DavidGadyan

Mapa mental de LLM: modelos frontera frente a pesos abiertos, VRAM, licencias, trading y contenido restringido

APIs frontera frente a pesos abiertos: arquitecturas densas y de mezcla de expertos, los modelos abiertos actuales de cada laboratorio, cuánta memoria de GPU necesita cada uno, qué permiten sus licencias y dónde encajan en trading y en contenido restringido.

  1. Cómo accedes al modelo

    API, pesos, código

    Qué es
    Cuatro formas de que un modelo llegue a ti: una API propietaria (los pesos nunca salen del proveedor), pesos abiertos que descargas y ejecutas, una publicación totalmente de código abierto (pesos, código y datos con licencia abierta) y checkpoints restringidos o solo para investigación. Pesos abiertos no significa código abierto: la mayoría de modelos "abiertos" publican solo los pesos, con licencias que van de Apache 2.0 a términos propios condicionados por ingresos.
    Cuándo usarlo
    Decide primero el modelo de acceso: fija adónde van los datos, quién paga las GPU y qué te deja distribuir la licencia.
    1. API frontera

      Lo más potente, alojado

      Qué es
      GPT, Claude, Gemini, Grok y Muse Wonder solo se usan a través de las API de sus proveedores o de marketplaces en la nube. Obtienes los modelos más potentes, sin hardware y con pago por token; los datos salen de tu red bajo un acuerdo de tratamiento, y el procesamiento regional o la retención cero son opciones del contrato.
      Cuándo usarlo
      La opción por defecto para razonamiento difícil, programación agéntica larga y todo lo que no tenga una norma que impida enviar datos fuera.
    2. Pesos abiertos

      Descargar y autoalojar

      Qué es
      Los pesos entrenados se publican (normalmente en Hugging Face) para que los ejecutes, cuantices y ajustes en tus propias GPU. Los datos y el código de entrenamiento suelen quedarse cerrados, y cada checkpoint lleva su propia licencia.
      Cuándo usarlo
      Datos que deben quedarse en tu hardware, ajuste fino, volumen alto y predecible, o sitios sin conexión o aislados.
    3. Código abierto

      Pesos, código y datos

      Qué es
      Una publicación que puedes reproducir por completo: pesos, código de entrenamiento y documentación de datos suficiente con una licencia abierta. Es rara a escala frontera; una licencia Apache 2.0 o MIT solo sobre los pesos hace un modelo permisivo, no reproducible.
      Cuándo usarlo
      Investigación, auditorías y entornos regulados que deben explicar cómo se construyó el modelo.
    4. Acceso restringido y términos propios

      Aceptar antes de descargar

      Qué es
      Algunos repositorios exigen aceptar una licencia o compartir datos de contacto antes de descargar (Llama 4, Muse Spark Open), y algunas licencias añaden umbrales de ingresos, atribución o cláusulas para revendedores encima de los pesos.
      Cuándo usarlo
      Lee el archivo de licencia del repositorio, no la entrada del blog de la familia: los términos cambian entre checkpoints de la misma familia.
    5. Despliegue privado

      VPC, local, aislado

      Qué es
      Pesos abiertos servidos con vLLM, SGLang o llama.cpp dentro de tu VPC, en GPU alquiladas o en tus servidores; los prompts, embeddings y registros nunca salen de la red. vLLM y SGLang exponen endpoints compatibles con OpenAI, así que pasar desde una API es cambiar la URL base.
      Cuándo usarlo
      Datos de clientes bajo NDA, historiales médicos o financieros, lógica de trading propietaria.
    6. Enrutado híbrido

      API y autoalojado

      Qué es
      Un enrutador envía cada petición al modelo más barato que la resuelve bien: los campos sensibles al modelo autoalojado, el razonamiento difícil a una API frontera, las decisiones entre opciones fijas a un modelo de decisión, con un modelo de respaldo cuando un proveedor cae o un modelo se retira.
      Cuándo usarlo
      La mayoría de sistemas en producción: ni "todo API" ni "todo local".
  2. Arquitecturas

    Denso, MoE, híbrido

    Qué es
    Cómo gasta un modelo sus parámetros en cada token decide su memoria, velocidad y coste. Los dos ejes que hay que separar: parámetros totales (lo que debe estar en memoria) y parámetros activos (lo que se calcula por token).
    Cuándo usarlo
    Lee los dos números en cada ficha de modelo antes de comprar o alquilar una GPU.
    1. Denso

      Todos los pesos, cada token

      Qué es
      Cada parámetro participa en cada token: un modelo denso de 27B tiene 27B de pesos en memoria y los calcula todos por token. Fácil de servir, latencia predecible y el más sencillo de ajustar. Ejemplos: Qwen3.8-27B, Gemma 4 31B, Muse Glimmer, Granite 4.1, Ministral 3.
      Cuándo usarlo
      Despliegues en una sola GPU y ajuste fino con tus propios datos.
    2. Mezcla de expertos

      Un router elige expertos

      Qué es
      Un router envía cada token a unas pocas redes expertas de entre muchas, así que el cálculo sigue a los parámetros activos y la memoria a los totales. Qwen3-30B-A3B enruta a 8 de 128 expertos (30,5B totales, 3,3B activos); Kimi K3 a 16 de 896 más 2 compartidos (según la prensa).
      Cuándo usarlo
      Calidad frontera con cálculo de tamaño medio, cuando puedes pagar la memoria de todos los expertos.
      Cifras clave
      • "MoE reduce el cálculo, no la memoria": hay que cargar todos los expertos aunque pocos estén activos en cada token.Fuente: Hugging Face blog, Mixture of Experts Explained
    3. Híbrido Mamba y atención

      Contexto largo más barato

      Qué es
      Capas de espacio de estados (Mamba-2) mezcladas con unas pocas capas de atención y bloques MoE: la caché KV solo crece en las capas de atención, así que los contextos largos gastan menos memoria. NVIDIA Nemotron 3 lo usa; IBM Granite 4.0 también, y Granite 4.1 volvió a denso.
      Cuándo usarlo
      Agentes de larga duración y documentos largos con memoria de GPU limitada.
    4. Modelos de razonamiento

      Pensar y luego responder

      Qué es
      El modelo gasta tokens extra resolviendo el problema antes de responder; gpt-oss ofrece esfuerzo de razonamiento bajo, medio y alto. Más latencia y más caché KV por petición, mejores resultados en matemáticas, código y planificación.
      Cuándo usarlo
      Problemas abiertos; evítalo al resumir sobre fuentes, donde añade coste sin precisión.
      Ángulo de IA
      Presupuesta los tokens de razonamiento en la caché KV, no solo la respuesta.
    5. Microsoft Decision-1

      Puntúa opciones fijas

      Qué es
      Un modelo de decisión que Microsoft post-entrenó a partir de Qwen3.5-9B: le pasas un texto y un conjunto fijo de opciones y devuelve una probabilidad calibrada por opción en lugar de generar texto. Disponible en Microsoft Foundry; no se han anunciado pesos descargables.
      Cuándo usarlo
      Clasificación de intención, enrutado de herramientas y modelos, evaluación de respuestas y pasos de continuar-reintentar-escalar en agentes.
      Cifras clave
      • 0,042 $ por millón de tokens de entrada, salida gratuita; límite de entrada de 32.768 tokens.Fuente: Microsoft Learn, Foundry Models sold by Azure
    6. Clasificadores clásicos

      Árboles y codificadores

      Qué es
      Árboles con gradient boosting (LightGBM, XGBoost, CatBoost) para datos tabulares y numéricos, transformers codificadores (ModernBERT, DeBERTa) para etiquetar texto y TabPFN para conjuntos tabulares pequeños sin entrenamiento. Necesitan una fracción de la memoria de un LLM y a menudo corren en CPU.
      Cuándo usarlo
      Fraude, riesgo, variables de precio y cualquier predicción numérica: ahí un LLM no es la herramienta adecuada.
  3. APIs frontera

    Sin pesos descargables

    Qué es
    Los modelos propietarios más potentes de cada laboratorio, según la lista del 26 de octubre de 2026. Seis de los ocho modelos insignia de lenguaje publican una ventana de contexto de un millón de tokens o más.
    Cuándo usarlo
    Compara uno de estos con tu mejor candidato abierto en tu propio conjunto de evaluación antes de decidir autoalojar.
    1. GPT-6 Astra

      Insignia de OpenAI

      Qué es
      El modelo insignia de OpenAI, lanzado el 3 de septiembre de 2026, con una ventana de 1.050.000 tokens. Niveles más baratos: GPT-6.1 Terra y GPT-6 Sol; OpenAI publica además pesos abiertos por separado como gpt-oss.
      Cuándo usarlo
      Agentes generales, llamadas a herramientas, análisis financiero.
      Cifras clave
      • 10 $ de entrada / 50 $ de salida por millón de tokens.Fuente: AI Board report, 26 Oct 2026
    2. Claude Fable 5.1

      Insignia de Anthropic

      Qué es
      El modelo insignia de Anthropic, lanzado el 1 de septiembre de 2026, con una ventana de 1.000.000 de tokens; Claude Opus 5.5 y Sonnet 5.5 son los niveles con los que empieza la mayoría de cargas. Sin pesos abiertos.
      Cuándo usarlo
      Agentes de programación en bases de código grandes, documentos largos, flujos complejos.
      Cifras clave
      • 10 $ de entrada / 50 $ de salida por millón de tokens.Fuente: AI Board report, 26 Oct 2026
    3. Gemini 4 Argon

      Insignia de Google

      Qué es
      El modelo insignia de razonamiento de Google, disponible de forma general el 13 de octubre de 2026, con una ventana de 1.048.576 tokens. La línea de pesos abiertos de Google es Gemma.
      Cuándo usarlo
      Comprensión de vídeo, audio e imagen, documentos de un millón de tokens.
      Cifras clave
      • 2 $ de entrada / 10 $ de salida por millón de tokens (precio de lanzamiento).Fuente: AI Board report, 26 Oct 2026
    4. Grok 4.7

      Insignia de xAI

      Qué es
      El modelo insignia de xAI para programación, agentes y trabajo de conocimiento, lanzado el 21 de septiembre de 2026, con una ventana de 500.000 tokens y acceso en tiempo real al ecosistema de X.
      Cuándo usarlo
      Sentimiento social y conversación de mercado casi en tiempo real.
      Cifras clave
      • 2 $ de entrada / 6 $ de salida por millón de tokens; la tarifa se duplica por encima de 200K tokens.Fuente: AI Board report, 26 Oct 2026
    5. Muse Wonder

      Insignia de Meta

      Qué es
      El modelo Muse más capaz de Meta, lanzado el 12 de octubre de 2026 en la Meta Model API sin pesos abiertos. Tres días después Meta publicó Muse Spark Open con pesos descargables.
      Cuándo usarlo
      Equipos que ya usan la API de Meta; para autoalojar, Muse Spark Open o Llama 4.
      Cifras clave
      • 4 $ de entrada / 20 $ de salida por millón de tokens, ventana de 1.000.000 de tokens.Fuente: AI Board report, 26 Oct 2026
  4. Modelos de pesos abiertos

    Cada gran laboratorio

    Qué es
    Los modelos descargables de cada laboratorio en noviembre de 2026, con parámetros totales y activos, contexto y licencia. Los tamaños van desde Gemma 4 E2B, para móviles, hasta Kimi K3 con 2,8 billones de parámetros.
    Cuándo usarlo
    Filtra primero por licencia, luego por lo que cabe en tu memoria y después evalúa la calidad.
    1. Meta: Llama y Muse

      Cuatro líneas abiertas

      Qué es
      Llama 4 (abril de 2025) sigue descargable con la Llama 4 Community License; en 2026 Meta añadió Muse Glimmer (denso, Apache 2.0) y Muse Spark Open (MoE frontera, Muse Model License).
      Cuándo usarlo
      El ecosistema que ya ejecutan la mayoría de despliegues autoalojados.
      1. Llama 4 Scout

        MoE 109B / 17B activos

        Qué es
        Mezcla de expertos con 16 expertos, 109B de parámetros totales y 17B activos, y una ventana de contexto de 10M de tokens. Multimodal (entrada de texto e imagen).
        Cuándo usarlo
        Documentos y bases de código muy largos en una sola GPU de centro de datos.
        Cifras clave
        • Cabe en una sola GPU H100 con cuantización Int4.Fuente: Meta, Llama 4 announcement
      2. Llama 4 Maverick

        MoE 400B / 17B activos

        Qué es
        Mezcla de expertos con 128 expertos, 400B de parámetros totales y 17B activos, ventana de 1M de tokens y entrada de imagen.
        Cuándo usarlo
        Asistente general y RAG multimodal cuando hay un servidor de 8 GPU.
        Cifras clave
        • Se ejecuta en un único servidor H100 (8 GPU).Fuente: Meta, Llama 4 announcement
      3. Muse Spark Open

        MoE 816B / 42B activos

        Qué es
        Publicado el 15 de octubre de 2026 en Hugging Face, Google Cloud y Microsoft Foundry: una mezcla de expertos con 256 expertos y 8 activos por token, 816B de parámetros totales y 42B activos, ventana de hasta 1M de tokens (según la prensa), con la licencia propia Muse Model License.
        Cuándo usarlo
        Programación y agentes de nivel frontera en tu propio clúster, si la licencia encaja con tu modelo de negocio.
        Cifras clave
        • Mínimo de unos 700 GB de memoria de GPU en NVFP4 y unos 2 TB en BF16, según la prensa.Fuente: The New Stack, Muse Spark Open
      4. Muse Glimmer

        30B denso, Apache 2.0

        Qué es
        Un modelo denso de unos 30B de parámetros publicado en agosto de 2026 para agentes locales, llamadas a funciones y programación, con Apache 2.0: la licencia más permisiva que Meta ha usado en un modelo potente.
        Cuándo usarlo
        Un producto comercial en una GPU de 24–32 GB sin las condiciones de licencia de Llama.
    2. OpenAI gpt-oss

      Dos tamaños MoE, Apache 2.0

      Qué es
      Los modelos de razonamiento de pesos abiertos de OpenAI, publicados el 5 de agosto de 2025 con Apache 2.0 más la política de uso de gpt-oss, con esfuerzo de razonamiento configurable, uso de herramientas y ventana de 128K. Los pesos se distribuyen de forma nativa en MXFP4.
      Cuándo usarlo
      Razonamiento en tu propio hardware con la licencia más sencilla de los laboratorios frontera.
      1. gpt-oss-120b

        117B / 5,1B activos

        Qué es
        Mezcla de expertos con 117B de parámetros totales y 5,1B activos; el número de activos tan bajo lo hace rápido una vez cargado.
        Cuándo usarlo
        Razonamiento en producción en una GPU de 80 o 96 GB.
        En código
        vllm serve openai/gpt-oss-120b
        Cifras clave
        • Cabe en una sola GPU de 80 GB gracias a MXFP4.Fuente: OpenAI, gpt-oss model card
      2. gpt-oss-20b

        21B / 3,6B activos

        Qué es
        Mezcla de expertos con 21B de parámetros totales y 3,6B activos, pensada para inferencia local y en el dispositivo.
        Cuándo usarlo
        El modelo de razonamiento más potente para una GPU de portátil de 16 GB.
        En código
        ollama run gpt-oss:20b
        Cifras clave
        • Se ejecuta con 16 GB de memoria.Fuente: OpenAI, gpt-oss model card
    3. Google Gemma 4

      De E2B a 31B, Apache 2.0

      Qué es
      Cinco tamaños: E2B (2,3B efectivos) y E4B (4,5B efectivos) para móviles y edge, 12B denso, 26B A4B (MoE, 128 expertos más 1 compartido, 8 activos, 25,2B totales / 3,8B activos) y 31B denso, con contexto de 256K en los tres mayores. La ficha de Gemma 4 indica Apache 2.0, a diferencia de los términos de Gemma anteriores.
      Cuándo usarlo
      Aplicaciones multimodales desde el móvil hasta una GPU de estación de trabajo con una sola familia permisiva.
      Cifras clave
      • 12B, 26B A4B y 31B apuntan a GPU de consumo y estaciones de trabajo; E2B y E4B a móviles y dispositivos edge.Fuente: Gemma 4 model card
    4. Mistral AI

      Europeo, licencias mixtas

      Qué es
      Mistral publica pesos abiertos con licencias distintas según el modelo: Apache 2.0 para Large 3, Small 4 y Ministral 3, una MIT modificada para Medium 3.5 y la Mistral Ecosystem Open-Weight License para Large 4.
      Cuándo usarlo
      Soberanía europea: el mismo modelo autoalojado o en los endpoints europeos de Mistral.
      1. Mistral Large 3

        675B / 41B, Apache 2.0

        Qué es
        Publicado el 2 de diciembre de 2025: una mezcla de expertos con 675B de parámetros totales y 41B activos, ventana de 256K y Apache 2.0, el MoE con licencia permisiva más grande de su generación.
        Cuándo usarlo
        Un modelo de escala frontera que puedes revender o ajustar sin cláusulas de ingresos.
        Cifras clave
        • Estimación: unos 675 GB de pesos en FP8, así que un nodo de 8 × H200 (1.128 GB) lo aloja con espacio para la caché KV.Fuente: Computed from the Mistral 3 announcement
      2. Mistral Large 4

        MoE de ~1T, preview

        Qué es
        En preview pública desde el 6 de octubre de 2026 y con pesos en Hugging Face desde el 29 de octubre (según la prensa): una mezcla de expertos multimodal de alrededor de un billón de parámetros con la Mistral Ecosystem Open-Weight License, que permite usarlo y ajustarlo pero exige una licencia comercial para revenderlo como servicio de modelo.
        Cuándo usarlo
        Cargas internas de escala frontera; no para un negocio de modelo como servicio sin acuerdo.
      3. Ministral 3

        3B, 8B, 14B densos

        Qué es
        Modelos densos con visión de 3B, 8B y 14B de parámetros y ventana de 256K, Apache 2.0, publicados el 2 de diciembre de 2025.
        Cuándo usarlo
        Dispositivos edge, portátiles y ajustes finos baratos.
    5. Alibaba Qwen

      La línea abierta más amplia

      Qué es
      Tamaños desde 0,6B hasta 2,4T con variantes de código, visión, omni, embeddings, reranking y guardia. Qwen3 y Qwen3.8-27B son Apache 2.0; los pesos de clase Max de Qwen3.8 usan una licencia propia.
      Cuándo usarlo
      RAG privado, asistentes multilingües, agentes de programación locales, modelos de dominio ajustados.
      1. Qwen3.8-27B

        Denso, 262K, Apache 2.0

        Qué es
        Modelo multimodal denso de 27B de parámetros de lenguaje (agosto de 2026), contexto nativo de 262.144 tokens ampliable a cerca de un millón, Apache 2.0. La ficha recomienda SGLang o vLLM para servirlo.
        Cuándo usarlo
        El modelo abierto más práctico para una GPU de 24–48 GB.
        En código
        vllm serve Qwen/Qwen3.8-27B --max-model-len 65536
        Cifras clave
        • Estimación: 27B × 4,8 bits ÷ 8 ≈ 16 GB de pesos en Q4_K_M, 54 GB en BF16.Fuente: Computed from the Qwen3.8-27B model card
      2. Qwen3.8-2.4T-A95B

        MoE abierto clase Max

        Qué es
        Los pesos abiertos de clase Max: 2,4T de parámetros totales y 95B activos, 512 expertos con 10 enrutados más 1 compartido por token, 262.144 tokens nativos ampliables a 1.010.000, con la licencia propia "qwen3.8-max".
        Cuándo usarlo
        Solo clústeres de centro de datos; revisa la cláusula de servicio de modelo antes de construir un producto encima.
        Cifras clave
        • Según la prensa, los proveedores de modelo como servicio por encima de 50 M$ al año necesitan una licencia aparte.Fuente: SCMP, Qwen3.8-Max licence
      3. Qwen3-30B-A3B

        MoE 30,5B / 3,3B

        Qué es
        Mezcla de expertos de abril de 2025: 30,5B totales, 3,3B activos, 128 expertos con 8 activos, Apache 2.0. Rápido como un modelo de 3B, memoria como uno de 30B.
        Cuándo usarlo
        Agentes locales ágiles en una GPU de 24 GB en Q4.
      4. Qwen3-Coder-480B-A35B

        MoE para código agéntico

        Qué es
        Mezcla de expertos para código de julio de 2025: 480B totales, 35B activos, 160 expertos con 8 activos, contexto nativo de 256K, Apache 2.0.
        Cuándo usarlo
        Un agente de programación cuando el código fuente no puede salir de tu red.
    6. DeepSeek

      MoE frontera, MIT

      Qué es
      DeepSeek publica sus modelos frontera como mezclas de expertos con licencia MIT, atención dispersa y ventana de 1M de tokens: la licencia más permisiva a esa escala.
      Cuándo usarlo
      Razonamiento, matemáticas y código eficientes en coste, autoalojado o con su API de bajo precio.
      1. DeepSeek-V4-Pro

        1,6T / 49B, MIT

        Qué es
        Publicado en abril de 2026: 1,6T de parámetros totales y 49B activos, ventana de 1M de tokens, MIT; expertos almacenados en FP4 y el resto en FP8 (según la prensa).
        Cuándo usarlo
        Solo a escala de centro de datos: planifica un terabyte de memoria de GPU.
        Cifras clave
        • 1,32 $ de entrada / 3,96 $ de salida por millón de tokens en la API de DeepSeek en hora punta, la mitad fuera de punta.Fuente: AI Board report, 26 Oct 2026
      2. DeepSeek-V4-Flash

        284B / 13B, MIT

        Qué es
        El V4 pequeño: 284B totales, 13B activos, ventana de 1M, MIT. V4.1-Flash (10 de septiembre de 2026) llegó después con entrada de imagen nativa.
        Cuándo usarlo
        Modelo de trabajo privado de gama media en un servidor de 4–8 GPU.
        Cifras clave
        • Estimación: 284B × 4 bits ÷ 8 ≈ 142 GB de pesos en 4 bits.Fuente: Computed from the DeepSeek-V4-Flash model card
      3. DeepSeek-V3.2

        MoE 685B, MIT

        Qué es
        La generación de diciembre de 2025: unos 685B de parámetros totales y 37B activos, ventana de 128K, MIT, la primera con DeepSeek Sparse Attention.
        Cuándo usarlo
        Sigue muy cuantizado y servido; una opción conocida para clústeres existentes.
    7. Moonshot Kimi K3

      MoE 2,8T / ~104B

      Qué es
      Pesos publicados en julio de 2026 (según la prensa): 2,8T de parámetros totales y unos 104B activos, 896 expertos con 16 enrutados más 2 compartidos, ventana de 1.048.576 tokens y entrada de imagen, con la licencia propia Kimi K3 License. Su predecesor Kimi K2 (1T / 32B) usaba una MIT modificada.
      Cuándo usarlo
      Programación agéntica de largo recorrido en un clúster de varios nodos.
    8. Z.ai GLM-5.x

      MoE de código y razonamiento

      Qué es
      GLM-5 (febrero de 2026, 744B / 40B, MIT) y GLM-5.3-Flash (agosto de 2026, MoE multimodal de unos 320B / 18B, MIT, según la prensa). El insignia GLM-5.3 pasó a una licencia propia "glm-5.3", así que la familia ya no comparte una sola licencia.
      Cuándo usarlo
      Agentes de programación en chino e inglés; elige Flash por los términos MIT.
    9. NVIDIA Nemotron 3

      MoE híbrido Mamba

      Qué es
      Modelos híbridos de Mamba-2, atención y MoE con la OpenMDW License 1.1, que permite el uso comercial: Nemotron 3.5 Lightning (30B / 3B, con variante NVFP4) para subagentes y llamadas a herramientas, y Nemotron 3 Ultra (550B / 55B) para razonamiento en centro de datos.
      Cuándo usarlo
      Agentes de larga duración donde la memoria de la caché KV es el cuello de botella.
    10. IBM Granite 4.1

      3B, 8B, 30B, Apache 2.0

      Qué es
      Modelos densos base e instruct de 3B, 8B y 30B de parámetros (abril de 2026), Apache 2.0, pensados para RAG empresarial, extracción y clasificación; IBM publica también los modelos de seguridad Granite Guardian.
      Cuándo usarlo
      Flujos de documentos donde la claridad de la licencia importa más que el puesto en las clasificaciones.
  5. Dimensionar la VRAM

    ¿Cabe?

    Qué es
    La memoria de la GPU debe alojar los pesos, la caché KV de cada petición activa, las activaciones y los búferes del propio runtime. Los pesos son la parte que puedes calcular con exactitud; el resto crece con la longitud de contexto y la concurrencia.
    Cuándo usarlo
    Dimensiona la GPU antes de elegir el modelo, no después del error de memoria.
    1. Fórmula de memoria de pesos

      Parámetros × bits ÷ 8

      Qué es
      Memoria de pesos en bytes = parámetros totales × bits por peso ÷ 8. Un modelo de 7B necesita 14 GB en 16 bits, 7 GB en 8 bits y 3,5 GB en 4 bits; uno de 70B, 140, 70 y 35 GB. Usa los parámetros totales, nunca los activos, y añade un 10–30 % para caché KV y runtime como margen inicial.
      Cuándo usarlo
      La primera comprobación en cualquier ficha de modelo.
      En código
      weights_gb = params_billion * bits_per_weight / 8
      # 27B at Q4_K_M: 27 * 4.8 / 8 = 16.2 GB
    2. Formatos de cuantización

      Menos bits por peso

      Qué es
      Guardar los pesos con menos bits cambia un poco de calidad por mucha memoria. GGUF (llama.cpp, Ollama) es el formato de portátil; AWQ, GPTQ y FP8 son habituales en vLLM; MXFP4 y NVFP4 son los flotantes de 4 bits de las GPU más nuevas.
      Cuándo usarlo
      Q4 para meter un modelo mayor en la misma GPU; 8 o 16 bits cuando importa la precisión en números y código.
      1. BF16, FP16 y FP8

        16 y 8 bits

        Qué es
        BF16 y FP16 guardan 2 bytes por peso, la referencia de calidad y el formato en que se publican casi todos los checkpoints. FP8 (formatos E4M3 y E5M2) lo reduce a la mitad con soporte de hardware en GPU Hopper y Blackwell.
        Cuándo usarlo
        Ajuste fino (BF16) y servicio en centro de datos (FP8).
        Cifras clave
        • FP8 define dos codificaciones: E4M3 para pesos y activaciones, E5M2 para gradientes.Fuente: FP8 Formats for Deep Learning (arXiv 2209.05433)
      2. GGUF Q8_0 and Q6_K

        Casi sin pérdida

        Qué es
        Los formatos de 8 y 6 bits de llama.cpp: Q8_0 usa unos 8,5 bits por peso y Q6_K unos 6,56, ambos muy cerca de la calidad en 16 bits.
        Cuándo usarlo
        Modelos locales cuando tienes la memoria y quieres la calidad.
        Cifras clave
        • Q8_0 ≈ 8,5 bits por peso, Q6_K ≈ 6,56.Fuente: GitHub, llama.cpp quantize README
      3. GGUF Q4_K_M

        El estándar local

        Qué es
        El K-quant de 4 bits del que parten la mayoría de guías locales, a unos 4,8 bits por peso: alrededor de un tercio del tamaño en 16 bits con una pequeña pérdida de calidad.
        Cuándo usarlo
        Meter un modelo de 14B en 16 GB o uno de 27–32B en 24 GB.
        En código
        llama-server -hf <repo>:Q4_K_M -c 16384 -ngl 99
      4. MXFP4 and NVFP4

        Flotantes de 4 bits en hardware

        Qué es
        Ambos guardan flotantes de 4 bits E2M1 con escalas compartidas: MXFP4 (Open Compute Project) comparte una escala de 8 bits en potencia de dos cada 32 valores; NVFP4 (NVIDIA Blackwell) una escala FP8 cada 16 valores más una escala FP32 por tensor. gpt-oss se distribuye en MXFP4.
        Cuándo usarlo
        Modelos MoE grandes en GPU Blackwell a 4 bits con velocidad nativa.
        Cifras clave
        • NVFP4: bloques de 16 valores con una escala FP8 E4M3.Fuente: NVIDIA blog, Introducing NVFP4
    3. Caché KV

      Crece con el contexto

      Qué es
      Cada token de cada petición activa guarda una clave y un valor por capa: bytes KV = 2 × capas × cabezas KV × dimensión de cabeza × bytes por valor × tokens × lote. Ejemplo: un modelo con 48 capas, 8 cabezas KV y tamaño de cabeza 128 en FP16 necesita unos 6,4 GB para una petición de 32K tokens.
      Cuándo usarlo
      Por qué un modelo que "cabe" falla con contexto largo o diez usuarios a la vez; limita max-model-len o cuantiza la caché a FP8.
      En código
      kv_bytes = 2 * layers * kv_heads * head_dim * bytes * tokens * batch
      vllm serve <model> --kv-cache-dtype fp8 --max-model-len 32768
      Cifras clave
      • Tamaño de la caché KV = 2 × capas × cabezas KV × dimensión de cabeza × bytes de precisión × longitud de secuencia × lote.Fuente: NVIDIA blog, Mastering LLM Techniques: Inference Optimization
    4. La trampa de memoria del MoE

      Totales, no activos

      Qué es
      Un modelo 284B-A13B calcula como uno de 13B pero debe cargar 284B de parámetros. La memoria se planifica con los totales; solo la velocidad se beneficia de los activos. Las excepciones son trucos con coste: descargar expertos a la RAM de la CPU gasta ancho de banda PCIe en cada token.
      Cuándo usarlo
      Lee "A3B" o "A22B" en el nombre de un modelo como velocidad, nunca como memoria.
    5. Descarga y multi-GPU

      Repartir el modelo

      Qué es
      Cuando los pesos superan una GPU: el paralelismo de tensores divide cada capa entre las GPU de un nodo (rápido con NVLink), el paralelismo de pipeline divide las capas entre nodos y llama.cpp puede dejar algunas capas en la RAM del sistema. Cada división añade comunicación; el ancho de banda PCIe y de red pasa a ser el cuello de botella.
      Cuándo usarlo
      Primero paralelismo de tensores dentro de un nodo de 8 GPU; descarga a CPU solo para experimentos.
      En código
      vllm serve <model> --tensor-parallel-size 8
      llama-server -m model.gguf -ngl 30   # 30 layers on GPU, rest in RAM
    6. Memoria para ajuste fino

      Completo, LoRA, QLoRA

      Qué es
      El ajuste fino completo con Adam en precisión mixta necesita unos 16–18 bytes por parámetro (pesos, gradientes, dos estados del optimizador y una copia maestra en FP32) antes de las activaciones, así que un modelo de 7B necesita más de 110 GB. LoRA entrena adaptadores pequeños sobre pesos congelados; QLoRA mantiene la base congelada en 4 bits.
      Cuándo usarlo
      QLoRA en una GPU para adaptar a un dominio; ajuste completo solo con presupuesto multi-GPU y un motivo.
      Cifras clave
      • Entrenamiento con Adam en precisión mixta: unos 18 bytes por parámetro más activaciones.Fuente: Hugging Face Transformers, Model training anatomy
      • QLoRA ajusta un modelo de 65B en una sola GPU de 48 GB.Fuente: QLoRA paper (arXiv 2305.14314)
    7. Motores de servicio

      vLLM, SGLang, llama.cpp

      Qué es
      vLLM y SGLang sirven a muchos usuarios a la vez con caché KV paginada y batching continuo en GPU de centro de datos; llama.cpp y Ollama ejecutan modelos GGUF en portátiles, Mac y CPU. Los cuatro exponen una API compatible con OpenAI.
      Cuándo usarlo
      Ollama o llama.cpp para prototipar, vLLM o SGLang para tráfico de producción.
      En código
      ollama run qwen3:30b-a3b
      python -m sglang.launch_server --model-path <model> --tp 4
    8. Niveles de memoria de GPU

      De 16 GB a nodos de 8 GPU

      Qué es
      Qué cabe en cada tamaño de memoria, para inferencia con un contexto moderado. El ancho de banda decide los tokens por segundo; la capacidad decide si carga o no.
      Cuándo usarlo
      Elige el nivel por el modelo más grande que debas servir, más su caché KV.
      1. GPU de portátil de 16 GB

        Hasta 14B en Q4

        Qué es
        7–8B en 8 o 16 bits, 14B en Q4 con un contexto moderado, gpt-oss-20b, Gemma 4 E4B y 12B en Q4, más todos los clasificadores clásicos. 32B necesita cuantización fuerte o descarga a CPU; 70B no cabe.
        Cuándo usarlo
        Desarrollo, prototipos de RAG privado, clasificación y enrutado locales.
      2. Sobremesa de 24–32 GB

        RTX 4090, RTX 5090

        Qué es
        RTX 4090 (24 GB, 1.008 GB/s) y RTX 5090 (32 GB, 1.792 GB/s): 14B en 16 bits, Qwen3.8-27B, Gemma 4 31B, Muse Glimmer y Qwen3-30B-A3B en Q4 con espacio para contexto.
        Cuándo usarlo
        La estación local seria: agentes, RAG y QLoRA en modelos pequeños.
        Cifras clave
        • RTX 5090: 32 GB GDDR7, 1.792 GB/s.Fuente: NVIDIA RTX 5090 spec page
      3. Estación de 48–96 GB

        RTX PRO 6000 Blackwell

        Qué es
        Las tarjetas de 48 GB (RTX 6000 Ada, L40S) alojan 27–32B en 8 bits o un 70B en Q4. La RTX PRO 6000 Blackwell (96 GB GDDR7, 1.792 GB/s) aloja gpt-oss-120b o un 70B en 8 bits en una sola tarjeta.
        Cuándo usarlo
        Inferencia de producción para equipos pequeños y QLoRA de modelos de 30–70B.
        Cifras clave
        • RTX PRO 6000 Blackwell: 96 GB GDDR7 con ECC, 1.792 GB/s.Fuente: NVIDIA RTX PRO 6000 spec page
      4. GPU de centro de datos de 80–141 GB

        H100, H200

        Qué es
        H100 (80 GB HBM3, 3,35 TB/s) y H200 (141 GB HBM3e, 4,8 TB/s): gpt-oss-120b o Llama 4 Scout en Int4 en una GPU, 70B en 16 bits entre dos, alta concurrencia gracias al ancho de banda HBM.
        Cuándo usarlo
        Se alquilan por horas para servicio en producción y ajuste fino.
        Cifras clave
        • H200: 141 GB HBM3e a 4,8 TB/s.Fuente: NVIDIA H200 spec page
      5. Aceleradores de 180–288 GB

        B200, B300, MI355X

        Qué es
        NVIDIA B200 (180 GB HBM3e en sistemas HGX) y B300 (288 GB), AMD MI300X (192 GB, 5,3 TB/s) y MI355X (288 GB, 8 TB/s): un MoE de 284B en 4 bits cabe en una o dos tarjetas, y Blackwell añade NVFP4 nativo.
        Cuándo usarlo
        Modelos MoE grandes con menos GPU y menos tráfico entre GPU.
        Cifras clave
        • AMD Instinct MI355X: 288 GB HBM3E, 8 TB/s.Fuente: AMD Instinct MI350 series spec page
      6. Nodos de 8 GPU y clústeres

        1 TB y más

        Qué es
        8 × H200 suma 1.128 GB y 8 × B300 unos 2,3 TB. Mistral Large 3 en FP8, Muse Spark Open en NVFP4 y DeepSeek-V4-Pro caben en un nodo; Qwen3.8-2.4T y Kimi K3 necesitan varios nodos o cuantización agresiva.
        Cuándo usarlo
        Modelos abiertos de escala frontera para una empresa que no puede usar una API.
      7. Memoria unificada

        DGX Spark, Mac Studio

        Qué es
        NVIDIA DGX Spark (128 GB LPDDR5x a 273 GB/s) y Mac Studio con M3 Ultra (hasta 512 GB a 819 GB/s) comparten memoria entre CPU y GPU: mucha capacidad por el precio, pero varias veces menos ancho de banda que HBM, así que los modelos grandes cargan pero generan despacio.
        Cuándo usarlo
        Ejecutar un MoE de 100–400B en el escritorio para evaluar, de un usuario en un usuario.
        Cifras clave
        • Mac Studio M3 Ultra: hasta 512 GB de memoria unificada, 819 GB/s.Fuente: Apple Mac Studio tech specs
  6. Licencias

    Qué puedes distribuir

    Qué es
    La licencia decide si puedes vender un producto sobre el modelo, ajustarlo y redistribuirlo, y con qué nombre. Las familias no comparten una sola licencia: Mistral, Qwen y GLM usan varias cada una.
    Cuándo usarlo
    Lee el archivo LICENSE del checkpoint exacto y después la política de uso aceptable que enlaza.
    1. Apache 2.0

      Cualquier fin, conserva avisos

      Qué es
      Usar, modificar y distribuir "para cualquier fin" sin límites de ámbito de uso; conserva los avisos, indica tus cambios y acepta la cláusula de patentes. La usan gpt-oss (más su política de uso), Gemma 4, Qwen3, Qwen3.8-27B, Muse Glimmer, Mistral Large 3, Small 4, Ministral 3 y Granite 4.1.
      Cuándo usarlo
      El primer filtro para SaaS, entregables a clientes y ajustes redistribuidos.
    2. MIT

      Sin restricción

      Qué es
      Uso "sin restricción" con la condición de que el aviso de copyright y de permiso acompañe a los pesos. La usan DeepSeek V3.2 y V4, GLM-5 y GLM-5.3-Flash, y Xiaomi MiMo-V2-Flash.
      Cuándo usarlo
      MoE de escala frontera sin condiciones comerciales.
    3. MIT modificada

      MIT más una cláusula de visibilidad

      Qué es
      MIT con una condición extra para usuarios muy grandes. Kimi K2: los productos con más de 100M de usuarios activos mensuales o 20 M$ de ingresos mensuales deben mostrar "Kimi K2" en la interfaz. Mistral Medium 3.5 usa su propia MIT modificada con excepciones por ingresos.
      Cuándo usarlo
      Válida para casi todos; revisa el umbral si podrías superarlo.
    4. Llama 4 Community

      700M MAU, "Built with Llama"

      Qué es
      Uso comercial permitido, pero: las empresas con más de 700 millones de usuarios activos mensuales en la fecha de publicación deben pedir licencia a Meta; los productos muestran "Built with Llama"; los modelos derivados empiezan por "Llama"; se aplica la Acceptable Use Policy de Llama 4; y los derechos multimodales no se conceden a personas o empresas domiciliadas en la UE (sus usuarios finales quedan exentos).
      Cuándo usarlo
      Empresas de la UE que construyen sobre la visión de Llama 4: revisad primero la cláusula multimodal.
    5. Muse Model License

      Aviso y cláusula de reventa

      Qué es
      La licencia propia de Meta para Muse Spark Open: los productos llevan el aviso "Built with Muse Spark Open" y los proveedores de modelo como servicio por encima de un umbral de ingresos necesitan un acuerdo escrito con Meta (según la prensa; las fuentes no coinciden en la cifra).
      Cuándo usarlo
      El uso interno y la mayoría de productos están bien; un negocio de API de inferencia necesita revisión legal.
    6. Licencias propias con umbral de ingresos

      Gratis hasta que creces

      Qué es
      El patrón de 2026: pesos de uso gratuito, pero los grandes revendedores de modelo como servicio necesitan un acuerdo aparte. Umbrales según la prensa: pesos de Qwen3.8-Max por encima de 50 M$ al año, MiniMax M3 por encima de 20 M$ de ingresos (con "Built with MiniMax M3") y Kimi K3 para grandes proveedores; Mistral Large 4 exige licencia comercial a cualquier revendedor de servicio de modelo.
      Cuándo usarlo
      Usar el modelo dentro de tu propio producto suele estar bien; vender inferencia en bruto es lo que activa la cláusula.
    7. OpenMDW 1.1

      NVIDIA Nemotron 3

      Qué es
      La licencia de modelo abierto de Nemotron 3 Ultra y Nemotron 3.5; permite el uso comercial. Versiones anteriores de Nemotron 3 usaban la NVIDIA Open Model License, así que comprueba con cuál viene cada checkpoint.
      Cuándo usarlo
      Despliegues sobre la pila de NVIDIA que quieren términos comerciales sin umbrales de ingresos.
    8. Lista de comprobación

      Seis preguntas

      Qué es
      1. ¿Puedo usarlo comercialmente? 2. ¿Hay un umbral de usuarios o ingresos? 3. ¿Debo mostrar atribución o nombrar los derivados de cierta forma? 4. ¿Puedo redistribuir pesos modificados? 5. ¿Qué política de uso aceptable lleva? 6. ¿Se excluyen derechos por región (Llama 4 multimodal en la UE)?
      Cuándo usarlo
      Pásala por cada checkpoint y guarda las respuestas junto a la versión del modelo en tu registro.
  7. Casos de uso en trading

    Texto dentro, variables fuera

    Qué es
    En trading, los LLM convierten texto no estructurado (noticias, informes, llamadas, publicaciones sociales) en variables estructuradas, ayudan a escribir y revisar el código de las estrategias y apoyan la investigación. Los precios, las señales y la ejecución se quedan en modelos numéricos y código determinista.
    Cuándo usarlo
    Pon el LLM antes del modelo, nunca en el camino de las órdenes.
    1. Por qué autoalojar para trading

      La estrategia es la propiedad

      Qué es
      Los prompts describen posiciones, reglas e ideas de investigación: la propiedad intelectual de la firma. Un modelo abierto en tus propias GPU la mantiene dentro, con pesos fijos que no cambian tras un nombre de versión, lo que además hace reproducibles los backtests.
      Cuándo usarlo
      Investigación de estrategias y todo lo que mencione posiciones vivas; los resúmenes de noticias públicas pueden seguir usando una API.
    2. Etiquetas de noticias y sentimiento

      Clasificar a gran volumen

      Qué es
      Clasifica cada titular o publicación por activo, tipo de evento y dirección con un modelo de decisión o un modelo local pequeño (Qwen 8B, gpt-oss-20b) y guarda la etiqueta con su marca de tiempo como variable.
      Cuándo usarlo
      Miles de elementos al día en una GPU de 16–24 GB; Grok cuando necesitas publicaciones de X en tiempo real.
      Ángulo de IA
      Las probabilidades calibradas de un modelo de decisión pueden decidir qué etiquetas llegan al almacén de variables.
    3. Informes y llamadas de resultados

      Extracción estructurada

      Qué es
      Extrae previsiones, factores de riesgo y tono de la dirección de informes y transcripciones de llamadas a JSON con esquema, usando un modelo de contexto largo (Qwen3.8-27B con 262K, Llama 4 Scout) y validando cada número contra el texto original.
      Cuándo usarlo
      Variables fundamentales para estrategias de horizonte medio.
    4. Copiloto de investigación

      Leer, comparar, resumir

      Qué es
      Un agente que lee artículos, informes y tus propias notas de investigación, responde con citas y redacta hipótesis para que una persona las pruebe. Modelos de razonamiento (DeepSeek-V4, gpt-oss-120b) autoalojados, o una API frontera para material público.
      Cuándo usarlo
      Revisión de literatura más rápida; nunca una fuente automática de operaciones.
    5. Asistente de código de estrategias

      Modelo de código local

      Qué es
      Qwen3-Coder o un modelo Qwen3.8 en tu propia GPU escribe código de backtest, indicadores y flujos de datos sin enviar la estrategia a un tercero; los tests y una persona revisan cada cambio.
      Cuándo usarlo
      Equipos cuantitativos cuyo código no puede salir de la red.
    6. Las señales siguen siendo numéricas

      Árboles, no tokens

      Qué es
      Las variables de precio y del libro de órdenes van a LightGBM, XGBoost o modelos similares con validación walk-forward; las etiquetas derivadas del LLM se suman como columnas extra. Los caminos críticos en latencia se ejecutan en milisegundos sin llamar a ningún LLM.
      Cuándo usarlo
      El modelo de señales; el LLM solo enriquece sus entradas.
    7. Sesgo de anticipación

      El modelo conoce el futuro

      Qué es
      Un modelo entrenado con texto hasta su fecha de corte ha leído lo que pasó después de las fechas de tu backtest. Las etiquetas que produce para noticias de 2024 pueden codificar resultados de 2025 e inflar el backtest.
      Cuándo usarlo
      Haz backtest solo con periodos posteriores a la fecha de corte del modelo, o usa los mismos pesos fijados para etiquetar y en real.
    8. Los reguladores ante la IA

      Se aplican las mismas reglas

      Qué es
      ESMA (30 de mayo de 2024): las firmas que usan IA siguen siendo plenamente responsables bajo MiFID II de su organización, conducta y el mejor interés del cliente. El Regulatory Notice 24-09 de FINRA (27 de junio de 2024): las reglas existentes de supervisión, comunicaciones y conservación de registros se aplican a la IA generativa. La SEC retiró su propuesta sobre análisis predictivo de datos el 12 de junio de 2025.
      Cuándo usarlo
      Registra prompts, salidas y versiones del modelo como cualquier otro registro cuando la salida llega a un cliente.
      Cifras clave
      • Las firmas que usan IA siguen siendo plenamente responsables bajo MiFID II.Fuente: ESMA public statement, 30 May 2024
    9. Aprobación humana y límites

      El riesgo sigue siendo determinista

      Qué es
      Los límites de posición, los botones de parada y la validación de órdenes son código, no prompts. Un agente puede proponer una operación; un motor de reglas y, para todo lo relevante, una persona la aprueban.
      Cuándo usarlo
      Cualquier sistema donde la salida de un modelo pueda mover dinero.
  8. Contenido restringido

    Políticas, guardas, ley

    Qué es
    Las API frontera rechazan o limitan algunas categorías por política. Autoalojar elimina el filtro del proveedor, pero no la política de uso de la licencia ni la ley: pasas a ser el operador responsable de lo que produce el modelo.
    Cuándo usarlo
    Trabajo sensible pero legítimo que una API de uso general está ajustada para rechazar.
    1. Políticas de uso de las API

      Decide el proveedor

      Qué es
      Las políticas de uso de OpenAI fijan reglas universales (proteger a las personas, respetar la privacidad, proteger a los menores, revisión humana en automatizaciones de alto riesgo). La Usage Policy de Anthropic añade requisitos para usos de alto riesgo como asesoramiento legal, sanitario y financiero. Ambas pueden cambiar y ambas se aplican a cada petición.
      Cuándo usarlo
      Revisa la política antes de diseñar un producto alrededor de una API.
    2. Políticas de uso en licencias

      Llama 4, Gemma, gpt-oss

      Qué es
      Los pesos abiertos pueden llevar igualmente una política de uso. La Acceptable Use Policy de Llama 4 prohíbe la actividad ilegal, el acoso, el ejercicio profesional sin licencia, las armas, el contenido de autolesiones y el engaño; la Prohibited Use Policy de Gemma (para las versiones con términos de Gemma) prohíbe además el contenido sexual explícito con fines de gratificación; gpt-oss se distribuye con Apache 2.0 y una política de uso.
      Cuándo usarlo
      Una política dentro de la licencia te obliga incluso en tus propias GPU.
    3. Licencias permisivas

      Sin límites de uso

      Qué es
      Apache 2.0 y MIT no restringen para qué se usa el modelo. Eso traslada cada decisión de contenido a ti y a la ley del país donde operas; el propio entrenamiento de seguridad del modelo base sigue condicionando lo que escribe.
      Cuándo usarlo
      Productos con su propia política de contenido documentada y moderación.
    4. Usos sensibles legítimos

      Donde autoalojar ayuda

      Qué es
      Red teaming de seguridad y análisis de malware en un entorno aislado, redacción médica y legal sobre historiales privados, datos de entrenamiento de moderación que deben contener los ejemplos dañinos que aprenden a detectar, y ficción adulta para adultos verificados donde sea legal.
      Cuándo usarlo
      Un propósito documentado, usuarios autorizados y registros: las condiciones que lo hacen defendible.
    5. Líneas rojas

      Ilegal con cualquier licencia

      Qué es
      El material de abuso sexual infantil, la ayuda con armas capaces de causar daños masivos, las imágenes íntimas no consentidas de personas reales, el fraude y el acoso dirigido son ilegales o están prohibidos con cualquier licencia; todas las políticas de uso anteriores los incluyen, y alojar el modelo tú mismo solo te convierte en el responsable.
      Cuándo usarlo
      Bloquéalos en la entrada y en la salida con un modelo de guardia, sea cual sea el producto.
    6. Modelos de guardia

      Clasificar entrada y salida

      Qué es
      Clasificadores pequeños que se colocan delante y detrás del modelo principal: Llama Guard 4 (12B, multimodal, categorías de riesgo de MLCommons), gpt-oss-safeguard 20B y 120B (razonan sobre una política que escribes tú, Apache 2.0), Qwen3Guard (0,6B, 4B y 8B, variante en streaming, 119 idiomas, Apache 2.0), IBM Granite Guardian (daño, jailbreak y fidelidad en RAG, Apache 2.0) y ShieldGemma 2 (4B, seguridad de imágenes).
      Cuándo usarlo
      Tu propia política de contenido, aplicada en local: gpt-oss-safeguard la lee como prompt, así que cambiarla no requiere reentrenar.
      Ángulo de IA
      Un guardia de 4–8B añade unos pocos GB de VRAM y milisegundos por petición.
    7. Obligaciones del operador

      Edad, registros, transparencia

      Qué es
      Verifica la edad donde el contenido lo exija, guarda registros de prompts y salidas, ofrece denuncias y revisión humana, y etiqueta el contenido sintético: la Ley de IA de la UE (Reglamento 2024/1689, artículo 50) exige marcar en formato legible por máquina el contenido generado por IA y revelar los deepfakes.
      Cuándo usarlo
      Cualquier producto público sobre pesos autoalojados, sobre todo en la UE.
      Cifras clave
      • Los proveedores deben marcar en formato legible por máquina el audio, la imagen, el vídeo y el texto generados por IA.Fuente: EU AI Act, Article 50

Fuentes, consultadas el 11 de noviembre de 2026: las fichas y anuncios de cada laboratorio en Hugging Face y en sus webs; el informe de AI Board "AI Models for Executives 2026" (26 de octubre de 2026) para nombres, fechas y precios de los modelos insignia; la documentación de llama.cpp, NVIDIA y Hugging Face para cuantización, caché KV y memoria de MoE; las fichas técnicas de NVIDIA, AMD y Apple; los textos de las licencias Apache 2.0 y MIT, las políticas de uso de Llama 4 y Gemma, las políticas de uso de OpenAI y Anthropic; ESMA (30 de mayo de 2024), el Regulatory Notice 24-09 de FINRA, la SEC (12 de junio de 2025) y el Reglamento (UE) 2024/1689. "Según la prensa" marca cifras confirmadas solo por medios; los tamaños calculados como parámetros × bits ÷ 8 son estimaciones solo de los pesos. Lee el archivo de licencia del checkpoint exacto antes de desplegarlo.