El campo de la inteligencia artificial está en ebullición y es difícil mantenerse al día de todos los modelos y herramientas disponibles, o simplemente encontrar lo que se encuentra a nuestro disposición. Con tantos nombres como Stable Diffusion, DALL-E o Midjourney puede ser abrumador saber por dónde empezar. Preguntas tan sencillas como ¿a dónde debo ir si quiero generar una imagen? ¿y dónde si la quiero gratis? ¿qué opciones tengo? pueden volverse más complicadas de lo necesario.
La siguiente lista de recursos pretende ser una guía actualizada de los recursos más significativos del panorama de la IA actual. Espero que resulte de ayuda.
Modelos propietarios
Los modelos propietarios son típicamente los modelos más poderosos, creados y entrenados por empresas que los mantienen internamente y su fuente no se encuentra accesible al público. Típicamente estos modelos son hospedados por las propias empresas que los producen, y son accesibles a través de APIs de pago, aunque se pueden presentar de otras maneras.
| Texto | Texto a imagen | Visión | Audio | Texto a voz | Embeddings | |
| OpenAI | O1 GPT-4o / mini GPT-4 / Turbo GPT-3.5 Turbo | Dall-E 2 Dall-E 3 | GPT-4o mini GPT-4o GPT-4 / Turbo GPT-3.5 Turbo | Whisper (transcripción) GPT-4o | TTS | Embeddings |
| Anthropic | Claude 3 | Claude 3 | ||||
| Gemini 1.0 Ultra Gemini 1.5 Pro Gemini 1.0 Pro Gemini 1.5 Flash | Gemini 1.0 Ultra Gemini 1.5 Pro | Gemini 1.0 Ultra | Embeddings | |||
| Midjourney | Midjourney | |||||
| Meta | Emu |
OpenAI
La empresa que ha desencadenado el reciente boom de la inteligencia artificial con sus modelos GPT, y dando a conocer al gran público las posibilidades de los grandes modelos de lenguaje con el lanzamiento de Dall-E y (especialmente) ChatGPT a finales de 2022.
OpenAI ofrece multitud de modelos para distintos casos de uso: generación de texto, imágenes, audio, etc.
O1-preview y mini
OpenAI presentó la familia de modelos O1 el 12 de septiembre de 2024. Esta nueva familia rompe con el nombre que sus modelos de lenguaje venían teniendo hasta ahora (GPT) para representar que se trata de algo distinto. El foco de estos modelos están en la mejora del razonamiento, lo que los hace especialmente especialmente útiles para tareas que requieren análisis lógico y resolución de problemas complejos o programación.
Por lo pronto se ha lanzado el modelo preview, que se espera que será sustituido pronto por versiones mejoradas, y el mini, que es más pequeño (y cinco veces más barato).
- Capacidades:Modelo de lenguaje natural (generar salida de texto a partir de texto en lenguaje natural) orientado al razonamiento.
- Canal de acceso: Interfaz web (suscripción), API (PPU).
GPT-4o mini
Presentado el 18 de julio de 2024, es un modelo más pequeño y eficiente que GPT-4o, resultando más barato que GPT-3.5 Turbo con mejor rendimiento. Ha sustituido a GPT-3.5 Turbo en la versión gratuita de ChatGPT.
- Capacidades: Modelo multimodal, que incorpora lenguaje natural y visión (según OpenAI, audio será añadido con posterioridad).
- Canal de acceso: Interfaz web (gratis), API (PPU).
GPT-4o
El modelo más avanzado de OpenAI, presentado el 13 de mayo de 2024. En septiembre empezó a ser accesible también a través de Realtime API, que permite mantener conversaciones por voz en tiempo real (mímima latencia).
- Capacidades: Modelo multimodal, que incorpora lenguaje natural, audio y visión.
- Canal de acceso: Interfaz web (suscripción), API (PPU), Realtime API (PPU).
GPT-4 y GPT-4 Turbo
- Capacidades: Modelo de lenguaje natural y visión (generar salida de texto a partir de texto en lenguaje natural e imágenes).
- Canal de acceso: Interfaz web (suscripción), API (PPU).
GPT-3.5 Turbo
- Capacidades:Modelo de lenguaje natural (generar salida de texto a partir de texto en lenguaje natural).
- Canal de acceso: API (PPU).
Dall-E 3
- Capacidades: Generación de imágenes a partir de descripciones en lenguaje natural.
- Canal de acceso: Interfaz web (suscripción), API (PPU).
Dall-E 2
- Capacidades: Generación de imágenes a partir de descripciones en lenguaje natural.
- Canal de acceso: API (PPU), la interfaz web ha sido retirada.
TTS (Text-To-Speech)
- Capacidades: Conversión de texto a voz.
- Canal de acceso: API (PPU).
Embeddings
- Capacidades: Generación de embeddings (representación como vectores numéricos) a partir de texto.
- Canal de acceso: API (PPU).
Anthropic
Anthropic es una compañía de IA fundada en 2021 por antiguos investigadores de OpenAI. Aunque es una empresa independiente, ha recibido grandes inversiones de Amazon, y sus modelos tienen una integración especialmente buena con las herramientas de AWS.
Han lanzado la familia de modelos Claude 3, con tres tamaños diferentes: Opus (el más grande), Sonnet y Haiku (el más pequeño), y más recientemente, 3.5 Sonnet, que es ahora mismo su model más capaz. Se espera que 3.5 Haiku y Opus estén disponibles antes del final de 2024.
Ofrecen acceso gratuito a través de una consola web, que cambia entre Sonnet 3.
Claude 3.5 Sonnet
- Capacidades: Modelo de lenguaje natural y visión (generar salida de texto a partir de texto en lenguaje natural e imágenes).
- Canal de acceso: Interfaz web (gratis), API (PPU).
Claude 3 Opus
- Capacidades: Modelo de lenguaje natural y visión (generar salida de texto a partir de texto en lenguaje natural e imágenes).
- Canal de acceso: Interfaz web (suscripción), API (PPU).
Claude 3 Sonnet
- Capacidades: Modelo de lenguaje natural y visión (generar salida de texto a partir de texto en lenguaje natural e imágenes).
- Canal de acceso: Interfaz web (gratis), API (PPU).
Claude 3 Haiku
- Capacidades: Modelo de lenguaje natural y visión (generar salida de texto a partir de texto en lenguaje natural e imágenes).
- Canal de acceso: Interfaz web (gratis), API (PPU).
Ofrece actualmente tres modelos de lenguaje dentro de la familia Gemini, Ultra, Pro y Flash, siendo Ultra el más potente, además de modelos de visión y embeddings. Recientemente ha lanzado Gemini 1.5 Pro, y 1.5 Flash, que es su modelo más rápido y ligero.
La principal característica que diferencia los modelos Gemini de Claude y GPT es el gran tamaño de su ventana de contexto, de un millón de tokens.
Gemini 1.0 Ultra
- Capacidades: Modelo de lenguaje natural (generar salida de texto a partir de texto en lenguaje natural) y visión tanto de imágenes como de video.
- Reconocimiento de voz.
- Canal de acceso: Interfaz web (suscripción).
Gemini 1.5 Pro
- Capacidades: Modelo de lenguaje natural (generar salida de texto a partir de texto en lenguaje natural) y visión tanto de imágenes como de video.
- Canal de acceso: Google AI studio (gratis), API (gratis con límite de uso, o PPU).
Gemini 1.0 Pro
- Capacidades: Modelo de lenguaje natural (generar salida de texto a partir de texto en lenguaje natural) y visión con una versión distinta del modelo.
- Canal de acceso: Google AI studio (gratis), API (gratis con límite de uso, o PPU).
Gemini 1.5 Flash
- Capacidades: Modelo de lenguaje natural (generar salida de texto a partir de texto en lenguaje natural) y visión con una versión distinta del modelo.
- Canal de acceso: Google AI studio (gratis), API (gratis con límite de uso, o PPU).
Embeddings
- Capacidades: Generación de embeddings (representación como vectores numéricos) a partir de texto.
- Canal de acceso: API (PPU).
Midjourney
- Capacidades: Generación de imágenes a partir de descripciones en lenguaje natural.
- Canal de acceso: Discord (suscripción).
Inflection
Inflection es la impresa detrás de Pi, un asistente que se presenta como más humano y empático, en virtud a su modelo de lenguaje especialmente entrenado para potenciar estas virtudes.
Inflection-1
- Capacidades:Modelo de lenguaje natural especialmente entrenado para inspirar empatía y conexión a nivel humano.
- Canal de acceso: Exclusivamente a través del asistente Pi (gratis).
Meta
Meta ha publicado abiertamente sus modelos Llama, pero su modelo de generación de imágenes, Emu, lo mantienen como propietario.
Emu
- Capacidades: Generación de imágenes a partir de descripciones en lenguaje natural.
- Canal de acceso: Meta AI (gratis) en múltiples canales, incluyendo consola web y Whatsapp, además de otros productos de Meta.
Modelos abiertos
Los modelos abiertos son modelos que una vez entrenados se ponen a disposición del público. Esto permite que cualquiera pueda (en principio, aunque pueden existir limitaciones en las licencias) descargarlos, afinar su entrenamiento para usos concretos, hospedarlo en su propio servidor o incluso (si dispone del hardware adecuado) ejecutarlo localmente en su máquina.
Meta
La empresa matriz de Facebook hace públicos sus modelos Llama, siendo Llama 3.1 los más recientes (publicados en julio de 2024). Son los modelos abiertos de lenguaje más avanzados en la actualidad.
Llama 3.2
Lanzados en septiembre de 2024, la familia Llama 3.2 está compuesta de 4 modelos, y dividida en dos grupos: ligeros (1B y 3B) y multimodales (11B y 90B).
Los modelos multimodales aceptan de entrada tanto texto como imágenes, mientras que los ligeros sólo manejan texto tanto a la entrada como a la salida, y están pensados para ser usados en dispositivos de usuario (PCs o móviles) por su pequeño tamaño.
Llama 3.1
Familia de modelos lanzados en julio de 2024 , en tres versiones, 8B, 70B y 405B (8, 70 y 405 mil millones de parámetros respectivamente). Llama 3.1 405B es el modelo abierto más poderoso en la actualidad, encontrándose a un nivel similar a GPT-4o y Claude 3.5 Sonnet.
- Capacidades: Modelo de lenguaje natural (generar salida de texto a partir de texto en lenguaje natural).
Llama 3
Familia de modelos lanzados en abril de 2024 y disponibles en dos versiones, 8B y 70B, siendo este último de una capacidad comparable a la de Gemini Pro 1.5 o Claude 3 Sonnet.
- Capacidades: Modelo de lenguaje natural (generar salida de texto a partir de texto en lenguaje natural).
Además de la familia Gemini, Google tiene la familia de modelos abiertos Gemma. Reciéntemente han lanzado Gemma 2, en versiones de 9B y 27B.
Gemma 1
- Capacidades: Modelo de lenguaje natural (generar salida de texto a partir de texto en lenguaje natural).
- Disponible en variantes estándar y CodeGemma, esta última especializada en generación de código; cada uno de ellos en versiones de 2B y 7B.
Gemma 2
- Capacidades: Modelo de lenguaje natural (generar salida de texto a partir de texto en lenguaje natural).
nVidia
El 17 de septiembre de 2024 nVidia lanzó su familia de modelos abiertos multimodales NVLM 1. Por lo pronto sólo en primer modelo de 72B (72 mil millones de parámetros) está disponible, pero las comparativas preliminares lo ponen al nivel de Llama 3.1 405B o GPT-4o.
- Capacidades: Modelo de lenguaje natural (generar salida de texto a partir de texto en lenguaje natural) y visión.
Stability AI
Stability AI es la principal empresa detrás de la famosa familia de modelos de generación de imágenes Stable Diffusion. Publican APIs alojadas para acceder a sus modelos en una modalidad de pago por uso, al igual que OpenAI o Anthropic, pero también los publican para que cualquiera los descargue, despliegue y modifique.
Su último modelo de generación de imágenes, Stable Diffusion 3, solo está disponible a través de su API, pero se han comprometido a lanzarlo abiertamente en algún momento (aunque, a decir verdad, esto fue publicado por Emad Mostaque, que renunció como CEO el 23 de marzo de 2024, así que puede que no sea vinculante).
Algunos de sus modelos publicados:
- Stability Video 3D (generación de video)
- SD-Turbo (generación de imágenes)
- SDXL-Turbo (generación de imágenes)
- Stable Video Diffusion (generación de video)
- SDXL (generación de imágenes)
Mistral AI
Aunque la compañía francesa Mistral AI también tiene modelos comerciales, es más conocidas por sus modelo abiertos. Todos ellos son modelos de lenguaje.
Sus modelos abiertos publicados hasta la fecha son:
- Mistral 7b, publicado en septiembre de 2023.
- Mixtral 8x7b, publicado en diciembre de 2023.
- Mixtral 8x22b, su mejor modelo abierto hasta la fecha, publicado en abril de 2024.
Microsoft
Microsoft ha lanzado una familia de modelos de lenguaje más pequeños, Phi-3. La familia se compone de tres modelos, pero por ahora sólo uno, Phi-3-mini (3.8B), el más pequeño, se encuentra disponible.
xAI
La empresa de inteligencia artificial de Elon Musk ha publicado con libre acceso (y licencia Apache 2.0) su modelo de lenguaje Grok-1.
OpenAI
La mayoría de los modelos de OpenAI son de propiedad exclusiva, pero la excepción es su modelo Whisper, el cual hicieron público con una licencia MIT y se puede descargar libremente
Whisper
- Capacidades: Transcripción; convierte audio (hablado) a texto.
- Canal de acceso: API (PPU), libre descarga.
Integradores de IA
En esta categoría incluyo empresas cuya oferta no se basa en crear modelos propios, sino que usa modelos de otros para crear productos o servicios novedosos.
Hugging Face
Hugging Face es la principal plataforma de distribución libre de modelos de IA.
Groq
Groq es una empresa que ha desarrollado su propio hardware para la inferencia de modelos, logrando una ejecución ultrarrápida. Ofrecen un chat gratuito para acceder a varios modelos de código abierto que se ejecutan en su hardware, así como servicios de alojamiento de modelos.
Perplexity
Perplexity es un chatbot con versión gratuita y de pago. La versión gratuita lleva por debajo un modelo propio de Perplexity, mientras que la versión de pago permite el uso de otros modelos como Claude-3, Llama 3, GPT-4, u otros.
Además de poder servir de interfaz para el uso de otros modelos, Perplexity tiene la característica especial de que es capaz de hacer búsquedas en internet para complementar la información de sus respuestas, lo cual hace que pueda mostrar información más reciente, mientras que otros chatbots están limitados por la información disponible a la fecha en que concluyeron su entrenamiento.