Modelo de pesos abiertos

Los pesos son los números que el modelo ajusta durante el entrenamiento: miles de millones, guardados en archivos que a veces pesan muchos gigabytes. Familias como Llama, Qwen y DeepSeek publican los pesos de muchos de sus modelos. La cuantización reduce esos números a menos bits para que un modelo quepa en una tarjeta gráfica doméstica, a costa de algo de precisión. Afinarlo con unos pocos miles de ejemplos, algo barato comparado con entrenar desde cero, es como un modelo general se convierte en asistente jurídico o en ayudante de programación. Con los pesos y el código que los ejecuta, una persona o una empresa puede alojar el modelo en su propio equipo, afinarlo para una tarea concreta o comprimirlo para que funcione en máquinas más modestas. Un modelo cerrado no ofrece nada de eso: permanece en los servidores de su fabricante y solo se alcanza a través de su interfaz, lo que significa que el fabricante ve cada solicitud.

A menudo se confunden los pesos abiertos con el código abierto. El código abierto en sentido estricto exige más: acceso al código, información sobre los datos y una licencia que permita a todos usar, estudiar, modificar y compartir la obra. Muchos modelos de pesos abiertos vienen con una licencia que impone condiciones, por ejemplo sobre el uso comercial o los despliegues muy grandes, y los datos de entrenamiento suelen seguir siendo privados. Lee la licencia del modelo sobre el que piensas construir en lugar de darla por supuesta.

El efecto concreto es la competencia entre alojadores. Como los mismos pesos pueden ser servidos por varias empresas, un usuario o una aplicación puede elegir adónde va una solicitud, comparar velocidad y precio, y quedarse con un alojador cuya política de conservación le convenga. También hay contrapartidas: los modelos grandes exigen equipos serios, los pesos por sí solos no dicen con qué se entrenó el modelo, y cualquiera puede afinarlos, de modo que dos modelos derivados de los mismos pesos pueden comportarse de forma muy distinta: un ajuste de la comunidad puede ser más escueto, más prudente, especializado en código o adaptado a la traducción. Las pruebas comparativas ayudan, pero engañan: un puesto en una clasificación premia ciertos formatos de prueba, y un ensayo breve con tus propios documentos dice más que una puntuación publicada.

Mistral Small 3.2 es un modelo abierto de Mistral que NeverNo incluye en su plan gratuito. Se presenta como privado: las solicitudes van a proveedores elegidos porque no las conservan, ningún dato de cuenta viaja con el mensaje y tus conversaciones se guardan cifradas en tu navegador, como explica la página de la IA privada. Lee imágenes, admite hasta 128 000 tokens de contexto, escribe respuestas de 4 096 tokens como máximo y nunca razona antes de responder: contesta de inmediato.

En NeverNo, privado significa exactamente esto: un modelo abierto, servido por DeepInfra o por OpenRouter con su opción de retención cero, que no conserva las solicitudes. El catálogo incluye varios modelos de este tipo, desde DeepSeek, GLM, Qwen y Mistral hasta NeverNo Uncensored. La etiqueta se apoya en los compromisos de esos proveedores, y NeverNo aclara en su página de transparencia que no puede inspeccionar sus servidores.