Hugging Face ha publicado su informe "State of Open Models" correspondiente al verano de 2026, un análisis periódico sobre la posición de los modelos de lenguaje y multimodales con licencia abierta frente a los sistemas propietarios y cerrados de los grandes laboratorios.
El hallazgo principal, según el informe, es que la brecha de rendimiento entre los mejores modelos de pesos abiertos y los modelos cerrados líderes se ha estrechado de forma sustancial en una variedad de benchmarks estándar —incluyendo razonamiento, programación y seguimiento de instrucciones— durante el último año. Hugging Face atribuye esto a una combinación de factores: mayor disponibilidad de datos de entrenamiento de calidad, técnicas de entrenamiento más eficientes que se publican y replican en grupos de investigación abiertos, y la inversión sostenida de un puñado de laboratorios y empresas bien financiadas que optan por publicar sus pesos en lugar de encerrarlos detrás de una API.
El informe también señala que los modelos abiertos mantienen una ventaja de coste en la inferencia a gran escala, en particular para las empresas dispuestas a auto-alojarlos o a usar hosting de terceros más económico en lugar de pagar precios por token a proveedores de modelos cerrados. Hugging Face plantea esto como una ampliación de las opciones prácticas, no como una afirmación de que los modelos abiertos superan ya categóricamente a los cerrados: en los benchmarks de razonamiento y multimodales más exigentes, dice el informe, los modelos cerrados de referencia todavía tienden a mantener una ventaja modesta, aunque el margen se describe como más estrecho que en años anteriores.
Algunas cifras concretas de benchmarks y comparaciones entre modelos específicos mencionadas en el informe no han sido verificadas de forma independiente aquí y deben tratarse como reportadas por Hugging Face, pendientes de confirmación por otras fuentes o pruebas independientes.
Para las empresas que construyen flujos de automatización —ya sea un sistema de triaje de soporte, un pipeline de calificación de leads de ventas o un asistente interno de operaciones— la conclusión práctica tiene menos que ver con el lanzamiento de un modelo concreto y más con la opcionalidad. Una brecha de rendimiento más estrecha significa que la decisión de qué modelo alimenta un flujo determinado se convierte más en una cuestión de ingeniería y coste, y menos en un "solo un proveedor puede hacer esto lo bastante bien". Ese cambio suele ocurrir de forma gradual: los equipos normalmente no cambian un flujo de producción de la noche a la mañana, pero sí empiezan a probar alternativas abiertas en paralelo, especialmente para tareas bien definidas que no requieren razonamiento de frontera —piénsese en clasificación de documentos, redacción de correos o extracción estructurada de datos, en contraposición al razonamiento agéntico complejo de varios pasos.
El informe no sostiene que los modelos abiertos sean ya un reemplazo directo para todos los casos de uso, y el propio enfoque de Hugging Face insiste en que la elección de modelo debe seguir ajustándose a la dificultad de la tarea, los requisitos de latencia y la sensibilidad de los datos. Para los operadores que evalúan proveedores de automatización o construyen herramientas internas, el siguiente paso práctico no es necesariamente cambiar de proveedor, sino volver a hacer el análisis de coste-beneficio, ya que las premisas que justificaban una arquitectura basada únicamente en modelos cerrados hace un año podrían ya no sostenerse con la misma claridad hoy.