Un instituto de investigación liberó los 6 modelos de IA "más abiertos" de la historia — hasta 375.000 millones de parámetros, con pesos, código Y los datos de entrenamiento

Cuando una empresa de IA dice que su modelo es "de código abierto", casi siempre se refiere a una sola cosa: publica los pesos del modelo (los números resultantes del entrenamiento) para que cualquiera los descargue y los use. Lo que casi nunca publica es cómo se entrenó ese modelo ni con qué datos exactos, que es la parte que de verdad permite entender, auditar o reproducir el trabajo desde cero. El 3 de septiembre, el Institute of Foundation Models (IFM) rompió ese patrón con el lanzamiento de K2 Horizon.

IFM es un laboratorio de investigación fundado en mayo de 2025 por la MBZUAI, una universidad de inteligencia artificial con sede en Abu Dabi, con oficinas también en Silicon Valley y París. K2 Horizon no es un modelo único sino una familia de seis, pensada para cubrir desde el dispositivo más pequeño hasta el servidor empresarial más grande, y todos bajo licencia Apache 2.0 (permite uso comercial y privado, solo pide dar crédito).

Seis modelos, seis tamaños de uso real

La familia va de 0,9 a 375 mil millones de parámetros, y cada tamaño apunta a un caso de uso distinto:

• 0,9B: pensado para dispositivos muy limitados, como relojes inteligentes o gafas con IA integrada.
• 3,7B y 7B: modelos densos para correr directamente en un teléfono u otro dispositivo on-device.
• 32B: modelo denso diseñado para alojamiento local y servidores on-premise — el punto donde empieza a tener sentido un servidor propio en vez de un celular.
• 36B (con 4.000 millones activos): usa una arquitectura "sparse" (dispersa) que activa solo una fracción de sus parámetros en cada tarea, lo que reduce el costo de cómputo sin sacrificar tanta capacidad.
• 375B (con 23.000 millones activos): la versión de mayor capacidad, pensada para despliegues empresariales exigentes.

Esa distinción entre modelos "densos" y "dispersos" (sparse) es clave para entender por qué el 36B es interesante: en vez de usar sus 36.000 millones de parámetros para cada respuesta, solo activa 4.000 millones a la vez. Es la misma lógica detrás de otros modelos "mixture of experts" que ya circulan en la industria, pero aplicada aquí a una familia completamente abierta.

Por qué "totalmente abierto" es la parte que importa

IFM no solo publicó los pesos: también liberó el código de entrenamiento, los datos usados y la metodología completa. En su propio anuncio, el instituto lo describe como ir "más allá del debate de los pesos abiertos" — una forma directa de diferenciarse de modelos como los de Meta o Mistral, que sí publican pesos descargables pero mantienen en reserva los datos exactos con los que entrenaron. Sin esos datos, nadie fuera de la empresa puede verificar del todo qué aprendió el modelo ni reproducir el proceso.

IFM afirma que los seis modelos logran resultados de punta en su categoría de tamaño en matemáticas, razonamiento, ingeniería de software y tareas agénticas, aunque el anuncio no incluye comparaciones directas de benchmarks contra modelos como Llama, DeepSeek o Qwen — algo que previsiblemente llegará en las próximas semanas de parte de terceros que sí prueben los modelos de forma independiente.

Lo que significa para quien quiere correr esto en su propio servidor

Lo más relevante para cualquiera que piense en autohospedar IA no son los modelos de bolsillo, sino el 32B denso y el 36B disperso: ambos están pensados explícitamente para hosting local, no para la nube de un tercero. El comunicado no da cifras exactas de VRAM o RAM necesarias, pero un modelo denso de 32.000 millones de parámetros típicamente exige una GPU (o varias) con bastante memoria dedicada — territorio de un servidor dedicado o un VDS con GPU, no de un VPS básico compartido.

Que un instituto académico publique un modelo de este calibre con todo el proceso de entrenamiento incluido es, en la práctica, un regalo para cualquiera que quiera entender cómo se construye un modelo de lenguaje moderno sin depender de la caja negra de una gran tecnológica. Y para quien ya tiene o está pensando en tener su propio servidor con GPU, es una opción más —y de las más transparentes del mercado— para correr IA propia sin pagar por token a un tercero. Si esa es la dirección hacia la que vas, lo primero es tener claro qué tan lejos puede llegar tu infraestructura antes de intentarlo, algo que conviene resolver con un servidor dedicado hecho para ese trabajo.