Un modelo cerrado solo se usa a través de una interfaz (API): se envía un texto y se recibe una respuesta, sin acceso a su interior; GPT-4 y Claude son ejemplos. Un modelo de pesos abiertos, en cambio, publica sus parámetros y su arquitectura: se puede correr en una computadora propia, ajustarlo y estudiarlo (Alammar y Grootendorst, 2024, pp. 29–30). La familia LLaMA fue el caso emblemático: modelos de 7.000 a 65.000 millones de parámetros, entrenados solo con datos públicos y entregados a la comunidad de investigación (Touvron, Lavril et al., 2023); los pesos, pensados para acceso restringido, se filtraron a los pocos días. Con cuantización y ajuste fino eficiente, hoy muchos de estos modelos corren en hardware doméstico.
«Abierto» es ambiguo, y la ambigüedad importa. Publicar los pesos no es publicar los datos ni el código de entrenamiento, y muchas licencias restringen el uso comercial; Alammar y Grootendorst (2024) notan que por eso se discute qué cuenta como open source (2024, p. 30). La Open Source Initiative (2024) exige para hablar de IA de código abierto tres cosas: información suficiente sobre los datos, el código completo y los parámetros. Una analogía útil: los pesos sin datos se parecen a un programa compilado sin su código fuente. Se puede ejecutar y retocar, pero no reconstruir.
Para la investigación, la diferencia es epistémica. Millière y Buckner (2024b) advierten que muchos resultados llamativos sobre modelos cerrados son anécdotas irreproducibles por diseño, porque nadie de afuera puede intervenir sobre ellos, y que la investigación académica (incluida la de interpretabilidad) se hizo sobre todo con modelos accesibles como BERT, al punto de que el campo recibió el apodo de «BERTología» (2024b, sec. 3.3). En el debate de seguridad, los abiertos preocupan porque no se pueden «retirar»; Santelli (2026) recuerda que el gato ya salió de la bolsa: cada vez hay más «jardineros» capaces de cultivar modelos potentes con menos recursos.