Ocho tareas más completadas en una prueba de 50
El actual modelo V4 Pro de DeepSeek completó 32 de 50 tareas en una prueba de referencia interna realizada por MaxForAI, educador y desarrollador de inteligencia artificial y responsable del cliente de agentes LobeHub. La versión anterior, V4 Pro-0813, completó 24. Los resultados, descritos en publicaciones fechadas el 8 de noviembre de 2026, sitúan al modelo más reciente en el 64 %, frente al 48 % anterior.
Contenido
- Ocho tareas más completadas en una prueba de 50
- ¿Qué cambió en LobeBench?
- Por qué importa el éxito repetido
- ¿Qué ocurrió durante las interrupciones del servicio?
- Calendario de las expectativas sobre Pro
- Qué revelaron las huellas digitales de octubre
- Qué pueden comparar hoy los desarrolladores
- Qué confirmaría oficialmente la actualización
- Puntos clave
La mejora más interesante fue la consistencia. Las dos versiones tuvieron un rendimiento similar al medir si podían completar una tarea al menos una vez. La diferencia fue mayor cuando la prueba exigía completarla con éxito tres veces seguidas, un criterio exigente para un software que debe realizar tareas de forma fiable.
Los resultados han alimentado las especulaciones de que DeepSeek está probando gradualmente V4.1 Pro a través de su servicio actual. La identidad del modelo y el calendario de lanzamiento no están confirmados, y los resultados de la prueba se presentaron bajo el nombre actual V4 Pro.
El debate sobre las pruebas se produjo después de una interrupción parcial del servicio el 7 de noviembre, la segunda interrupción reportada en una semana. DeepSeek afirmó que había implementado una solución y que estaba supervisando los resultados. Por tanto, para los clientes, las novedades inmediatas responden a dos necesidades distintas: completar mejor las tareas y tener acceso fiable al servicio.
¿Qué cambió en LobeBench?
MaxForAI utilizó LobeBench, una colección interna de pruebas, para comparar el V4 Pro actual con V4 Pro-0813. La versión anterior ocupó el puesto 13 en la clasificación publicada. La versión más reciente quedó primera entre los modelos chinos incluidos en esa comparación.
El aumento fue de 16 puntos porcentuales, con ocho tareas adicionales clasificadas como difíciles completadas con éxito. En comparación con el total anterior de 24 tareas completadas, el aumento a 32 equivale a cerca de un tercio más de tareas completadas con éxito. Ambos cálculos describen el mismo resultado desde distintos ángulos: una mayor proporción de la prueba superada y un número más alto de tareas completadas.
El requisito de completar las tareas varias veces en LobeBench ayuda a explicar por qué el resultado llamó la atención. Un modelo que tiene éxito una vez, pero falla en intentos posteriores, puede ser difícil de usar para el trabajo habitual. Un cliente de agentes, que permite a un sistema de inteligencia artificial realizar tareas mediante software, necesita una ejecución fiable, además de la capacidad de producir ocasionalmente una respuesta sólida.
La comparación publicada se centra en 50 tareas y una clasificación interna. En las descripciones de los resultados no se publicaron los detalles necesarios para reproducir la prueba, entre ellos la lista completa de tareas, las reglas de evaluación, la configuración de los modelos y las puntuaciones de los sistemas con los que se compararon.
Por qué importa el éxito repetido
Un modelo de inteligencia artificial puede generar distintas respuestas a una misma solicitud. En una tarea con varios pasos, un error inicial también puede afectar a todo lo que viene después. Exigir tres intentos exitosos seguidos da más importancia al comportamiento fiable que contabilizar un solo intento exitoso.
Según se informó, la comparación de MaxForAI encontró poca diferencia entre las dos versiones cuando bastaba con tener éxito al menos una vez para obtener reconocimiento. La brecha aumentó al medir el éxito repetido. Por eso, el hallazgo central es la fiabilidad, más que una nueva capacidad para resolver tareas que la versión anterior nunca podía completar.
Para quienes utilizan un agente para realizar tareas, esta diferencia tiene un valor práctico. Los fallos repetidos pueden implicar más intentos, más verificaciones y una mayor intervención humana. Un modelo que completa la misma tarea de manera consistente puede ser más útil, aunque una respuesta exitosa ocasional de una versión anterior parezca igual de buena.
Otras demostraciones informales que circularon en torno a la supuesta actualización incluyeron la generación de animaciones y una imagen de un cormorán montado en bicicleta. LobeBench ofreció una comparación numérica con una versión anterior identificada por nombre, lo que centró la atención en el rendimiento repetible en las tareas.
¿Qué ocurrió durante las interrupciones del servicio?
Según la información de estado de la empresa descrita en ese momento, la interrupción de DeepSeek del 7 de noviembre comenzó a las 15:11. Los servicios afectados incluyeron el chat, la API de V4 Pro y la API de V4.1 Flash. Una API es la conexión que permite que otra aplicación envíe solicitudes a DeepSeek automáticamente.
Los usuarios encontraron que la función de chat no estaba disponible y un mensaje que indicaba que el servidor estaba ocupado. Más tarde, DeepSeek afirmó que había implementado una solución y que estaba supervisando el resultado. Pruebas posteriores describieron el servicio como restablecido y funcionando con normalidad.
El 3 de noviembre se había producido un incidente similar, que comenzó a las 16:58 y afectó a los mismos tres servicios. Después de que se anunciara una solución para ese incidente, los servicios seguían figurando con un rendimiento reducido. La recuperación del acceso y la normalización de la velocidad pueden producirse en distintas etapas de un incidente.
Las dos interrupciones forman parte del contexto de las especulaciones sobre el modelo. La información de estado descrita no especificó la causa del corte del 7 de noviembre, por lo que los clientes no tienen una explicación confirmada que lo vincule con el aumento del tráfico o con el despliegue de un modelo.
Calendario de las expectativas sobre Pro
El interés en V4.1 Pro es anterior a los resultados de las pruebas más recientes. Los planes de lanzamiento de septiembre, los cambios en el servicio de octubre y la comparación de referencia de noviembre han contribuido a las expectativas, aunque se refieren a distintas partes de la línea de productos de DeepSeek.
- 10 de septiembre de 2026: se lanzó V4.1 Flash. Una propuesta para dirigir a Flash las solicitudes de deepseek-v4-pro hasta la llegada de V4.1 Pro se retiró posteriormente tras las objeciones de los desarrolladores.
- 17 de octubre: se lanzó la versión V4.1 Flash-1017, según el relato de octubre sobre cambios posteriores en el servicio.
- 27 de octubre: observadores detectaron cambios en las huellas digitales de los modelos a partir de las 18:21. A las 19:07, las huellas observadas en tres opciones de modelo habían convergido en una sola.
- 3 de noviembre: una interrupción parcial afectó al chat y a los dos servicios de API mencionados, a partir de las 16:58.
- 7 de noviembre: comenzó otra interrupción parcial a las 15:11. Más tarde, DeepSeek anunció una solución.
- 8 de noviembre: publicaciones sobre la comparación de MaxForAI en LobeBench describieron el aumento de 24 a 32 tareas completadas.
La propuesta de redirigir las solicitudes de septiembre importa a los desarrolladores porque el nombre de un modelo en una aplicación puede formar parte de sus supuestos de funcionamiento. Cambiar el modelo asociado a ese nombre puede afectar las respuestas, los costos y el rendimiento. Tras retirar la propuesta, V4 Pro siguió disponible con las mismas tarifas.
Qué revelaron las huellas digitales de octubre
Las observaciones del 27 de octubre se referían a las huellas digitales de los modelos, identificadores que pueden ayudar a seguir los cambios en el sistema que atiende una solicitud. La huella anterior estaba asociada a V4.1 Flash-1017. El nuevo identificador no pudo interpretarse con suficiente precisión para identificar el modelo que había detrás.
En ese momento, el cambio observado parecía afectar a Flash y no a Pro. Entre las posibles explicaciones estaban un punto de control distinto del modelo, es decir, una versión guardada de un modelo, o un nuevo despliegue del mismo modelo. El nuevo identificador no permitió determinar cuál de las dos opciones era la correcta.
V4.1 Flash-1017 llevaba disponible solo 10 días cuando aparecieron esos cambios. Las expectativas sobre Pro ya eran altas, por lo que incluso un cambio relacionado con Flash captó la atención. El resultado de LobeBench de noviembre es más directamente relevante para Pro, ya que compara dos versiones que llevan la etiqueta V4 Pro.
El calendario de lanzamientos anterior de DeepSeek también influyó en las expectativas. Según se informó, entre Flash y Pro de la generación V4 hubo una diferencia de unas dos semanas. Cuando se debatió más tarde sobre V4.1, la espera desde el lanzamiento de Flash ya superaba las siete semanas. Por tanto, el ciclo de lanzamiento actual ha seguido un calendario distinto.
Qué pueden comparar hoy los desarrolladores
Los precios publicados sitúan a V4 Pro y V4.1 Flash en niveles de costo diferentes. El precio de entrada de V4 Pro figuraba en 0,66 dólares por millón de tokens, y el de salida fuera de las horas de mayor demanda, en 1,98 dólares por millón de tokens. Los precios de entrada y salida de Flash figuraban en 0,15 y 0,60 dólares por millón de tokens, respectivamente.
Los tokens son las pequeñas unidades de texto que procesa un modelo, como palabras o partes de palabras. Según esas tarifas publicadas, la entrada de Pro cuesta 4,4 veces más que la de Flash. La tarifa de salida de Pro citada fuera de las horas de mayor demanda es 3,3 veces la tarifa de salida publicada para Flash. El gasto real depende de la cantidad de entrada y salida, del momento de uso y del almacenamiento en caché aplicable.
También se informó de que Flash tenía un precio de 0,003 dólares por millón de tokens cuando se recuperaban datos de la caché. Una caché permite que el servicio reutilice entradas procesadas anteriormente. Entre las capacidades indicadas figuraba la entrada nativa de imágenes, que permite enviar imágenes directamente al modelo.
La capacidad reportada de V4 Pro incluía una ventana de contexto de un millón de tokens y un límite de salida de 384.000 tokens. La ventana de contexto es la cantidad de información que el modelo puede considerar en una solicitud. Estas especificaciones describen el producto actual con el que los clientes compararían un futuro lanzamiento de Pro.
Qué confirmaría oficialmente la actualización
Un anuncio de lanzamiento que nombre a V4.1 Pro daría a los usuarios un producto concreto que evaluar. Una entrada correspondiente en la documentación de la API, un repositorio del modelo y una actualización de precios aportarían detalles prácticos, como la forma de acceder a él, su costo y las capacidades disponibles.
Una revisión de la información pública de lanzamientos de DeepSeek describió como repositorio relevante más reciente a DeepSeek-V4.1-Flash, creado el 10 de septiembre de 2026. También señaló que el informe técnico de 51 páginas que acompañaba a Flash no mencionaba ni V4.1-Pro ni V4.1 Pro. La información pública sobre productos descrita en esa revisión seguía centrada en Flash y V4 Pro.
Las especulaciones optimistas en torno a los resultados de la prueba de noviembre apuntaban a un lanzamiento durante la semana siguiente. DeepSeek no había anunciado públicamente ninguna fecha, ventana de lanzamiento ni trimestre en la información descrita. Por ahora, la novedad concreta es la mejora reportada en la finalización repetida de tareas bajo el nombre actual V4 Pro.
Puntos clave
- V4 Pro completó 32 de las 50 tareas de LobeBench, frente a las 24 de V4 Pro-0813.
- La puntuación subió del 48 % al 64 %, un aumento de 16 puntos porcentuales.
- La principal mejora se observó cuando las tareas exigían completarlas con éxito tres veces seguidas.
- DeepSeek sufrió interrupciones parciales del servicio el 3 y el 7 de noviembre, que afectaron al chat y a dos servicios de API.
- Los cambios en las huellas digitales de octubre parecían afectar a Flash, mientras que la comparación de referencia de noviembre se refería a Pro.
- La identidad, la fecha de lanzamiento y el precio de V4.1 Pro no están confirmados.
