Una historia de clasificación con el titular equivocado

La familia Qwen de Alibaba supero los 3.000 millones de descargas acumuladas en los seis meses hasta mediados de agosto de 2026, una cifra que la compañía confirmo a Bloomberg mediante una declaración por correo electrónico, junto con un recuento de más de 460 modelos de pesos abiertos y más de 300.000 modelos derivados construidos sobre ellos. Casi todos los medios que cubrieron la noticia publicaron una versión del mismo titular: Qwen supero a Google y Meta juntos para convertirse en la familia de IA de pesos abiertos más descargada del mundo.

Ese enfoque trata la historia como una clasificación. El propio informe de Hugging Face, "State of Open Models: Summer 2026 Observations", publicado el 14 de agosto de 2026 y fuente directa de la mayor parte de la cobertura, cuenta una historia más precisa. Qwen suma 151.448 repositorios derivados en el Hub de Hugging Face, 2,6 veces todo el conjunto de Meta y 4,7 veces el número de repositorios especificos de Llama, y atrae 39,6 millones de descargas GGUF al mes, frente a 20,8 millones de Gemma, de Google, y 7,5 millones de Llama. Los propios modelos de Google ocupan el segundo lugar en derivados, con 82.506 repositorios; el conjunto implicito de Meta ronda los 58.249. La distancia no es pequeña.

Concentración, no diversidad, es la cifra que importa

El detalle que todos los resumenes pasaron por alto es la forma de la distribución, no quien gana. El informe de Hugging Face constata que el 85,6 por ciento de todos los modelos del Hub tienen menos de 200 descargas en toda su vida útil, y que el 1,5 por ciento de los repositorios concentra el 99,2 por ciento de todas las descargas. Los modelos de menos de 1.000 millones de parametros acumulan el 83 por ciento de todas las descargas históricas. En conjunto, el "ecosistema de modelos abiertos" que se describe como extenso y diverso es, en la realidad ponderada por descargas, un punado de checkpoints que casi todo el mundo usa en la práctica, y los derivados de Qwen se situan ahora en el centro de ese punado, creciendo a un ritmo de entre 180 y 210 nuevos repositorios al día durante los primeros siete meses de 2026.

Para un equipo de ingeniería europeo, esa concentración importa más que el hito en si. "Evaluamos varios modelos abiertos" y "nos estandarizamos en el checkpoint de un proveedor extranjero, a tres capas de ajuste fino de la versión original" describen el mismo resultado práctico para la mayoria de los equipos que hoy construyen sobre Hugging Face. La segunda descripción es la que tiene peso legal.

El desencadenante de cumplimiento integrado en el ajuste fino

El Reglamento de IA de la UE no trata a toda empresa que toca un modelo de IA de propósito general como un usuario pasivo. Según el artículo 3, apartado 23, y el considerando 109 del Reglamento, y el parrafo 62 de las directrices sobre modelos de IA de propósito general de la Oficina Europea de IA, una empresa aguas abajo que modifica un modelo de IA de propósito general puede convertirse ella misma en "proveedor" de ese modelo, con las obligaciones que ese estatus conlleva, si la modificación se considera "sustancial". La Oficina de IA ha fijado un umbral indicativo para ese juicio: una capacidad de cómputo de entrenamiento equivalente a aproximadamente un tercio o más de la capacidad utilizada originalmente para entrenar el modelo base. Por debajo de ese límite, el prompting, la generación aumentada por recuperación y el ajuste ligero de hiperparametros se consideran no sustanciales. Por encima, se presume que los ajustes finos y las destilaciones son sustanciales, y los cambios completos de arquitectura lo son siempre.

Cruzar ese límite no traslada a un equipo toda la carga de cumplimiento que Alibaba soporta como proveedor original de Qwen. El considerando 109 limita las obligaciones heredadas, principalmente la documentación técnica y un resumen de cumplimiento de derechos de autor, a la parte del modelo efectivamente modificada. Pero sigue siendo una obligación real y vinculante que se activa automáticamente, basada en una proporción de cómputo que la mayoria de los equipos de ajuste fino nunca han calculado frente a los FLOPs de entrenamiento de su modelo base, y mucho menos registrado en un expediente de cumplimiento.

Que debería comprobar realmente un responsable de IA europeo

La Comisión Europea ha declarado publicamente que espera que "solo unos pocos modificadores" de modelos de IA de propósito general crucen el umbral de modificación sustancial y se conviertan ellos mismos en proveedores. Esa expectativa es una hipótesis de política, no una garantía, y se apoya explicitamente en un umbral que la propia Oficina de IA califica de indicativo y no definitivo, y del que la Comisión reconoce que puede pasar por alto modificaciones de menor cómputo que aun así cambien de forma significativa las capacidades o el perfil de riesgo de un modelo.

La lectura de Servola es práctica, no alarmista: el hito de los 3.000 millones de descargas no es en si mismo una advertencia, pero es un aviso. Cualquier equipo europeo que ejecute ajustes finos o destilaciones en producción sobre Qwen, o sobre cualquier otro modelo base abierto popular, tiene ahora un motivo concreto para comprobar donde se situó su última ejecución de entrenamiento respecto al límite de un tercio de la capacidad de cómputo, y para guardar esa cifra en un expediente, porque el Reglamento de IA ya dio a Bruselas la autoridad para pedirla, y una proporción de cómputo que nadie ha seguido es una posición débil desde la que defenderse.

Leer a continuación: Alibaba ocultó la cifra que fija su coste  |  El 2 de diciembre obliga a quien ejecuta el modelo