En 2026, antes de hablar de "acceso a Llama API desde China" hay que aclarar a qué capa te refieres: la interfaz gestionada de Meta o "una API para llamar a modelos Llama". La primera dejó de funcionar; la segunda sigue teniendo varias rutas. Esto afecta directamente la compra, la migración y el criterio de cumplimiento.
Este artículo compara red, pagos y facturas, cumplimiento, hardware y conmutación por error, y ofrece una lista de verificación antes de lanzar el servicio.
Nota: Meta, Llama y Llama 4 son marcas de Meta Platforms, Inc.; AWS, Azure, Google Cloud, Oracle y otros nombres son marcas de sus respectivos titulares. Este artículo es solo una discusión técnica, no implica afiliación ni relación con las empresas mencionadas y no constituye asesoría legal. Los modelos, regiones y precios se rigen por la documentación de cada plataforma y por la página de precios; los precios cambian.
1. Primero aclara qué es "Llama API" en 2026
Meta lanzó en 2025 una vista previa pública de Llama API, con una interfaz propia para modelos Llama alojados por Meta. Esa vista previa cerró el 6 de julio de 2026 y las solicitudes a la dirección anterior reciben un aviso de desactivación. Conviene precisar que lo que se detuvo fue la interfaz de alojamiento propia de Meta, no el modelo.
Los pesos de Llama se siguen obteniendo en la página de descargas de Meta Llama y en Hugging Face, bajo la licencia comunitaria de Llama; las plataformas de nube como AWS, Azure y Google Cloud, y varios proveedores de inferencia, también siguen ofreciendo modelos Llama. Meta mantiene además una Model API orientada a la familia Muse Spark, que no es la misma línea de producto que Llama; no mezcles los nombres al comprar.
Por eso, cuando un equipo en China dice hoy "integrar Llama API", normalmente elige entre tres roles: nube gestionada, proveedor de inferencia o gateway local, y autohospedaje. Veamos cada uno.
2. Ruta uno: nube gestionada
Las opciones principales son AWS Bedrock, Azure AI Foundry, Google Cloud Vertex AI Model Garden y, en algunos equipos, Oracle OCI Generative AI. Su punto común es que cuenta, permisos, auditoría y facturación cuelgan de la cuenta de nube, lo que encaja con equipos que ya tienen contrato y compromiso de consumo.
Hay tres cosas que vigilar. Primera, las regiones y versiones no se sincronizan por completo: en qué regiones están disponibles Llama 4 Scout, Maverick y otros modelos debe confirmarse con la lista regional de cada nube. Segunda, la forma de la interfaz no es uniforme: Bedrock suele usar Converse o InvokeModel, Azure y Vertex tienen sus propios SDK, y la capa compatible con OpenAI a menudo hay que añadirla o resolverla con un gateway. Tercera, el pago suele liquidarse en divisa extranjera; la entidad facturadora, la moneda y el plazo dependen de la forma de contratación.
Los materiales de cumplimiento, el acceso por red privada y el soporte empresarial de la nube son completos; el costo es un proceso de alta largo y la necesidad de confirmar de antemano la organización de datos entre regiones.
3. Ruta dos: proveedores de inferencia y gateways de IA locales
Los proveedores de inferencia incluyen Groq, Together AI, Fireworks, DeepInfra y OpenRouter, entre otros. Groq destaca por baja latencia; Together AI, Fireworks y DeepInfra ofrecen pago por uso o despliegues dedicados; OpenRouter agrega varios upstreams. La mayoría ofrece una interfaz compatible con OpenAI, así que al migrar normalmente solo cambian la Base URL, la clave y el ID del modelo.
Los gateways de IA locales concentran esos upstreams en una sola entrada y ofrecen recarga en yuanes y gestión de claves dentro de la plataforma. ZSQH AI Gateway pertenece a esta categoría y su entrada de registro es la página de registro; los modelos disponibles, el contexto y la facturación se rigen por la lista de modelos y la página de precios. Al elegir un gateway, pregunta: quién es el upstream, si hay cuantización, cómo se facturan las solicitudes fallidas y cuánto tiempo se conservan los datos.
4. Ruta tres: autohospedaje
El upstream del autohospedaje es el peso del modelo, no una API concreta. Los pesos se obtienen en la página de descargas de Meta Llama o en Hugging Face, y los frameworks de inferencia habituales incluyen vLLM, SGLang, TGI, llama.cpp y Ollama; cuando sale un modelo nuevo, el soporte del framework suele tardar una o dos versiones, así que revisa las notas de la versión antes de desplegar.
Para estimar hardware sirven dos referencias aproximadas: los pesos en BF16 ocupan unos 2 GB por cada mil millones de parámetros, y la cuantización INT4 unos 0.5 a 0.6 GB por cada mil millones, más margen para KV Cache, framework y concurrencia. La referencia que da Meta para Llama 4 Scout es una sola H100 en INT4; Maverick requiere un nodo con varias H100; Llama 3.3 70B en BF16 también necesita varias GPU. La cifra final se rige por la ficha del modelo y la documentación del framework.
El autohospedaje resuelve la permanencia de los datos en el propio centro de datos, el control de versiones y las cargas estables; el costo es que GPU, controladores, framework, monitoreo, escalado y seguridad quedan a tu cargo.
5. Una tabla para comparar las tres rutas
| Dimensión | Nube gestionada | Proveedor de inferencia / gateway local | Autohospedaje |
|---|---|---|---|
| Entrada de red | Endpoint regional de nube, con red privada opcional | Entrada del proveedor; el gateway local suele ser accesible desde China | Centro de datos propio o servidor en la nube |
| Alta y pago | Cuenta de nube, liquidación en divisa o contrato empresarial | Registro y recarga; el pago en yuanes es habitual | Compra o alquiler de GPU, más electricidad y operación |
| Factura | Según la entidad contratante de la nube | Según las reglas del proveedor | Se gestiona por cuenta propia |
| Datos y cumplimiento | Región, auditoría y materiales de contrato completos | Depende del proveedor; hay que revisar punto por punto | Límite de datos más claro |
| Control de versiones | La plataforma decide qué publica y qué retira | Lo decide el upstream; hay que confirmar el mapeo | Tú fijas la versión de los pesos |
| Costo de operación | Bajo | De bajo a medio | Alto |
| Elasticidad | Buena, limitada por cuota | Buena, limitada por el upstream | Depende de las GPU propias |
| Equipo adecuado | Contrato de nube y alto cumplimiento | Equipos pequeños o medianos que quieren varios modelos | Datos sensibles, carga estable y capacidad de GPU |
6. Cómo verificar red, pago y factura
"Conecta" no es lo mismo que "llama de forma estable". En horas punta, un enlace transfronterizo puede aumentar la latencia, sufrir timeouts ocasionales y cortar el streaming; mira tiempo al primer byte, latencia total p95, tasa de timeout y tasa de corte de streaming, no un solo ping.
export LLAMA_BASE_URL="https://your-gateway.example.com/v1"
export LLAMA_API_KEY="sk-..."
curl -o /dev/null -sS \
-w "dns=%{time_namelookup}s tcp=%{time_connect}s tls=%{time_appconnect}s ttfb=%{time_starttransfer}s total=%{time_total}s code=%{http_code}\n" \
"$LLAMA_BASE_URL/models" \
-H "Authorization: Bearer $LLAMA_API_KEY"
Ejecuta una serie por la mañana, otra al mediodía y otra por la noche durante varios días. Si el DNS es lento, revisa la resolución; si TCP es lento, la ruta; si TLS es lento, el handshake; si el primer byte tarda, probablemente hay cola en el upstream.
Pregunta de antemano por el pago y la factura: moneda, tipo de tarjeta, reembolso de saldo, datos fiscales, plazo de pago y consumo mínimo. Deja constancia en el registro de compra para no descubrir después del lanzamiento que el proceso financiero no funciona.
7. Cumplimiento y licencia: tres cosas separadas
La primera es el cumplimiento del servicio. Ofrecer servicios de IA generativa al público dentro de China puede implicar registro o evaluación de seguridad bajo las Medidas Provisionales para la Gestión de Servicios de Inteligencia Artificial Generativa; los requisitos para investigación interna y para operación comercial difieren, y prevalecen el criterio regulatorio y la opinión legal.
La segunda es el cumplimiento de datos. Una llamada transfronteriza envía prompts y salidas al exterior; si hay información personal o datos importantes, si hacen falta cláusulas contractuales o una evaluación de transferencia, se determina conforme a la Ley de Protección de la Información Personal y normas relacionadas. El autohospedaje mantiene los datos en el propio centro de datos, pero no equivale a cumplimiento automático.
La tercera es la licencia del modelo. La licencia comunitaria de Llama permite uso comercial, pero incluye una política de uso aceptable y requisitos de nombre y atribución; al superar cierto umbral de usuarios activos mensuales (la licencia de Llama 4 indica 700 millones) hay que obtener una licencia aparte. Las condiciones varían entre versiones; antes de un uso comercial, pide a legal que lea el texto original.
8. Conmutación por error: no trates un solo enlace como única entrada
Un único upstream siempre tendrá mantenimiento, limitación de tasa y fallos regionales. Una práctica útil es: preparar un upstream principal y uno de respaldo para cada tipo de tarea, con una tabla de mapeo de modelos común; cambiar al respaldo cuando falle el chequeo de salud; fijar timeouts razonables y retroceso exponencial con jitter; usar un cortacircuitos para evitar tormentas de reintentos; degradar a un modelo más pequeño si hace falta; y registrar en cada solicitud el nombre del upstream y el ID de solicitud para conciliar y diagnosticar.
Ten en cuenta que un reintento puede cobrarse dos veces, que las operaciones de escritura deben ser idempotentes y que en streaming hay que registrar la parte ya emitida. Conviene ensayar el procedimiento de cambio antes de que ocurra el fallo.
9. Lista de verificación antes del lanzamiento
- Enumera las versiones de Llama que necesita el negocio, la longitud de contexto y los requisitos de herramientas y streaming.
- Confirma que el upstream objetivo está disponible en la región requerida y registra el ID y la versión del modelo.
- Revisa el protocolo de la interfaz: compatible con OpenAI, SDK propio o protocolo propietario de la nube.
- Haz una ronda de evaluación con muestras reales de negocio y registra precisión, latencia p95 y tasa de fallos.
- Verifica el nivel de cuantización, la salida máxima, el prompt del sistema y las diferencias de filtrado de contenido.
- Confirma pago, factura, reembolso, limitación de tasa y reglas de facturación de solicitudes fallidas.
- Confirma retención de datos, registros, transferencia transfronteriza y cláusulas del contrato.
- Configura conmutación principal/respaldo, timeouts y reintentos, alertas de presupuesto y registros de solicitud.
- Lanza con poco tráfico durante una o dos semanas y luego amplía de forma gradual.
10. Preguntas frecuentes
¿Todavía se puede llamar directamente a la Llama API de Meta?
No. La vista previa pública de la Llama API propia de Meta cerró el 6 de julio de 2026. Los pesos de Llama se siguen pudiendo descargar y también se pueden usar mediante plataformas de nube de terceros, proveedores de inferencia o autohospedaje.
¿Un equipo en China necesita registro para llamar a Llama?
Depende del uso. Investigación interna, herramientas internas y servicio al público dentro de China tienen requisitos distintos; este último puede implicar registro o evaluación de seguridad. Conviene que legal lo confirme durante la fase de selección.
¿Cuántas GPU como mínimo necesita el autohospedaje de Llama?
No hay una respuesta única: depende del tamaño del modelo, la cuantización, la longitud de contexto y la concurrencia. Usa como cálculo inicial "BF16 unos 2 GB por cada mil millones de parámetros e INT4 unos 0.5 a 0.6 GB", y añade KV Cache y sobrecarga del framework; la cifra final se rige por la ficha del modelo y la documentación de memoria del framework.
¿Cómo elegir entre nube, gateway y autohospedaje?
Si ya tienes contrato de nube y valoras los materiales de cumplimiento, prioriza la nube; si necesitas factura en yuanes e integrar varios modelos rápido, evalúa un gateway local; si los datos son sensibles, la carga es estable y tienes capacidad de operar GPU, considera el autohospedaje. También se pueden combinar.
¿El Llama de un gateway es distinto del original?
Puede serlo. Un modelo con el mismo nombre puede tener otro nivel de cuantización, otra longitud de contexto o incluso ajuste fino o filtrado de contenido adicional en distintos upstreams. Antes de integrar, verifícalo con un conjunto de evaluación y con los metadatos de la interfaz; no te guíes solo por el nombre.
Resumen
En 2026, integrar Llama consiste en gestionar nube, gateway y autohospedaje como tres cadenas de suministro: la red se mide, el pago y la factura se confirman de antemano, el cumplimiento y la licencia se evalúan por separado, y la conmutación por error se ensaya. Valida primero con poco tráfico y después define la solución a largo plazo.
Si necesitas una entrada unificada, puedes empezar por la página de registro; los precios se rigen por la página de precios.
Lecturas relacionadas:
