Guía de LLM de código abierto en agosto de 2026: modelos recientes, acceso API y agentes de codificación

El mejor LLM de código abierto para tu proyecto en agosto de 2026 depende de la tarea, no del titular del ranking. Las opciones actuales incluyen DeepSeek V4 Pro, Qwen3.6, Kimi K2.6 y GLM-5.1, cada una con fortalezas distintas en razonamiento, codificación, trabajo de contexto largo y licencias. La pregunta práctica es si necesitas pesos descargables o una API alojada que funcione sin un equipo de operaciones de GPU. Esta guía compara el panorama actual, explica la diferencia entre autoalojamiento y acceso API, y muestra cómo usar modelos de pesos abiertos en un agente de codificación con Novita AI.

¿Qué cuenta como un LLM de código abierto?

“Open source” abarca un amplio espectro en la práctica. La distinción que más importa operativamente es si puedes ejecutar los pesos del modelo tú mismo, no si el código de entrenamiento es público. Los casos comunes son:

• Pesos completamente abiertos con licencia permisiva (Apache 2.0, MIT): Puedes usar, modificar y servir el modelo con fines comerciales, sujeto a los términos de la licencia. Ejemplos: Qwen3.6 (Apache 2.0), DeepSeek R1 (MIT) y GLM-5.1 (MIT).
• Pesos abiertos con licencia personalizada: Los pesos se pueden descargar, pero el uso comercial, la redistribución o el ajuste fino pueden tener restricciones. Llama 4 de Meta utiliza una licencia personalizada con umbrales de recuento de usuarios superiores a 700 millones de usuarios mensuales.
• Pesos solo para investigación o con restricciones: Los pesos están disponibles pero limitados a uso no comercial o requieren aprobación. Menos relevante para equipos de producción.

Para la mayoría de las decisiones de producción, el filtro práctico es: ¿puedes servir legalmente este modelo a tus usuarios y la licencia permite el caso de uso comercial que necesitas?

Mejores LLM de código abierto en 2026

El nivel de pesos abiertos se ha comprimido significativamente. Esta lista se actualizó el 24 de agosto de 2026 para incluir las versiones más recientes de Qwen, Kimi y GLM. Kimi K2.6 sigue siendo el modelo Kimi descargable cubierto aquí.

Uso general y razonamiento

DeepSeek V4 Pro (685B, tipo MIT) es el líder actual en benchmarks para codificación agente. Iguala o supera a los modelos frontera cerrados en SWE-Bench y benchmarks de llamadas a funciones, lo que lo convierte en una opción práctica para agentes de codificación que necesitan leer bases de código grandes y ejecutar llamadas a herramientas de múltiples pasos. Está disponible como API alojada si no tienes la infraestructura para ejecutar un modelo de 685B tú mismo.

Qwen3.6 amplía la familia Qwen de pesos abiertos con variantes densas y MoE dispersas, entrada multimodal y una ventana de contexto nativa de 262K. La licencia Apache 2.0 lo mantiene práctico para implementación comercial, mientras que la gama de tamaños de modelo ofrece a los equipos más margen para equilibrar calidad y costo de servicio.

Kimi K2.6 es el modelo MoE de 1 billón de parámetros con pesos abiertos de Moonshot AI, que tiene 32B parámetros activos y una ventana de contexto de 256K. Está diseñado para codificación agente de largo plazo, uso de herramientas y coordinación multiagente, y está disponible mediante acceso API alojado si no deseas operar el modelo completo tú mismo.

DeepSeek R1 (685B, MIT) sigue siendo la opción más sólida para matemáticas y razonamiento formal: 79.8% en AIME. Si tu aplicación implica verificación de código, demostraciones formales o cadenas de razonamiento estructurado, R1 es el punto de referencia.

GLM-5.1 es la actualización con licencia MIT de Z.ai a GLM-5, con 40B parámetros activos y una ventana de contexto de 204.8K. Su principal encaje es el trabajo agente de largo plazo donde un modelo debe seguir iterando, inspeccionar resultados y cambiar de estrategia en lugar de detenerse después de un breve paso de codificación.

Específicos para codificación

Qwen 2.5 Coder 32B (Apache 2.0) alcanza un 92% en HumanEval y se ejecuta en una sola RTX 4090. Si necesitas un modelo de codificación que puedas autoalojar en hardware de consumo, esta es la opción práctica.

Kimi K2.6 es también la opción actual de Kimi centrada en codificación. Su diseño de contexto largo y horizonte amplio lo hace más relevante que la variante anterior Kimi K2 Code para trabajo sostenido en repositorios, flujos de trabajo intensivos en herramientas y depuración autónoma.

Si estás eligiendo el runtime del agente en torno a estos modelos, compara Agentes de Codificación de Código Abierto: Mejores Herramientas y Cómo Construir Uno con ¿Qué Son los Agentes de Codificación?.

Pequeños y eficientes

Phi-4 14B de Microsoft se ejecuta en 8 GB de VRAM y maneja bien el seguimiento de instrucciones, código y razonamiento ligero. Úsalo cuando la latencia y las limitaciones de hardware sean más importantes que la calidad máxima.

Llama 4 Scout de Meta admite hasta 10 millones de tokens de contexto y cabe en 16 GB de VRAM. Es la opción adecuada cuando tu carga de trabajo implica procesamiento de documentos largos.

Comparación de modelos de un vistazo

Modelo	Tamaño	Licencia	Mejor para	Contexto
DeepSeek V4 Pro	685B	Tipo MIT	Codificación agente, SWE-Bench	1M
Qwen3.6	Variantes densas y MoE	Apache 2.0	Razonamiento multimodal, uso comercial	262K
Kimi K2.6	1T MoE, 32B activos	MIT modificada	Codificación agente, uso de herramientas	256K
DeepSeek R1	685B	MIT	Matemáticas, razonamiento formal	163K
GLM-5.1	MoE, 40B activos	MIT	Trabajo agente de largo plazo	204.8K
Qwen 2.5 Coder 32B	32B	Apache 2.0	Código, autoalojado	128K
Phi-4 14B	14B	MIT	VRAM baja, uso en desarrollo	128K
Llama 4 Scout	~109B	Personalizada	Documentos de contexto largo	10M

Autoalojamiento vs. inferencia API alojada

Esta es la decisión operativa que determina tu costo real y la inversión de tiempo. La versión corta: la inferencia API alojada es más barata y rápida de operar a menos que superes aproximadamente 2 a 5 millones de tokens por día con tráfico sostenido durante un período de 12 meses.

Cuándo gana la inferencia API alojada

• Tu equipo no tiene experiencia en operaciones con GPU
• Aún estás en fase de prototipado o iterando en la selección del modelo
• Tu volumen de tokens está por debajo del punto de equilibrio del autoalojamiento
• Necesitas cambiar de modelo rápidamente a medida que aparecen nuevos lanzamientos
• La fiabilidad y el escalado automático son más importantes que la optimización de costos

Una API LLM alojada, especialmente una compatible con OpenAI, te permite agregar un nuevo modelo con un cambio de una línea en tu URL base e ID del modelo. Evitas la gestión de inicio en frío, las compensaciones de cuantización, la configuración de lotes y las actualizaciones del framework de servicio.

Cuándo gana el autoalojamiento

• Tus datos no pueden salir de tu infraestructura (salud, finanzas, legal, industrias reguladas)
• Procesas más de 5 millones de tokens por día con tráfico predecible
• Necesitas servir un punto de control ajustado o adaptado que ningún proveedor alojado ofrece
• Tienes un clúster de GPU existente con capacidad disponible

El autoalojamiento en H100 con SGLang o vLLM es genuinamente rentable a escala. Benchmarks recientes sitúan a SGLang con un 29% más de rendimiento que vLLM en cargas de trabajo estándar, y hasta 6 veces más rápido en pipelines RAG intensivos en prefijos gracias a RadixAttention. Pero esas ganancias solo importan si tienes la capacidad operativa para mantener la pila de servicio a través de actualizaciones del modelo, fallos de hardware y picos de tráfico.

El camino híbrido

La mayoría de los equipos terminan en un híbrido: API alojada para prototipado y acceso flexible al modelo, instancias de GPU para cargas de trabajo que justifican capacidad dedicada. La ventaja práctica de permanecer en una sola plataforma de nube de IA es que no necesitas reconstruir los pipelines de autenticación, facturación, observabilidad e implementación cuando pasas de API serverless a endpoint dedicado a instancia de GPU personalizada.

Cómo acceder a LLM de código abierto mediante API

Novita AI proporciona acceso API compatible con OpenAI a un catálogo de modelos de código abierto que incluye DeepSeek V4 Pro, DeepSeek V4 Flash, Kimi K2.6, Qwen3.6, GLM-5.1, MiniMax M3 y otros. La estructura del endpoint es la misma que la de OpenAI, por lo que el código existente que usa el SDK openai puede conectarse a los modelos de Novita con cambios mínimos.

Llamada API básica

from openai import OpenAI

client = OpenAI(
    base_url="https://api.novita.ai/v3/openai",
    api_key="TU_CLAVE_API_DE_NOVITA",
)

response = client.chat.completions.create(
    model="deepseek/deepseek-v4-pro",
    messages=[
        {"role": "system", "content": "Eres un asistente útil."},
        {"role": "user", "content": "Explica la diferencia entre DeepSeek R1 y V4 Pro."},
    ],
)

print(response.choices[0].message.content)

Para cambiar de modelo, cambia el parámetro model. No se necesitan otros cambios. Una lista completa de IDs de modelo compatibles está disponible en novita.ai/docs/model-api/reference/llm/models.html.

TypeScript

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: "https://api.novita.ai/v3/openai",
  apiKey: process.env.NOVITA_API_KEY,
});

const response = await client.chat.completions.create({
  model: "qwen/qwen3.5-397b-a17b",
  messages: [{ role: "user", content: "Escribe una función en Python para analizar JSON." }],
});

console.log(response.choices[0].message.content);

Referencia de precios

Los precios varían según el modelo y se cobran por millón de tokens. DeepSeek V4 Flash a $0.14/Mt de entrada y $0.28/Mt de salida es la opción de uso general más rentable. DeepSeek V4 Pro a $1.60/Mt de entrada y $3.20/Mt de salida es la opción premium para flujos de trabajo de codificación y agentes donde la calidad del modelo afecta directamente la tasa de finalización de tareas. Consulta novita.ai/models/llm para conocer los precios actuales, ya que cambian con la incorporación de nuevos modelos.

LLM de código abierto para agentes de codificación

Las configuraciones de agentes de codificación más efectivas en 2026 combinan un LLM de código abierto para razonamiento y generación de código con un entorno de ejecución aislado (sandbox) para ejecutar el código. Esta es una arquitectura diferente a una simple llamada API: el agente necesita leer archivos, escribir código, ejecutar comandos, inspeccionar la salida e iterar.

Los dos modos de fallo que debes evitar son:

1. Ejecutar código generado por el agente en tu máquina de desarrollo o servidor de producción: un error si el modelo genera algo destructivo o inesperado
2. Configurar una máquina virtual completa por sesión de agente tú mismo: rápido de superar, lento de escalar

Novita Agent Sandbox

El Agent Sandbox de Novita proporciona entornos Linux aislados que se inician en menos de 200 ms. Cada sandbox tiene un sistema de archivos que el agente puede leer y escribir, un shell en el que el agente puede ejecutar comandos y aislamiento para que lo que genere el modelo no pueda afectar a otros sandboxes ni a tu infraestructura. Las sesiones persisten entre solicitudes, por lo que el agente puede mantener el estado a lo largo de una tarea de múltiples pasos.

El SDK de Python es sencillo:

from novita_sandbox.code_interpreter import Sandbox

sandbox = Sandbox.create()

# El agente escribe un archivo
sandbox.files.write("/workspace/app.py", code_content)

# El agente lo ejecuta
result = sandbox.commands.run("python /workspace/app.py")
print(result.stdout)

# Limpiar
sandbox.kill()

Combina esto con cualquier modelo compatible con OpenAI en la API LLM de Novita, y tendrás un agente de codificación que puede generar, ejecutar, inspeccionar y revisar código sin ninguna infraestructura más allá de tu clave API.

Frameworks de agentes de código abierto

Varios agentes de codificación de código abierto están disponibles como runtimes listos para usar en Novita Agent Sandbox:

• OpenClaw en Novita — implementa un agente OpenClaw persistente a través del sandbox de Novita sin límite de sesión. Se conecta automáticamente a la API LLM y al sandbox de Novita, lo que lo hace práctico para tareas de automatización de larga duración.
• Hermes Agent — un agente autónomo de Nous Research con memoria persistente. Se ejecuta como un proceso de larga duración en lugar de una sesión única.
• Goose — un agente de codificación de código abierto (más de 45,000 estrellas en GitHub) con Novita como proveedor nativo, lo que le da acceso a más de 200 modelos con una sola credencial.

Para equipos que construyen agentes de codificación personalizados en lugar de implementar un framework existente, Novita Agent Runtime ofrece una capa de andamiaje ligera que maneja el ciclo de vida del sandbox, el enrutamiento de llamadas a herramientas y la persistencia de la sesión.

¿Qué LLM de código abierto deberías usar?

El árbol de decisión es corto:

Para tareas de codificación y agentes: Comienza con DeepSeek V4 Pro mediante API. Es el líder actual en rendimiento para SWE-Bench y uso de herramientas en múltiples pasos. Si el costo es una limitación, DeepSeek V4 Flash maneja tareas de código más simples a una fracción del precio.

Para razonamiento y matemáticas: DeepSeek R1 sigue siendo la referencia para AIME y razonamiento formal. Úsalo cuando la tarea implique resolución de problemas estructurada en lugar de ejecución de código.

Para uso comercial con licencia abierta: Qwen3.6 bajo Apache 2.0 es un punto de partida práctico cuando tu equipo legal necesita una licencia permisiva familiar. Elige entre las variantes densas y MoE según tu presupuesto de servicio y pruebas de calidad de la tarea.

Para codificación autoalojada en GPU de consumo: Qwen 2.5 Coder 32B se ejecuta en una sola RTX 4090 y obtiene un 92% en HumanEval. Si necesitas autoalojar un modelo de codificación sin infraestructura de GPU de gama alta, esta es la opción práctica.

Para documentos largos: Llama 4 Scout, con su ventana de contexto de 10 millones de tokens, maneja cargas de trabajo que requerirían fragmentación en cualquier otro modelo.

Para entornos pequeños: Phi-4 14B cabe en 8 GB de VRAM y maneja bien el seguimiento de instrucciones, la generación de código y el razonamiento ligero.

El patrón en todas estas opciones: el acceso API alojado elimina la sobrecarga operativa y te permite cambiar de modelo a medida que el panorama evoluciona. El autoalojamiento tiene sentido cuando la soberanía de los datos o la economía de tokens a escala justifican la inversión en operaciones de GPU. La mayoría de los equipos de producción terminan haciendo ambas cosas.

Conclusión

El panorama de los LLM de código abierto en 2026 es fundamentalmente diferente al de hace dos años. Modelos como DeepSeek V4 Pro, Qwen3.6, Kimi K2.6 y GLM-5.1 son candidatos de primera elección para cargas de trabajo específicas como codificación agente, razonamiento formal, análisis multimodal y procesamiento de contexto largo.

La decisión práctica no es qué modelo es el mejor en un ranking. Es qué modelo se ajusta a tu modelo operativo: una API alojada si necesitas moverte rápido y evitar operaciones de GPU, autoalojamiento si tus datos no pueden salir de tu infraestructura o tu economía de tokens justifica la inversión, y una capa de ejecución en sandbox si tu modelo necesita actuar sobre el código en lugar de solo generarlo.

La API LLM de Novita AI cubre los principales modelos de código abierto detrás de un endpoint compatible con OpenAI, por lo que puedes ejecutar el mismo código de integración contra DeepSeek, Qwen, Kimi o GLM sin tener que reconstruir tu pila para cada lanzamiento de modelo. Combínalo con Agent Sandbox cuando la tarea requiera ejecución de código, y tendrás el núcleo de un agente de codificación listo para producción sin gestionar la infraestructura subyacente tú mismo.

Preguntas frecuentes

¿Cuál es el mejor LLM de código abierto en 2026?

DeepSeek V4 Pro es un candidato sólido para codificación agente, Kimi K2.6 está orientado al uso de herramientas de largo plazo, Qwen3.6 ofrece opciones con Apache 2.0 en varios tamaños, y GLM-5.1 se centra en la ejecución agente sostenida. La respuesta correcta depende de tu tarea, requisitos de licencia, hardware y si deseas autoalojar.

¿Cuáles son los mejores LLM de código abierto para uso local?

Qwen 2.5 Coder 32B (una RTX 4090), Phi-4 14B (8 GB de VRAM) y Llama 4 Scout (16 GB de VRAM, 10M de contexto) son las opciones prácticas para inferencia local. Los modelos por encima de 70B generalmente requieren configuraciones de múltiples GPU.

¿Son los modelos de lenguaje grandes de código abierto tan buenos como los modelos cerrados?

Para tareas específicas, sí. DeepSeek V4 Pro iguala o supera a GPT-4.1 en SWE-Bench y benchmarks de codificación. Para tareas abiertas generales, los mejores modelos cerrados aún tienen ventaja. La brecha depende en gran medida de la tarea y el benchmark específicos.

¿Cuáles son las noticias de LLM de código abierto hoy?

Al 24 de agosto de 2026, los lanzamientos recientes de pesos abiertos incluyen Qwen3.6, Kimi K2.6, GLM-5.1 y DeepSeek V4 Pro.

¿Cómo accedo a modelos LLM de código abierto sin autoalojamiento?

Usa una API de inferencia alojada. Novita AI proporciona acceso compatible con OpenAI a DeepSeek, Qwen, Kimi, GLM, MiniMax y otros modelos de código abierto. Cambia tu URL base a https://api.novita.ai/v3/openai y el ID del modelo al que desees; no se necesitan otros cambios en tu código existente.

¿Cuál es la diferencia entre LLM de código abierto y modelos de lenguaje de código abierto?

Los términos se usan indistintamente en la mayoría de los contextos. Técnicamente, “large language model” se refiere específicamente a modelos de lenguaje basados en transformadores entrenados a escala. “Open source language model” también puede referirse a modelos más pequeños o modelos fuera de la arquitectura de transformadores, pero en el uso actual ambos términos describen la misma categoría de modelos.

Artículos recomendados

• IA de Código Abierto: Mejores Modelos, Herramientas de Codificación y Estrategia de Runtime en 2026
• Agentes de Codificación de Código Abierto: Mejores Herramientas y Cómo Construir Uno
• Qwen3.6 27B vs 35B-A3B en Novita AI: ¿Qué Modelo Deberías Usar?
• Mejores Plataformas de IA Full-Stack para Implementación de Modelos de Código Abierto
• Kimi K2.6 en Novita AI: Guía de API de Codificación Agente