Los modelos abiertos de IA ya no los lideran Google y Meta, sino los fabricantes de chips

Hugging Face publicó su reporte semestral sobre el estado de los modelos abiertos de IA, cubriendo enero a agosto de 2026. El informe, titulado State of Open Models: Summer 2026 Observations, documenta un cambio estructural en quién publica modelos open source y qué escala alcanzan.

La plataforma registró un crecimiento sostenido: los repositorios de modelos públicos pasaron de 2.43 a 2.96 millones, los datasets de 711,000 a 1 millón, y los Spaces de 1.00 a 1.44 millones. Pero la distribución sigue siendo extrema: el 85.6% de los modelos tiene menos de 200 descargas totales, y el 1.5% de los repositorios concentra el 99.2% de todas las descargas.

NVIDIA y AMD publican más que Google y Meta

Las dos organizaciones que publicaron más modelos nuevos en lo que va de 2026 son NVIDIA y AMD, con más de 200 repositorios cada una, muy por encima del resto del campo. LiquidAI ocupó el tercer puesto con alrededor de 100.

Según Hugging Face, los fabricantes de hardware entendieron que los modelos abiertos son una forma de vender chips: un modelo optimizado para tu hardware y disponible gratis es la prueba más clara de que el hardware funciona.

Mientras tanto, Google y Meta —que definieron la publicación de modelos abiertos en años anteriores— ahora están muy por debajo de NVIDIA en cantidad de releases. El giro de Meta hacia modelos flagship cerrados acentúa este cambio. El código abierto de IA, en el extremo de la frontera, pasó de los laboratorios de modelos a las empresas de hardware e infraestructura.

China domina la escala, EE.UU. optimiza

En 2026, varios laboratorios chinos saltaron directamente a la escala máxima, sin pasar por la progresión gradual de modelos más chicos. En casi todos los meses del año, el modelo abierto más grande y performante de un lab chino fue más grande que cualquier cosa publicada por un lab estadounidense.

El techo mensual de China osciló entre 754B y 2.78 billones de parámetros; el de Estados Unidos se mantuvo por debajo de 130B en cinco de siete meses. Las excepciones fueron Nemotron 3 Ultra de NVIDIA (561B) en mayo y junio, e Inkling de Thinking Machines Lab.

Laboratorios como Moonshot, MiniMax, Xiaomi y Z.ai publican casi nada por debajo de 70B parámetros, por lo que el primer contacto de un developer con ellos es un modelo demasiado grande para correr en su propia infraestructura. Tencent y Alibaba Qwen, en cambio, cubren todo el rango, desde menos de 1B hacia arriba.

Esto es posible porque construir modelos grandes dejó de ser un diferenciador: Xiaomi y Meituan superaron el billón de parámetros este año, y ninguno era un nombre conocido en open weights hace doce meses. Además, un lab ya no necesita lanzar un modelo chico para ser accesible, porque la capa de cuantización de la comunidad hace que uno grande sea ejecutable en días.

La mayoría de los releases estadounidenses por encima de 100B parámetros este año no son modelos nuevos, sino construidos sobre modelos chinos. Solo aparecen unos pocos modelos americanos originales a esta escala: Inkling de Thinking Machines (952B), Nemotron 3 Ultra de NVIDIA (561B), Nemotron 3 Super (124B) y Trinity-Large de Arcee AI (399B).

Este trabajo sigue siendo importante —permite que modelos chinos de billones de parámetros corran eficientemente en hardware estadounidense— pero representa una capa de distribución y optimización, no de creación de modelos.

Atención ≠ Adopción

Hugging Face tomó los 25 repositorios principales por descargas acumuladas en 2026 y los 25 principales por likes. Exactamente uno aparece en ambas listas.

Ningún modelo publicado en 2026 alcanza el top 25 de descargas, mientras que trece de los veinticinco datan de 2022. El modelo all-MiniLM-L6-v2 fue descargado 1.55 mil millones de veces en siete meses, contra 5,156 likes; Kimi-K3 fue descargado unas 60 veces por cada like que recibió.

Los dos números registran actos diferentes. Un like dice que un release importa, y va a modelos de frontera en las semanas después de que salen. Una descarga dice que algo está conectado a un pipeline que corre en un cronograma, y se acumula en modelos chicos y estables durante años.

Los likes miden qué emociona al campo; las descargas miden de qué depende actualmente.

Por qué importa

El reporte de Hugging Face muestra que la IA de código abierto ya no está definida por los mismos actores que la crearon. El desplazamiento hacia fabricantes de hardware y la concentración de escala en laboratorios chinos cambia las dinámicas de adopción, optimización y dependencia tecnológica.

Para equipos que construyen sobre modelos abiertos, esto significa dos cosas: primero, que la frontera de capacidad ya no viene principalmente de Silicon Valley. Segundo, que la capa de infraestructura —cuantización, optimización, conversión— es tan estratégica como el modelo mismo.

La brecha entre atención y adopción también importa. Si estás evaluando qué modelo integrar en producción, mirá las descargas sostenidas, no los likes del momento. La estabilidad y el ecosistema de herramientas pesan más que el benchmark del día.