Los Open-weight Models son modelos de inteligencia artificial (particularmente Large Language Models o LLMs) cuyos parámetros internos (los 'pesos' o 'weights') son liberados al público. A diferencia de los modelos 'open-source' tradicionales donde el código fuente está disponible, en los modelos de IA, la clave es la disponibilidad de los pesos entrenados, que son el resultado del costoso y computacionalmente intensivo proceso de entrenamiento. Esto permite que la comunidad los descargue, ejecute, ajuste (fine-tune), y despliegue en sus propias infraestructuras, fomentando la innovación, la transparencia y la reproducibilidad.
En el mundo real, ejemplos prominentes de Open-weight Models incluyen la serie Llama de Meta (Llama 2, Llama 3), Mistral AI con modelos como Mistral 7B y Mixtral 8x7B, y Falcon de Technology Innovation Institute. Estos modelos son ampliamente utilizados en plataformas como Hugging Face, donde desarrolladores y empresas pueden acceder a ellos para construir aplicaciones personalizadas, desde chatbots y asistentes virtuales hasta sistemas de generación de código y análisis de texto. Su implementación se ve en soluciones de IA on-premise, edge computing, y en la creación de modelos especializados para dominios específicos mediante fine-tuning.
Para un Arquitecto de Sistemas, los Open-weight Models son cruciales por varias razones estratégicas. Ofrecen una alternativa a los modelos propietarios (Closed-source Models) al reducir la dependencia de un único proveedor y mitigar riesgos de vendor lock-in. Permiten un mayor control sobre la privacidad y seguridad de los datos, ya que los modelos pueden ejecutarse en infraestructuras privadas sin enviar datos a terceros. Sin embargo, implican trade-offs: el arquitecto debe considerar la infraestructura necesaria para su despliegue y operación (GPU, memoria, etc.), la complejidad de su fine-tuning y mantenimiento, y la gestión de licencias (que, aunque permisivas, pueden tener restricciones). La elección entre un modelo open-weight y uno propietario impacta directamente en el TCO, la flexibilidad, la soberanía de datos y la capacidad de personalización de la solución de IA.