Verano 2026: qué cambia en el ecosistema de modelos abiertos y por qué importa

Panorama general (enero–agosto 2026)

En los primeros ocho meses de 2026 el repositorio público de modelos y datos continuó su expansión a ritmo diario. Hugging Face Hub pasó de 2.43 a 2.96 millones de repositorios de modelos; los datasets crecieron de 711,000 a 1 millón; y las Spaces subieron de 1.00 a 1.44 millones. Aun así, la distribución detrás de esos números es extremadamente concentrada: aproximadamente 85.6% de los modelos registran menos de 200 descargas de por vida, y solo 1.5% de los repositorios concentran el 99.2% de todas las descargas.

Es decir, hay un océano de publicaciones pero la actividad real y el uso productivo están muy focalizados. Todo lo que ocurre en el ecosistema sucede dentro de esa forma de distribución: mucha señal pública, pero poca tracción sostenida fuera del núcleo.

1. El frente (frontier) se mueve muy rápido

El patrón clásico —laboratorios escalando desde modelos pequeños hacia grandes— se ha roto en 2026. Varias organizaciones chinas lanzaron directamente modelos en la cima de la escala, saltándose la progresión gradual que solía ser la norma. En casi todos los meses de 2026, el modelo abierto más grande y performant de un laboratorio chino superó en tamaño a lo publicado por laboratorios estadounidenses.

Los techos mensuales de capacidad anunciados por laboratorios chinos oscilaron entre 754 mil millones y 2.78 billones (trillion) de parámetros. En contraste, el techo estadounidense se mantuvo por debajo de 130 mil millones en cinco de siete meses, con excepciones notables como Nemotron 3 Ultra de NVIDIA (561B) en mayo y junio y el Inkling de Thinking Machines Lab.

Se observan dos estrategias distintas entre los laboratorios:

• Algunos (Moonshot, MiniMax, Xiaomi, Z.ai) publican casi exclusivamente modelos por encima de 70B, lo que hace que la primera interacción de muchos desarrolladores con esos laboratorios sea un modelo demasiado grande para ejecutarse localmente.
• Otros (por ejemplo, Tencent y Alibaba con Qwen) cubren un espectro completo, desde modelos por debajo de 1B hasta los más grandes.

Dos factores hicieron posible esta dinámica. Primero, construir modelos enormes dejó de ser un diferenciador único: Xiaomi y Meituan superaron el umbral del billón de parámetros en 2026 y no eran nombres ampliamente asociados a pesos abiertos hace doce meses. Segundo, ya no es obligatorio publicar un modelo pequeño para ser accesible: la comunidad de cuantización puede hacer que un gran modelo sea ejecutable en hardware de consumo en días. Por tanto, el tamaño del modelo se ha convertido en una declaración estratégica: algunos apuestan por ser la punta de lanza en benchmarks y demanda de API; otros por ser la referencia familiar para desarrolladores.

Mientras tanto, en Estados Unidos la participación abierta sigue siendo significativa, pero ha cambiado de manos: los dos publicadores con más nuevos repositorios este año son fabricantes de hardware —AMD y NVIDIA—con más de 200 repositorios cada uno; LiquidAI aparece tercero con alrededor de 100. Los fabricantes vieron en los modelos abiertos una forma directa de demostrar y vender chips: un modelo optimizado para su hardware y disponible públicamente es la mejor prueba de que la arquitectura funciona.

Al incluir modelos pequeños y de embeddings —donde compañías como Google, Microsoft, IBM Granite y versiones previas de OpenAI aún generan cientos de millones de descargas al año— la participación estadounidense en el ecosistema abierto sigue creciendo, pero el centro de gravedad se ha desplazado. Google y Meta publican ahora menos modelos nuevos que NVIDIA, y la tendencia de Meta hacia modelos bandera cerrados subraya este cambio. En la práctica, la creación de modelos a escala de frontera está cada vez más dominada por laboratorios globales (con fuerte presencia china) y por capas de optimización y distribución que permiten correr esos modelos en hardware diverso.

A escala, pocos modelos estadounidenses originales surgieron por encima de 100B: entre ellos Inkling (952B) de Thinking Machines, Nemotron 3 Ultra (561B) y Nemotron 3 Super (124B) de NVIDIA, y Trinity-Large (399B) de Arcee AI. AMD, por su parte, contribuyó con numerosas conversiones pero no presentó modelos originales de ese tamaño. Al mismo tiempo, muchos modelos chinos se optimizan para chips domésticos, una competencia reflejada en ambos lados.

2. Atención no equivale a adopción

Analizamos los 25 repositorios con más descargas acumuladas en 2026 frente a los 25 con más “likes”. Solo uno aparece en ambas listas. Para evitar el sesgo de antigüedad, contamos descargas dentro del periodo (enero–agosto) en lugar de a lo largo de toda la vida del repositorio; eso hace la separación aún más clara.

Hallazgos concretos:

• Ningún modelo publicado en 2026 entra al top 25 por descargas en ese periodo; trece de los veinticinco datan de 2022.
• all-MiniLM-L6-v2 fue descargado 1.55 mil millones de veces en siete meses pero solo registra 5,156 likes.
• Kimi-K3, en cambio, tuvo una proporción distinta: alrededor de 60 descargas por cada like.

Estos dos indicadores miden actos diferentes. Un “like” suele indicar que una publicación es relevante o emocionante para la comunidad: sirve para leer la dirección del campo y las novedades de vanguardia. Una descarga refleja integración en una canalización de producción o uso repetido en sistemas automatizados: muestra de qué depende el mundo real. Tratar a uno como sustituto del otro es un error común en la cobertura del Hub.

A nivel de editores, los laboratorios chinos orientados a la frontera concentran la mayoría de sus descargas en modelos grandes: prácticamente todas las descargas 2026 de MiniMax fueron de modelos por encima de 70B; 88% de Moonshot; 55% de DeepSeek; y 39% de Z.ai. Ninguna gran cuenta estadounidense muestra ese patrón: sus descargas tienden a concentrarse en modelos más pequeños y en otras categorías.

Implicaciones para América Latina

Para equipos técnicos y tomadores de decisión en la región estas observaciones traen varias lecciones prácticas:

• No subestimen a los modelos pequeños: la producción y la estabilidad siguen siendo dominadas por modelos compactos y probados. Para la mayoría de aplicaciones empresariales en América Latina, son la opción más económica y confiable.
• La capacidad de cuantizar y optimizar grandes modelos reduce la barrera de hardware, pero requiere know-how y herramientas. Proyectos locales y proveedores de servicios gestionados pueden aprovechar esto para ofrecer soluciones con modelos de última generación sin necesidad de cluster propio.
• La concentración extrema de descargas sugiere riesgos de dependencia: muchas aplicaciones críticas dependen de un grupo muy reducido de modelos. Las organizaciones públicas y privadas deben evaluar estrategias de redundancia, auditoría y control sobre esos componentes.
• El papel de fabricantes de hardware creando y liberando modelos implica oportunidades de colaboración con nubes locales y socios de infraestructura. Comprar capacidad no es solo adquirir silicio, también es acceder al ecosistema de modelos optimizados.

Mirando hacia adelante

El ecosistema de modelos abiertos en 2026 es grande y acelerado, pero está definido por dos dinámicas centrales: la rápida escalada de la frontera (con una fuerte presencia china y fabricantes de hardware desempeñando un papel creciente) y la brecha entre lo que genera atención y lo que se usa en producción. Para América Latina esto significa priorizar pragmatismo técnico (modelos probados, optimización y cuantización) y diseñar políticas y estrategias de compra que consideren tanto la innovación de frontera como la resiliencia operativa.

Notas metodológicas

Las observaciones describen actividad del Hub entre enero y agosto de 2026 y se apoyan en métricas públicas del repositorio: número de modelos, datasets, Spaces, descargas y likes durante ese periodo. Las conclusiones enfatizan patrones observables más que predicciones cuantitativas extrapoladas.