Alibaba Qwen: 3 mil millones de descargas y un cambio en el equilibrio de poder en la IA abierta
El ecosistema de modelos abiertos de Alibaba Qwen ha alcanzado un hito impresionante: en los últimos seis meses, el número de descargas superó los 3 mil millones. La corporación china ha puesto a disposición pública más de 460 redes neuronales, sobre cuya base desarrolladores de todo el mundo han creado alrededor de 300 000 soluciones derivadas. Esto no es solo estadística, sino un marcador de un cambio fundamental en la industria.
Datos de Hugging Face: dominio sin reservas
El análisis de la plataforma Hugging Face durante siete meses del año actual dibuja un panorama aún más revelador. Solo en este ecosistema, los modelos Qwen se descargaron 2,05 mil millones de veces, y el número de forks y repositorios derivados alcanzó los 151 448. Para comparar, en Google este indicador es de modestos 82 506. Es importante entender que las estadísticas de Hugging Face solo consideran la actividad dentro de su propia plataforma, excluyendo llamadas API y despliegues corporativos privados.
Las descargas totales de Google para 2026 se estiman en 418 millones, y las de Meta, en 227 millones. Sin embargo, estas cifras no deben percibirse como un indicador directo de cuota de mercado o éxito comercial: los autores del informe advierten contra tales interpretaciones simplistas. No obstante, el ritmo de crecimiento de Qwen dice mucho: diariamente, el número de repositorios derivados aumenta entre 180 y 210. También es reveladora la contribución de la comunidad: de las 28 531 conversiones GGUF de estos modelos, solo 54 fueron creadas por la propia Alibaba.
«Qwen se ha convertido en un elemento estándar del flujo de trabajo de los desarrolladores que eligen qué modelo ajustar y desplegar», señalan los analistas de Hugging Face.
El secreto del éxito: estrategia de escalado
La superioridad de Qwen se explica por tres factores clave: actualizaciones regulares de la gama de modelos, cobertura de todas las escalas, desde versiones submilmillonarias hasta la gigantesca Qwen3.8-Max con 2,4 billones de parámetros, y la licencia abierta Apache 2.0, que elimina restricciones para uso comercial. El amplio espectro resultó decisivo: los modelos con menos de 1 mil millones de parámetros representan el 83% de todas las descargas históricas de la plataforma, mientras que las redes neuronales de más de 100 mil millones solo el 1%. Los competidores centrados en LLM gigantes claramente pierden: Moonshot AI, que casi no lanza modelos de menos de 70 mil millones, acumuló solo 37 millones de descargas en un año, aproximadamente 55 veces menos que Qwen. En el segmento de despliegue local, la brecha también es enorme: las compilaciones GGUF de Qwen se descargan 39,6 millones de veces al mes, frente a 20,8 millones de Gemma y 7,5 millones de Llama.
Nuevo equilibrio de fuerzas en la IA abierta
El informe registra un cambio tectónico: casi cada mes, el modelo abierto más grande de China superaba en tamaño a todos los lanzamientos estadounidenses. El techo de parámetros de los modelos chinos oscilaba entre 754 mil millones y 2,78 billones, mientras que en los competidores de EE. UU., en cinco de los siete meses, no superaba los 130 mil millones. La política de licencias también difiere notablemente: en China, el 59% de los modelos con más de 20 mil millones de parámetros se publican bajo Apache 2.0, el 22% bajo MIT, y ninguno tiene restricciones de uso comercial. En EE. UU., solo el 29% cae bajo licencias abiertas, el 41% bajo condiciones propietarias, y el 30% sin especificar licencia alguna.
Es notable que en EE. UU., los impulsores de los modelos abiertos no son los laboratorios de IA, sino los fabricantes de chips: AMD y Nvidia han publicado más de 200 repositorios cada una, superando notablemente a Google y Meta.
Mi comentario: Estos datos son una clara confirmación de que la estrategia de «la apertura como arma» funciona. Alibaba no solo alcanza a los competidores occidentales, sino que reformatea el mercado, apostando por la adopción masiva y el ecosistema de desarrolladores. Los laboratorios occidentales deberían reflexionar: el control de la infraestructura es importante, pero sin modelos abiertos que los desarrolladores elijan, el liderazgo en IA podría resultar una victoria pírrica.