Mejores LLMs de código abierto estadounidenses de 2026

De las 19 opciones de LLMs de código abierto estadounidenses que hemos analizado, ahora mismo las mejores son Gemma 4, SAM 3 (Segment Anything Model 3) y Muse Glimmer. Cada una aparece según nuestra nota, con su precio, nuestro veredicto y para quién es.

Por Andrew Miller · Actualizado el 2 nov 2026 · Cómo analizamos

Cómo clasificamos: por nuestra nota sobre 5, a partir de reseñas basadas en los precios, la documentación y las políticas de cada producto, además de benchmarks independientes cuando existen, todo comprobado en la fecha que indica cada reseña. No cobramos comisiones de afiliación.

También clasificamos: mejores LLMs de código abierto

1
Gemma 4
Licencia y datos: Autoalojado, así que los datos se quedan donde lo ejecutes. Apache 2.0 permite uso comercial y fine-tuning sin tope de ingresos ni anexo de uso aceptable.
Cómo ejecutarlo: Los pesos son gratuitos. El 31B necesita unos 62 GB en BF16 (una tarjeta de 80 GB) o 17,7 GB en 4 bits; el 26B A4B ocupa 14,4 GB, el 12B 7,0 GB y el E4B 5,2 GB en 4 bits. OpenRouter ofrece 31B a $0,20/$0,40 y 26B A4B a $0,08/$0,26 por 1M de tokens.
Precio: Pesos gratuitos bajo Apache 2.0. Alojado en Google Cloud y en terceros; OpenRouter ofrece 31B a $0,20/$0,40 y 26B A4B a unos $0,08/$0,26 por 1M de tokens.
Lee nuestra reseña de Gemma 4
4.4/5
2
SAM 3 (Segment Anything Model 3)
Licencia y datos: Autoalojado, las imágenes y el vídeo se quedan en tu hardware. La SAM License permite el uso comercial pero prohíbe los usos militares, los relacionados con ITAR y otros sujetos a control comercial, así como la ingeniería inversa, y el acceso restringido recoge nombre, fecha de nacimiento, país y afiliación según la política de privacidad de Meta.
Cómo ejecutarlo: Con 848M de parámetros basta una GPU de centro de datos para servirlo; Meta comunica 30 ms por imagen con más de 100 objetos en una H200, y SAM 3.1 a 32 fotogramas por segundo en una H100 con un número medio de objetos. El precio alojado de Roboflow sigue sus propios planes.
Precio: Gratuito con la SAM License tras un registro con acceso restringido en Hugging Face; uso comercial permitido con restricciones militares, de ITAR y de ingeniería inversa. El uso alojado a través de Roboflow se factura según los planes de Roboflow.
Lee nuestra reseña de SAM 3 (Segment Anything Model 3)
4.4/5
3
Muse Glimmer
Licencia y datos: Apache 2.0 permite el uso comercial sin tope de ingresos. En local, nada sale de la máquina; en OpenRouter se aplican las condiciones del proveedor de alojamiento. Los datos de entrenamiento de Meta incluyen información de sus propios productos y servicios.
Cómo ejecutarlo: Local: una tarjeta de 24 GB para la versión de 17 GB, 32 GB para la versión casi sin pérdidas y 64 GB para la precisión completa. Alojado: $0,30/$1,20 por 1M de tokens en DeepInfra y $0,35/$1,50 en Together, así que 300M de entrada y 60M de salida al mes cuestan unos $162.
Precio: Pesos gratuitos bajo Apache 2.0; sin API de Meta. Alojado en OpenRouter desde $0,30 por 1M de tokens de entrada y $1,20 por 1M de tokens de salida (DeepInfra).
Lee nuestra reseña de Muse Glimmer
4.1/5
4
Nemotron 3.5 Super VL
Licencia y datos: OpenMDW-1.1 permite el uso comercial. Autoalojarlo mantiene los datos en casa; los proveedores alojados fijan sus propias condiciones de retención, y OpenRouter no ofrece enrutamiento dentro de la UE para este modelo.
Cómo ejecutarlo: Con los 0,15 $/0,50 $ de OpenRouter, 1M de turnos de agente al mes con 8K tokens de entrada y 1K de salida salen por unos 1.700 $, antes de que su prolijidad infle la salida. Autoalojarlo en BF16 supone cuatro H100 por réplica; NVFP4 cabe en un despliegue Blackwell más pequeño.
Precio: Pesos gratuitos bajo OpenMDW-1.1. Alojado: OpenRouter desde 0,15 $ de entrada / 0,50 $ de salida por 1M de tokens, más una variante gratuita; NVIDIA NIM y otros proveedores con precios propios.
Lee nuestra reseña de Nemotron 3.5 Super VL
4.1/5
5
gpt-oss-120b
Licencia y datos: Apache 2.0 sin restricciones de uso en la licencia. En autoalojamiento, los prompts se quedan en tu hardware; en servicios alojados, la retención sigue las condiciones de cada proveedor, y el enrutamiento solo por la UE de OpenRouter requiere un plan Business o Enterprise.
Cómo ejecutarlo: 1.000 millones de tokens de entrada y 250 millones de salida al mes cuestan unos 300 $ a 0,15 $/0,60 $ por millón; el modo batch de Bedrock reduce su tarifa a la mitad. El autoalojamiento necesita una GPU de 80 GB para inferencia y un nodo H100 para el fine-tuning.
Precio: Pesos gratuitos bajo Apache 2.0; los precios alojados varían según el proveedor.
Lee nuestra reseña de gpt-oss-120b
4.0/5
6
Granite 4.2
Licencia y datos: Apache 2.0, abierto al uso comercial y de investigación sin límites por ámbito de uso; en autoalojamiento, los prompts se quedan en tu hardware.
Cómo ejecutarlo: La API de IBM cobra 0,16 $ por millón de tokens de entrada y 0,65 $ por millón de salida, con un descuento del 75 % en los aciertos de caché. En autoalojamiento, el 30B necesita unos 18 GB a 4 bits o 31 GB a 8 bits.
Precio: Pesos gratuitos bajo Apache 2.0; el alojamiento en watsonx y en terceros se factura aparte.
Lee nuestra reseña de Granite 4.2
4.0/5
7
LFM3
Licencia y datos: Autoalojarlo mantiene los datos en local. La LFM Open License v1.0 permite el uso comercial solo por debajo de $10 millones de ingresos anuales, con una excepción para la investigación sin ánimo de lucro; la promesa de no entrenar que figura en la página de precios de Liquid se refiere a despliegues a medida, y allí no se publican las condiciones de retención de la API.
Cómo ejecutarlo: A las tarifas publicadas por VentureBeat, 1.000 millones de tokens de entrada y 100 millones de salida al mes cuestan unos $100 con LFM3-1.7B y $150 con LFM3-VL-2B, con los tokens de audio aparte a $2 de entrada y $10 de salida por millón en Audio y Omni. Autoalojarlo requiere de 1,05 a 1,10 GB a 4 bits, 1,85 GB en Q8_0 o 3,47 GB en BF16; Liquid indica 3.600 millones de tokens al día en una B300.
Precio: Pesos gratuitos bajo la LFM Open License (uso comercial solo por debajo de $10M de ingresos anuales). API de Liquid, según VentureBeat a partir de la consola con sesión iniciada: LFM3-1.7B $0,08 de entrada / $0,20 de salida por 1M de tokens; VL $0,10 / $0,50; Audio y Omni $0,10 / $1,00 más los tokens de audio. Decisiones d1 alojadas a $0,02 por 1M de entrada, salida gratis.
Lee nuestra reseña de LFM3
4.0/5
8
Muse Spark Open
Licencia y datos: Muse Model License: uso, modificación, destilación y redistribución gratuitos; atribución obligatoria en cada producto; los proveedores de modelo como servicio con más de 20M de dólares de ingresos anuales necesitan un acuerdo aparte. Meta no reclama la propiedad de los resultados. Alojado por cuenta propia, nada sale de tu infraestructura.
Cómo ejecutarlo: Por cuenta propia: NVFP4 (unos 537 GB) en un nodo Blackwell de cuatro GPU, BF16 (unos 1,65 TB) en ocho B300, o dos Mac Studio M5 Ultra de 512 GB. Alojado, un millón de respuestas de soporte al mes con 3.000 tokens de entrada y 500 de salida cuesta unos $5.875 a las tarifas de OpenRouter.
Precio: Pesos gratuitos bajo la Muse Model License (atribución obligatoria; umbral de 20M de dólares de ingresos para el modelo como servicio). Alojado en OpenRouter a $1,25 de entrada, $0,15 en caché y $4,25 de salida por 1M de tokens.
Lee nuestra reseña de Muse Spark Open
4.0/5
9
Ternary Bonsai 2 9B
Licencia y datos: Apache 2.0, como el modelo base Qwen3.5-9B, sin tope de ingresos ni restricciones de uso más allá de la licencia. Ejecutándolo en local, los prompts y las imágenes se quedan en el dispositivo.
Cómo ejecutarlo: Gratis en hardware propio: el archivo PTQ1_0 de 2,00 GB es el más pequeño y el archivo MTP de 2,68 GB añade decodificación especulativa. PrismML cita hasta 179 tokens por segundo en un M5 Max y hasta 5 veces el rendimiento del modelo a precisión completa en una RTX 4090 y un M5 Pro. Los precios de Darkbloom no se publican.
Precio: Gratuito bajo Apache 2.0. Alojado en la consola de Darkbloom; precios no publicados.
Lee nuestra reseña de Ternary Bonsai 2 9B
4.0/5
10
Mage-VL-Cowork
Licencia y datos: Solo autoalojado. Apache 2.0, pero la nota de IA responsable de Microsoft dice que es solo para investigación, con datos de entrenamiento de fuentes públicas, con licencia e internas. La ficha exige sandboxes aislados, ninguna credencial montada y listas de red permitidas contra la inyección de prompts.
Cómo ejecutarlo: Los pesos en BF16 ocupan 9,48 GB y un cálculo de ModelFit sitúa una caché completa de 32K tokens en unos 4,8 GB, así que en una GPU de 24 GB caben ambos. Microsoft no publica un hardware mínimo; en sus pruebas cada tarea promedió 18,77 llamadas al modelo y 5.499 tokens de salida.
Precio: Gratuito con licencia Apache 2.0, aunque el repositorio de Microsoft dice que los modelos Mage son para investigación y no están pensados para desplegarse en productos o servicios. Sin API alojada.
Lee nuestra reseña de Mage-VL-Cowork
3.9/5
11
Nemotron 3.5 Bolt (74B-A9B 24GB and E4B 4GB)
Licencia y datos: Autoalojado, así que los datos se quedan en local. OpenMDW-1.1 permite el uso comercial sin límite de ingresos; los derechos se pierden si demandas por patentes o derechos de autor sobre el modelo. NVIDIA publica sus conjuntos de datos de preentrenamiento y postentrenamiento, pero indica muchas fuentes como privadas.
Cómo ejecutarlo: Los pesos son gratis y Artificial Analysis no indica precio por uso para el 74B. Hardware: una GPU de 32 GB para 65K de contexto o de 48 GB para 262K en el 74B; E4B alcanza un pico de entre 3,1 y 5,0 GB en las pruebas de NVIDIA, desde una RTX 5070 hasta Jetson Orin.
Precio: Pesos abiertos gratuitos bajo OpenMDW-1.1. No se ha publicado precio de API por uso para ninguno de los dos modelos; E4B tiene un endpoint en build.nvidia.com.
Lee nuestra reseña de Nemotron 3.5 Bolt (74B-A9B 24GB and E4B 4GB)
3.9/5
12
Beam
Licencia y datos: Apache 2.0, con la Usage Policy de Reflection recomendada junto a ella. En la API de Reflection, la cabecera reflection-data-retention de cada respuesta indica retención zero, standard o contributor; solo las condiciones contributor, que una organización debe aceptar, permiten entrenar con tus peticiones.
Cómo ejecutarlo: 1.000 millones de tokens de entrada y 100 millones de salida al mes cuestan unos 520 $ en Together AI o Baseten y unos 350 $ en Nebius. Alojarlo uno mismo requiere 273 GiB en NVFP4, 468,72 GiB en FP8 o 933,81 GiB en BF16 antes de cualquier caché KV.
Precio: Pesos gratuitos bajo Apache 2.0. API de Reflection gratuita en beta pública con límites diarios. Alojado: Together AI y Baseten 0,40 $ de entrada / 0,04 $ en caché / 1,20 $ de salida por 1 millón de tokens; OpenRouter desde 0,24 $ / 0,98 $.
Lee nuestra reseña de Beam
3.8/5
13
gpt-oss-20b
Licencia y datos: Autoalojado, así que los prompts se quedan en local. Apache 2.0 permite el uso comercial y el fine-tuning; la política de uso solo exige cumplir la ley aplicable.
Cómo ejecutarlo: Los pesos son gratuitos y caben en una GPU de 16 GB. Alojado en OpenRouter desde 0,018 $ de entrada y 0,09 $ de salida por 1 M de tokens, así que 1 M de respuestas cortas al mes cuesta bastante menos de 100 $; Artificial Analysis lo sitúa en unos 0,01 $ por tarea del índice.
Precio: Pesos gratuitos bajo Apache 2.0. Alojado desde 0,018 $ de entrada / 0,09 $ de salida por 1 M de tokens en OpenRouter; Artificial Analysis recoge 0,07 $ / 0,25 $.
Lee nuestra reseña de gpt-oss-20b
3.8/5
14
LFM2.5-24B-A2B
Licencia y datos: Autoalojarlo mantiene los datos en local. La LFM Open License v1.0 permite el uso comercial solo a organizaciones con menos de $10 millones de ingresos anuales, con una excepción para la investigación sin ánimo de lucro.
Cómo ejecutarlo: En OpenRouter, 1.000 millones de tokens de entrada y 100 millones de salida al mes cuestan unos $120; con los $0,10/$1,00 de Liquid Console, unos $200. Autoalojarlo requiere de 13,58 a 14,53 GB a 4 bits, 25,49 GB en Q8_0 o 47,96 GB en BF16.
Precio: Pesos gratuitos bajo la LFM Open License (uso comercial solo por debajo de $10M de ingresos anuales). Liquid Console: $0,10 de entrada / $1,00 de salida por 1M de tokens; OpenRouter: $0,05 / $0,70.
Lee nuestra reseña de LFM2.5-24B-A2B
3.8/5
15
FrogNano-4B-2609
Licencia y datos: Autoalojado, así que el código se queda en tu infraestructura. La ficha del modelo pide un sandbox de privilegios mínimos con la red desactivada por defecto; FrogNano no recibió ningún entrenamiento propio de seguridad, rechazo o adversarial.
Cómo ejecutarlo: Sin precio de API. Los pesos en BF16 ocupan unos 9,3 GB más la caché KV, que crece bastante cerca del límite de 131K tokens; el uso en CPU, escritorio, móvil y cuantizado no se ha validado. Los presets de benchmark de Microsoft dan a cada tarea hasta 10.800 segundos y 150 pasos.
Precio: Pesos gratuitos (etiquetados como MIT en Hugging Face; la tabla de la ficha dice Apache 2.0). No hay API alojada; lo sirves tú, por ejemplo con SGLang.
Lee nuestra reseña de FrogNano-4B-2609
3.7/5
16
Ornith-1.5-122B
Licencia y datos: Solo autoalojado, así que los datos se quedan donde lo ejecutes. No hay API propia y, por tanto, no hay condiciones de retención ni de entrenamiento que revisar.
Cómo ejecutarlo: Pesos gratuitos. BF16 ocupa 250 GB (un nodo con varias GPU), FP8 133 GB (dos tarjetas de 80 GB), y NVFP4 (77,7 GB) o Q4_K_M (75,8 GB) son las únicas versiones que se acercan a una tarjeta de 80 GB; para Mac hay una versión MLX de 4 bits de 68,7 GB. No hay precio alojado propio publicado; NanoGPT indica 0,20 $ de entrada y 0,80 $ de salida por millón de tokens, pero marca el modelo como no disponible.
Precio: Pesos abiertos gratuitos bajo MIT. Solo pagas tu propio hardware o alojamiento.
Lee nuestra reseña de Ornith-1.5-122B
3.6/5
17
SmolLM3-3B
Licencia y datos: Apache 2.0 sin anexo de uso aceptable; se permiten el uso comercial y la redistribución. Solo autoalojado, así que los datos se quedan en tu dispositivo o servidor. La mezcla de datos de entrenamiento es pública, lo que permite comprobar la procedencia.
Cómo ejecutarlo: Unos 3.100 millones de parámetros, aproximadamente 6 GB en BF16, así que basta una GPU de consumo, un portátil de Apple o una versión de 4 bits para móvil. Sin API de pago, el coste a gran escala es tu propio hardware.
Precio: Pesos gratuitos bajo Apache 2.0, con la receta de datos de entrenamiento y los checkpoints publicados. Sin API alojada en los Inference Providers de Hugging Face.
Lee nuestra reseña de SmolLM3-3B
3.5/5
18
Phi-4-Reasoning-Vision-15B
Licencia y datos: Licencia MIT; autoalojarlo mantiene en local las imágenes y las instrucciones, y el alojamiento en Foundry sigue las condiciones de Azure.
Cómo ejecutarlo: Autoalojarlo requiere una GPU con bastante más de 30GB, como una A6000 de 48GB o una A100 de 80GB; no hay precio publicado en Foundry: ni la ficha del modelo ni la lista de precios minoristas de Azure, que incluye tarifas por token para otros modelos Phi-4, lo indican.
Precio: Pesos gratuitos bajo MIT; el alojamiento en Microsoft Foundry se factura aparte.
Lee nuestra reseña de Phi-4-Reasoning-Vision-15B
3.4/5
19
Phi-4-multimodal
Licencia y datos: Licencia MIT sin límite de ingresos ni política de uso aparte. Autoalojado, el audio y las imágenes se quedan en tu hardware; las condiciones de Azure solo se aplican si usas el endpoint alojado de Microsoft.
Cómo ejecutarlo: En Azure AI Foundry, la entrada de audio cuesta 4 $ por 1M de tokens frente a 0,08 $ para texto e imágenes, así que la voz domina cualquier factura; la salida cuesta 0,32 $ por 1M, las mismas tarifas que en el lanzamiento según la lista de precios minoristas de Azure. Autoalojarlo requiere una GPU de centro de datos reciente.
Precio: Pesos gratuitos bajo MIT. Azure AI Foundry: 0,08 $ de entrada / 0,32 $ de salida por 1M de tokens de texto o imagen; entrada de audio a 4 $ por 1M.
Lee nuestra reseña de Phi-4-multimodal
3.3/5