El 1 de octubre salieron con pesos abiertos dos modelos de decisión: la clase que no escribe texto y devuelve una opción con su probabilidad. Cloudflare publicó Clef (27B) y Clef-flash (9B) bajo Apache 2.0, servidos en Workers AI. El mismo día, Strands Labs de AWS publicó Strands Decider 2B, también Apache 2.0, con sus datos y guiones de entrenamiento. Hasta la semana pasada esta clase de modelo solo existía detrás de la API de otro.

Lo que cambia es dónde corre, no cuánto cuesta

La lectura fácil es que ahora sale gratis. El coste nunca era el obstáculo: en nuestra medición del 1 de octubre, 94 consultas a un modelo de decisión de pago costaron 0,17 centavos de dólar.

Lo que cambia es el perímetro. Strands Decider 2B responde en 115 milisegundos medianos sobre una RTX 3090 y en 234 sobre un M3 Pro, según su propio repositorio, y también arranca en CPU. Clef y Clef-flash miden 209,3 y 38,8 según Cloudflare. Una comprobación que se dispara en cada mensaje es, con una API ajena, un viaje fuera del país; con pesos abiertos se queda adentro. Ahí trabaja la licencia, no el puntaje.

El tablero se mueve solo, y lo dice AWS

El dato que la cobertura no cita está en el repositorio de AWS. Seis reentrenamientos de la misma receta, cambiando semilla y hardware, puntuaron 159, 160, 162, 165, 165 y 167 tareas de 231 en JevBench: media 163, desviación 3,2. Dos cualesquiera discrepan entre sí en 10 a 19 tareas. Una diferencia de tres tareas entre dos sistemas no distingue nada.

El puesto completo también lo publica AWS. En el tablero del 25 de septiembre de JevBench, banco independiente con licencia MIT, v19 queda 50º de 89 sistemas con 0,723, y tercero entre los de 2B o menos: dos abiertos van por delante. Arriba están los modelos de razonamiento (0,996) y las reconstrucciones sobre torsos de 12B o más, entre 0,83 y 0,93.

La latencia tampoco es una ficha técnica: Cloudflare pone a Jev en 524,1 milisegundos medianos; nuestra medición del mismo modelo dio 411.

Lo que los pesos abiertos no arreglan

En nuestro banco de 94 comandos, el mismo modelo acertó 81 con el texto solo y 93 con el contexto. Lo que movió el número fue qué se le da, no dónde corre ni cuál de los tres es.

El repositorio de AWS lo dice igual: las respuestas con confianza de 0,9 o más aciertan cerca del 95% de las veces, y en tareas nuevas la elección sirve detrás de una puerta de confianza, la puntuación no. Si tu decisión no sobrevive a un umbral, ninguno de los tres la sostiene. El argumento contrario, que es serio: con una clasificación estable y ejemplos etiquetados de sobra, un clasificador entrenado sigue saliendo más barato y más predecible.

Operamos agentes en producción: lo que aplicamos está en seguridad y en casos. De la misma serie: los 94 comandos con los que medimos un portero. El reverso de estos modelos pequeños: un modelo abierto de un billón de parámetros que no cabe en un servidor, y cuya licencia todavía no tiene nombre.