tokens y pruebas miden cosas distintas: el modelo que más se usa en local, el modelo más usado en general y el modelo más capaz. Ninguno de los tres coincide.
Los modelos cambian deprisa; los laboratorios, menos
En septiembre de 2026, el 76% de los tokens del top 50 de OpenRouter fue a versiones que habían entrado en él en los 90 días anteriores. DeepSeek, en cambio, fue el laboratorio abierto más usado en 19 de 21 meses. Que una versión salga de los primeros puestos significa que otra recibe más tráfico, no que deje de usarse.
La distancia con los cerrados depende de la tarea
Kimi K3.1 Pro quedó a 2,2 puntos del mejor modelo cerrado en ciencia de posgrado y a 1,5 en tareas agénticas largas, pero a 16,8 en matemáticas avanzadas, a 21,7 en imágenes científicas y a 31,8 en conocimiento factual. Los modelos abiertos están a un paso de los cerrados en programación agéntica, pero dependiendo de la tarea, unos labs están más cerca que otros.
El precio del token no es el coste de la tarea
En las empresas estadounidenses, los modelos abiertos procesaron el 19% de los tokens y recibieron el 4% del gasto, según Menlo Ventures. En Terminal-Bench 4.0, elegir el modelo que menos cobra por token no basta: en 197 de 741 comparaciones, esa opción acabó costando más por tarea resuelta. En 18 de 28 pares de un modelo abierto y uno cerrado con un éxito parecido, el abierto salió más barato. Ejecutar un modelo en tus propias máquinas tampoco compensa por defecto: depende de cuánto trabajen las GPU.
Los pesos abiertos amplían las opciones
Publicar los pesos permite que otros sirvan un modelo, pero en OpenRouter los propios labs sirvieron el 52% de los tokens del mes hasta el 9 de noviembre de 2026. Y casi todas las empresas que pagan plataformas de modelos abiertos en Ramp siguen pagando a OpenAI o a Anthropic.
01–06 El informe completo
Seis capítulos
-
Ecosistema
Cada fuente tiene un líder distinto
Quién desarrolla los modelos abiertos que se descargan, y lo rápido que ha cambiado ese mapa.
-
Capacidad
¿A qué distancia están los modelos abiertos de los cerrados?
Cuánto van los mejores modelos abiertos por detrás de los mejores, en meses y en puntos.
-
Coste
La economía de los modelos abiertos
Cuánto cuesta una tarea terminada con cada modelo, y cuánto tarda.
-
Adopción
¿Quién usa realmente los modelos abiertos?
Quién usa los modelos abiertos, y qué parte del gasto se llevan.
-
Despliegue
¿Quién ejecuta los modelos abiertos?
Dónde se ejecutan los modelos abiertos: proveedores, API, GPU y el coste de alojarlos.
PDF Recibe todo el informe
El informe completo
El resumen ejecutivo y los seis capítulos con todos sus gráficos, y una nota breve sobre de dónde sale cada gráfico, en un solo documento.
Método
Esta edición se basa en
650
Días de clasificaciones diarias de OpenRouter
23.494
Trabajos de investigación que nombran una familia de modelos, 2025
47
Modelos con coste calculado por tarea resuelta
17
Fuentes de datos públicas






