Nathan Lambert publica la lista definitiva sobre IA open-source

Por qué esta lista de lectura sobre IA open-source importa a founders y operadores

Nathan Lambert, investigador y autor del newsletter Interconnects, actualizó el 13 de septiembre de 2026 su ya clásica Open-Source AI and Open Models Reading List: una bibliografía curada para entender el estado del ecosistema de modelos abiertos, escrita mientras prepara artículos de cara a policymakers y al público general. La selección es la mejor foto disponible de qué se ha escrito sobre el tema en los últimos años — desde estrategia empresarial hasta la disputa entre EE. UU. y China, pasando por la mecánica de la destilación y los riesgos de ciberseguridad. Para un founder que evalúa qué modelo desplegar en su producto o que piensa construir sobre pesos abiertos, recorrer esta lista es la forma más rápida de ponerse al día.

Qué cubre la lectura y por qué conviene leerla en orden

La lista está organizada en cuatro bloques que siguen una lógica de «de la teoría al mercado»: Foundation (qué son los modelos abiertos, por qué se liberan y dónde está el valor), US-China Competition (quién lidera, cómo y por qué), Technical Details (cómo funciona la destilación y dónde está el hueco técnico) y, en el centro del debate, el papel de los modelos chinos. Cada bloque enlaza desde artículos de Lambert hasta papers revisados, pasando por piezas de Mark Zuckerberg y de Irene Solaiman, quienes formalizaron la idea de un gradiente de apertura (licencias, coste de inferencia, acceso a datos) en lugar de una división binaria abierto/cerrado.

El propio Lambert plantea la tesis que recorre toda la lista: los modelos abiertos son un complemento, no un sustituto, de los modelos cerrados de frontera. Habrá adopción masiva en flujos agénticos empresariales y en mercados sensibles al coste; pero, por rendimiento bruto, los abiertos irán siempre por detrás de un frontier cerrado que se mueve más rápido. Lo interesante es que, en 2026, esa «persecución perpetua» se mide en 4 a 8 meses, no en años (varios evaluadores independientes citados en la lista, entre ellos SemiAnalysis y Artificial Analysis, coinciden en esa cifra).

🤖 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

La guerra abierta entre modelos chinos y estadounidenses

El bloque más comentado de la lista es el de la competencia entre EE. UU. y China, y con razón: según el reporte que Hugging Face publicó en agosto y recogió Global Times, el modelo Qwen de Alibaba superó los 3.000 millones de descargas en seis meses, dejando atrás a Meta (227 millones) y Google (418 millones) en la misma plataforma. En casi todos los meses de 2026, el modelo abierto más grande publicado por un laboratorio chino fue mayor que cualquier cosa lanzada por un laboratorio estadounidense; el techo chino llegó a 2,78 billones de parámetros en algún mes, mientras que el estadounidense se quedó por debajo de 130.000 millones en cinco de los siete meses analizados. Moonshot AI liberó Kimi K3 con 2,8 billones de parámetros, actualmente el modelo abierto más grande del mundo.

El coste explica gran parte de la adopción empresarial. Según datos de precios recogidos por Bank Info Security, Kimi K3 cuesta entre US$0,30 y US$3 por millón de tokens de entrada y US$15 por millón de salida; Qwen 3.8 Max llega a US$2 de entrada y US$6 de salida vía OpenRouter. Para comparar: Claude Fable 5 y Mythos 5 de Anthropic se listan a US$10 el millón de tokens de entrada y US$50 el de salida, y GPT-5.6 Sol de OpenAI parte de US$5 por millón de entrada. La conclusión que repiten los analistas es incómoda para los proveedores cerrados: el factor de adopción ya no es la capacidad, es el precio. Cuando los tokens chinos ya representan, según OpenRouter citado por Global Times, 34,25 billones de tokens semanales (más que los modelos estadounidenses durante 15 semanas seguidas), el mercado está dando una señal clara.

Destilación: el debate técnico del año

La pieza más caliente de la lista es el fenómeno de la destilación, que Lambert llama «the single most eventful debate around open models in 2026». Resumido sin tecnicismos: cuando un laboratorio entrena su modelo con las salidas de otro modelo (normalmente usando la API pública), aprende a imitar su razonamiento, su estilo y, cada vez más, sus trazas de razonamiento extendido — el famoso chain-of-thought que hace funcionar a los modelos agénticos. Anthropic sostiene en un informe de amenaza publicado en septiembre de 2026 que Alibaba, Moonshot AI, DeepSeek, Xiaomi y Zhipu habrían ejecutado campañas industriales de destilación no autorizada contra Claude. La operación atribuida a Alibaba habría movido más de 151 millones de intercambios con Claude entre mayo y julio, usando 3.500 cuentas fraudulentas; Moonshot habría redirigido enrutado a cerca de 300.000 solicitudes de clientes en un periodo de 10 días sin avisarles; DeepSeek habría encadenado más de 12 millones de intercambios en dos semanas de julio. La NSA, el FBI y CISA firmaron una alerta conjunta describiendo estas campañas como «el núcleo crítico» de los programas de desarrollo de estos laboratorios.

Lambert ha intentado matizar el pánico con dosideas fuerza que aparecen en la lista: primero, que la destilación no resta mérito a la innovación china — el cierre de la brecha se sostiene incluso descontando el atajo; segundo, que la evidencia de destilación real como origen único del rendimiento chino es débil, y atribuir todo el progreso a una sospecha de extracción es una lectura política, no técnica. Lo que sí admite es que los nuevos papers sobre extracción de trazas de razonamiento desde APIs propietarias (publicados por Panfilov, Schmotz, Shumailov y otros en 2026, con confirmación de Anthropic de que la técnica fue usada por laboratorios chinos) hacen que la «distilación vía trazas» sea un vector real, no una hipótesis.

Riesgos de ciberseguridad: lo que no se puede borrar bajando el switch

El cuarto bloque de la lista reúne argumentos para responder a una de las preguntas más difíciles de la política de IA: ¿se puede controlar quién accede a un modelo de pesos abiertos? La respuesta de los autores citados (Joshua Saxe, Helen Toner, Thinking Machines Lab) es bastante directa: no. Saxe, citado por la propia lista, sostiene que los atacantes siempre tendrán acceso a capacidades ofensivas vía open weights; el prohibición (prohibición) no funciona, y la política debe enfocarse en observar, orientar, decidir y actuar sobre las amenazas que ya están aquí, no en vetar modelos basándose en evaluaciones internas. Un informe de SaferAI recogido por TechCrunch documenta que GLM-5.2, modelo de Z.ai, rechazó cero tareas ofensivas de ciber y biología en sus pruebas, frente a un Claude Opus 4.7 que se negó tan sistemáticamente que SaferAI no pudo completar el benchmark CyberGym sobre él. La brecha no es solo de capacidad: es de salvaguarda, y las guardrails de los modelos cerrados se saltan con jailbreaks universales; las del modelo abierto, directamente no existen una vez bajados los pesos. Hugging Face, ironía de la historia, usó GLM-5.2 para defenderse del ataque atribuido a GPT-5.6 de OpenAI en la brecha de julio de 2026.

¿Qué significa esto para tu startup?

Más que un compendio de lecturas, la lista es un mapa de dónde están las palancas que un founder puede tocar en los próximos doce meses. Si estás eligiendo un modelo base para un producto B2B, la regla operativa que sale de estos textos es: evalúa por tarea, no por benchmark global. Cuesta poco enrutar la misma consulta a Kimi K3, Qwen 3.8 Max y Claude Opus y comparar calidad-per-dólar en tu caso real — y la diferencia puede ser de 5x a 10x. Si tu producto maneja datos sensibles o requiere comportamiento consistente con marcos regulatorios, el hecho de que un modelo sea open-weight no es un riesgo en sí mismo mientras lo ejecutes en infraestructura propia con logging y evaluación continua; pero si lo consumes por API de un proveedor que no auditas, la pregunta de «cuál es el pasaporte del modelo» deja de ser la relevante y empieza a serlo «qué hace este proveedor con mis prompts». Y si estás construyendo agentes, lee con cuidado la sección de destilación: ahí están descritas las técnicas (extracción de trazas, jailbreaks sistemáticos, routing silencioso) que un competidor o un atacante podrían usar contra tu propio sistema cuando expongas una API. La lectura técnica de Interconnects sobre qué uplift da hoy la destilación a los modelos abiertos es probablemente el paper más accionable para defenderte.

Acciones concretas esta semana

Monta un router multi-modelo en tu stack. Hoy es trivial enrutar entre Claude, Kimi K3 y Qwen 3.8 Max según el tipo de tarea; el coste por millón de tokens cae entre 5x y 10x sin perder calidad en muchas tareas de texto. Herramientas tipo OpenRouter, LiteLLM o un wrapper propio en Python lo permiten en una tarde.
Corre tu propia evaluación de seguridad y comportamiento antes de elegir modelo abierto en producción. No confíes en benchmarks externos para datos sensibles: vale más una suite de 200 pruebas con tus prompts reales, ejecutada por tu equipo, que cualquier ranking público.
Audita el routing de tu propio producto. Si tienes una API pública o integras un modelo de terceros, revisa si tu proveedor está redirigiendo consultas sin decirlo; la lectura sobre el caso Moonshot-Claude de la lista describe exactamente el patrón a evitar.