06 Evidencia y métodos

¿Quién ejecuta los modelos abiertos?

De dónde salen las cifras de cada gráfico, en una ficha por gráfico. Los cálculos completos están en los archivos que cita cada ficha.

Los gráficos

  1. Quién sirve

    Qué muestra
    La parte de los tokens mensuales de OpenRouter que sirven los desarrolladores de modelos, los proveedores independientes y las grandes nubes, y los mayores proveedores.
    Fuente
    Página de proveedores de OpenRouter, tal como se mostraba el 9 de noviembre de 2026; JetBrains Developer Ecosystem Survey 2025.
    Cómo lo calculamos
    Tokens mensuales tal como se mostraban, modelos abiertos y cerrados juntos, agrupados por nosotros; proveedores por modelo abierto según la API de endpoints.
    Límite principal
    El tráfico que envía un enrutador; no es cuota de mercado; la sede de un proveedor no es donde ejecuta el modelo.
    Archivos
    analysis/infra/p29/or_provider_volumes_2026_11_09.csv · analysis/infra/p29/or_models_open_2026_11_09.csv
  2. API o capacidad

    Qué muestra
    Tres formas de ejecutar un modelo abierto, con precios de ejemplo; cuántos proveedores cobran la tarifa del propio desarrollador.
    Fuente
    Páginas de precios de los proveedores y endpoints de OpenRouter, 9 de noviembre de 2026; tarifas de GPU, noviembre de 2026.
    Cómo lo calculamos
    Tarifas estándar en la página de cada proveedor, con el precio del desarrollador como referencia; precio mediano bajo demanda de las GPU.
    Límite principal
    Solo tarifas; los descuentos y los precios por compromiso de uso no son públicos; los endpoints más baratos de OpenRouter suelen declarar precisión de 4 bits.
    Archivos
    analysis/infra/p29/primary_prices_focus_summary_2026_11_09.csv · analysis/infra/p29/or_models_open_2026_11_09.csv
  3. Cuándo compensa

    Qué muestra
    El coste de un nodo alquilado por millón de tokens de salida según la parte del mes que funciona, comparado con la API del desarrollador; el mismo punto de equilibrio para otros modelos.
    Fuente
    Páginas de precios de los proveedores; mediciones de rendimiento de SemiAnalysis InferenceX.
    Cómo lo calculamos
    Un escenario modelado: coste del nodo al precio mediano bajo demanda (730 horas) frente a la tarifa de la API del desarrollador con tres tokens de entrada por cada uno de salida; utilización de equilibrio = rendimiento necesario a pleno uso / rendimiento medido.
    Límite principal
    No es el coste total de producción: no se cuentan personal, almacenamiento, red, redundancia, puesta en marcha ni capacidad ociosa para picos; el rendimiento medido sale de trazas de agentes de programación; no se usa ninguna cifra de Helmcode.
    Archivos
    analysis/infra/p29/breakeven_models_headline.csv · analysis/infra/p29/breakeven_models.csv · analysis/infra/p29/model_serving_configs.csv
  4. Hardware y lugar

    Qué muestra
    Precios y memoria de las GPU, configuraciones documentadas, precisión declarada de los endpoints, formatos de las copias descargadas y Europa.
    Fuente
    Páginas de precios de los proveedores; fichas de los modelos y recetas de vLLM y SGLang; endpoints de OpenRouter (tal como se mostraban); hub-stats de Hugging Face; páginas de precios de proveedores de la UE.
    Cómo lo calculamos
    Medianas y rangos de las tarifas públicas bajo demanda; precio por GB de memoria; proporción de endpoints por precisión declarada; descargas de copias cuantizadas por formato; parte de los tokens de la página de los proveedores con sede en la UE.
    Límite principal
    El precio por GB no es un coste de inferencia; la precisión declarada no está verificada; las descargas de GGUF están infladas por cómo cuenta los ficheros el Hub; Vast.ai queda fuera; la cuota de la UE es del tráfico de un enrutador.
    Archivos
    analysis/infra/p29/gpu_price_summary_2026_11.csv · analysis/infra/p29/or_precision_open_2026_11_09.csv · analysis/infra/p29/quant_formats_2026_10_22.csv · analysis/infra/europe_p29/or_eu_share_summary_2026_11_09.csv

Más datos

Cifras de la investigación que no aparecen en los gráficos del capítulo.

  • Otras GPU, mediana del precio público de lista bajo demanda por GPU y hora en noviembre de 2026: AMD MI300X $4,73, L40S $1,57. La capacidad spot, que el proveedor puede retirar con poco aviso, era más barata: una mediana de $4,90 para una B200 y de $2,68 para una H100.
  • El rendimiento en el que se basa el escenario de equilibrio se midió en sesiones de programación con agentes de unos 127.000 tokens de entrada y 986 de salida por petición, unos 129 a uno, con el 84% de la entrada servida desde caché; el precio de la API supone tres tokens de entrada por cada token de salida. Los dos lados no describen la misma carga de trabajo.

Fuentes y notas

Ver las 20 notas

  1. 1
    OpenRouter, página de proveedores (https://openrouter.ai/providers), capturada el 2026-11-09 (research/editorial/extreme-edit-pass29/ch06-infra/raw/openrouter/2026-11-09/pages/providers.html, SHA-256 f79bf51e…7a83), y API de endpoints de OpenRouter, misma fecha. Cifras usadas tal como se mostraban; la página no da fechas ni ventana, y la columna mensual se lee como un mes móvil (inferencia nuestra). Las condiciones de OpenRouter reservan los materiales (ch06-infra/sources.md, P1 y P2).
  2. 2
    analysis/infra/p29/or_provider_volumes_2026_11_09.csv y or_provider_volumes_summary_2026_11_09.csv: suma de tokens mensuales 797.0T en 97 proveedores; porcentajes: 0,52 (el propio desarrollador), 0,39 (proveedor independiente), 0,09 (gran nube: Google Vertex, Claude Platform on AWS, Amazon Bedrock, Azure); proveedores con ≥90% de endpoints en pesos abiertos o descargables, 0,35; los 10 mayores proveedores independientes, 0,73 de los tokens de proveedores independientes. La clasificación (kind_our_classification) es nuestra. Los quince mayores por monthly_tokens; TypeSafe no indica sede. Tráfico enrutado por OpenRouter, no cuota de mercado. Método: ch06-infra/scripts/parse_or_providers_page.py.
  3. 3
    analysis/infra/p29/or_models_open_2026_11_09.csv y key_numbers.csv (or_verified_open_models_with_endpoints 99, or_median_providers_per_verified_open_model 2, or_verified_open_models_with_1_provider 39, or_top10_open_by_tokens_median_providers 17,5). «Abierto verificado»: clases OW-P/OW-N del registro de apertura efectiva con las suspensiones de DEC-099. Ranking de tokens de OpenRouter rankings-daily, del 2026-10-01 al 14 (CC BY 4.0); número de proveedores a partir de los endpoints del 2026-11-09. Método: ch06-infra/scripts/openrouter_providers.py.
  4. 4
    JetBrains Developer Ecosystem Survey 2025, analysis/adoption/jetbrains_t2b_route_by_family.csv, familia «DeepSeek (R1, V3)»: sitio web o aplicación 70,5% (IC del 95% 67,3–73,8), API del desarrollador 27,8% (24,6–31,0), ponderado, base de 1267 encuestados; las opciones no son excluyentes. Método de la encuesta como en la versión anterior de este capítulo (research/editorial/editorial-rewrite/before/06-infrastructure.md).
  5. 5
    analysis/infra/p29/primary_prices_focus_summary_2026_11_09.csv, columna share_at_developer_price (Kimi K3, 0,89 de 9; GLM-5.3, 0,7 de 10; DeepSeek-V4.1-Flash, 0,8 de 10; Qwen3.8-27B, 0,14 de 7). Precio de lista estándar en la página o la API de cada proveedor, un precio por proveedor, 2026-11-09, a partir de ch06-infra/raw/web/model_prices_primary.csv (169 filas). Método: ch06-infra/scripts/primary_prices.py.
  6. 6
    analysis/infra/p29/or_models_open_2026_11_09.csv (GLM-5.3: 34 proveedores, salida 1,40–8,80; Kimi K3: 21, 9,50–22,50) y key_numbers.csv (spread_models_with_5plus_priced_providers 42, spread_median_max_over_min_output 2,62). Endpoints de OpenRouter, 2026-11-09, tal como se mostraban. No es una comparación homogénea: los endpoints difieren en precisión, velocidad y nivel de servicio.
  7. 7
    analysis/infra/p29/focus_prices_summary_2026_11_09.csv, cheapest_provider y cheapest_declared_precision (Kimi K3: Wafer, mxfp4; GLM-5.3: Wafer, fp4). Promoción de DeepInfra, tarifa fuera de horas punta de DeepSeek y variantes regionales de las nubes: research/editorial/extreme-edit-pass29/ch06-infra/ch06-infra.md §1e y §2a, a partir de las páginas de los proveedores del 2026-11-09.
  8. 8
    analysis/infra/p29/gpu_price_summary_2026_11.csv, commitment = on-demand: columnas n_list_prices, min, median, max. Combina las observaciones del 2026-10-26 usadas en el capítulo 04 con 149 filas recogidas el 2026-11-09 (ch06-infra/raw/web/gpu_prices_2026_11.csv). Por GPU y hora, USD, precios de lista; las grandes nubes venden instancias de ocho GPU con CPU, memoria y disco incluidos. Método: ch06-infra/scripts/gpu_price_summary.py.
  9. 9
    Medianas spot: gpu_price_summary_2026_11.csv, commitment = spot. Subidas anunciadas: Lambda (https://lambda.com/pricing) y Crusoe (https://www.crusoe.ai/cloud/pricing), ambas consultadas el 2026-11-09 (ch06-infra/ch06-infra.md §3a); un hecho sobre dos listas de precios, no una tendencia del mercado. Vast.ai: condiciones del 2026-09-01; sus filas quedan fuera de todas las medianas (ch06-infra/sources.md, P3; columna vast_internal_only_median).
  10. 10
    analysis/infra/p29/model_serving_configs.csv (gpus, nodes, precision, hardware_basis, con la fila de origen de cada configuración en ch06-infra/raw/web/models_serving_observations.csv y models_serving_notes.md). En B200, B300 y RTX PRO 6000 las configuraciones usan NVFP4, una conversión de terceros en todos los modelos: la memoria procede de las variantes NVFP4 de las recetas de vLLM (Kimi K3 1650 GB; GLM-5.3 558 GB, que caben en cuatro B200 según nuestro cálculo; GLM-5.3-Flash 229 GB; Qwen3.5-397B-A17B 238 GB; Qwen3.8-27B 24,6 GiB) y los perfiles, de la matriz de compatibilidad de Nvidia NIM, una fuente del fabricante y la única para DeepSeek-V4-Pro y DeepSeek-V4.1-Flash en NVFP4. Las filas de H200 y H100 mantienen el formato del desarrollador. Parámetros de las fichas de los modelos. Coste mensual = GPU × precio mediano bajo demanda en gpu_price_summary_2026_11.csv × 730 horas, redondeado al múltiplo de $100, más próximo como en el informe visual del capítulo (pipelines/web/ch06_2026.py, gpu_widget). Mediana de B300 a partir de dos precios de lista.
  11. 11
    analysis/infra/p29/breakeven_models_headline.csv (filas con api_price = developer_api) y la cuadrícula completa breakeven_models.csv. Punto de equilibrio V* = coste mensual del nodo ÷ precio de la API por token de salida, incluidos R tokens de entrada (R = 1, 3 o 10; 3 en el titular). Coste del nodo = GPU × precio × 730 h; B200 a la mediana del 2026-10-26, $8,35 (nodo de 8: $48.735 al mes; los 16 de Kimi K3: $97.470). Sensibilidades del mismo archivo (gpu_price min, max, spot; input_per_output_R; api_price = openrouter_cheapest). El rendimiento nunca entra en el cálculo. Columna excluded_costs: mano de obra; almacenamiento; tráfico de salida; balanceo de carga; redundancia; ingeniería de puesta en marcha; actualizaciones de modelos. Etiqueta (DEC-114): «Punto de equilibrio de infraestructura modelado, no coste de producción observado». Publicado tras el levantamiento por el propietario de la regla 7 de DEC-110 (revisión externa), 2026-11-09. Método: ch06-infra/scripts/breakeven_models.py. Utilización de equilibrio = rendimiento necesario por GPU a pleno uso / rendimiento medido por GPU (pipelines/web/ch06_2026.py, be_rows()): DeepSeek-V4-Pro en 8 × B200, 292,7 / 523,0 = 0,56; Qwen3.5-397B-A17B en 2 × B200, 429,3 / 627,4 = 0,68; DeepSeek-V4.1-Flash en 8 × B200, 1103,8 / 2799,5 = 0,39; Kimi K3 en 16 × B200, 96,6 / 56,3 (no se alcanza); GLM-5.3-Flash en 8 × B200 FP4, 2440,1 / 264,7 (no se alcanza). Coste por millón de tokens de salida a pleno uso: $48.735 / (523 × 8 × 3600 × 730 / 10⁶) = $4,43. Tarifa de DeepSeek-V4-Pro: entrada $1,32, y salida $3,96 por millón (primary_prices_focus_summary_2026_11_09.csv), $3,96 + 3 × $1,32 = $7,92. Frente al endpoint más barato de OpenRouter (3,96 por la misma mezcla), el rendimiento necesario es 585,4, por encima de los 523 medidos. Sensibilidad para DeepSeek-V4-Pro en 8 × B200 (breakeven_models.csv, rendimiento necesario a pleno uso / 523): mediana spot 172,0 (0,33); tarifa bajo demanda más alta 499,5 (0,96); R = 10, 135,1 (0,26); R = 1, 439,0 (0,84). Medición de un solo turno: 381,3 tokens de salida por segundo y GPU, 8 × B200, TensorRT-LLM, 8192 tokens de entrada / 1024 de salida, al menos 50 tokens por segundo por usuario (ch06-infra/raw/web/models_serving_observations.csv); 292,7 / 381,3 = 0,77 (ch06_2026.sensitivity()).
  12. 12
    Rendimiento necesario: breakeven_models_headline.csv, needed_output_tok_s_per_gpu_at_100pct y _at_50pct. Rendimiento publicado: reported_tok_s_per_gpu, reported_conditions y reported_source en model_serving_configs.csv, cada uno una observación de SemiAnalysis InferenceX (https://inferencex.semianalysis.com, consultado el 2026-11-09; filas de ch06-infra/raw/web/models_serving_observations.csv). GLM-5.3: la única fila independiente es 8 × B300 FP4 con aceptación MTP sintética; GLM-5.3-Flash a 265 está en 8 × B200 FP4. InferenceX etiqueta sus ejecuciones en Blackwell como FP4 sin precisar la variante (NVFP4 o MXFP4), así que un rendimiento medido no queda ligado a la conversión NVFP4. Kimi K3 se retiró de InferenceX el 2026-11-03, y DeepSeek-V4-Pro, el 2026-10-29. El código de InferenceX es Apache-2.0; el panel se reserva sus derechos; las observaciones se citan una a una (sources.md, P5). En esta comparación no se usa ninguna cifra de MLPerf. Trazas de agentes de 85.000 a 240.000 tokens de entrada por petición (ch06-infra/ch06-infra.md §3); la ejecución en 8 × B200 con vLLM detrás de los 523: entrada media de 127.081 y salida de 986 tokens por petición, acierto de caché en GPU del servidor 0,84 (ch06-infra/raw/web/models_serving_observations.csv).
  13. 13
    David Abitbol (Revolut), charla en AI Engineer, Nueva York, publicada en YouTube por AI Engineer el 2026-10-29; subtítulos automáticos en ch06-infra/raw/web/alt/talk_transcript_Ok6QdZHCcI8_asr.txt; notas en ch06-infra/raw/web/revolut_glm_notes.md; key_numbers.csv (revolut_engineers 2000, revolut_b200_gpus 56, revolut_blended_usd_per_m 0,3). Fuente primaria única; la cobertura de prensa (The Register, 2026-11-03) repite la charla. Datos declarados por la empresa; no se deriva de ellos ningún volumen de tokens.
  14. 14
    analysis/infra/p29/or_precision_open_2026_11_09.csv: 595 endpoints; fp8 0,43 (ponderado por tokens 0,49); fp4 0,18 + mxfp4 0,02 + nvfp4 0,02 + int4 0,02 = 0,24; bf16 0,08 + fp16 0,01 + fp32 <0,01 = 0,09; desconocida 0,25. Endpoints de OpenRouter, 2026-11-09, tal como se mostraban; precisión declarada por cada proveedor, no verificada.
  15. 15
    analysis/infra/p29/quant_formats_2026_10_22.csv (share_of_downloads: GGUF 0.55, MLX 0.11, AWQ 0.10, NVFP4/FP4 0,08, FP8 0,07) y key_numbers.csv (hub_quant_bits_*: 4 bits 0,28, 8 bits 0,10, varios en un repositorio 0,52). Población: 103.023 repositorios que declaran una relación «quantized» con un modelo de la lista ATOM, 313,1 millones de descargas a 30 días, hub-stats de Hugging Face consultado el 2026-10-22. Formato clasificado a partir del nombre del repositorio; sensibilidad sin los repositorios más grandes en quant_formats_sensitivity_2026_10_22.csv. Diferencia de recuento: ch06-infra/ch06-infra.md §4a. Método: ch06-infra/scripts/quant_formats.py.
  16. 16
    Moonshot AI, K2 Vendor Verifier, 2025-11-15, resumido en ch06-infra/ch06-infra.md §4d.
  17. 17
    research/editorial/extreme-edit-pass29/europe/data/eu_focus_price_summary_2026_11_09.csv (también analysis/infra/europe_p29/), columna eu_median_over_first_party: GLM-5.3 1,06×, DeepSeek V4.1 Flash 1,06×, Kimi K3 1,0×, Qwen3.8-27B 0,98×, GLM-5.3-Flash 1,41×. Proveedores con sede en la UE/EEE con una ubicación europea declarada para el modelo (eu_providers_catalog_2026_11_09.csv, 68 filas); precio de salida más tres veces el de entrada, USD por millón, sin IVA, euros al tipo del BCE del 2026-11-06 (1 € = $1,12, conversión nuestra). No se incluye Helmcode. Método: europe/scripts/eu_price_comparison.py.
  18. 18
    analysis/infra/europe_p29/eu_gpu_compare_2026_11_09.csv: H100 6 precios de lista europeos, mediana $3,76, frente a $4,46 (18); H200 4, mediana $5,93, frente a $6,15 (10). Por GPU y hora, bajo demanda; precios en euros convertidos al tipo del BCE del 2026-11-06. Método: europe/scripts/eu_gpu_compare.py.
  19. 19
    analysis/infra/europe_p29/or_eu_share_summary_2026_11_09.csv: proveedores con sede en la UE/EEE (Mistral, Nebius, Inceptron, NextBit), 0,01 de todos los tokens mostrados; proveedores independientes de la UE, 0,01 de los tokens de proveedores independientes (Inceptron reclasificado como proveedor). Sedes tal como las muestra OpenRouter (nota 1). europe/data/mistral_shares.csv: hf_tracked_downloads_share_mistralai 0,02 (contador a 30 días hasta el 2026-10-01, puesto 8; Mistral es el único desarrollador con región «eu» en la lista de seguimiento); OpenRouter rankings-daily cuota en el top-50 0,04 (2025-01) y <0,01 (2026-09), CC BY 4.0.
  20. 20
    Páginas de modelos de Mistral («served without Mistral modifications»), y páginas y regiones de los proveedores, 2026-11-09: europe/europe.md §0 y §2a–2b; europe/data/nebius_catalog_regions_2026_11_09.csv (31 modelos: 10 eu-north1, 1 eu-west2, 3 uk-south1, 17 en regiones de EE. UU.). Las declaraciones de residencia y soberanía se citan como propias de los proveedores. Sede de Revolut y declaración sobre la ubicación: ch06-infra/raw/web/revolut_glm_notes.md.