// Capítulo 06 · Despliegue

¿Quién ejecuta los modelos abiertos?

Que los pesos de un modelo estén disponibles no determina quién sirve sus peticiones. Analizamos la oferta de proveedores, el coste de alquilar GPU y las condiciones que cambian la decisión de despliegue.

Datos: proveedores y endpoints de OpenRouter (9 de noviembre de 2026, tal como se mostraban); páginas de precios de los proveedores; tarifas de GPU; SemiAnalysis InferenceX; hub-stats de Hugging Face.

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%.

Página de proveedores de OpenRouter, 9 de noviembre de 2026, tal como se mostraba.

Ilustración: paisaje en capas con un sol pálido
Despliegue

Una empresa puede usar un modelo abierto sin descargarlo ni mantener una sola GPU. Puede contratar la API del desarrollador, acudir a un proveedor independiente, reservar capacidad dedicada o gestionar su propia infraestructura. Son formas distintas de usar los mismos pesos, con tarifas y responsabilidades diferentes.

La elección no afecta solo al precio. Cambia quién controla la versión, la precisión, la capacidad disponible y la región en la que se procesan las peticiones, y quién se ocupa de que el servicio siga funcionando.

01 Quién sirve

Los proveedores independientes sirvieron el 39% de los tokens que OpenRouter enrutó en un mes

El laboratorio que desarrolla un modelo no tiene por qué ser quien lo opera. En el tráfico que pasó por OpenRouter, un enrutador que reparte peticiones entre muchos proveedores, en el mes estudiado el 52% de los tokens lo sirvieron los propios desarrolladores, el 39% proveedores independientes y el 9% las grandes nubes. El recuento incluye modelos abiertos y cerrados: describe cómo se repartió el tráfico de este enrutador, no el conjunto de la inferencia.

Quién sirvió los tokens enrutados por OpenRouter en el mes hasta el 9 de noviembre de 2026

Cada cuadrado es un 1% de los tokens del mes

Los cinco mayores proveedores independientes, tokens del mes

  1. Together

    39,2 T tokens

    Estados Unidos

  2. DeepInfra

    33,7 T tokens

    Estados Unidos

  3. Wafer

    32,2 T tokens

    Estados Unidos

  4. inference.net

    31,7 T tokens

    Estados Unidos

  5. DigitalOcean

    20,4 T tokens

    Estados Unidos

Tokens mensuales que mostraba la página de proveedores de OpenRouter el 9 de noviembre de 2026, modelos abiertos y cerrados juntos, agrupados por nosotros: labs que sirven sus propios modelos (OpenAI, Tencent, DeepSeek…), proveedores independientes que sirven modelos de otros y las grandes nubes (Google Vertex, AWS, Azure). El tamaño de cada bloque sigue a sus tokens. Fuente: OpenRouter.

Que se publiquen los pesos tampoco significa que los usuarios ejecuten el modelo por su cuenta. En la encuesta de JetBrains de 2025, el 70,5% de los desarrolladores que usaban DeepSeek llegaba a él por la web o la aplicación de DeepSeek, y el 27,8% por su API.

Los modelos abiertos más usados tienen una mediana de 17,5 proveedores; el modelo abierto mediano, dos

99 modelos de pesos abiertos verificados con endpoint en OpenRouter, según cuántos proveedores los ofrecen, 9 de noviembre de 2026. En verde, los diez con más tokens del 1 al 14 de octubre.

Los diez más usados: proveedores de cada uno

  1. glm-5.3-flash36
  2. deepseek-v4.1-flash30
  3. deepseek-v4-flash-073126
  4. glm-5.224
  5. kimi-k321
  6. deepseek-v4-flash14
  7. mimo-v2.6-flash7
  8. hy4-preview7
  9. hy35
  10. nemotron-3-ultra-550b-a55b3

Todos los modelos abiertos

010203039 modelos con 1 proveedores39114 modelos con 2 proveedores14214 modelos con 3–4 proveedores1 de los diez más usados143–414 modelos con 5–9 proveedores3 de los diez más usados145–910 modelos con 10–19 proveedores1 de los diez más usados1010–196 modelos con 20–29 proveedores3 de los diez más usados620–292 modelos con 30 o más proveedores2 de los diez más usados230 o másProveedores con endpoint del modelo en OpenRouterModelos
010203039 modelos con 1 proveedores39114 modelos con 2 proveedores14214 modelos con 3–4 proveedores1 de los diez más usados143–414 modelos con 5–9 proveedores3 de los diez más usados145–910 modelos con 10–19 proveedores1 de los diez más usados1010–196 modelos con 20–29 proveedores3 de los diez más usados620–292 modelos con 30 o más proveedores2 de los diez más usados230 o másProveedores por modeloModelos
Un proveedor es una empresa con al menos un endpoint del modelo; el número de proveedores no es una cuota de mercado ni garantiza disponibilidad, precio o la misma precisión. Los diez más usados se eligen por los tokens del 1 al 14 de octubre de 2026 y se cuentan sus proveedores el 9 de noviembre. Fuente: OpenRouter, tal como se mostraba.

La oferta comercial se concentra en unos pocos modelos muy populares. Publicar los pesos permite que aparezcan más proveedores, pero no garantiza que los haya para cualquier versión ni que ofrezcan las mismas condiciones.

02 API o capacidad

Una API cobra por token; las GPU dedicadas cobran por hora, trabajen o no

Con una API, el coste crece con las peticiones. Al reservar GPU se paga la capacidad contratada aunque haya horas sin tráfico, y esa diferencia pesa más que el precio aislado de un token o de una hora de GPU. Además, los proveedores no ofrecen necesariamente el mismo servicio: 8 de los 9 que ofrecen Kimi K3 igualan los $3 y $15 por millón de tokens de entrada y de salida de Moonshot, pero pueden cambiar otras condiciones. En un despliegue propio, al hardware hay que sumar las personas que lo operan y lo mantienen.

Tres formas de ejecutar un modelo abierto

  1. 1

    Una API compartida

    el endpoint de un desarrollador o de un proveedor

    Pagas

    por token: Kimi K3 a $3,00 por millón de tokens de entrada y $15,00 de salida, al precio de Moonshot

    Otro decide

    la precisión, la versión, los límites de uso y dónde se procesan las peticiones

    El coste depende de

    cuántos tokens envías

  2. 2

    Capacidad dedicada

    GPU que un proveedor reserva para ti

    Pagas

    por hora de GPU, trabaje o no: una B200 a una mediana de $8,35 la hora bajo demanda

    Otro decide

    el hardware y el centro de datos; tú eliges el modelo, la precisión y la configuración del servicio

    El coste depende de

    cuánto trabajan las GPU

  3. 3

    Infraestructura autogestionada

    GPU propias, o alquiladas sin gestión, que operas tú

    Pagas

    las GPU (compradas o alquiladas por horas), la electricidad, el espacio y las personas que las operan

    Otro decide

    nada: cada decisión y cada fallo son tuyos

    El coste depende de

    cuánto trabajan y durante cuánto tiempo las mantienes

Los precios son ejemplos de los datos del capítulo: la tarifa de Moonshot para Kimi K3 (9 de noviembre de 2026) y la mediana de las tarifas públicas bajo demanda de una B200, recogidas el 26 de octubre y el 9 de noviembre de 2026. Las tres se pueden combinar. Fuentes: páginas de precios de los proveedores.

Cuántos proveedores cobran exactamente lo mismo que el desarrollador, noviembre de 2026

Al precio del propio desarrollador A otro precio

Kimi K3 desarrollador: $15,00 por M de tokens de salida

8 de 91

GLM-5.3 desarrollador: $4,40 por M de tokens de salida

7 de 103

DeepSeek-V4-Pro desarrollador: $3,96 por M de tokens de salida

4 de 84

Qwen3.5-397B-A17B desarrollador: $3,60 por M de tokens de salida

3 de 41

Qwen3.8-27B desarrollador: $3,00 por M de tokens de salida

1 de 76

DeepSeek-V4.1-Flash desarrollador: $1,20 por M de tokens de salida

8 de 102

GLM-5.3-Flash desarrollador: $0,50 por M de tokens de salida

8 de 91
Proveedores que publican cada modelo a un precio estándar en su propia página de precios, 9 de noviembre de 2026. En OpenRouter la dispersión es mayor, porque sus endpoints más baratos suelen declarar precisión de 4 bits o aplicar una promoción. Fuentes: páginas de precios de los proveedores; OpenRouter, según se muestra.

Lo que cuestan de verdad los tokens en un proveedor

En los datos de uso que compartió Novita AI, el precio medio realizado por millón de tokens bajó un 70,5% entre junio y octubre de 2026, de $0,256 a $0,075. Los tokens se fueron a modelos más baratos: la parte de los modelos con un precio realizado inferior a $0,10 pasó del 37,3% al 82,5%, mientras que la media de los modelos, contando cada uno una vez, solo bajó un 9,8%. Los precios dentro de ese grupo más barato también bajaron, y los datos no separan cuánto de la caída explica cada cambio. Son precios realizados (ingresos divididos entre tokens) en un solo proveedor, no precios de lista ni un índice del mercado.

Precio realizado por millón de tokens, por token y contando cada modelo una vez, y parte de los tokens en modelos por debajo de $0,10, junio–noviembre de 2026

$0,00$0,20$0,40$0,60junjulagoseptoctnov*Cada modelo una vez$0,387Por token$0,075

Parte de los tokens en modelos por debajo de $0,10 por millón

  1. jun37,3%
  2. jul39,0%
  3. ago59,8%
  4. sept66,7%
  5. oct82,5%
  6. nov*69,9%
Precio realizado: ingresos divididos entre tokens, de entrada y de salida juntos. «Por token» pondera cada modelo por sus tokens; «cada modelo una vez» es la media simple de los modelos servidos ese mes, un conjunto que cambia de un mes a otro. *Noviembre es parcial y no se compara con los meses completos. Fuente: Novita AI, uso agregado y precios realizados, junio–noviembre de 2026 (contribución preliminar, noviembre de 2026; noviembre parcial; sin tencent/hy3).

Ninguna de las tres es más barata en general; cada una encaja en una situación distinta. Una API compartida conviene cuando el tráfico aún no se conoce o llega a rachas: si no se envía nada, no se paga nada. La capacidad dedicada conviene con una carga constante que mantenga ocupadas las GPU, o cuando un equipo necesita una versión y una precisión fijas. Montar infraestructura propia tiene sentido cuando los datos no pueden salir de la empresa y hay un equipo para operarla. Las vías se pueden combinar: una API para los picos y capacidad propia para la carga de base.

Comparar solo precios puede engañar. La mayoría de los proveedores cobra lo mismo que el desarrollador, y algunas ofertas más baratas lo son porque sirven el modelo con menos precisión: los endpoints más baratos de Kimi K3 y GLM-5.3 declaran 4 bits. Antes que el precio, conviene mirar la precisión.

03 Cuándo compensa

Cuándo compensa un nodo alquilado frente a la API depende de los supuestos: desde el 26% del mes hasta nunca

Alquilar GPU solo sale más barato que una API si el volumen de trabajo permite aprovecharlas. En el escenario que modelamos, ocho B200 alquiladas para ejecutar DeepSeek-V4-Pro cuestan unos $48.700 al mes, trabajen o no, mientras que la API de DeepSeek cobra un precio fijo por token. El coste se iguala cuando el nodo trabaja a pleno rendimiento el 56% del mes; por debajo, la API es más barata. Ese porcentaje cambia mucho al modificar el precio de las GPU, la relación entre tokens de entrada y de salida o la tarifa de API de referencia: frente al endpoint más barato de OpenRouter, el nodo no llega a igualarla nunca. Es una simulación del coste del hardware, no la medición de una instalación real.

Qué parte del mes tienen que trabajar ocho B200 alquiladas para costar lo mismo que la API de DeepSeek con DeepSeek-V4-Pro, según cada supuesto

  1. El escenario del capítulo56%
  2. GPU a precio spot33%
  3. GPU a la tarifa más alta96%
  4. 10 tokens de entrada por cada uno de salida26%
  5. 1 token de entrada por cada uno de salida84%
  6. Rendimiento de una prueba de un solo turno77%
  7. API al precio más barato de OpenRouternunca

Mezcla observada en Novita AI, unos 21 tokens de entrada por cada uno de salida14%

Un escenario modelado: no es un coste observado ni el coste total de producción. Cada fila cambia un supuesto de la primera; «nunca»: ni siquiera a pleno uso. El rendimiento medido viene de una carga con muchos más tokens de entrada por cada uno de salida de los que supone el precio de la API, así que ninguna fila es un umbral empírico. Fuentes: páginas de precios de los proveedores; SemiAnalysis InferenceX.
El mismo cálculo para otros modelos
  • Kimi K3 16 × B200no se alcanza: necesita 97 tokens de salida por segundo y GPU; medidos, 56
  • GLM-5.3 4 × B200sin medición independiente en este hardware
  • Qwen3.5-397B-A17B 2 × B20068% del mes
  • DeepSeek-V4.1-Flash 8 × B20039% del mes
  • GLM-5.3-Flash 8 × B200no se alcanza: necesita 2440 tokens de salida por segundo y GPU; medidos, 265

Al mes, el nodo alquilado cuesta lo mismo trabaje o no; la API cuesta según los tokens

DeepSeek-V4-Pro en ocho B200 al precio mediano bajo demanda, frente a lo que cobraría la API por los tokens que el nodo produce a su rendimiento medido, con tres tokens de entrada por cada uno de salida.

$0$20.000$40.000$60.000$80.000$100.0000%25%50%75%100%Parte del mes en que el nodo trabaja a su rendimiento medidoEl nodo sale más barato56%Nodo de 8 × B200: $48.735 al mesAPI de DeepSeek: $7,92 por MEndpoint más barato: $3,96 por M
$0$20.000$40.000$60.000$80.000$100.0000%25%50%75%100%Parte del mes que trabaja el nodoEl nodo sale más barato56%Nodo: $48.735 al mesAPI de DeepSeek: $7,92 por MEndpoint más barato: $3,96 por M
Un escenario modelado, no un coste observado: solo el hardware alquilado, 730 horas al mes. El rendimiento medido (SemiAnalysis InferenceX) viene de trazas de agentes con mucha más entrada por token de salida que la mezcla con la que se valora la API, así que el cruce no es un umbral. Fuentes: páginas de precios de los proveedores; SemiAnalysis InferenceX.

La respuesta va del 26% del mes a nunca. Depende menos del modelo que de los supuestos: lo que cuestan las GPU, lo largas que son las peticiones, lo rápido que corre de verdad el modelo y con qué precio de API se compara.

Una observación mueve el supuesto de la mezcla. En los datos de uso que compartió Novita AI, los tokens de entrada fueron el 95,4% de todos los tokens entre junio y noviembre de 2026, unos 21 de entrada por cada uno de salida, lejos de la mezcla de tres a uno con la que se suelen comparar los precios de lista. Con esa mezcla, el nodo de este ejemplo costaría lo mismo que la API de DeepSeek trabajando el 14% del mes. Es la mezcla de un solo proveedor, y el rendimiento medido sigue viniendo de otra carga de trabajo.

04 La curva de coste

Cuanto más trabaja un nodo alquilado, más barato sale cada token; el precio de la API no se mueve

Un nodo alquilado cuesta lo mismo cada mes. Repartido entre pocos tokens, cada uno sale caro; entre muchos, barato. A pleno uso, DeepSeek-V4-Pro en ocho B200 produce un millón de tokens de salida por $4,43; la API de DeepSeek cobra $7,92 por la misma mezcla, sea cual sea el volumen. Las dos líneas se cruzan en el 56% del mes.

DeepSeek-V4-Pro en ocho B200 alquiladas: coste por millón de tokens de salida según la parte del mes que trabaja el nodo

0%25%50%75%100%$0$10$20$30Dólares por millón de tokens de salidaParte del mes que el nodo funciona a su rendimiento medidoAPI de DeepSeek: $7,92Endpoint más barato de OpenRouter: $3,96Nodo alquilado: 8 × B200El nodo sale más barato56%0%25%50%75%100%$0$10$20$30Dólares por millón de tokens de salidaParte del mes al rendimiento medidoAPI de DeepSeek: $7,92Endpoint más barato: $3,96Nodo alquilado: 8 × B200Nodo más barato56%

Supuestos

  • El nodo se alquila al precio público mediano bajo demanda, 730 horas al mes.
  • La API es la tarifa del propio desarrollador; cada token de salida va con tres de entrada.
  • El rendimiento es una medición independiente (SemiAnalysis InferenceX) con trazas de agentes de programación, con unos 129 tokens de entrada por cada uno de salida, casi todos en caché. Los dos lados no comparten carga de trabajo.
  • Solo se cuenta el hardware alquilado: ni personal, ni almacenamiento, ni red, ni redundancia, ni puesta en marcha, ni capacidad ociosa.
El coste mensual del nodo dividido entre los tokens que produce al rendimiento medido; las líneas planas son el precio de DeepSeek y el endpoint más barato de OpenRouter para la misma mezcla. Utilización de equilibrio = tokens de salida por segundo y GPU necesarios a pleno uso ÷ tokens de salida por segundo y GPU medidos. Fuentes: páginas de precios de los proveedores; SemiAnalysis InferenceX.

Una GPU alquilada cuesta lo mismo en una hora con peticiones que en una hora sin ellas. Por eso no basta con el volumen medio: importan los picos, los periodos de inactividad y el rendimiento que consigue el modelo con las peticiones reales. En dos de los otros modelos medidos, ni siquiera una utilización continua alcanzaría la tarifa del desarrollador con estos supuestos. El cálculo tampoco incluye personal, redundancia ni mantenimiento, que pueden inclinar la decisión hacia una API o un servicio gestionado.

05 Hardware y lugar

El precio de la GPU no basta: importan la memoria, la precisión y la región donde se ejecuta

Para servir un modelo, primero tiene que caber en la memoria disponible. Después importan la velocidad a la que trabaja con la carga prevista y lo que cuesta mantenerlo en marcha, y la precisión con que se guardan los pesos influye en todo ello. Una B200 se alquila por casi el doble que una H100, con más del doble de memoria.

Lo que cuesta alquilar una GPU bajo demanda: tarifas del 26 de octubre y el 9 de noviembre de 2026

Precio mediano De la tarifa más barata a la más cara

  1. B200 180 GB

    $8,35la hora

  2. H200 141 GB

    $6,15la hora

  3. H100 80 GB

    $4,46la hora

  4. RTX PRO 6000 96 GB

    $2,49la hora

Tarifas públicas bajo demanda por GPU y hora. La capacidad spot y la reservada son más baratas. Fuentes: páginas de precios de los proveedores; memoria según las fichas de los fabricantes.

Para algunos clientes, la región donde se procesan las peticiones es una condición previa, no algo que se compense con un precio menor. En la página de proveedores de OpenRouter, las empresas con sede en la UE sirvieron el 0,6% de los tokens del mes. Eso no mide la inferencia que se ejecuta físicamente en Europa: la sede de una empresa y la ubicación de sus servidores son cosas distintas.

Sí hay alternativas europeas. Al menos diez empresas con sede en la UE ofrecen los modelos abiertos chinos de este capítulo desde centros de datos europeos, casi siempre al precio del desarrollador o muy cerca, y su H100 mediana bajo demanda costaba $3,76 la hora. Pero la residencia de los datos no se deduce del domicilio del proveedor ni del nombre de la API: hay que conocer la región en la que se procesa cada petición y las condiciones del contrato.

06 Configuraciones

Cuántas GPU necesita cada modelo abierto y cuánto cuestan al mes

Los modelos abiertos más grandes necesitan varias GPU, a veces varios servidores. DeepSeek-V4-Pro está documentado en ocho H200 u ocho B200 con sus expertos a 4 bits; Qwen3.5-397B-A17B, en ocho H200 a 8 bits o dos B200 a 4 bits; solo el denso Qwen3.8-27B cabe en una tarjeta. Elige un modelo para ver sus servidores y su coste mensual bajo demanda.

Configuraciones documentadas: las GPU que publican los desarrolladores y los motores de servicio para cada modelo, y su coste mensual bajo demanda

Kimi K3 · 2,8 billones de parámetros, 104 mil millones activos

  1. 8 × B300

    $53.900al mes bajo demanda

    1 servidor · NVFP4 (de terceros) · 2,3 TB de memoria de GPU

  2. 16 × B200

    $97.500al mes bajo demanda

    2 servidores · NVFP4 (de terceros) · 2,9 TB de memoria de GPU

Cada servidor tiene ocho huecos para GPU; los dibujos muestran las GPU que necesita cada configuración. Las configuraciones son las que documentan los desarrolladores de los modelos, los motores de servicio (vLLM, SGLang) y Nvidia para cada modelo. En las GPU Blackwell de Nvidia (B200, B300 y RTX PRO 6000) usan NVFP4, el formato de cuatro bits propio de Blackwell; «de terceros» indica una conversión hecha por alguien distinto del desarrollador del modelo. En H200 y H100 mantienen el «formato del desarrollador»: el formato numérico en que el desarrollador del modelo publica sus pesos. Más GPU dan margen para contextos más largos y más usuarios simultáneos. Coste mensual: 730 horas al precio de lista mediano bajo demanda de cada GPU. Fuentes: fichas de los modelos, recetas de vLLM y SGLang, matriz de compatibilidad de Nvidia NIM; páginas de precios de los proveedores.

07 Cuantización

El mismo modelo se puede servir con precisiones distintas

Cuantizar guarda los pesos de un modelo en menos bits: necesita menos memoria y corre más rápido, a veces a costa de la calidad. En OpenRouter, el 43% de los endpoints de modelos abiertos declara FP8, y el 24%, 4 bits; el 25% no declara nada. Entre las copias cuantizadas que se descargan de Hugging Face domina GGUF, aunque la forma en que el Hub cuenta sus ficheros la infla.

El mismo modelo con tres precisiones: los 1,6 billones de pesos de DeepSeek-V4-Pro en 16, 8 y 4 bits

PrecisiónUn pesoB200 necesarias solo para los pesosBF1616 bits por peso3,2 TB18 B200FP88 bits por peso1,6 TB9 B2004 bits4 bits por peso0,8 TB5 B200
PrecisiónB200 necesarias solo para los pesosBF163,2 TB16 bits por peso18 B200FP81,6 TB8 bits por peso9 B2004 bits0,8 TB4 bits por peso5 B200
Solo los pesos: parámetros × bits ÷ 8, y cuántas B200 de 180 GB llenan. Un modelo en marcha necesita además memoria para su contexto (la caché KV) y sus activaciones, así que los despliegues reales usan más GPU; con menos bits, además, cada token se calcula más deprisa, a veces a costa de algo de calidad. Fuentes: ficha del modelo DeepSeek-V4-Pro; memoria según la ficha del fabricante.

La precisión cambia entre proveedores y entre descargas: dos poblaciones, medidas por separado

Endpoints: la precisión que declara cada proveedor, 595 endpoints de modelos abiertos en OpenRouter

43% FP824% 4 bits (FP4, MXFP4, NVFP4, INT4)9% BF16 / FP16 / FP3225% No declarada

Descargas: el formato de las copias cuantizadas en Hugging Face, proporción de las descargas a 30 días

55% GGUF11% MLX10% AWQ8% NVFP4 / FP47% FP88% Otros
Arriba: la precisión que declara cada endpoint, 595 endpoints de modelos de pesos abiertos verificados, 9 de noviembre de 2026 (declarada, no verificada). Abajo: descargas a 30 días de derivados cuantizados de los modelos abiertos que seguimos, 22 de octubre de 2026; GGUF está inflado por la forma en que el Hub cuenta sus archivos. Fuentes: OpenRouter, tal como se mostraba; hub-stats de Hugging Face.

Dos endpoints con el mismo nombre de modelo pueden servir precisiones distintas, y el precio suele seguir a los bits: los endpoints más baratos de Kimi K3 y GLM-5.3 en OpenRouter declaran 4 bits. Antes de comparar dos ofertas, comprueba que sirven la misma versión con la precisión que necesita la aplicación.

Capítulo 06 · Cierre

Qué cambia al elegir dónde ejecutar el modelo

Publicar los pesos abre la posibilidad de ejecutar un modelo fuera de la infraestructura de su desarrollador. No garantiza una oferta amplia de proveedores: en OpenRouter, los modelos abiertos más usados tenían muchas alternativas, pero el modelo abierto mediano tenía solo dos. Tampoco garantiza que alquilar GPU salga más barato: en nuestro ejemplo, el punto de equilibrio va del 26% del mes a nunca según los supuestos.

Para una empresa, la elección empieza por tres comprobaciones: qué versión y qué precisión ofrece cada proveedor, si el coste encaja con su volumen y su patrón real de tráfico, y dónde se procesan las peticiones. Una API, una capacidad dedicada y una instalación propia pueden servir el mismo modelo; lo que cambia es cuánto control se obtiene y cuánta operación se asume.

Número de proveedores
Publicar los pesos abre la posibilidad de ejecutar un modelo fuera de la infraestructura de su desarrollador. No garantiza una oferta amplia de proveedores: en OpenRouter, los modelos abiertos más usados tenían muchas alternativas, pero el modelo abierto mediano tenía solo dos.
Alquilar GPU
Alquilar GPU solo sale más barato que una API si el volumen de trabajo permite aprovecharlas. En nuestro ejemplo, el punto de equilibrio va del 26% del mes a nunca según los supuestos.
Antes de comparar dos ofertas
Para una empresa, la elección empieza por tres comprobaciones: qué versión y qué precisión ofrece cada proveedor, si el coste encaja con su volumen y su patrón real de tráfico, y dónde se procesan las peticiones.