Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

Safetensors

Safetensors es un formato de archivo de Hugging Face para guardar pesos de modelos. A diferencia de los archivos pickle de Python, cargarlo no puede ejecutar código oculto, y permite una carga rápida de tensores individuales mediante mapeo en memoria.

También llamado: .safetensors

Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas

Antes, los pesos de los modelos se compartían sobre todo como archivos .bin o .pt de PyTorch, que usan el formato pickle de Python. Cargar un archivo pickle puede ejecutar código arbitrario, así que un modelo descargado podía llevar malware. Safetensors se creó para eliminar ese riesgo manteniendo la carga rápida.

Cómo funciona

Un archivo safetensors tiene una breve cabecera JSON que enumera el nombre, el tipo de dato, la forma y la posición de cada tensor, seguida de los bytes en bruto de los tensores. No contiene código, solo datos. Como la estructura se conoce de antemano, un cargador puede mapear el archivo en memoria y leer solo los tensores que necesita sin recorrer el archivo entero. El proyecto lo llama carga zero-copy y perezosa, lo que ayuda al repartir un modelo entre varias GPU.

Por qué importa

Safetensors es el formato habitual en el hub de Hugging Face y en la biblioteca Transformers. Si un repositorio ofrece archivos safetensors y pickle, elige safetensors. Es una defensa sencilla contra el tipo de ataque a la cadena de suministro de IA en el que un archivo de modelo envenenado ejecuta código en tu máquina.

En qué se diferencia de GGUF

Ambos guardan pesos del modelo. Safetensors es un contenedor neutro que usan los stacks de entrenamiento y serving en Python, con pesos normalmente en precisión completa o media. GGUF es el formato de llama.cpp y de los ejecutores locales relacionados; incluye metadatos como el tokenizador y se usa sobre todo para modelos cuantizados. Es habitual convertir de safetensors a GGUF para ejecutar un modelo en local.

Límites

Safetensors hace segura la carga, no el modelo en sí. Un archivo puede seguir conteniendo pesos que se comportan mal, y el código de un repositorio que lo carga puede seguir siendo inseguro.

Términos relacionados

Pesos del modelo
Los pesos del modelo (model weights) son los números aprendidos dentro de una red neuronal, fijados durante el entrenamiento, que deciden cómo convierte la entrada en salida. Un checkpoint es un archivo o conjunto de archivos guardado que contiene esos pesos.
GGUF
GGUF es un formato de archivo binario que guarda en un solo archivo los pesos, el tokenizador y los metadatos de un modelo, pensado para una carga rápida y para la inferencia local con herramientas basadas en GGML como llama.cpp, a menudo en forma cuantizada.
Ataque a la cadena de suministro de IA
Un ataque a la cadena de suministro de IA compromete una aplicación de IA a través de algo de lo que depende, como un modelo descargado, un adaptador LoRA, un conjunto de datos, un paquete de Python, un servidor MCP o una skill de agente, en lugar de atacar la aplicación directamente.
Modelo de pesos abiertos
Un modelo de pesos abiertos (open-weight model) es un modelo cuyos pesos entrenados se publican para que cualquiera los descargue y ejecute, a menudo sin el código de entrenamiento ni los datos de entrenamiento completos, por lo que no es necesariamente de código abierto.
Cuantización
La cuantización (quantization) es una técnica que guarda los pesos de un modelo, y a veces las activaciones, con menos bits, como 8 o 4 en lugar de 16, para que el modelo necesite menos memoria y a menudo funcione más rápido, a costa de cierta precisión.

Fuentes