El ecosistema de la inteligencia artificial de codigo abierto vive una aceleracion notoria, y el epicentro esta en China. Asi lo plantearon los analistas Nathan Lambert y Florian Brand en su repaso trimestral de modelos abiertos, publicado en el boletin Interconnects. El detonante inmediato fue el lanzamiento de Kimi K3, pero el cuadro completo incluye el anuncio de Qwen de liberar los pesos de su proximo gran modelo y un discurso de Xi Jinping que comprometio a China con el open source como estrategia de Estado.
¿Cuanto estan atras los modelos abiertos?
La pregunta que domina cada lanzamiento es cuantos meses separan al nuevo modelo abierto de la frontera cerrada. Segun Brand, la respuesta esta contaminada: con tantos proveedores de benchmarks, cada bando elige la prueba que le conviene para mostrar que un modelo esta a la vanguardia o, al reves, un ano por detras.
Lambert propone una distincion util. Algunos benchmarks se correlacionan con lo que la gente realmente hace (codificacion agentica y uso agentico del computador) y otros con la "cola larga" de tareas donde brillan Claude y GPT. Si el mercado de herramientas como Claude Code y Codex es la ingenieria de software, que un modelo abierto quede un par de meses atras en esa tarea puede ser determinante.
¿Que tan bueno es Kimi K3 en la practica?
Brand se suscribio al plan de 200 dolares (tambien hay opciones de 40 y 100 dolares), que ofrece 1 millon de tokens de contexto y aparente prioridad en las peticiones a la API, un detalle no menor cuando muchos usuarios reportan errores constantes por saturacion.
Su veredicto tecnico es matizado: el codigo que genera Kimi K3 es mas simple y legible, pero se pierde algunos casos de borde que Codex si resuelve. Lo ubica en un nivel comparable a GPT-5.4 o 5.5 para sus tareas. La contra: como los servidores estan en China y la API vive saturada, el tiempo real de respuesta es bastante mayor que el de GPT.
Donde si sorprendio fue en analisis de datos. Lambert le pidio a varios modelos de frontera una idea nueva sobre mas de un ano de datos de modelos abiertos. La mayoria repitio analisis conocidos; Kimi K3, en cambio, rastreo Reddit por cuenta propia, encontro subreddits inesperados y detecto un patron: las discusiones en Reddit se adelantan uno o dos meses al despegue en las cifras de descargas.
Kimi K3 y GLM 5.2: main agent y sub-agente
Para Brand, GLM 5.2 ya se gano un lugar. Con un endpoint interno veloz, del orden de 200 a 300 tokens por segundo, lo describe como de nivel Sonnet para muchas tareas y muy solido en trabajo de limpieza y tareas rutinarias. Su formula: usar Kimi K3 como agente principal y GLM 5.2 para el trabajo de sub-agente.
El problema de escala del open source
El anuncio de Kimi introduce un cambio de regimen. Se trata de un modelo de mezcla de expertos (MoE) de gran escala, del orden de cientos de miles de millones de parametros. Brand advierte que solo cargar los pesos exige un nodo entero de GPU B300, lo que complica su despliegue rapido entre los proveedores de inferencia y su ajuste fino posterior.
Es una diferencia con el pasado reciente, cuando los laboratorios chinos terminaban su entrenamiento por refuerzo y liberaban los pesos en cuestion de horas o dias, y el ecosistema sabia de inmediato como usarlos. Ahora, senala Lambert, la infraestructura necesaria para post-entrenar y servir estos modelos gigantes puede sumar semanas al proceso, un factor que muchas veces los laboratorios cerrados resuelven en privado antes de anunciar.
¿Que viene?
La conversacion tambien toco la ola de anuncios de proveedores chinos (Qwen, DeepSeek, MiniMax), el estado del ecosistema abierto en Estados Unidos, el debate sobre la destilacion de modelos y el argumento de ciberseguridad en contra de prohibir los pesos abiertos. El mensaje de fondo es que la brecha entre lo abierto y lo cerrado dejo de medirse solo en capacidad: hoy tambien se mide en infraestructura, velocidad de despliegue y geopolitica.
