Los modelos de pesos abiertos, los que puedes descargar y ejecutar tú mismo, han estado dominados por laboratorios chinos durante casi todo 2026. Octubre lo cambió. Tras Muse Spark Open de Meta, llegaron dos lanzamientos estadounidenses más en la misma semana: la familia Nemotron 3.5 de Nvidia el 15 de octubre, pensada para agentes de IA desde el centro de datos hasta el portátil, y los pesos descargables de Beam de Reflection AI el 16 de octubre, un modelo de 501.000 millones de parámetros con la permisiva licencia Apache 2.0.
Nvidia Nemotron 3.5: agentes del servidor al portátil
Los modelos abiertos de Nvidia están pensados para personalizarse: la empresa publica los pesos junto con datos y recetas de entrenamiento, para que las empresas puedan reentrenarlos con sus propios datos y ejecutarlos en su propia infraestructura. La versión 3.5 tiene tres miembros.
Super VL
120B- Entradas
- texto e imágenes, incluidos PDF, tablas, gráficos y páginas web
- Funciona en
- GPU de centro de datos, nube, DGX Station y estaciones RTX Pro
- Según Nvidia, una precisión cercana a su mayor modelo de razonamiento con una quinta parte del tamaño
- Lo usan o integran Salesforce, CrowdStrike, Perplexity, Atlassian, Ramp y EY
- Las cifras de velocidad (hasta 5 veces el rendimiento de los rivales) son de Nvidia
Para agentes que trabajan con documentos de empresa.
Bolt 74B-A9B
24GB- Funciona en
- una sola GPU RTX o un DGX Spark
- Herramientas
- llama.cpp, Ollama, LM Studio, Unsloth, vLLM
- Cuantización nativa de 2 bits, deja espacio para otras aplicaciones
- El mejor modelo abierto de su categoría en PinchBench, según Nvidia
Para un agente privado de investigación o programación en tu equipo.
Bolt E4B
4GB- Funciona en
- GeForce RTX, Jetson y dispositivos Spark
- Estado
- llegará más adelante, aún sin fecha
Para asistentes de voz locales e interfaces integradas.
El argumento para las empresas es el control. Un banco o una aseguradora puede tomar Super VL, entrenarlo con sus propios expedientes o extractos y mantener cada documento dentro de su red. Nvidia menciona el análisis de documentos, la contabilidad y los siniestros de seguros, y afirma que, reentrenado para una tarea concreta, Super VL la completa más rápido que los grandes modelos cerrados. Esas comparaciones vienen de Nvidia y sus socios, así que tómalas como punto de partida para tus propias pruebas.
Reflection Beam: grande, abierto y eficiente
Reflection AI anunció Beam el 5 de octubre y publicó los pesos en Hugging Face el 16 de octubre, en BF16, FP8 y NVFP4, junto con un pequeño modelo «drafter» que acelera la generación. Es un modelo mixture-of-experts: 501.000 millones de parámetros en total, pero solo 23.000 millones trabajan en cada token, lo que lo hace relativamente barato de servir.
- Tamaño
- 501B en total, 23B activos por token
- Contexto
- entrenado hasta 256K, ampliado a 1M de tokens
- Entradas
- solo texto
- Licencia
- Apache 2.0, sin límites al ajuste fino, la destilación o la fusión
- Entrenamiento
- 23,8 billones de tokens en 6.144 GPU Nvidia GB300 en menos de cuatro semanas
- Hardware para alojarlo tú mismo
- un nodo con cuatro GPU Nvidia B300, con la versión NVFP4 de 273 GiB
- Servicio
- Transformers, vLLM, SGLang, Unsloth, Axolotl y Nvidia Dynamo, además de la API de Reflection
Cuanto más alto, mejor. Datos de Reflection, 8 de octubre de 2026.
Reflection reconoce que Beam no es el modelo abierto más fuerte: Kimi K3 sigue por delante en capacidad bruta y DeepSeek V4.1 Flash lo supera en algunas pruebas de programación tipo agente. Sus bazas son la eficiencia (Reflection dice que iguala a GLM-5.2 en razonamiento con tres o cuatro veces menos cómputo) y una licencia Apache 2.0 sin complicaciones. El Intelligence Index independiente de Artificial Analysis le da 30, 19.º de 120 modelos, usando menos tokens de salida que la mayoría.
Cuanto más alto, mejor. Puntuaciones independientes, mediados de octubre de 2026.
¿Qué modelo abierto para tu agente?
- 1
Parte de dónde debe funcionar
Un portátil o una sola GPU apuntan a Nemotron Bolt; tu propio centro de datos abre la puerta a Super VL o Beam; para algo mayor, una API alojada es más sencilla.
- 2
Revisa la licencia
La Apache 2.0 de Beam es la más sencilla para productos. Muse Spark Open y los modelos de Nvidia tienen sus propias condiciones: léelas antes de lanzar.
- 3
Prueba con tus tareas
Las clasificaciones rara vez reflejan tus documentos o tu SQL. Pasa entre 30 y 50 ejemplos reales por dos o tres candidatos.
- 4
Planifica el ajuste fino
Nvidia publica datos y recetas; Beam permite cualquier ajuste fino. Ambos hacen realista reentrenar con tus datos.
Pon a prueba lo que has aprendido
1/3¿Qué modelo Nemotron 3.5 está pensado para funcionar en una sola GPU de 24 GB?
La cuantización nativa de 2 bits hace que sus 74B parámetros quepan en 24 GB.
2/3¿Con qué licencia publicó Reflection los pesos de Beam?
Apache 2.0 no limita el ajuste fino, la destilación ni la fusión.
3/3¿Qué hardware sugiere Reflection para alojar Beam por tu cuenta?
Con la versión NVFP4 de los pesos, de 273 GiB.
Has acertado 0 de 3.
Más modelos abiertos: Meta Muse Spark Open, Mistral Large 4 y DeepInfer y V4.1 Flash de DeepSeek. Para la clasificación completa, lee los mejores modelos de IA de octubre de 2026.
Fuentes: el anuncio de Nemotron 3.5 de Nvidia según IT Brief y TechCrunch (octubre de 2026); la entrada «Introducing Beam» de Reflection AI (benchmarks actualizados el 8 de octubre de 2026) y el lanzamiento del modelo Beam 1.0 (16 de octubre de 2026); Artificial Analysis Intelligence Index v4.3.2. Los benchmarks de los fabricantes son datos propios.
Alessandro Ecclesie AgazziEscrito por Alessandro Ecclesie Agazzi, analytics engineer en Londres. Actualizado el 21 de octubre de 2026. Sobre mí