La versión preliminar de DeepSeek V4 desafía la frontera de la IA con un contexto de un millón de tokens y precios muy competitivos

Un nuevo competidor se acerca a la frontera

El laboratorio chino de inteligencia artificial DeepSeek ha publicado versiones preliminares de su esperada serie de modelos V4, con dos variantes que combinan una escala masiva y una eficiencia sin precedentes. Los modelos DeepSeek-V4-Pro y DeepSeek-V4-Flash, lanzados el 24 de abril de 2026, representan hasta ahora el intento más ambicioso de la empresa por desafiar el dominio de gigantes estadounidenses de la IA como OpenAI, Anthropic y Google.

El lanzamiento se produce exactamente un año después de que el modelo de razonamiento R1 de DeepSeek provocara una caída bursátil de un billón de dólares al demostrar que era posible desarrollar capacidades de IA de primer nivel por una fracción del costo habitual de los sistemas de frontera. Ahora, con V4, DeepSeek busca posicionarse no solo como una alternativa económica, sino también como un competidor genuino en capacidad bruta, sin renunciar a la estrategia de precios radicales que atrajo por primera vez la atención mundial hacia esta empresa emergente con sede en Hangzhou.

Ambos modelos tienen una ventana de contexto de un millón de tokens, pueden procesar aproximadamente entre 15 y 20 novelas completas en una sola instrucción y utilizan una arquitectura de mezcla de expertos que activa solo un subconjunto de parámetros durante la inferencia. Quizá lo más destacable sea que la empresa ha publicado los modelos con la permisiva licencia MIT, que permite su uso y modificación comercial sin tarifas de licencia y mantiene su compromiso con el desarrollo de IA con pesos abiertos.

Arquitectura técnica y escala

La serie DeepSeek V4 presenta dos configuraciones distintas, orientadas a diferentes usos. El modelo insignia V4-Pro es uno de los modelos de pesos abiertos más grandes publicados hasta la fecha: cuenta con 1,6 billones de parámetros en total, de los cuales 49.000 millones están activos en cada operación de inferencia. El más compacto V4-Flash tiene 284.000 millones de parámetros en total, con 13.000 millones activos, y está diseñado para aplicaciones sensibles a la latencia y para su implementación en equipos de consumo.

Esta eficiencia en el uso de parámetros se logra mediante la arquitectura de mezcla de expertos, que dirige cada token de entrada a subredes especializadas en lugar de activar el modelo completo. Ejecutar un modelo denso de 1,6 billones de parámetros sería prohibitivo, pero al mantener el número de parámetros activos en un nivel similar al de la generación anterior, V3.2, y ampliar al mismo tiempo el conjunto de expertos, DeepSeek aumenta la capacidad de especialización en programación, matemáticas y tareas multilingües sin incrementar proporcionalmente los requisitos de cómputo.

Superar la barrera del contexto largo

Un elemento central de la arquitectura V4 es lo que DeepSeek denomina Arquitectura de Atención Híbrida, que combina mecanismos de Atención Dispersa Comprimida y Atención Altamente Comprimida. Esta innovación aborda uno de los desafíos persistentes de los modelos de lenguaje grandes: el deterioro de la capacidad de recuperación de información a medida que se amplían las ventanas de contexto.

La atención estándar de los transformadores tiene dificultades con el problema de «la aguja en el pajar»: encontrar información específica que aparece en medio de documentos extensos se vuelve cada vez más difícil. DeepSeek afirma que su método alcanza una precisión del 97% en pruebas de recuperación con un millón de tokens, frente al 84,2% de los mecanismos de atención estándar, lo que resolvería en la práctica el deterioro de la recuperación de información que ha afectado a los modelos de contexto largo.

En términos prácticos, esto significa que el modelo puede procesar de forma fiable bases de código completas, conjuntos amplios de documentos legales o años de historial de conversaciones sin perder de vista detalles específicos. Para quienes desarrollan sistemas de generación aumentada por recuperación, esta capacidad podría reducir o eliminar la necesidad de estrategias complejas para dividir textos en fragmentos y de bases de datos vectoriales externas.

Resultados en pruebas de referencia: capacidades cercanas a la frontera

Según evaluaciones independientes y datos publicados por la propia DeepSeek, el modelo V4-Pro alcanza un nivel de rendimiento que lo sitúa cerca de los sistemas cerrados más avanzados. En SWE-bench Verified, una prueba que evalúa la capacidad de un modelo para resolver problemas reales de GitHub en proyectos de código abierto, V4-Pro obtiene, según se informa, aproximadamente un 80,6%, prácticamente a la par de Claude Opus 4.6, con un 80,8%, y por encima de muchos resultados anteriores de modelos de código abierto.

V4-Pro muestra una fortaleza particular en las pruebas de razonamiento matemático. Según los informes, alcanza un 95,2% en HMMT 2026 y un 89,8% en IMOAnswerBench, resultado que lo sitúa por delante de Claude Opus 4.6 en esta última prueba, aunque ligeramente por debajo de GPT-5.4. En las evaluaciones de programación competitiva, medidas según las puntuaciones de Codeforces, V4-Pro obtiene 3206 puntos, por encima tanto de GPT-5.4 (3168) como de Gemini 3.1 Pro (3052).

Sin embargo, DeepSeek ha mantenido una valoración prudente de la posición general de sus modelos frente a los sistemas de frontera. La empresa reconoce que, en tareas de conocimiento general y razonamiento, V4-Pro va entre tres y seis meses por detrás de Gemini 3.1 Pro de Google en términos de desarrollo. Esto sugiere que, aunque la brecha se ha reducido, todavía no se ha alcanzado la paridad absoluta con los sistemas cerrados más avanzados.

Al ampliar los tokens de razonamiento, DeepSeek-V4-Pro-Max supera a GPT-5.2 y Gemini-3.0-Pro en pruebas estándar de razonamiento. No obstante, su rendimiento queda ligeramente por debajo de GPT-5.4 y Gemini-3.1-Pro, lo que sugiere una trayectoria de desarrollo que va entre tres y seis meses por detrás de los modelos de frontera más avanzados.

La variante V4-Flash mantiene un rendimiento sorprendentemente competitivo pese a su menor tamaño: obtiene un 86,2% en MMLU-Pro, frente al 87,5% de V4-Pro, y un 91,6% en LiveCodeBench, frente al 93,5% de la versión Pro. Esta eficiencia sugiere que, para muchas aplicaciones, el modelo Flash puede ofrecer capacidades suficientes con costos operativos mucho menores.

Precios radicales y disrupción económica

Quizá el aspecto más disruptivo del lanzamiento de V4 sea su estrategia de precios, que mantiene la tendencia de DeepSeek a ofrecer tarifas muy inferiores a las de sus competidores occidentales. El modelo V4-Flash cuesta 0,14 dólares por millón de tokens de entrada y 0,28 dólares por millón de tokens de salida, por lo que es incluso más barato que GPT-5.4 Nano de OpenAI (0,20 y 1,25 dólares) y Gemini 3.1 Flash-Lite (0,25 y 1,50 dólares).

El modelo insignia V4-Pro cuesta 1,74 dólares por millón de tokens de entrada y 3,48 dólares por millón de tokens de salida. Aunque es más caro que la variante Flash, su precio sigue siendo muy inferior al de modelos de frontera comparables. Claude Opus 4.6 cuesta 5 dólares por millón de tokens de entrada y 25 dólares por millón de salida, mientras que GPT-5.4 cuesta 2,50 dólares por millón de tokens de entrada y 15 dólares por millón de salida. Así, el modelo insignia de DeepSeek ofrece resultados comparables en pruebas de referencia a un costo entre un 50% y un 80% menor.

Estos precios agresivos son posibles gracias a importantes mejoras de eficiencia en la arquitectura del modelo. DeepSeek informa que, en contextos de un millón de tokens, V4-Pro utiliza solo el 27% de las operaciones de punto flotante que requería su predecesor V3.2 y apenas el 10% del tamaño de su caché clave-valor. V4-Flash aumenta aún más la eficiencia: requiere el 10% de las operaciones de punto flotante y el 7% del tamaño de la caché clave-valor de V3.2.

Analistas del sector señalan que esta presión sobre los precios podría provocar ajustes más amplios en el mercado. Cuando DeepSeek lanzó su modelo R1 con costos de API alrededor de un 90% inferiores a los de ofertas comparables de OpenAI, sus competidores respondieron ofreciendo modelos avanzados a usuarios de planes gratuitos y ajustando sus propias tarifas. Podría producirse una dinámica similar a medida que V4 establezca nuevas referencias de costos para la inferencia de IA, tanto de alto rendimiento como de bajo costo.

Independencia del hardware e infraestructura de entrenamiento

Una dimensión geopolítica y técnica importante del lanzamiento de V4 es la infraestructura utilizada para su entrenamiento. A diferencia de la mayoría de los modelos de IA de frontera, desarrollados principalmente con las GPU más avanzadas de Nvidia, DeepSeek habría entrenado V4 con una combinación de aceleradores de IA Huawei Ascend 910B y chips MLU de Cambricon. La verificación se completó en la plataforma NPU Ascend de Huawei.

Este avance tiene importantes implicaciones para el mercado mundial de hardware de IA. Debido a las restricciones de exportación de Estados Unidos, que limitan el acceso de China a los chips de mayor rendimiento de Nvidia, DeepSeek ha demostrado que es posible desarrollar IA de escala de frontera con semiconductores chinos. Si las afirmaciones sobre los resultados del modelo se confirman en evaluaciones independientes, se validaría a Huawei y Cambricon como alternativas viables a Nvidia para el entrenamiento de IA a gran escala, lo que podría acelerar la diversificación de las cadenas de suministro de hardware para IA.

Wei Sun, analista principal de IA de Counterpoint Research, señaló que la capacidad de V4 para funcionar de forma nativa con chips chinos podría tener enormes implicaciones para los objetivos de Pekín de lograr soberanía en IA.

Esto también acelerará, en última instancia, el desarrollo mundial de la IA.

Implementación en equipos de consumo

Pese al enorme número de parámetros, DeepSeek ha destacado que las versiones cuantizadas de V4 pueden funcionar en equipos de consumo. La empresa afirma que V4-Flash puede ejecutarse en una sola Nvidia RTX 5090 con 32 GB de VRAM mediante cuantización INT4, o en dos RTX 4090 con un total de 48 GB de VRAM y precisión INT8. El modelo Pro, cuyos pesos completos ocupan 865 GB, está pensado para la inferencia de precisión completa en clústeres de GPU con varios nodos, aunque también podría admitir estrategias de implementación por transmisión.

Esta accesibilidad contrasta marcadamente con la de los modelos de frontera de código cerrado, que requieren acceso mediante API e infraestructura de centros de datos. Para quienes desarrollan aplicaciones y se preocupan por la privacidad de los datos, la latencia o los costos operativos previsibles, la posibilidad de alojar por cuenta propia un modelo de la categoría de un billón de parámetros en hardware disponible en el mercado supone un cambio importante en la economía práctica de la implementación de IA.

Impacto en el mercado y posicionamiento estratégico

El lanzamiento de V4 intensifica la competencia no solo entre los desarrolladores de IA chinos y estadounidenses, sino también dentro del mercado chino. Desde el avance de R1 de DeepSeek, competidores nacionales como Qwen, de Alibaba, ByteDance y Moonshot AI han acelerado sus propios lanzamientos de modelos. El último anuncio de DeepSeek afectó de inmediato a las cotizaciones de sus competidores: las acciones de MiniMax y Zhipu cayeron alrededor de un 8% en la bolsa de Hong Kong tras el anuncio de V4.

Según se informa, al mismo tiempo que publicaba el modelo, DeepSeek empezó a buscar financiación externa por primera vez. La empresa aspira a captar al menos 300 millones de dólares con una valoración superior a los 10.000 millones; algunos informes apuntan a que las conversaciones con Tencent y Alibaba podrían elevar la valoración hasta los 20.000 millones. Esto supone un cambio estratégico respecto a la dependencia inicial de la empresa de su matriz, el fondo de cobertura High-Flyer Capital Management.

Sin embargo, la empresa enfrenta restricciones inmediatas de infraestructura. DeepSeek ha advertido que la capacidad de servicio del nivel Pro es actualmente limitada debido a la escasez de potencia de cálculo de gama alta. Se espera que los precios bajen de forma significativa solo después de que, en el segundo semestre de 2026, se implementen a gran escala los «supernodos» Huawei Ascend 950.

El lanzamiento también se produce en un contexto de crecientes tensiones geopolíticas en torno al desarrollo de la IA. La Casa Blanca acusó recientemente a China de robar propiedad intelectual a escala industrial en el ámbito de la IA, acusaciones que el Ministerio de Relaciones Exteriores de Pekín rechazó categóricamente por considerarlas ataques infundados al progreso tecnológico chino. El compromiso de DeepSeek con la publicación de código abierto bajo las licencias Apache 2.0 y MIT contrasta con las estrategias cada vez más cerradas de muchos laboratorios occidentales de IA de frontera y posiciona a la empresa como referente del desarrollo de IA con pesos abiertos.

En síntesis

• DeepSeek publicó versiones preliminares de V4-Pro (1,6 billones de parámetros, 49.000 millones activos) y V4-Flash (284.000 millones de parámetros, 13.000 millones activos), ambas con ventanas de contexto de un millón de tokens
• Ambos modelos se publican con licencias de código abierto (MIT/Apache 2.0), que permiten su uso y modificación comercial sin tarifas
• V4-Pro obtiene resultados competitivos con Claude Opus 4.6 y GPT-5.4 en tareas de programación, con un costo entre un 50% y un 80% menor
• V4-Flash cuesta 0,28 dólares por millón de tokens de salida, por lo que es la opción más barata entre los modelos pequeños capaces y supera incluso en precio a GPT-5.4 Nano de OpenAI
• Los modelos se entrenaron con hardware que no es de Nvidia (chips Huawei Ascend y Cambricon), lo que demuestra que existen alternativas viables a los semiconductores estadounidenses para IA
• Las innovaciones arquitectónicas, incluida la Arquitectura de Atención Híbrida, reducen hasta un 90% los requisitos de cómputo respecto a los modelos de la generación anterior
• Las versiones cuantizadas pueden funcionar en equipos de consumo, incluidas configuraciones con una sola RTX 5090 o dos RTX 4090
• DeepSeek reconoce que, en tareas de conocimiento general, los modelos van entre tres y seis meses por detrás de los sistemas de frontera más avanzados
• El lanzamiento intensifica la presión sobre los precios en la industria de la IA y acelera la competencia dentro del sector chino de IA