¿Qué es PyTorch?
PyTorch es el framework de deep learning sobre el que se construye la mayor parte de la investigación en IA y de los modelos abiertos. Ofrece tensores, diferenciación automática y aceleración por GPU desde Python, y lo gobierna la PyTorch Foundation, dentro de la Linux Foundation.
La línea de versiones actual es la 2.14, que llegó el 2 de septiembre de 2026; la versión de parche 2.14.1 siguió el 30 de septiembre. Hay builds para NVIDIA CUDA, AMD ROCm, Intel XPU y Apple silicon, y la 2.14 añade wheels para Python 3.15, incluida la build free-threaded (sin GIL), aunque torch.compile todavía no admite Python 3.15.
El framework es gratuito con licencia BSD-3-Clause. No hay edición de pago; el coste es el hardware en el que lo ejecutas.
¿Merece la pena PyTorch?
PyTorch es la capa sobre la que se apoya el resto de la IA de código abierto, y nada en 2026 amenaza eso. Transformers, TRL, Unsloth, vLLM y diffusers se construyen sobre él, y el repositorio tiene unas 105.000 estrellas en GitHub. Para la mayoría de los equipos la pregunta no es si usarlo, sino hasta qué nivel de la pila bajar.
La versión 2.14 muestra adónde va ahora el esfuerzo: el compilador y el clúster. NVGEMM lleva kernels CUTLASS generados a Inductor, el backend de torch.compile, incluidas operaciones matriciales NVFP4 para GPU Blackwell. La tolerancia a fallos pasó a ser una parte de primer nivel de la capa distribuida c10d, con grupos de procesos que se pueden reconfigurar sobre la marcha, y un backend NCCL en preview portado desde torchcomms pretende ser un sustituto directo. Esto importa a quien entrena en muchas GPU; quien hace fine-tuning en una sola tarjeta apenas lo notará.
Las partes incómodas son conocidas. Encajar un wheel con tu versión de CUDA o ROCm sigue dando problemas, y cada versión menor enumera cambios incompatibles con versiones anteriores; la 2.14 cambia cómo se reparten los gradientes en los límites de clamp, lo que puede alterar los resultados sin lanzar ningún error. La carga de checkpoints es el punto débil en seguridad. torch.load con weights_only=True debía ser la vía segura, pero dos avisos (CVE-2025-32434, calificado como crítico, y CVE-2026-24747, calificado como alto y corregido en la 2.10.0) mostraron que un checkpoint malicioso aún podía ejecutar código. Los archivos safetensors evitan el problema.
JAX conserva presencia en algunos laboratorios de investigación y MLX de Apple es una opción más ligera en Mac, pero ninguno tiene la amplitud de código de terceros de PyTorch. Para quien solo quiere hacer fine-tuning de un modelo, PyTorch es el motor y no el volante, y una biblioteca como Transformers o Unsloth por encima consigue el mismo resultado con una fracción del código.
Dónde se gana su sitio
Un ingeniero de ML que continúa el preentrenamiento de un modelo de 1B de parámetros en un nodo 8x H100 alquilado
Entrenar en ocho GPU sin escribir un sistema distribuido desde cero
FSDP y la capa c10d reparten el modelo entre las GPU, y la tolerancia a fallos de la 2.14 permite que un grupo de procesos se recupere en lugar de reiniciar el trabajo. A 3,99 $ por hora de H100 en Lambda en una instancia de 8 GPU, el nodo cuesta unos 32 $ la hora, así que una ejecución perdida es el fallo caro contra el que hay que diseñar.
Un doctorando que implementa una nueva variante de atención para un artículo
Prototipar una arquitectura y hacerla lo bastante rápida para entrenarla
Escribirla en PyTorch eager, depurarla línea a línea y después envolverla en torch.compile para fusionar kernels. En un Mac, el backend MPS de la 2.14 ganó SVD, QR y Cholesky nativos, así que más parte del álgebra lineal se queda en Apple silicon en lugar de recurrir a la CPU.
Un responsable de plataforma que estandariza las herramientas de un equipo de ML de 50 personas
Elegir un framework que soporten la contratación, las bibliotecas y los proveedores
PyTorch no cuesta nada en licencias con BSD-3-Clause y casi todos los modelos abiertos publican pesos compatibles con PyTorch, así que los costes reales son las GPU y los ingenieros. El riesgo que hay que gestionar es la cadena de suministro: exigir checkpoints safetensors y mantener torch en la 2.10 o posterior.
Antes de decidirte
- Puesta en marcha
- pip install torch instala el wheel por defecto; para una build concreta de CUDA, ROCm o CPU, el selector de pytorch.org da la URL de índice correspondiente. Con los drivers ya instalados, un primer tensor en GPU lleva minutos; los desajustes entre driver y toolkit son el retraso habitual.
- Integraciones
- Transformers, diffusers, vLLM, Lightning y la mayoría de las bibliotecas de entrenamiento se apoyan en él; torch.export y ONNX cubren el despliegue fuera de Python. Los backends de hardware incluyen CUDA, ROCm 7.14, Intel XPU y Apple MPS, e Inductor ya apunta a NVIDIA Rubin (sm_107).
- Datos y privacidad
- La biblioteca no envía nada a ninguna parte por sí sola. El riesgo es cargar checkpoints basados en pickle no fiables: CVE-2026-24747 permitía ejecutar código con weights_only=True en versiones hasta la 2.9.1. La licencia BSD-3-Clause permite el uso comercial sin restricciones.
- Coste a escala
- El software es gratuito y no hay edición enterprise; el gasto es el cómputo. Lambda anuncia una H100 PCIe a 3,29 $ la hora y una A10 (24 GB) a 1,29 $, así que una sola H100 siempre encendida sale por unos 2.400 $ al mes.
- Límites
- Unos 17.700 issues y pull requests abiertos en GitHub. torch.compile no admite Python 3.15 en la 2.14, y cada versión menor enumera cambios incompatibles con versiones anteriores, así que fija las versiones en producción.
Lo bueno
- La base de casi todas las bibliotecas de modelos abiertos
- torch.compile y entrenamiento distribuido integrados
- Wheels para CUDA, ROCm, Intel XPU y Apple silicon
- Gobernanza neutral de la Linux Foundation
Lo malo
- Demasiado de bajo nivel para un fine-tuning rutinario
- Encajar los wheels con las versiones de CUDA o ROCm es engorroso
- Las versiones menores cambian el comportamiento, así que hay que fijar versiones
- Los checkpoints basados en pickle siguen siendo un riesgo de ejecución de código
Ideal para
Quien construye, investiga o personaliza a fondo redes neuronales.
Alternativas a PyTorch
PyTorch: preguntas frecuentes
- ¿Merece la pena PyTorch?
- Sigue siendo el framework bajo casi todos los modelos abiertos, y la versión 2.14 mantiene su ventaja en compiladores y entrenamiento multi-GPU. Le damos un 4.9 sobre 5.
- ¿Cuánto cuesta PyTorch?
- Gratuito y de código abierto con licencia BSD-3-Clause. Sin edición de pago.
- ¿Qué inconvenientes tiene PyTorch?
- Demasiado de bajo nivel para un fine-tuning rutinario; encajar los wheels con las versiones de CUDA o ROCm es engorroso; las versiones menores cambian el comportamiento, así que hay que fijar versiones; los checkpoints basados en pickle siguen siendo un riesgo de ejecución de código.
- ¿Para quién es PyTorch?
- Quien construye, investiga o personaliza a fondo redes neuronales.
- ¿Cuánto cuesta PyTorch para un equipo o en producción?
- El software es gratuito y no hay edición enterprise; el gasto es el cómputo. Lambda anuncia una H100 PCIe a 3,29 $ la hora y una A10 (24 GB) a 1,29 $, así que una sola H100 siempre encendida sale por unos 2.400 $ al mes.
- ¿Es PyTorch seguro para los datos de la empresa?
- La biblioteca no envía nada a ninguna parte por sí sola. El riesgo es cargar checkpoints basados en pickle no fiables: CVE-2026-24747 permitía ejecutar código con weights_only=True en versiones hasta la 2.9.1. La licencia BSD-3-Clause permite el uso comercial sin restricciones.
- ¿Cuáles son las mejores alternativas a PyTorch?
- Las alternativas más cercanas que hemos analizado son Hugging Face Transformers y MLX.
Respuestas comprobadas el 23 oct 2026.