El empuje open-weight de mediados de 2026: Kimi K3, GLM-5.2 y por qué los modelos abiertos siguen mejorando

Los modelos open-weight tuvieron un sólido ecuador de 2026: varios laboratorios anunciaron sistemas que sitúan frente a los mejores modelos cerrados. Moonshot AI anunció Kimi K3 el 16 de julio de 2026; GLM-5.2, de Z.ai, ya se puede descargar. Su disponibilidad y licencias son distintas, así que la opción práctica depende de lo que necesites ejecutar ahora.

Image: Carl Lender, Wikimedia Commons, CC BY 2.0.

Elige pesos disponibles, no un titular de clasificación

Kimi K3 es un modelo abierto de mixture-of-experts muy grande, de la clase de los 3 billones de parámetros, reportado con 2,8 billones de parámetros en total. Publicar un modelo de esa escala como modelo abierto, y no como una API cerrada, es lo que hizo notable el anuncio. Moonshot AI lo posicionó como un sistema de nivel frontera, y evaluadores independientes han empezado a confirmar parte de esa afirmación.

En la clasificación Arena Frontend Code, Kimi K3 ocupó el primer puesto con 1.679, por delante de Claude Fable 5. En la evaluación agéntica de largo plazo de Artificial Analysis alcanzó un Elo de 1547, solo por detrás de Fable 5, a unos 0,94 dólares por tarea. Son resultados de terceros; las clasificaciones y el coste por tarea dependen de la configuración de cada evaluador.

Al publicarse este artículo, el 20 de julio de 2026, los pesos de Kimi K3 aún no se podían descargar; Moonshot AI había prometido publicarlos antes del 27 de julio. Se esperaba una licencia Modified-MIT, pero sus condiciones no estaban confirmadas, así que los equipos todavía no podían valorar si podrían crear productos basados en ella. Parte de los benchmarks del lanzamiento eran autoinformados; Arena y Artificial Analysis aportan los resultados de terceros indicados arriba.

GLM-5.2 es el modelo que puedes usar hoy

Si Kimi K3 es el titular, GLM-5.2 de Z.ai es el ancla. Sus pesos están disponibles ahora bajo licencia MIT, y ocupa actualmente el primer lugar del nivel open-weight del Artificial Analysis Intelligence Index v4.1. Esa combinación de licencia permisiva y una posición independiente en lo más alto lo convierte en la opción práctica para equipos que quieren desplegar un modelo abierto en lugar de solo leer sobre él.

Las especificaciones lo respaldan. GLM-5.2 es un modelo mixture-of-experts de 753.000 millones de parámetros, con unos 40.000 millones de parámetros activos por token, y admite una ventana de contexto de un millón de tokens. En pruebas independientes supera a GPT-5.5 en tareas de codificación de largo plazo por alrededor de una sexta parte del coste. Su principal limitación es que es solo de texto, por lo que no maneja entradas de imagen, audio o vídeo como algunos sistemas multimodales. Aun así, para mucho trabajo real, un modelo de texto de primer nivel con un millón de tokens de contexto y licencia MIT es justo lo que los equipos estaban esperando.

El resto del empuje

Kimi K3 y GLM-5.2 son los dos a vigilar, pero no están solos. DeepSeek V4 Flash es el más barato de los modelos abiertos de nivel frontera y se publica bajo MIT, lo que lo hace atractivo para cargas de trabajo de alto volumen donde el coste por token es decisivo. MiniMax M3 es multimodal y lidera actualmente el terreno open-weight en SWE-bench Pro, así que los equipos que necesitan entradas de imagen o documento junto al texto tienen una opción abierta creíble. Si sumamos Nemotron 3 Ultra de NVIDIA, Qwen3.6 de Alibaba y Gemma 4 de Google, el conjunto significa que los pesos abiertos ya no van un paso por detrás de la frontera cerrada, sino unas pocas semanas, y a veces ni eso. La conclusión práctica es que "abierto" ya no implica "segunda mejor opción".

Lo que importa más allá de las tablas

Las clasificaciones de benchmarks son útiles, pero la historia más duradera es estructural. Los modelos abiertos mejoran en el razonamiento de contexto largo, abaratan su coste por tarea y cada vez más se publican bajo licencias que permiten un despliegue real. Estas tres tendencias se refuerzan entre sí. Un equipo que construye sobre pesos abiertos a mediados de 2026 dispone de modelos más capaces, a menor coste y con menos restricciones legales que hace apenas un trimestre.

Esto es directamente relevante para cómo siguen mejorando la transcripción, la traducción y el resumen de reuniones. Telli.sh ya usa un modelo abierto, Qwen3, en su capa de resumen. Cuando el ecosistema abierto gana ventanas de contexto más largas, un razonamiento multilingüe más fuerte y licencias más permisivas, la capa de modelos abiertos bajo productos como el nuestro mejora y se abarata al mismo tiempo. Un contexto de un millón de tokens deja de ser un benchmark abstracto cuando significa que una reunión larga, una entrevista completa o un día entero de grabaciones pueden razonarse en una sola pasada. Un buen reconocimiento de voz, por supuesto, sigue necesitando una capa de producto que convierta la transcripción en notas revisables, decisiones y acciones, pero los modelos que alimentan esa capa mejoran más rápido que hace un año.

GLM-5.2 ya se puede probar; Kimi K3 aún no está disponible

Si quieres desplegar algo ahora, la respuesta es GLM-5.2: disponible, con licencia MIT y clasificado de forma independiente en lo más alto del nivel open-weight. Si quieres saber hacia dónde se dirige la frontera, vigila Kimi K3 y vuelve a comprobar, después del 27 de julio de 2026, si los pesos y la licencia llegan como se prometió. En cualquier caso, la dirección es clara. Los modelos abiertos están cerrando la brecha, y la capa de producto construida sobre ellos es la parte que convierte la capacidad en bruto en algo que un equipo puede usar de verdad.

Iniciar una nota de IA en directo

Fuentes

• Simon Willison on GLM-5.2 (June 17, 2026)
• Simon Willison on Kimi K3 (July 16, 2026)
• OpenRouter, "The Open Weight Models that Matter: June 2026" (June 27, 2026)
• Tom's Hardware on Kimi K3 (July 2026)
• VentureBeat on GLM-5.2 (June 2026)
• Artificial Analysis on GLM-5.2
• Kimi K3 announcement (Moonshot AI)
• Wikimedia Commons image page