Actualizado: 2026-07-07

El 18 de julio de 2023, Meta publicó LLaMA 2[1], la segunda generación de su modelo de lenguaje. A diferencia de LLaMA 1 (solo investigación), esta vez la licencia permite uso comercial, con algunas salvedades para empresas con más de 700 millones de usuarios mensuales. Para el 99,9 % de las organizaciones, eso significa: puedes descargarlo, modificarlo y usarlo en producción sin pagar royalties.

Esto cambia el escenario de los modelos abiertos de forma significativa.

Puntos clave

  • LLaMA 2 se publica en tres tamaños (7B, 13B, 70B) y dos variantes (base y chat), con licencia comercial.

  • El modelo 70B iguala o supera a GPT-3.5 en benchmarks estándar y se acerca a GPT-4 más que cualquier modelo abierto anterior.

  • Hugging Face, Ollama, LM Studio y llama.cpp lo hacen accesible en hardware de consumo.

  • Ventajas absolutas frente a APIs propietarias: privacidad, coste a escala, fine-tuning sin restricciones y baja latencia.

  • La estrategia de Meta es competitiva, no altruista; lo que garantiza inversión continuada.

Qué ofrece LLaMA 2

Meta publicó tres tamaños: 7B, 13B y 70B parámetros. Cada uno en dos variantes: base (entrenada en predicción de texto general) y chat (afinada con RLHF para conversación tipo asistente).

Características clave:

  • Entrenado con 2 billones de tokens, el doble que LLaMA 1 y con datos filtrados más rigurosamente.

  • Ventana de contexto de 4k tokens. Limitación frente a GPT-4 (8k–32k) o Claude 2 (100k), pero extensible vía técnicas como RoPE scaling.

  • Competitivo en benchmarks. LLaMA 2 70B iguala o supera a GPT-3.5 en MMLU, TriviaQA, HumanEval y otros. No llega a GPT-4, pero lo acerca mucho más que cualquier modelo abierto anterior.

  • Licencia comercial. La parte más transformadora. La Llama 2 Community License[2] permite uso en producto gratis, con pocas restricciones.

Impacto en el ecosistema

En las semanas posteriores al release, el ecosistema explota en cuatro direcciones:

  • Hugging Face aloja versiones cuantizadas[3] en todas las combinaciones: GGML, GPTQ, AWQ, 4-bit, 8-bit. Correr LLaMA 2 7B en una GPU con 8 GB es ahora trivial.

  • Fine-tunes de la comunidad: Vicuna, Wizard, Airoboros y docenas de variantes afinadas para tareas específicas (código, razonamiento, roleplay) aparecen en días.

  • Integración con herramientas: Ollama[4], LM Studio[5], llama.cpp[6] corren LLaMA 2 localmente en Mac, Linux y Windows en cuestión de minutos.

  • Servicios hospedados (Replicate, Anyscale, Together AI, AWS Bedrock) ofrecen LLaMA 2 con latencia baja a ~0,0008 USD por 1k tokens.

Casos donde LLaMA 2 supera a GPT por valor total

Hay escenarios donde LLaMA 2 (incluso siendo inferior en capacidad bruta) es mejor elección que GPT-3.5/4:

  • Privacidad de datos. Si no puedes enviar datos del cliente a APIs externas (salud, finanzas, defensa), LLaMA 2 on-prem es la única vía. Esta restricción es explícita en el marco de NIS2 para datos de infraestructura crítica.

  • Control de coste a escala. A partir de cierto volumen (~100M tokens/mes), alojar tu propio LLaMA 2 sale más barato que API externa.

  • Fine-tuning profundo. Puedes afinar pesos directamente, no solo añadir capas LoRA sobre base gestionada. Con QLoRA es factible afinar incluso el modelo 70B en hardware de consumo.

  • Baja latencia. Ejecutar localmente elimina round-trips a APIs, lo que importa en aplicaciones interactivas.

Cuándo GPT-4 sigue siendo mejor

Y donde LLaMA 2 todavía no compite:

  • Razonamiento complejo multi-paso. GPT-4 mantiene ventaja en tareas donde la calidad por encima del 90 % es crítica.

  • Capacidad multilingüe amplia. LLaMA 2 funciona bien en inglés, aceptable en español/francés/alemán, regular en otros idiomas.

  • Integración rápida en producto. Si el coste operativo no es el cuello de botella, la API de OpenAI = menos fricción.

Requisitos de hardware

Para correr LLaMA 2 localmente:

Modelo VRAM mínima (4-bit) VRAM plena (fp16)
7B 4–6 GB 14 GB
13B 8–10 GB 26 GB
70B 40–50 GB 140 GB

Con cuantización agresiva (GGML 4-bit), 7B corre en CPU en portátiles modernos (~10 tokens/s). 70B requiere GPU grande o técnicas de offloading a RAM + SSD, con degradación de rendimiento.

La política detrás

La estrategia de Meta con LLaMA 2 no es altruista — es competitiva. Al liberar modelos abiertos, Meta:

  • Reduce la ventaja de OpenAI/Anthropic (cuya monetización depende de APIs propietarias).

  • Acelera la adopción de tecnologías de IA que Meta luego puede aplicar en sus productos.

  • Gana mindshare entre desarrolladores, un activo estratégico a largo plazo.

Esto no hace el modelo menos útil. Al contrario, esa motivación asegura inversión continuada. Pero conviene entenderlo como movimiento estratégico, no como filantropía.

Conclusión

LLaMA 2 marca el momento en que los LLMs abiertos se vuelven opciones legítimas para producción, no solo para investigación. Para equipos con restricciones de privacidad, costes a escala o requisitos de personalización profunda, ahora hay una alternativa viable a los modelos propietarios. La brecha con GPT-4 sigue existiendo, pero se acorta cada pocos meses.

Este artículo también está disponible en inglés: LLaMA 2 and the New Wave of Open Language Models.

Fuentes

  1. LLaMA 2
  2. Llama 2 Community License
  3. versiones cuantizadas
  4. Ollama
  5. LM Studio
  6. llama.cpp