DeepSeek, la firma china que ha sido protagonista en la carrera por la IA de próxima generación, acaba de lanzar su actualización V4.1 Flash‑1017, prometiendo un salto de rendimiento sin sacrificar la asequibilidad.
Potencia y eficiencia en un solo paquete
El modelo, que se vio reflejado en un incremento del 35 % en el score Terminal‑Bench 4.0 (de 31,2 a 42,3) y en un 4 % en DeepSWE v1.1 (de 74,2 a 77,0), demuestra que la arquitectura de DeepSeek se mantiene competitiva frente a los gigantes occidentales. En pruebas de codificación, V4.1 Flash‑1017 alcanzó un 77 % de Pass@1 a tan solo 0,20 USD por tarea, superando a modelos que cuestan el doble o más.
DeepInfer: la infraestructura que hace posible la economía de escala
El día 20 de octubre, la compañía publicó DeepInfer, su framework interno de inferencia, junto con la librería deepseek‑recipe. DeepInfer incluye kernels optimizados, programación asíncrona y soporte para inferencia distribuida y decodificación especulativa, y funciona sobre GPUs Nvidia SM100 y NPUs Huawei Ascend 950. Aunque no constituye una pila completa, el código abierto permite a los desarrolladores integrar la mayor parte de la lógica de desagregación de cargas y balanceo de replicas.
Costos que cambian el juego
DeepSeek no solo reduce el peso de la caché KV a un cuarto y el almacenamiento SSD a una octava parte, sino que también ofrece tarifas fuera de pico a la mitad del precio de pico. Además, las nuevas APIs de Search y Fetch se cotizan a 5 yuan por cada 1 000 peticiones exitosas, y las integraciones con Claude Code y Codex estarán gratuitas hasta el 1 de noviembre.
Reconocimiento internacional y contexto geopolítico
En el leaderboard de Agent Arena, el modelo se ubicó primero entre los modelos de peso abierto y undécimo en total, con 7 498 sesiones reales y un costo medio de 0,18 USD por tarea. Este rendimiento, junto con la apertura de su infraestructura, posiciona a DeepSeek como un competidor serio frente a los LLMs occidentales, y refleja la creciente apuesta de China por la autosuficiencia tecnológica en IA.
Si bien los resultados son prometedores, la compañía reconoce que la eficacia real dependerá de la carga de trabajo y del esfuerzo de ingeniería necesario para desplegar DeepInfer en producción. La comunidad de desarrolladores, sin embargo, ya está analizando cómo integrar el modelo en sus flujos de trabajo y cómo aprovechar la reducción de costos para escalar aplicaciones de IA en entornos corporativos y académicos.
Fuente: TechNode (China AI & Tech)
