Si empiezas a trastear con IA local, tarde o temprano aparece la misma palabra: uncensored. Modelos “sin censura”, Qwen modificados, variantes de Llama con menos restricciones, Dolphin y versiones abliterated que prometen responder donde otros modelos se niegan.
La idea parece sencilla: una IA que no te dice que no. Pero esa definición se queda bastante corta. Un modelo “sin censura” no es necesariamente más inteligente, más libre ni mejor. Normalmente hablamos de modelos a los que se les han reducido determinadas conductas de rechazo aprendidas durante el alineamiento.
Eso puede ser útil, especialmente cuando ejecutamos el modelo en nuestro propio ordenador. También tiene una contrapartida: cuanto menos control viene impuesto desde fuera, más importante es entender qué modelo estamos usando y qué permisos le damos.
Los modelos no nacen diciendo que no
Un modelo de lenguaje aprende primero a predecir texto. Después suele pasar por distintas fases de ajuste en las que sus creadores intentan enseñarle cómo debe comportarse: seguir instrucciones, ser útil, reconocer ciertas situaciones y rechazar otras.
Ahí entra lo que solemos llamar alineamiento. Por eso ChatGPT, Claude, Gemini o muchos modelos abiertos pueden negarse ante determinadas solicitudes. Esa negativa no implica necesariamente que el modelo sea incapaz de producir una respuesta; muchas veces ha aprendido que, ante cierto tipo de petición, debe rechazarla.
Los modelos etiquetados como uncensored intentan reducir precisamente ese comportamiento. El problema es que “sin censura” se ha convertido en una etiqueta muy amplia: dos modelos con esa palabra en el nombre pueden haber sido modificados de formas completamente distintas.
¿Qué significa realmente que un modelo sea “abliterated”?
Una de las técnicas que más se ha popularizado es la abliteration. Simplificando bastante, el objetivo consiste en localizar patrones internos relacionados con la negativa del modelo y modificar determinadas representaciones para reducir esa tendencia al rechazo.
No se está borrando una lista secreta de palabras prohibidas ni existe un interruptor llamado “censura”. Se está alterando una parte del comportamiento aprendido por el modelo.
Un buen ejemplo actual es Huihui-Qwen3.8-27B-abliterated. Su propia ficha explica que deriva de Qwen3.8-27B y que únicamente se han modificado determinadas capas para intentar reducir rechazos conservando la mayor parte posible del rendimiento original. También aclara que las capacidades visuales no se han modificado.
Ese matiz importa porque la abliteration no garantiza que el modelo conserve intacta su calidad. El proceso puede afectar a su comportamiento, a su estabilidad o a la forma en la que sigue instrucciones.
Qwen se ha convertido en una de las bases favoritas
La comunidad de IA local se mueve rápido y Qwen se ha convertido en una de sus bases favoritas. Cada vez que aparece una generación nueva, tardan poco en surgir cuantizaciones, ajustes y versiones con menos restricciones.
El mencionado Qwen3.8-27B Abliterated ronda los 27.000 millones de parámetros y dispone de variantes GGUF para ejecutarlo con motores locales. También existen modelos bastante más pequeños, pensados para equipos modestos, aunque aquí conviene fijarse mucho en quién ha hecho la modificación, qué modelo base ha utilizado y qué cambios declara.
Si estás empezando con este mundillo, antes de descargar nada merece la pena tener claro qué modelo de IA local encaja con cada tipo de tarea. El tamaño por sí solo dice bastante menos de lo que parece.
Dolphin: una filosofía algo diferente
Otro nombre habitual es Dolphin. El proyecto lleva años apostando por modelos muy configurables y obedientes al system prompt, con la idea de que sea el propietario del sistema quien decida las reglas.
En Ollama, Dolphin3 Abliterated 8B ocupa unos 4,9 GB en su cuantización más común y mantiene una ventana de contexto de 128K. Es una opción accesible para experimentar sin necesitar una máquina enorme.
También existe el Dolphin 3 estándar, basado en Llama 3.1 8B. Aquí hay una diferencia importante: Dolphin no es sinónimo de “abliterated”. Puede haber modelos Dolphin diseñados para ser muy configurables y, además, versiones posteriores a las que se les haya aplicado abliteration.
También hay Llama con menos restricciones
Meta no distribuye oficialmente un “Llama sin censura”, pero la comunidad sí ha creado modificaciones de sus modelos. Existen, por ejemplo, versiones de Llama 3.3 70B Instruct a las que se ha aplicado abliteration y que después se distribuyen en GGUF.
Una cuantización Q4_K_M de una de estas variantes ronda los 42,5 GB, mientras que las Q5 y Q6 pueden acercarse o superar con facilidad los 50 GB. Ya no estamos hablando de un modelo para cualquier portátil.
Y aquí aparece uno de los grandes problemas de este ecosistema: el nombre del modelo no basta. Uno puede ser una modificación relativamente limpia del original, otro haber recibido un nuevo fine-tuning, otro mezclar varios modelos y otro limitarse a llevar la palabra uncensored porque suena bien.
Antes de instalar uno conviene mirar siempre la ficha, el modelo base, el autor, la licencia y qué modificaciones se han realizado.
“Sin censura” no significa neutral ni fiable
Eliminar rechazos tampoco convierte al modelo en una inteligencia neutral. Sigue arrastrando sus datos de entrenamiento, sesgos, instrucciones y ajustes posteriores.
Puede seguir negándose a determinadas cosas. Puede ser excesivamente complaciente. Puede insistir en darte la razón o inventar una respuesta antes que reconocer que no sabe algo. De hecho, un modelo menos alineado puede convertirse en un peor asistente precisamente por ser demasiado obediente.
Que una IA responda siempre no significa que la respuesta sea buena. Y en tareas de investigación, programación o análisis eso importa mucho más que conseguir que nunca aparezca un “no puedo ayudarte”.
¿Para qué tienen sentido estos modelos?
La parte interesante no está únicamente en “preguntarle cosas prohibidas”. Hay usos bastante normales en los que un modelo con menos rechazos puede resultar más cómodo: ficción con temas adultos o violentos, análisis de textos sensibles, investigación de seguridad en entornos controlados, creación de personajes, clasificación de documentos o experimentación con agentes.
Pero para mí el caso más interesante es otro: usar un asistente local sobre el que tú decides qué restricciones aplicar. Cuando el modelo corre en tu ordenador puedes elegir qué system prompt utiliza, qué información recibe y qué herramientas tiene disponibles.
Si todavía no has montado uno, tenemos una guía para instalar una IA en local en Windows y Mac y una comparativa entre Ollama y LM Studio. Es probablemente la forma más sencilla de empezar a probar estos modelos sin complicarse demasiado.
Con agentes, quitar restricciones cambia de dimensión
Un chatbot con pocos filtros puede ser relativamente inofensivo si únicamente devuelve texto. La situación cambia cuando lo conectamos a agentes capaces de usar una terminal, navegar por Internet, modificar archivos, controlar aplicaciones o acceder mediante MCP a servicios externos.
Ahí quitar restricciones deja de ser una discusión filosófica. Un modelo que interpreta mal una orden y además puede borrar archivos o ejecutar comandos tiene un potencial de daño mucho mayor que uno que simplemente produce una respuesta absurda.
Por eso conviene separar dos decisiones: utilizar un modelo con menos rechazos y darle permisos amplios a un agente. No son lo mismo y no deberían venir juntas por defecto.
¿Qué modelos probaría según la memoria disponible?
No todos necesitan el mismo ordenador. Y tampoco tiene mucho sentido descargar un 70B si después tarda una eternidad en generar cada respuesta.
| Modelo | Tamaño aproximado | Equipo razonable | Para qué lo usaría |
|---|---|---|---|
| Qwen 8B Abliterated | 5-8 GB cuantizado | 16 GB de RAM | Chat, escritura y primeras pruebas |
| Dolphin3 Abliterated 8B | ~4,9 GB | 16 GB de RAM | Asistente ligero, personajes y agentes sencillos |
| Qwen3.8 27B Abliterated | 11-20+ GB según cuantización | 24-32 GB de memoria | Uso general, redacción, razonamiento y agentes |
| Llama 3.3 70B Abliterated | ~42,5 GB en Q4_K_M | 64 GB o más | Calidad local alta si el hardware acompaña |
Las cifras son orientativas porque la cuantización cambia muchísimo el tamaño y también el rendimiento. Una variante Q2 puede ahorrar mucha memoria, pero normalmente sacrifica más calidad que una Q4 o Q5.
Con 16 GB, empezaría por un 8B
En un portátil convencional con 16 GB intentaría no complicarme. Un modelo de unos 8B es suficiente para comprobar qué cambia cuando utilizamos una variante con menos rechazos y, sobre todo, permite mantener una velocidad razonable.
Dolphin3 Abliterated encaja bien en ese escenario. También hay variantes de Qwen de tamaño similar. No van a igualar a un modelo enorme en razonamiento complejo, pero para experimentar son mucho más prácticas.
Entre 24 y 32 GB aparece el punto dulce
Con 24 o 32 GB ya empieza a tener sentido mirar modelos de unos 20-30B. Ahí Qwen3.8-27B Abliterated resulta especialmente interesante por la relación entre tamaño y capacidades.
Con una cuantización adecuada puede ejecutarse en máquinas que hasta hace poco habríamos considerado demasiado pequeñas para un modelo de 27.000 millones de parámetros. Y sigue dejando margen para conectarlo a Ollama, un navegador o un agente local.
Ese margen es importante: la memoria necesaria no termina en el tamaño del archivo del modelo.
La RAM no lo es todo
La regla “si el modelo ocupa 20 GB y tengo 24 GB de RAM, funciona” es demasiado simplista. Además de los pesos del modelo hay que reservar memoria para el contexto, la caché KV, el sistema operativo y el resto de aplicaciones.
Cuanto mayor sea la ventana de contexto, más puede aumentar ese consumo. Si quieres entender por qué, lo explicamos en detalle en cuánta memoria necesita realmente el contexto de una IA local.
Mi regla práctica es bastante sencilla: si el modelo entra por los pelos, probablemente sea demasiado grande para usarlo cómodamente. Un modelo algo más pequeño pero rápido suele resultar mucho más útil que uno enorme generando texto a paso de tortuga.
Los modelos sin censura tampoco son necesariamente mejores
Después de probar varias de estas variantes, esta es la parte que menos aparece en las listas de Internet: modificar un modelo puede deteriorarlo.
La propia comunidad que desarrolla modelos abliterated ajusta qué capas modifica precisamente para intentar conservar el rendimiento original. Aun así, una versión más permisiva puede seguir peor las instrucciones, volverse demasiado complaciente o perder parte de la estabilidad del modelo base.
Por eso no elegiría un modelo únicamente porque lleve “uncensored” en el nombre. Primero miraría si es buen modelo para la tarea que quiero hacer y después decidiría cuánto me importa reducir sus rechazos.
Quizá “sin censura” ni siquiera sea el nombre correcto
Cuanto más se mira este ecosistema, más evidente resulta que uncensored tiene bastante de etiqueta de marketing. Yo hablaría más bien de modelos con menos restricciones de alineamiento.
No existe una IA completamente neutral y tampoco hay un botón universal de “censura” que podamos apagar. Lo que sí existe es un ecosistema abierto en el que cualquiera puede coger un modelo, modificarlo, cuantizarlo y decidir cómo quiere que se comporte.
La parte realmente interesante de la IA local no es poder preguntarle cosas que ChatGPT o Claude rechazarían. Es poder escoger el modelo, ejecutarlo en nuestra propia máquina y decidir qué instrucciones, herramientas y permisos tendrá.
No estamos quitándole las reglas a una IA. Estamos empezando a escribir las nuestras.
