Pesos, parámetros y modelos open weight: qué significan

Si sigues el mundo de la IA, escuchas todo el rato dos frases que casi nadie aterriza: “lo que importa son los pesos” y “tal modelo es open weight, liberó sus pesos”. Suenan técnicas y quedan flotando. Esta guía las baja a tierra desde cero: qué es un peso, por qué concentran todo el valor de un modelo, y qué significa —y qué implica de verdad— que una empresa libere los pesos.

1. Qué es un peso (y qué es un parámetro)

Un peso (weight) es, literalmente, un número dentro de la red neuronal. Cada conexión entre neuronas tiene un peso que dice cuánto importa esa entrada en el resultado. Nada más misterioso que eso. Lo puedes ver en detalle en La neurona artificial, pero la idea cabe en una línea: la red multiplica cada entrada por su peso, suma, y repite esa operación millones de veces.

Lo importante es la escala: una red no es más que miles de millones de estos números ordenados en matrices. Cuando escuchas “un modelo de 7B”, esos 7 mil millones (billions) son la cantidad de pesos. Un modelo de frontera como GPT-4 o Claude tiene cientos de miles de millones.

Dos aclaraciones de vocabulario que confunden:

Peso vs parámetro. Un parámetro es cualquier número que la red ajusta al aprender: los pesos y los bias (un ajuste que se suma aparte). En la práctica “parámetros” y “pesos” se usan casi como sinónimos, y el tamaño de un modelo (7B, 70B, 405B) cuenta parámetros.
Ojo, “parámetro” tiene otro sentido distinto. Cuando en una API ajustas temperature o reasoning_effort, esos también se llaman “parámetros”, pero son perillas de uso, no los números internos del modelo. Son cosas totalmente distintas — para no confundirlas, mira Parámetros de modelos: temperatura y su reemplazo.

Un último detalle clave: los pesos arrancan aleatorios. Una red recién creada no sabe nada, responde puro ruido. Todo el “aprender” es ir ajustando esos números con datos — el tema de cómo aprende una red.

2. Por qué “lo que importa son los pesos”

Porque un modelo tiene cuatro piezas separables, y los pesos son donde vive todo el valor:

Pieza	¿Es secreto?	Qué es
Arquitectura	No, es pública	Que sea un Transformer; está en papers que cualquiera lee
Código de entrenamiento	Bastante estándar	PyTorch y recetas más o menos conocidas
Datos + cómputo	Sí, el verdadero secreto	Millones de USD en GPUs y datos curados con mucho trabajo
Pesos (el resultado)	Es el producto final	La cristalización de todo lo anterior en números

La clave: una arquitectura vacía es ruido. Si armas un Transformer idéntico al de Llama pero con los pesos sin entrenar, no sabe nada. Lo que convierte esa estructura vacía en un modelo útil es entrenar los pesos, y eso cuesta una fortuna en GPUs y datos:

┌───────────────┐     ┌───────────────┐     ┌───────────────┐
│ arquitectura  │ ──► │ entrenamiento │ ──► │     pesos     │
└───────────────┘     └───────────────┘     └───────────────┘
   pública, en          meses de GPUs         el destilado:
   los papers           y datos caros         el modelo que
                                              de verdad sirve

Por eso “lo que importa son los pesos”: es el único componente que no puedes reproducir sin gastar la misma fortuna. Son el activo de mayor valor de un LLM.

3. Qué significa “open weight”

Significa que la empresa publica el archivo con los pesos para que cualquiera lo descargue, lo corra y lo modifique. Ejemplos: Llama (Meta), Mistral, Qwen (Alibaba), DeepSeek, gpt-oss (OpenAI).

El punto que casi nadie aclara: open weight NO es lo mismo que open source. Son tres niveles distintos de apertura:

	Cerrado / API-only	Open weight	Open source (de verdad)
Qué te dan	Nada: solo acceso por API	El archivo de pesos	Pesos + datos + código
Ejemplos	GPT-4, Claude, Gemini	Llama, Mistral, Qwen, DeepSeek	OLMo y similares
¿Lo corres tú?	No	Sí	Sí
¿Lo afinas?	No (salvo fine-tuning gestionado)	Sí	Sí
¿Reproducible desde cero?	No	No (faltan los datos)	Sí

La mayoría de los “modelos abiertos” famosos son open weight, no open source: te dan el resultado (los pesos), pero no los datos con que los entrenaron ni siempre una licencia 100% libre. Llama, por ejemplo, se descarga gratis pero su licencia pone condiciones al uso comercial a gran escala.

4. Qué implica tener los pesos

Que tengas los pesos te da soberanía sobre el modelo. Lo bueno:

Lo corres local — en tu máquina o servidor, sin mandar tus datos a un tercero. Privacidad total y sin depender de nadie. Es todo el Curso de GPU para IA.
Lo afinas con tus datos — fine-tuning / LoRA para tu dominio, algo imposible con un modelo cerrado. Ver fine-tuning e instruction tuning.
Lo achicas para que quepa — cuantización a formato GGUF para correrlo en tu GPU. Ver precisión y cuantización.
No te lo pueden quitar ni cambiar — una API puede subir el precio, deprecar el modelo o cambiar su comportamiento de un día para otro; tus pesos descargados son tuyos para siempre.
Pagas fierro, no tokens — el costo es el hosting, no por cada llamada.

Y la letra chica, que también hay que decirla:

Seguridad: cualquiera puede afinar los pesos para quitarles los guardrails (las barreras de seguridad que evitan respuestas dañinas). Por eso liberar pesos es una decisión delicada.
Licencia: “open weight” no siempre es “haz lo que quieras”. Hay que leer la licencia (uso comercial, atribución, restricciones).
Opacidad: tener los pesos no significa entenderlos. Son millones de números sin interpretación humana: sigue siendo una caja negra. Y como no te dan los datos, no puedes auditar con qué se entrenó ni reconstruirlo desde cero.
El fierro y el mantenimiento corren por tu cuenta — la comodidad de una API tiene su precio, y es real.

5. ¿Abierto o cerrado? Cuándo conviene cada uno

Prefiere un modelo…	Cuando…
Open weight	Necesitas privacidad/datos que no pueden salir, quieres afinarlo a tu dominio, buscas control y costo predecible, o quieres independencia de un proveedor
Cerrado (API)	Quieres la máxima calidad de frontera sin operar infraestructura, tu volumen es bajo o errático, y prefieres pagar por uso a mantener fierro

No es una guerra: mucha arquitectura real es híbrida — lo difícil por API de frontera, lo masivo y sensible con un modelo open weight propio.

6. Mitos para dejar atrás

“Open weight = open source.” No: open weight te da los pesos; open source te da además los datos, el código y la receta reproducible. La mayoría de los modelos “abiertos” son lo primero.
“Tener los pesos = entender el modelo.” No: son una caja negra de números. Los puedes ejecutar, no leer.
“Open weight = gratis y sin condiciones.” Ojo con la licencia, y recuerda que igual pagas el hardware que lo corre.
“Un modelo cerrado siempre es mejor.” Depende de la tarea: los open weight modernos (Llama, Qwen, DeepSeek) compiten fuerte, y para muchos casos ganan por control, privacidad y costo.

La frase para llevarse

Los pesos son el cerebro ya entrenado del modelo. “Open weight” es que te regalan ese cerebro para correrlo y adaptarlo tú — aunque casi nunca te cuenten cómo lo formaron.

Material relacionado

La neurona artificial — qué es un peso, desde cero.
Glosario de Redes Neuronales y Glosario de Transformers y LLMs — los términos, en simple.
Tu primer LLM local con Ollama — correr un modelo open weight en tu máquina.
Fine-tuning e instruction tuning — afinar los pesos con tus datos.