¿Qué es Oumi?
Oumi es una biblioteca de Python de código abierto que cubre todo el ciclo de post-entrenamiento de modelos abiertos: sintetizar y depurar datos con jueces LLM, entrenar, evaluar con benchmarks o jueces de rúbrica y ejecutar inferencia. Una receta YAML guía cada paso mediante los comandos `oumi train`, `oumi evaluate`, `oumi infer` y `oumi launch`, y el README afirma que admite modelos de 10M a 400B+ parámetros, de texto y multimodales, entre ellos Llama, Gemma, Qwen, DeepSeek, GLM y Phi.
Los métodos de entrenamiento incluyen SFT, LoRA, QLoRA, DPO, KTO y GRPO, con FSDP, DeepSpeed y DDP para escalar. La versión 0.9, publicada el 16 de septiembre de 2026, la orientó hacia los agentes: SFT y DPO con llamadas a herramientas, entornos de herramientas ejecutables respaldados por bases de datos, endpoints HTTP, tablas de consulta o un modelo que simula, GRPO sobre esos entornos mediante verl y un RubricJudge multicriterio.
La inferencia se ejecuta en vLLM o SGLang en local, o en OpenAI, Anthropic, Vertex AI, Together, Fireworks y otros en remoto; `oumi deploy` crea endpoints dedicados en Fireworks y Parasail, y un servidor `oumi-mcp` permite que Claude o Cursor la manejen. Los trabajos se lanzan en AWS, Azure, GCP, Lambda, Modal o Slurm. Requiere Python 3.10 a 3.14 y la mantiene Oumi PBC, cuya plataforma de pago ejecuta las mismas recetas.
¿Merece la pena Oumi?
El argumento de Oumi es la amplitud. Donde Axolotl y Unsloth se concentran en la ejecución del entrenamiento, Oumi además genera y filtra los datos, puntúa el resultado con jueces LLM y sirve el modelo, todo con el mismo formato de receta YAML y una sola CLI. Eso la convierte en la opción natural cuando el cuello de botella es el ciclo alrededor del entrenamiento y no el entrenamiento en sí.
La versión 0.9, publicada el 16 de septiembre de 2026, es la razón para mirarla ahora. Añade SFT y DPO con llamadas a herramientas, entornos en los que las llamadas se ejecutan de verdad contra una sesión de base de datos (revertida tras cada episodio), un endpoint HTTP o una tabla de consulta determinista, y GRPO sobre cualquiera de esos entornos mediante verl. Pocas bibliotecas abiertas conectan en un mismo sitio síntesis de datos para agentes, un entorno ejecutable y aprendizaje por refuerzo.
La adopción es moderada. Con 9,437 estrellas en GitHub está por detrás de Axolotl (12,728) y de Hugging Face TRL (19,744), sobre la que en parte se apoya, y el README aún etiqueta el proyecto como beta y advierte de que las funciones avanzadas pueden cambiar. Las versiones llegan más o menos cada cuatro meses: v0.7 en enero, v0.8 en mayo y v0.9 en septiembre de 2026. Las incidencias y pull requests abiertas suman 26, una cola pequeña para un proyecto tan amplio.
Dos opciones por defecto merecen atención. La analítica de uso anónima está activada salvo que fijes DO_NOT_TRACK=1 o edites ~/.oumi/telemetry.json; la documentación dice que cubre comandos, hardware, versiones de paquetes y trazas de pila, nunca datos de entrenamiento, pesos ni rutas de archivos. Y la biblioteca es el núcleo abierto de una plataforma comercial, así que el agente FAiE que planifica las ejecuciones por ti, las GPU gestionadas y los endpoints alojados están en la parte de pago.
Dónde se gana su sitio
Un ingeniero de ML en una empresa SaaS de 25 personas con un agente que enruta tickets
Enseñar a un modelo abierto pequeño a llamar bien a nuestras herramientas internas
Sintetiza conversaciones multiturno con herramientas, ejecuta SFT con llamadas a herramientas y luego GRPO contra un EndpointEnvironment que ataca una API de staging, puntuando con un RubricJudge. La biblioteca es gratuita; el coste son las horas de GPU en la nube a la que apunte `oumi launch`.
Un laboratorio universitario que compara modelos de visión y lenguaje
Ajustar y evaluar varios VLM abiertos con el mismo formato de receta
Parte de las recetas incluidas para Qwen, Gemma o InternVL, ejecuta `oumi train` y `oumi evaluate` en un clúster Slurm y guarda cada YAML junto a los resultados para que sean reproducibles. Fija DO_NOT_TRACK=1 en máquinas compartidas.
Un equipo de datos de una empresa de comercio electrónico que limpia datos de entrenamiento de descripciones de producto
Filtrar miles de ejemplos ruidosos antes del ajuste fino
Usa los jueces LLM incluidos, con un modelo vLLM local o una clave de API comercial, para puntuar y descartar filas débiles, e `infer_partial()` para conservar resultados parciales si un lote largo falla a medias.
Antes de decidirte
- Puesta en marcha
- `uv pip install oumi` (u `oumi[gpu]`), la imagen Docker ghcr.io/oumi-ai/oumi o un script de instalación experimental; el inicio rápido entrena una receta SmolLM de 135M con un solo comando `oumi train`, y los cuadernos de Colab cubren LoRA, destilación, GRPO y jueces.
- Integraciones
- Modelos y datasets de Hugging Face; vLLM, SGLang y motores remotos para OpenAI, Anthropic, Vertex AI, Together, Fireworks, Parasail y OpenRouter; verl para RL; `oumi launch` para AWS, Azure, GCP, Lambda, Modal y Slurm; `oumi deploy` a Fireworks y Parasail; `oumi-mcp` para Claude y Cursor.
- Datos y privacidad
- Se ejecuta en tu hardware o tu cuenta en la nube. La telemetría anónima (comandos, hardware, versiones, trazas de pila) está activada por defecto; DO_NOT_TRACK=1 la desactiva. Los datos enviados a motores de inferencia remotos siguen las condiciones de ese proveedor. Apache 2.0 permite el uso comercial; las licencias de los modelos base siguen aplicándose.
- Coste a escala
- La biblioteca es gratuita; la factura es el tiempo de GPU. Oumi no publica una tabla de VRAM, así que dimensiona los trabajos con una prueba; la plataforma alojada de la empresa es la vía de pago si quieres GPU gestionadas.
- Límites
- Estado beta; Python 3.10 a 3.14 y PyTorch por debajo de 2.13; los modelos muy grandes necesitan configuraciones multinodo de FSDP o DeepSpeed que montas tú.
Lo bueno
- Síntesis de datos, entrenamiento, jueces, evaluación y servicio en un mismo formato de receta
- SFT con llamadas a herramientas, entornos ejecutables y GRPO con verl desde la v0.9
- Se lanza en AWS, Azure, GCP, Lambda, Modal y Slurm
- Apache 2.0, con un servidor oumi-mcp para Claude y Cursor
Lo malo
- Marcada como beta; las API avanzadas pueden cambiar
- Telemetría anónima activada por defecto
- Menos estrellas y recetas de la comunidad que Axolotl o TRL
- La amplitud implica muchas dependencias, fijadas a PyTorch por debajo de 2.13
Ideal para
Ingenieros de ML que quieren un único kit abierto para datos sintéticos, ajuste fino, jueces y servicio, sobre todo para modelos que usan herramientas.
Alternativas a Oumi
Oumi: preguntas frecuentes
- ¿Merece la pena Oumi?
- Oumi cubre todo el ciclo alrededor de un ajuste fino, desde los datos sintéticos hasta un endpoint en servicio, y desde la v0.9 puede entrenar agentes que usan herramientas de principio a fin; sigue marcada como beta. Le damos un 4.0 sobre 5.
- ¿Cuánto cuesta Oumi?
- Gratuita y de código abierto con licencia Apache 2.0. La plataforma alojada de Oumi, que ejecuta las mismas recetas, es un producto de pago aparte.
- ¿Qué inconvenientes tiene Oumi?
- Marcada como beta; las API avanzadas pueden cambiar; telemetría anónima activada por defecto; menos estrellas y recetas de la comunidad que Axolotl o TRL; la amplitud implica muchas dependencias, fijadas a PyTorch por debajo de 2.13.
- ¿Para quién es Oumi?
- Ingenieros de ML que quieren un único kit abierto para datos sintéticos, ajuste fino, jueces y servicio, sobre todo para modelos que usan herramientas.
- ¿Cuánto cuesta Oumi para un equipo o en producción?
- La biblioteca es gratuita; la factura es el tiempo de GPU. Oumi no publica una tabla de VRAM, así que dimensiona los trabajos con una prueba; la plataforma alojada de la empresa es la vía de pago si quieres GPU gestionadas.
- ¿Es Oumi seguro para los datos de la empresa?
- Se ejecuta en tu hardware o tu cuenta en la nube. La telemetría anónima (comandos, hardware, versiones, trazas de pila) está activada por defecto; DO_NOT_TRACK=1 la desactiva. Los datos enviados a motores de inferencia remotos siguen las condiciones de ese proveedor. Apache 2.0 permite el uso comercial; las licencias de los modelos base siguen aplicándose.
- ¿Cuáles son las mejores alternativas a Oumi?
- Las alternativas más cercanas que hemos analizado son Axolotl, TRL, Unsloth y LlamaFactory.
Respuestas comprobadas el 16 nov 2026.