Hace año y medio le dije a un amigo que usar pesos abiertos para trabajo serio era un pasatiempo, no un plan. Me equivoqué, y puedo señalar el número que cambió mi opinión: 87.
Ahí es aproximadamente donde DeepSeek V4 Pro se sitúa hoy en el ranking compuesto de BenchLM. Un modelo que puedes descargar completo, con todos sus pesos, que se sitúa justo por debajo de la frontera cerrada en lugar de quedar muy por detrás. Así que quiero hacer lo nada glamuroso: comparar realmente las opciones del mejor LLM de código abierto a mediados de 2026, ordenadas por aquello en lo que cada uno es genuinamente bueno. No por cuál tuvo la semana de lanzamiento más ruidosa.
El ranking de pesos abiertos, sin rodeos
Aquí es donde el grupo abierto aterriza en la puntuación compuesta de BenchLM ahora mismo. Una advertencia antes de la lista: estas puntuaciones son las que reporta BenchLM a junio de 2026 — tómalas como orientativas, no como verdad absoluta.
- DeepSeek V4 Pro (Max) — alrededor de 87. El modelo abierto de mayor rango.
- GLM-5.1 — alrededor de 83.
- Kimi K2.6 — alrededor de 81.
- GLM-5 (Reasoning) — alrededor de 79.
- Qwen3.5 397B (Reasoning) — alrededor de 77.
Mira esa dispersión. Diez puntos separan el primero del quinto, y cada modelo ahí dentro es algo que desplegarías sin dudar en producción. Un ranking en un leaderboard es un promedio a través de decenas de tareas. No corres un promedio en producción. Corres tu carga de trabajo.
Así que la pregunta útil no es "¿cuál es el mejor?". Es "¿el mejor en qué?". Déjame desglosarlo por tarea.
El mejor LLM de código abierto para programación
Esta es la categoría donde los pesos abiertos dejaron de ser un plan B.
GLM-5 publica alrededor de 77.8% en SWE-bench Verified, según BenchLM. Ese benchmark hace que el modelo corrija issues reales de GitHub en repositorios reales, no que autocomplete una función ordenada. Los 70 y tantos altos son territorio adyacente a la frontera. DeepSeek V4 Pro está justo a su lado con alrededor de 80.6% en la misma prueba. Si vives en Claude Code o Cursor y quieres algo auto-hosteable que aguante a través de una refactorización de múltiples archivos, cualquiera de los dos es una primera elección razonable. Me inclino por GLM-5 cuando quiero una huella más pequeña y por DeepSeek cuando quiero más margen.
Un límite honesto, eso sí. SWE-bench Verified solo comprueba si un parche pasa las pruebas. No dice nada sobre si tu ingeniero senior aprobaría el pull request. Saber cuándo no tocar un archivo, cuándo dejar algo feo porque reescribirlo es más arriesgado que mantenerlo, ese tipo de contención no aparece en una puntuación. Así que toma el 77.8% como cifra reportada, y sigue leyendo cada diff.
El mejor LLM de código abierto para contextos largos
¿Quieres darle un codebase entero, o un año de documentos de diseño de una sola vez? Llama 4 Scout anuncia una ventana de contexto de alrededor de 10 millones de tokens, según este artículo de Hugging Face. Esa es la cifra anunciada, y los pesos son abiertos. Para recuperación de documentos pesados o análisis de repositorios completos, nada más abierto se acerca en tamaño de ventana bruta.
Tendría dos cosas en mente antes de emocionarte. Una ventana enorme y "razona de forma confiable a través de todo ello" no son la misma afirmación. El recall se adelgaza con la distancia en todos los modelos que he probado, abiertos o cerrados. Y francamente, la mayoría del tiempo no necesitas diez millones de tokens. Necesitas una recuperación decente y una ventana limpia de 200K, que la mayoría de esta lista te da. Pero cuando de verdad necesitas ir a lo enorme, Scout es la respuesta abierta.
El mejor LLM de código abierto para productos multilingües
Si tus usuarios no todos escriben en inglés, este eje importa más que tu benchmark de razonamiento por unos pocos puntos. El resumen de Hugging Face señala a Qwen3 como una sólida elección multilingüe, y en mis propias pruebas la línea Qwen maneja la entrada en idiomas distintos al inglés con más consistencia de lo que sus puntuaciones generales sugerirían. Un modelo que está tres puntos por debajo en alguna evaluación de razonamiento pero que realmente habla el idioma de tus clientes es el mejor modelo para ese producto. Sin lugar a dudas.
Qwen3.5 397B también es un capaz modelo de chat general, así que no sacrificas calidad para obtener la cobertura de idiomas.
La parte que nadie pone en el leaderboard: la licencia
Aquí es donde los pesos abiertos avanzan en silencio, y donde sigo viendo que los builders no leen la letra pequeña.
Según el mismo resumen de Hugging Face, la línea DeepSeek se distribuye bajo MIT y Qwen3 bajo Apache-2.0. Ambas te permiten construir un producto sobre los pesos, cobrar por él, y no recibir jamás una factura ni una notificación de retirada. Eso es un mundo diferente al de una API cerrada, donde el precio, los límites de tasa y "estamos retirando ese modelo en 90 días" son decisiones que se toman por ti, en un calendario que no controlas.
Pero lee el archivo de licencia real cada vez. La misma fuente señala que Kimi K2.6 usa una variante MIT modificada que deberías revisar antes del uso comercial, y que Llama 4 se distribuye bajo una licencia comunitaria con límites de uso, restricciones geográficas y reglas de redistribución. "Pesos abiertos" y "haz lo que quieras" no son sinónimos. Los modelos MIT y Apache son los que tienen pesos que genuinamente son tuyos.
Donde los modelos cerrados aún ganan
Sí siguen ganando en la cima, y no voy a fingir lo contrario. Tanto Artificial Analysis como llm-stats siguen mostrando que la frontera cerrada mantiene la mayor confiabilidad y seguimiento de instrucciones, el tipo que sientes después de una hora de trabajo agéntico en lugar de leerlo en un gráfico.
Vale la pena notar un detalle tranquilo de BenchLM: el contexto de 1M de tokens que se atribuye casualmente a los buques insignia cerrados pertenece aquí, según las cuentas de BenchLM, a DeepSeek V4 Pro. El lado abierto ya no compite solo en precio. Compite también en las especificaciones de los titulares.
Cómo elegir en la práctica
Deja de perseguir el número uno global. Elige el modelo más pequeño y barato que supere tu propio umbral:
- Agente de codificación auto-hospedado → GLM-5, con DeepSeek V4 Pro como opción más potente.
- Trabajos de meter-todo-en-la-ventana → Llama 4 Scout, con los ojos abiertos sobre el recall.
- Productos en idiomas distintos al inglés → Qwen3.5.
- Construir un negocio directamente sobre los pesos → modelos MIT o Apache, es decir DeepSeek o Qwen, nunca algo bajo una licencia comunitaria restrictiva.
- Confiabilidad de primer nivel donde el coste no es la restricción → la frontera cerrada.
Luego corre tu propia evaluación. Veinte tareas reales sacadas de tu backlog real te dirán más que cualquier leaderboard impreso. Las puntuaciones compuestas te dan una lista corta. Tu trabajo elige al ganador de ella.
La frontera sigue liderando. Lo que cambió en 2026 es que ya no está sola ahí arriba, y la compañía que tiene no cuesta nada para licenciar.