// The State of Open Models 2026 · unos seis minutos

Resumen ejecutivo

Los modelos más descargados no tienen por qué ser los que más se usan. Y lo que más se usa no es necesariamente lo que más factura.

Ilustración: paisaje en capas con un sol pálido

Los modelos abiertos han pasado a la primera plana de la conversación. Se descargan cientos de millones de veces, se llevan una parte grande de los tokens en las plataformas de inferencia y, en un benchmark de programación, algunos resuelven una tarea por una fracción de lo que cuestan los cerrados. Contados de cuatro formas distintas, dan cuatro líderes distintos.

Primera parte

Qué se construye y con qué calidad

Quién desarrolla los modelos abiertos que se descargan y a qué distancia están los mejores de ellos de los mejores modelos evaluados.

01 Ecosistema · Capítulo 01

Cada fuente tiene un líder distinto

De octubre de 2025 a septiembre de 2026 Qwen se ha llevado el 54% de las descargas de los modelos en Hugging Face, y ocho de los diez más descargados son de la familia 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 esta familia tiene mucho que ver.

El modelo más descargado de cada uno de los ocho mayores labs, de octubre de 2025 a septiembre de 2026

Qwen Otros labs

  1. QwenQwen3-0.6B

    202M descargas

    54%

  2. MetaLlama-3.1-8B-Instruct

    97M descargas

    8%

  3. OpenAIgpt-oss-20b

    81M descargas

    3%

  4. Googlegemma-4-26B-A4B-it

    62M descargas

    8%

  5. DeepSeekDeepSeek-OCR

    34M descargas

    6%

  6. Mistral AIMistral-7B-Instruct-v0.3

    29M descargas

    3%

  7. MicrosoftFlorence-2-base

    13M descargas

    2%

  8. NVIDIALlama-3.1-Nemotron-Nano-VL-8B-V1

    11M descargas

    3%

Descargas de Hugging Face de los modelos abiertos seguidos en doce lecturas mensuales (del 1 de noviembre de 2025 al 1 de octubre de 2026). Fuente: Hugging Face hub-stats; ATOM Project.

Conclusión

Casi todas sus descargas son de modelos pequeños: siete de cada diez descargas de Qwen son de modelos de menos de 10 mil millones de parámetros. Pero ser pequeño no basta, porque otros también publican modelos pequeños, y Qwen también lidera entre los de 10 mil millones de parámetros o más.

Cómo lo medimos

Evidencia E3

Descargas, no usuarios ni despliegues.

02 Capacidad · Capítulo 02

Un modelo abierto está a unos 2 puntos de los mejores en ciencia y trabajo agéntico; en lo demás la distancia es de 17 a 32

En las pruebas propias de Epoch AI, el mejor modelo de pesos abiertos quedó a 2,2 puntos del mejor modelo de todos en ciencia de posgrado, a 16,8 en matemáticas avanzadas y a 31,8 en conocimiento factual. En tareas agénticas largas, ejecutadas por Vals AI con el mismo agente para todos los modelos, quedó a 1,5 puntos. Los mejores modelos cerrados ahora mismo son de Google, OpenAI y Anthropic. Entre los abiertos, Kimi K3.1 Pro, cuyos pesos se publicaron el 4 de noviembre, encabeza las cuatro.

Mejor modelo de pesos abiertos frente al mejor modelo cerrado

Mejor modelo de pesos abiertos Mejor modelo cerrado

0%25%50%75%100%Ciencia de posgradoKimi K3.1 Pro 94,2%Gemini 4 Argon 96,4%2,2 ptsTrabajo agénticoKimi K3.1 Pro 63,6%Claude Fable 5.2 y Claude Opus 5.5 65,2%1,5 ptsMatemáticas avanzadasKimi K3.1 Pro 78,2%Claude Fable 5.2 95,1%16,8 ptsConocimiento factualKimi K3.1 Pro 62,2%Claude Fable 5.2 94,0%31,8 pts
  • 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.

Conclusión

La distancia cambia con cada lanzamiento: lo que logran los mejores modelos, un modelo abierto lo alcanza entre 2 y 11 meses después. Para elegir un modelo, la tarea importa más que cualquier clasificación.

Cómo lo medimos

Evidencia E3

Tres pruebas en ejecuciones propias de Epoch AI y una, Terminal-Bench 4.0, en las de Vals AI; modelos lanzados hasta el 10 de noviembre de 2026.

Segunda parte

Qué se usa y cuánto cuesta

Qué modelos abiertos se usan más y cuánto cuesta completar una tarea con cada uno.

03 Uso · Capítulo 03

Un tercio de los tokens de pesos abiertos fue a DeepSeek

De octubre de 2025 a septiembre de 2026, los modelos de DeepSeek se llevaron el 31% de los tokens de pesos abiertos en OpenRouter; después Tencent, Xiaomi y Z.ai. Qwen, que lidera las descargas, se llevó el 1,0%. En el año, los modelos de pesos abiertos se llevaron el 60% de los tokens del top 50 diario de OpenRouter.

Consumo de tokens de pesos abiertos del ranking de OpenRouter, de octubre de 2025 a septiembre de 2026

DeepSeek Otros modelos/labs

  1. 1

    DeepSeek V4 Flash DeepSeek

    18,1% de los tokens abiertos

  2. 2

    MiMo-V2.5 Xiaomi

    9,8% de los tokens abiertos

  3. 3

    Hy3 Tencent

    7,5% de los tokens abiertos

  4. 4

    GLM 5.3 Flash Z.ai

    6,3% de los tokens abiertos

  5. 5

    Hy4 preview Tencent

    5,8% de los tokens abiertos

  6. 6

    DeepSeek V4.1 Flash DeepSeek

    5,0% de los tokens abiertos

  7. 7

    DeepSeek V4 Pro DeepSeek

    4,6% de los tokens abiertos

  8. 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).

Conclusión

Los modelos en uso cambian en cuestión de meses: ningún modelo abierto lideró más de 7 meses, mientras que DeepSeek fue el lab abierto más usado en 19 de 21 meses.

En la muestra de peticiones que OpenRouter clasifica por temática, un modelo cerrado es el más usado en las 17 temáticas, del software al derecho. Entre los abiertos, DeepSeek V4.1 Flash es el más usado en 11 de ellas; el mejor puesto que alcanza un modelo abierto es el segundo: GLM-5.2 en relaciones y Kimi K3 en salud y bienestar.

Cómo lo medimos

Evidencia E3

Tráfico en una plataforma que encamina peticiones hacia muchos modelos: no usuarios, ni cuota de mercado.

04 Coste · Capítulo 04

En cabeza, un modelo abierto terminó tareas por menos de la mitad del precio, pero no todo modelo abierto es barato

En las mismas 66 tareas agénticas largas, ejecutadas por Vals AI con el mismo agente, Kimi K3.1 Pro, de pesos abiertos, completó el 63,6% a $7,18 por tarea resuelta; Claude Opus 5.5 completó el 65,2% a $18,48 y Claude Fable 5.2 el 65,2% a $22,35.

Coste por tarea resuelta, ocho modelos en las mismas 66 tareas agénticas largas

Pesos abiertos Cerrados

  1. 1

    Muse Ember 39,4% completado · 26 min por tarea

    $0,55 por tarea resuelta

  2. 2

    GPT-6.1 Sol 55,0% completado · 45 min por tarea

    $3,13 por tarea resuelta

  3. 3

    GLM-5.3 Flash 37,4% completado · 61 min por tarea

    $3,26 por tarea resuelta

  4. 4

    Kimi K3.1 Pro 63,6% completado · 49 min por tarea

    $7,18 por tarea resuelta

  5. 5

    Claude Sonnet 5.5 64,1% completado · 82 min por tarea

    $16,76 por tarea resuelta

  6. 6

    Claude Opus 5.5 65,2% completado · 64 min por tarea

    $18,48 por tarea resuelta

  7. 7

    Claude Fable 5.2 65,2% completado · 55 min por tarea

    $22,35 por tarea resuelta

  8. 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.

Conclusión

Que los pesos sean abiertos no abarata una tarea: GLM-5.3 costó $24,11 por tarea resuelta, más que la mayoría de los modelos cerrados, y GPT-6.1 Sol, cerrado, $3,13. Lo que importa es cuántos tokens gasta un modelo, y a qué precio, para terminar. El ahorro también tiene un precio en tiempo: el modelo abierto mediano tardó 70 minutos por tarea, el cerrado mediano 54.

Cómo lo medimos

Evidencia E3

Un benchmark de tareas agénticas largas, con un agente; costes a los precios del proveedor de cada ejecución. Modelos lanzados hasta el 10 de noviembre de 2026.

Tercera parte

Quién paga y dónde se ejecutan

Qué parte del dinero va a los modelos abiertos, quién los usa y en qué infraestructura.

05 Adopción · Capítulo 05

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

En la estimación modelada de Menlo Ventures para las empresas estadounidenses, los modelos abiertos procesaron el 19% de los tokens en septiembre de 2026 y se llevaron el 4% del gasto en modelos de IA. Si se cuentan las empresas que pagan, la cifra es menor: el 6,4% de las empresas estadounidenses de Ramp que pagan IA paga una plataforma que sirve modelos abiertos.

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. Cifras tal como se publicaron.

Conclusión

Donde ya se usan, crecen deprisa: en el gateway de Vercel, usado por desarrolladores y startups, los modelos abiertos pasaron del 13% de los tokens en abril al 71,5% en septiembre, con el 23% del gasto. En un panel de 200 grandes empresas, el 42% los tenía en producción, frente al 31% de julio; casi todas las empresas que pagan una plataforma que sirve modelos abiertos también pagan a OpenAI o Anthropic.

Cómo lo medimos

Evidencia E2

Cifras publicadas por fuentes distintas, cada una con su propia población; ninguna es un recuento del conjunto de las empresas.

06 Despliegue · Capítulo 06

Si los pesos son abiertos, ¿dónde se ejecuta el modelo?

Los proveedores independientes sirvieron el 39% de los tokens enrutados por OpenRouter en el mes hasta el 9 de noviembre de 2026, modelos abiertos y cerrados juntos; los desarrolladores se llevaron el 52% y las grandes nubes, el 9%. En sus propias tarifas, muchos proveedores cobran lo mismo que el desarrollador.

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

39%52%9%

¿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.

  • El escenario que contamos en el capítulo 0656% del mes
  • Si la hora de GPU cuesta el precio spot mediano33% del mes
  • Si la hora de GPU cuesta el precio de lista más alto96% del mes
  • Si cada petición lleva 10 tokens de entrada por cada token de salida26% del mes
  • Si cada petición lleva 1 token de entrada por cada token de salida84% del mes
  • Si las GPU generan tan rápido como en una prueba de un solo turno77% del mes
  • Si se compara con la API más barata de OpenRouternunca
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.

Conclusión

Que ejecutar un modelo uno mismo salga más barato depende de cuánto trabajen las GPU y de cuatro supuestos: cuánto cuesta la hora de GPU, cuántos tokens de entrada lleva cada petición por cada token de salida, cuántos tokens por segundo generan de verdad las GPU y con qué precio de API se compara. En el escenario ilustrativo del capítulo, ocho B200 alquiladas, unos $48.700 al mes, cuestan lo mismo que la API de DeepSeek para DeepSeek-V4-Pro si trabajan el 56% del mes; cambiando un supuesto cada vez, eso va de la cuarta parte del mes a nunca.

Cómo lo medimos

Evidencia E2

Tráfico enrutado por una plataforma, tal como se mostraba el 9 de noviembre de 2026; el cálculo de rentabilidad es un escenario modelado, no un coste observado.

Conclusiones generales del informe

El ecosistema de los modelos abiertos cambia y se moldea cada mes. Pero este último año nos sirve para entender algunas preguntas que queremos responder sobre modelos, familias, uso, coste y despliegue.

Lo más sorprendente

Lo más descargado no es lo más usado. De octubre de 2025 a septiembre de 2026 Qwen se llevó el 54% de las descargas en Hugging Face y el 1,0% de los tokens de pesos abiertos del top 50 diario de OpenRouter, donde DeepSeek lideró con el 31%.

Lo más usado no es aquello por lo que más pagan las empresas. Los modelos abiertos procesaron el 19% de los tokens de las empresas estadounidenses y se llevaron el 4% del gasto, en la estimación modelada de Menlo Ventures. Los presupuestos siguen pagando a los grandes labs de modelos cerrados.

Los pesos abiertos, ¿dónde se ejecutan? Los proveedores independientes, los desarrolladores y las grandes nubes se reparten el tráfico que envía un enrutador, muchos proveedores cobran lo mismo que el desarrollador y algunas de las ofertas más baratas declaran menos precisión.

La palanca que mueve el cambio hacia modelos abiertos

Son interpretaciones nuestras, no mediciones. Hay que comparar los modelos por lo que cuesta una tarea terminada y por lo que tarda, no por el precio del token, en tareas parecidas a las propias. En el único benchmark cuyo coste calculamos, algunos modelos de pesos abiertos resolvieron tareas por una fracción de lo que costaban los cerrados y otros costaron más, y los cerrados fueron casi siempre más rápidos. Para un equipo que todavía no conoce su tráfico, una API evita comprometer capacidad; la capacidad propia merece una prueba con volúmenes grandes y estables o con datos que no pueden salir de casa.

El mercado de los modelos abiertos ha cambiado más deprisa que las preguntas que le hacemos. Las descargas, los tokens, el dinero y cómo se sirven nos dan una idea general de cómo es todo el ecosistema.