PyTorch ganó la investigación. Dónde siguen encajando TensorFlow y MLX

La guerra de los frameworks ha terminado, y PyTorch ganó la parte que más importa: la investigación y los modelos de lenguaje grandes. Los nuevos artículos, tutoriales y pesos preentrenados aparecen primero allí. Eso hace la elección más sencilla de lo que parece, pero no trivial, porque otros dos frameworks siguen dominando rincones que PyTorch no cubre, y la mayoría de los lectores de este sitio no necesita ningún framework.

La opción por defecto: PyTorch

PyTorch (4,9) es donde vive el ecosistema. Junto con Transformers (4,8) de Hugging Face, es el camino directo desde un modelo publicado hasta su ajuste fino con tus propios datos, y la inmensa mayoría de los pesos abiertos se publican primero para PyTorch. Si vas a aprender un solo framework para aprendizaje profundo o trabajo con LLM en 2026, aprende este; la cuestión no es si es el mejor en teoría, sino dónde están ya el código, los pesos y la ayuda.

El rincón de la producción y el edge: TensorFlow

TensorFlow (4,0) ya no es la opción por defecto para el trabajo nuevo, y Keras 3 lo reconoce discretamente al funcionar sobre PyTorch o JAX con la misma facilidad que sobre TensorFlow. Lo que todavía hace mejor que la mayoría es llevar un modelo entrenado a un móvil o a un microcontrolador: la vía de TensorFlow Lite y LiteRT está más madura que las alternativas. Si tu proyecto termina en el dispositivo y no en un centro de datos, o ya mantienes un código en TensorFlow, no hay motivo para portarlo. Para cualquier cosa con forma de LLM, hay pocos motivos para empezar con él.

El rincón de Apple Silicon: MLX

MLX (4,4), el framework de arrays de Apple, existe para una situación y la resuelve bien: entrenar y ejecutar modelos en local en Apple Silicon, aprovechando la memoria unificada para que un Mac con suficiente RAM pueda albergar modelos que en otra máquina necesitarían una GPU dedicada. No es un framework multiplataforma general ni pretende serlo; en un equipo Linux con tarjetas NVIDIA es la herramienta equivocada. En un MacBook, es el que trata el hardware como un objetivo de primera clase.

La opción que la mayoría quiere de verdad

Esta es la parte que esconde el debate de los frameworks: si tu objetivo es ejecutar un modelo existente y no construir ni entrenar uno, no quieres ninguno de ellos. llama.cpp (4,8) y las herramientas construidas sobre él ejecutan modelos abiertos cuantizados en hardware corriente sin instalar ningún framework y sin código de entrenamiento. La mayoría de quienes creen que necesitan TensorFlow o PyTorch necesitan un runtime de inferencia y una clave de API.

Cuál usar

Para construir o ajustar modelos, sobre todo LLM: PyTorch con Transformers, y sin mirar atrás. Para llevar un modelo propio a un dispositivo: TensorFlow y LiteRT. Para trabajar solo en un Mac: MLX. Para simplemente ejecutar modelos que ha entrenado otro: un runtime de inferencia, no un framework. El framework es la decisión más pequeña; la de verdad es si vas a construir un modelo o a consumirlo.