State of Open Models: Summer 2026 Observations
Hugging Face acaba de publicar su análisis semestral del estado de los modelos open source de IA, revelando un ecosistema que crece exponencialmente mientras se reconfiguran las dinámicas de poder globales. Entre enero y agosto de 2026, los repositorios públicos de modelos aumentaron 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 detrás de estas cifras macro hay una distribución extrema: el 85,6% de los modelos tiene menos de 200 descargas en toda su vida, mientras que el 1,5% de los repositorios concentra el 99,2% de todas las descargas.
Para founders tech, este reporte no es solo una radiografía del mercado: es un mapa de navegación para entender dónde está el valor real en IA open source, quién está ganando terreno y cómo construir sobre las tendencias que están redefiniendo la industria.
La frontera se mueve rápido: China lidera con modelos masivos
El patrón tradicional donde los laboratorios empezaban con modelos pequeños y gradualmente escalaban hacia el extremo superior ha sido completamente saltado en 2026. Según el análisis de Hugging Face, en casi todos los meses de 2026, el modelo open más grande y performante de un laboratorio chino fue más grande que cualquier cosa que un laboratorio estadounidense lanzó por su cuenta.
🤖 La IA no es solo para leer sobre ella
En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.
👥 Aplicarla en la comunidadEl techo mensual chino osciló entre 754B y 2,78 billones de parámetros, mientras que el techo estadounidense se mantuvo por debajo de 130B en cinco de siete meses. Las excepciones fueron Nemotron 3 Ultra de NVIDIA con 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, lo que significa que el primer encuentro de un desarrollador con ellos es un modelo demasiado grande para ejecutar en cualquier hardware que posea. Xiaomi y Meituan ambos superaron el billón de parámetros este año, y ninguno era un nombre conocido en pesos open hace doce meses.
Estados Unidos: hardware y optimización, no creación de modelos
Mientras China domina la creación de modelos masivos, Estados Unidos ha reorientado su participación hacia la capa de hardware y optimización. Las dos organizaciones que publican más modelos open nuevos este año son precisamente las empresas que fabrican el hardware: AMD y NVIDIA, cada una con más de 200 nuevos repositorios de modelos, muy por delante del resto del campo.
Los fabricantes de hardware han entendido que los modelos open son una forma de vender chips: un modelo optimizado para tu hardware y disponible libremente es la prueba más clara de que el hardware funciona. En la escala frontera, la mayoría de los lanzamientos estadounidenses por encima de 100B parámetros no son modelos nuevos, sino construidos sobre modelos chinos.
Esta es una capa de distribución y optimización más que de creación de modelos, donde AMD contribuye con muchas conversiones pero ningún modelo original a esta escala, permitiendo que modelos chinos de billones de parámetros se ejecuten eficientemente en hardware estadounidense.
Atención ≠ Adopción: lo que realmente usa la comunidad
Uno de los hallazgos más contraintuitivos del reporte es que exactamente un repositorio aparece tanto en el top 25 por descargas acumuladas este año como en el top 25 por likes. Los likes van a modelos frontera en las semanas posteriores a su lanzamiento, mientras que las descargas se acumulan en modelos pequeños y estables durante años.
all-MiniLM-L6-v2 fue descargado 1,55 mil millones de veces en siete meses contra solo 5.156 likes, mientras que Kimi-K3 fue descargado aproximadamente 60 veces por cada like que recibió. Esta brecha revela que la comunidad se emociona con lo nuevo, pero depende de lo estable.
En descargas totales, el portafolio frontera-only de Moonshot registró 37M descargas durante el año, mientras que la estrategia más amplia de Qwen a través de diferentes tamaños de modelos alcanzó 2.045M (alrededor de 55 veces más).
Qwen se convierte en el modelo base de la comunidad
Qwen de Alibaba ha emergido como una de las bases más grandes en el ecosistema open, con 151.448 derivados en el Hub, 2,6× la huella total de Meta y 4,7× los repositorios de Llama específicamente. Los derivados de Qwen han aumentado a un ritmo de 180-210 nuevos repositorios por día durante los primeros siete meses de 2026.
Esta posición fue construida principalmente por la comunidad: los 151.448 derivados representan trabajo downstream creado por otros desarrolladores, no lanzamientos producidos por Qwen mismo. Incluso entre las 28.531 conversiones GGUF de modelos Qwen en el Hub, Qwen publicó solo 54.
Los factores que contribuyen a esta posición son: consistencia (cadencia regular de lanzamientos), cobertura (modelos en un amplio rango de tamaños) y apertura (licencias Apache 2.0 que reducen la fricción).
Los modelos pequeños siguen siendo la capa práctica
Entre los modelos que declaran un conteo de parámetros, aquellos por debajo de 1B toman el 83% de todas las descargas y todo lo por encima de 100B toma solo el 1%. Restringiendo a descargas acumuladas en 2026 no cambia nada: 3% del volumen va a modelos por encima de 70B.
¿Cómo llega un modelo de billones de parámetros a cualquiera? A través de llama.cpp. El proyecto ggml se unió a Hugging Face en febrero, y ahora el techo se movió con llama.cpp: el snapshot de julio lleva builds GGUF de DeepSeek-V4-Flash con aproximadamente 284B parámetros y Kimi-K3 con aproximadamente 2,8 billones.
Y esa ruta corre sobre Qwen: 39,6 millones de descargas GGUF por mes, casi el doble que los 20,8 millones de Gemma y más de cinco veces los 7,5 millones de Llama.
Los agentes son el nuevo usuario
Por primera vez, Hugging Face puede medir el tráfico de agentes en el Hub a través del dataset agent-usage publicado en julio. Claude Code lideró julio con 44,4%, pero un solo mes oculta el hallazgo real: mantuvo 67,8% en abril y 6,4% en mayo, mientras que Codex subió constantemente de 10,4% a 20,8%.
Casi un cuarto del tráfico etiquetado como agente en julio vino de harnesses aún no nombrados en el dataset, y en mayo esa cifra fue 59,8%. Entre abril y julio aparecieron más de una docena de nuevos identificadores de clientes.
¿Qué significa esto para tu startup?
1. Evalúa tu estrategia de modelos según tu hardware real
Si estás construyendo una startup que depende de IA, el reporte muestra claramente que los modelos pequeños (<1B parámetros) siguen dominando el uso real. Mientras los titulares hablan de modelos de billones de parámetros, el 83% de las descargas van a modelos que pueden ejecutarse en hardware accesible. Antes de enamorarte del último modelo frontera, pregunta: ¿puedes ejecutarlo en tu infraestructura actual? ¿O necesitarás rediseñar todo tu pipeline?
2. Construye sobre ecosistemas establecidos, no sobre novedades
La brecha entre atención y adopción es enorme. Qwen ha demostrado que construir un ecosistema completo (modelos de todos los tamaños, licencias permisivas, cadencia regular) crea una base más sólida que lanzar solo modelos frontera. Para tu startup, esto significa:
- Prioriza modelos con comunidad activa: 151.448 derivados de Qwen no son casualidad
- Busca licencias Apache 2.0/MIT: el 59% de los lanzamientos chinos >20B son Apache 2.0
- Considera la cadena de herramientas: ¿tiene conversiones GGUF? ¿hay fine-tuning guides?
3. Prepara tu infraestructura para agentes autónomos
Los agentes ya son el usuario número 1 en Hugging Face, y su participación crece exponencialmente. Si tu startup ofrece APIs o herramientas de desarrollo, necesitas:
- Documentación machine-readable: Papers con Markdown legible por máquinas
- APIs claras para agentes: Endpoints específicos para llamadas automatizadas
- Sandboxes seguras: Entornos de ejecución aislados
4. Entiende la geopolítica de la IA
China está liderando la creación de modelos masivos, mientras que Estados Unidos se especializa en hardware y optimización. Para founders hispanohablantes, esto significa:
- Acceso a tecnología de punta sin restricciones: Los modelos chinos vienen con licencias permisivas
- Oportunidades de optimización: Hay espacio para startups que optimicen modelos masivos para hardware específico
- Diversificación de proveedores: No dependas de un solo ecosistema
Fuentes
🤖 La IA no es solo para leer sobre ella
En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.
👥 Aplicarla en la comunidad
