¿Qué es SmolLM3-3B?
SmolLM3-3B es un modelo de lenguaje pequeño de Hugging Face, publicado el 8 de julio de 2025. Tiene unos 3.100 millones de parámetros y se entrenó con 11,2 billones de tokens usando 384 GPU H100 durante 24 días. Se entrenó con un contexto de 64K tokens y llega a 128K con YaRN, un método estándar de ampliación de contexto; la configuración que se distribuye está fijada en 65.536 tokens, así que la ventana más larga requiere cambiar la configuración.
Tiene dos modos: razonamiento extendido, activado por defecto, y respuestas directas, que se alternan con /think y /no_think. Admite llamadas a herramientas en estilo XML o de llamada de Python y seis idiomas: inglés, francés, español, alemán, italiano y portugués.
Los pesos están bajo Apache 2.0. Hugging Face también publicó la mezcla de datos, las configuraciones de entrenamiento, los checkpoints intermedios y el código de evaluación, para que los investigadores puedan reproducir o modificar el entrenamiento. Los pesos se actualizaron por última vez el 10 de septiembre de 2025, y Hugging Face no ha anunciado ningún SmolLM4; su repositorio smollm en GitHub sigue recibiendo commits de mantenimiento (el último el 3 de octubre de 2026), pero ningún modelo nuevo.
¿Merece la pena SmolLM3-3B?
El valor real de SmolLM3 es su apertura, no su capacidad. Pocos modelos publican la receta completa: mezcla de datos, configuraciones, checkpoints intermedios y código de evaluación. Quien investiga o enseña cómo se entrenan los modelos de lenguaje, o quiere continuar el preentrenamiento desde un estado conocido, tiene aquí un punto de partida mejor documentado que con cualquier otro modelo de 3B, y las 731.000 descargas en Hugging Face del último mes indican que muchos lo hacen.
Como modelo era competitivo en su lanzamiento y ya no lo es. Las propias tablas de Hugging Face muestran que supera a Llama-3.2-3B y Qwen2.5-3B, pero queda por detrás de Qwen3-4B con el razonamiento activado: 36,7 frente a 58,8 en AIME 2025, y 41,7 frente a 55,3 en GPQA Diamond. El razonamiento importa mucho (AIME sube de 9,3 a 36,7), y las llamadas a herramientas aguantan con 92,3 en BFCL sin él.
El panorama de 2026 lo ha dejado atrás. IBM declara 78,33 en AIME 2025 para Granite 4.2 3B en su propia configuración, más del doble del mejor resultado de SmolLM3, y Gemma 4 E2B y E4B de Google también leen imágenes y audio. SmolLM3 es solo de texto, cubre seis idiomas europeos y no se ha actualizado desde septiembre de 2025.
Su tamaño es la única ventaja práctica que no ha envejecido. Con unos 6 GB en BF16 funciona en un portátil, y Hugging Face distribuye versiones para llama.cpp, MLX, ONNX, MLC y ExecuTorch, así que los mismos pesos que estudia un investigador se pueden llevar a un móvil. Ese es su nicho: experimentos en los que saber exactamente qué entró en el modelo vale más que los 40 y pico puntos de AIME que Granite 4.2 3B dice sacarle.
Dónde se gana su sitio
Un profesor universitario que imparte un curso de posgrado sobre entrenamiento de LLM
Mostrar a los estudiantes cada etapa de un preentrenamiento real
Usa la mezcla de datos, las configuraciones y los checkpoints intermedios publicados para comparar el modelo en distintos puntos del entrenamiento, y luego pide a los estudiantes que lo ajusten desde un checkpoint en una GPU. Gratis bajo Apache 2.0; ningún otro modelo de 3B documenta su entrenamiento de forma tan completa.
Un investigador de ML que estudia mezclas de datos
Hacer experimentos controlados de preentrenamiento continuado o de ablación desde una base conocida
Parte de SmolLM3-3B-Base o de un checkpoint intermedio y cambia una variable de la receta publicada. Con unos 3B de parámetros, los experimentos caben en un solo nodo; reproducir el entrenamiento original de 24 días con 384 GPU cuesta muchísimo más.
Un ingeniero móvil que prototipa un asistente sin conexión
Lanzar un modelo totalmente abierto en el dispositivo, en inglés y cinco idiomas europeos
Ejecuta la versión ONNX o ExecuTorch en local, con /no_think para respuestas rápidas y llamadas a herramientas para las acciones de la aplicación. Es barato y permisivo, pero Gemma 4 E2B o Granite 4.2 3B responderán bastante mejor a preguntas más difíciles.
Antes de decidirte
- Puesta en marcha
- Requiere Transformers 4.53 o posterior, o servidores vLLM y SGLang con el parser de herramientas Hermes; la ventana de 128K exige editar max_position_embeddings y rope_scaling en la configuración.
- Integraciones
- Transformers, vLLM, SGLang, llama.cpp, MLX, ONNX, MLC y ExecuTorch, con checkpoints cuantizados en la colección de Hugging Face. Sin endpoint alojado en los Inference Providers de Hugging Face.
- Datos y privacidad
- 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.
- Coste a escala
- 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.
- Límites
- Contexto nativo de 64K, 128K con YaRN; seis idiomas; solo texto; Hugging Face advierte que las salidas pueden ser inexactas o sesgadas; razona peor que los modelos de 3B a 4B de 2026.
Lo bueno
- Apache 2.0 con la mezcla de datos, las configuraciones y los checkpoints intermedios publicados
- Razonamiento conmutable con /think y /no_think
- Unos 6 GB en BF16, con versiones para llama.cpp, MLX, ONNX y ExecuTorch
- 92,3 en llamadas a herramientas de BFCL sin razonamiento, según Hugging Face
Lo malo
- 36,7 en AIME 2025 frente al 78,33 autodeclarado de Granite 4.2 3B
- Solo seis idiomas europeos
- Solo texto
- Sin actualizaciones desde septiembre de 2025 y sin sucesor anunciado
Ideal para
Investigadores y docentes que quieren un modelo pequeño y totalmente reproducible para estudiarlo o ajustarlo.
Alternativas a SmolLM3-3B
SmolLM3-3B: preguntas frecuentes
- ¿Merece la pena SmolLM3-3B?
- SmolLM3 es más un entrenamiento a la vista de todos que un producto: no tiene rival para aprender cómo se hace un modelo de 3B y está superado para ponerlo en producción. Le damos un 3.5 sobre 5.
- ¿Cuánto cuesta SmolLM3-3B?
- 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.
- ¿Qué inconvenientes tiene SmolLM3-3B?
- 36,7 en AIME 2025 frente al 78,33 autodeclarado de Granite 4.2 3B; solo seis idiomas europeos; solo texto; sin actualizaciones desde septiembre de 2025 y sin sucesor anunciado.
- ¿Para quién es SmolLM3-3B?
- Investigadores y docentes que quieren un modelo pequeño y totalmente reproducible para estudiarlo o ajustarlo.
- ¿Cuánto cuesta SmolLM3-3B para un equipo o en producción?
- 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.
- ¿Es SmolLM3-3B seguro para los datos de la empresa?
- 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.
- ¿Cuáles son las mejores alternativas a SmolLM3-3B?
- Las alternativas más cercanas que hemos analizado son Granite 4.2, Gemma 4 y Phi-4-multimodal.
Respuestas comprobadas el 26 oct 2026.