Los modelos abiertos van tres meses por detrás de la vanguardia, y Lambert sostiene que la destilación no lo explica

Nathan Lambert ha publicado la grabación de la clase sobre modelos abiertos que impartió el 22 de octubre en el curso de AI Safety de Harvard. Su tesis principal: los modelos abiertos van solo unos meses por detrás de los cerrados, aunque los laboratorios estadounidenses tienen unas diez veces más capacidad de cómputo según las fuentes que cita.

Los modelos abiertos chinos siguen el ritmo con una décima parte del cómputo

Lambert codirigió antes los modelos Olmo en Ai2 y hoy dirige la organización sin ánimo de lucro Trillium Labs. La clase dura 48 minutos y él quiere actualizarla más o menos cada seis meses. Este texto se basa en sus diapositivas públicas, de donde salen las cifras siguientes.

Según el índice de Artificial Analysis, los modelos abiertos van unos tres meses por detrás de la vanguardia, y según el índice de Epoch AI para ingeniería de software, unos cinco. Los modelos abiertos estadounidenses, dice Lambert, pierden otros tres o cuatro meses. Entre los modelos recientes más fuertes cita Xiaomi MiMo-V2.6-Pro, con un billón de parámetros y una puntuación de 46, y DeepSeek V4.1 Flash, con 45.

Al otro lado de la balanza está el cómputo. Según las estimaciones que cita Lambert, los principales laboratorios estadounidenses tienen unas diez veces más capacidad que los chinos. El instituto IFP calcula que la ventaja media de los cinco mayores laboratorios de EE. UU. será de 16 veces a finales de 2026.

Para Lambert, la destilación es una explicación cómoda y no el motor principal

Los laboratorios estadounidenses suelen atribuir el avance chino a la destilación, entendida sobre todo como extraer el reasoning oculto de sus API y entrenar con él. Lambert admite que en China esos equipos son habituales. Pero la investigación pública, sostiene, no demuestra que las trazas de razonamiento ajenas den un salto fácil de rendimiento. El reinforcement learning pesa cada vez más. Radar ya recogió su crítica a cómo usan la palabra destilación las agencias estadounidenses.

Como prueba menciona a Xiaomi, que retransmitió en directo el entrenamiento de MiMo-V2.6 en un panel público. La versión Pro completó 30 pasos de RL en 5 días y 7 horas, procesó 75 000 millones de tokens y costó 2,62 millones de dólares. La versión Flash, más pequeña, se quedó en 854 000 dólares. La conclusión de Lambert: si se prohibiera la destilación, los laboratorios chinos seguirían siendo fuertes competidores, porque seguir de cerca a la vanguardia exige mucho menos cómputo que empujarla.

Para las empresas que despliegan modelos abiertos, la parte más práctica de la clase son las licencias. DeepSeek, Qwen, gpt-oss y Gemma 4 se distribuyen con MIT o Apache 2.0. En cambio, Kimi K3 y Muse Spark Open exigen un acuerdo aparte por encima de 20 millones de dólares de ingresos en servicios de inferencia, y GLM-5.3 pide una revisión de seguridad por encima de 10 000 millones. Lambert recuerda que la mayoría de estas condiciones no se ha puesto a prueba en los tribunales.

Una clase para un curso de seguridad que sobre todo defiende la apertura

Lambert es partidario de los modelos abiertos y no lo oculta. Ante un público de un curso de seguridad defiende que prohibirlos frenaría sobre todo la actividad económica, mientras que los actores maliciosos accederían a ellos igualmente. Reconoce que los pesos abiertos sí aceleran algunos daños, como los deepfakes sin consentimiento. Aun así, la lista de incidentes de ciberseguridad de sus diapositivas afecta sobre todo a modelos cerrados, lo que apuntala cómodamente su argumento.

Él mismo admite los puntos débiles. Llama a las descargas de Hugging Face una aproximación muy imperfecta. Sobre el impacto de la destilación hay muy pocos datos públicos, dice, así que su propia postura es más una estimación que una prueba. También concede que los laboratorios chinos quizá cuidan algo más los benchmarks públicos y que los modelos estadounidenses suelen ser más equilibrados en tareas poco comunes.

En seis meses se verá si la distancia se mantiene con las API cerradas

El propio Lambert señala que los laboratorios apenas empiezan a proteger sus API frente a la destilación. Si después la distancia crece, tendrán razón los laboratorios. Si se queda en torno a tres meses, se confirmará su lectura: la carrera la deciden la investigación y el RL propio.

La segunda señal será la demanda de modelos abiertos estadounidenses. Según Lambert, los modelos de EE. UU. con un rendimiento similar se descargan entre dos y cinco veces más que los chinos. Si los laboratorios estadounidenses alcanzan ese rendimiento, podrán ofrecer a las empresas un modelo sin interrogantes geopolíticos. Hasta entonces, los modelos chinos lideran en rendimiento, descargas y citas en investigación.

El veredicto de Lilith

Quien atribuye el avance de un rival a que copia debería explicar también por qué Xiaomi retransmitió en directo el entrenamiento de su modelo, con la factura de 2,62 millones de dólares a la vista. Cuando los laboratorios cierren sus API y la distancia siga en tres meses, a Estados Unidos le quedará la única ventaja que no se puede descargar: los gigavatios de sus centros de datos.