Hogar
Alibaba, DeepSeek impulsan la carrera de modelos de IA en China hacia la reducción de costos
Alibaba ha presentado Qwen3.8-Max, su modelo de inteligencia artificial más potente hasta la fecha, mientras que el nuevo V4-Flash de DeepSeek llama la atención por ofrecer un precio de inferencia inferior al de varios competidores.
Con 2,4 billones de parámetros, Qwen3.8-Max emplea una arquitectura de mezcla de expertos (mixture-of-experts) que activa solo un subconjunto de parámetros por solicitud. Alibaba informa que aproximadamente 95 mil millones de parámetros están activos en cualquier momento dado, lo que reduce significativamente los costes y la latencia en comparación con los modelos que activan todos los parámetros.
DeepSeek utiliza una arquitectura dispersa similar, pero a una escala menor. Según Artificial Analysis, V4-Flash contiene 284 mil millones de parámetros en total, con 13 mil millones activos durante la inferencia, mientras que Kimi K3 de Moonshot AI cuenta con 2,8 billones de parámetros en total y aproximadamente 104 mil millones activos.
Qwen3.8-Max procesa texto, imágenes y vídeo, admitiendo una ventana de contexto de hasta un millón de tokens. Alibaba también señaló que el modelo completó con éxito un proyecto de ingeniería de software que abarcó 16 días.
En términos de tamaño, Qwen3.8-Max rivaliza con Kimi K3, lanzado por Moonshot AI en julio. Ambas empresas también compiten en precios: Qwen3.8-Max cobra 2 dólares por millón de tokens de entrada y 6 dólares por millón de tokens de salida, mientras que Kimi K3 cuesta 3 y 15 dólares, respectivamente.
El tamaño del modelo por sí solo no determina los costes de inferencia. Factores como la arquitectura, el número de parámetros activos, el consumo de tokens y el número de llamadas necesarias para completar una tarea influyen en el coste final de ejecutar un modelo.
Tras su lanzamiento, Qwen3.8-Max alcanzó el primer puesto entre los modelos de texto chinos en la plataforma colaborativa Arena.AI, aunque aún se sitúa por detrás de varios modelos de Anthropic en las clasificaciones generales. También ocupó el segundo lugar en la tabla de clasificación de Arena.AI para análisis de imágenes y visuales, por detrás de una variante de Claude Fable 5 de Anthropic.
DeepSeek reduce los precios de inferencia
DeepSeek ha adoptado una estrategia diferente con V4-Flash. En lugar de igualar la escala masiva de los últimos modelos de Alibaba y Moonshot AI, ha fijado el precio del modelo por debajo de varios sistemas de IA ampliamente utilizados.
Según Artificial Analysis, V4-Flash cuesta 0,14 dólares por millón de tokens de entrada y 0,28 dólares por millón de tokens de salida. La firma de investigación lista el modelo con una ventana de contexto de un millón de tokens y 284 mil millones de parámetros en total, de los cuales 13 mil millones están activos durante la inferencia.
Artificial Analysis lista el precio con acierto en caché (cache-hit) para la versión Max Effort de V4-Flash en 0,003 dólares por millón de tokens, lo que supone una reducción del 98 % respecto a su tarifa de entrada estándar. La entrada en caché se refiere a un contexto procesado anteriormente que puede reutilizarse en solicitudes posteriores.
Las tarifas de tokens más bajas de DeepSeek también se tradujeron en las pruebas de referencia de Artificial Analysis. Reuters informó que la firma de investigación estimó el coste medio de V4-Flash en tres centavos por prueba, en comparación con 86 centavos para Kimi K3, 1,86 dólares para GPT-5.6 Sol de OpenAI y 3,15 dólares para Claude Fable 5 de Anthropic.
Esta comparación tiene en cuenta la cantidad de entrada y salida que utiliza cada modelo para completar la prueba de referencia. Una tarifa por token más baja no significa necesariamente un coste de tarea más bajo si un modelo genera más salida o requiere interacciones adicionales.
Artificial Analysis otorgó a la versión de razonamiento Max Effort de DeepSeek V4-Flash una puntuación de 40 en su Índice de Inteligencia. La firma de investigación también registró una tasa de salida de aproximadamente 118 tokens por segundo durante las pruebas.
Los precios de los tokens cuentan solo parte de la historia de los costes
Kimi K3 de Moonshot AI ofrece otro ejemplo de cómo los precios de API anunciados pueden diferir del coste de completar cargas de trabajo más extensas. Artificial Analysis lista el modelo a 3 dólares por millón de tokens de entrada y 15 dólares por millón de tokens de salida, con la entrada en caché valorada en 0,30 dólares por millón de tokens.
En la prueba de referencia AA-Briefcase de Artificial Analysis para trabajo de conocimiento agéntico, Kimi K3 tuvo un coste medio de 10,57 dólares por tarea. Generó alrededor de 120.000 tokens de salida y utilizó un promedio de 83 turnos por tarea.
Artificial Analysis declaró que el coste reflejaba la tarificación por tokens de Kimi K3, el volumen de salida y el número de interacciones con el modelo. Por lo tanto, las llamadas repetidas al modelo y las salidas más grandes pueden aumentar el coste total de completar una carga de trabajo más allá de lo que sugiere la tarifa de API principal.
Kimi K3 registró la segunda puntuación global más alta en la evaluación AA-Briefcase en el momento de las pruebas, por detrás de Claude Fable 5. También obtuvo una puntuación de 57 en el Índice de Inteligencia más amplio de Artificial Analysis.
La comparación con DeepSeek destaca por qué las mediciones de coste por tarea añaden un contexto útil a la tarificación estándar de API. Los modelos con diferentes arquitecturas y patrones de uso pueden consumir cantidades sustancialmente diferentes de capacidad de cómputo y tokens mientras trabajan en el mismo tipo de tarea.
Los pesos abiertos añaden otra opción de implementación
El coste también está siendo moldeado por cómo los desarrolladores chinos distribuyen sus modelos. Alibaba, DeepSeek y Moonshot AI han continuado apoyando lanzamientos de pesos abiertos junto con el acceso a API alojadas, ofreciendo a los desarrolladores más opciones para implementar estos modelos.
Artificial Analysis lista DeepSeek V4-Flash como un modelo de pesos abiertos bajo una licencia MIT, con los pesos disponibles a través de Hugging Face. Kimi K3 también está disponible como un modelo de pesos abiertos bajo la licencia propia de Moonshot AI.
Los pesos abiertos permiten a los desarrolladores ejecutar modelos en su propia infraestructura o a través de proveedores de terceros en lugar de depender únicamente de un servicio de inferencia alojado por el desarrollador. Los costes de implementación aún dependen del hardware y la infraestructura utilizados, pero el acceso al modelo no está vinculado a una única API alojada.
Este enfoque difiere de los modelos principales ofrecidos por OpenAI, Anthropic y Google, que generalmente mantienen cerrados los pesos de sus modelos.
Lian Jye Su, analista jefe en Omdia, señaló que la selección de modelos para muchas cargas de trabajo empresariales no depende únicamente de tener acceso al sistema de mayor rendimiento.
«Muchos flujos de trabajo empresariales no necesitan el mejor modelo de la industria», dijo Su. «Necesitan modelos que sean suficientemente buenos, asequibles, transparentes y accesibles, y los modelos de pesos abiertos ayudan a satisfacer esa demanda».
Ver también: Alibaba está diseñando chips de IA en torno a agentes, y eso cambia lo que realmente trata la carrera
¿Quieres saber más sobre IA y big data de líderes de la industria? Consulte AI & Big Data Expo que se celebrará en Ámsterdam, California y Londres. El evento integral forma parte de TechEx y se celebra junto con otros eventos tecnológicos líderes, incluida la Cyber Security & Cloud Expo. Haga clic aquí para obtener más información.
AI News está impulsado por TechForge Media. Explore otros próximos eventos y seminarios web de tecnología empresarial aquí.
Artículo relacionado
El chip Vera de Nvidia: La apuesta de 200.000 millones de dólares que Jensen Huang quiere que notes
El chip Vera de Nvidia rara vez aparece en las portadas cuando los beneficios superan las expectativas, pero merece estar bajo los reflectores. Con unos ingresos del primer trimestre que alcanzaron los 81.620 millones de dólares, superando las estima
La llegada de Muse de Meta a Mac permite que la IA realice acciones en tu computadora
La última asistente de IA de Meta, Muse, ya está disponible en Mac.En macOS, Muse se integra con tus archivos, mensajes, calendario, notas y correo electrónico, operando directamente dentro de sus aplicaciones nativas.Este lanzamiento de escritorio
Cómo ver la conferencia magistral de Jensen Huang en el Nvidia GTC 2026
Nvidia lanza su conferencia anual para desarrolladores GTC en San José, California, la próxima semana, con el discurso principal del CEO Jensen Huang programado para el lunes a las 11:00 a. m. PT / 2:00 p. m. ET.GTC, siglas de GPU Technology Confere
Recomendaciones de temas especiales relacionados
comentario (0)
0/500
Alibaba ha presentado Qwen3.8-Max, su modelo de inteligencia artificial más potente hasta la fecha, mientras que el nuevo V4-Flash de DeepSeek llama la atención por ofrecer un precio de inferencia inferior al de varios competidores.
Con 2,4 billones de parámetros, Qwen3.8-Max emplea una arquitectura de mezcla de expertos (mixture-of-experts) que activa solo un subconjunto de parámetros por solicitud. Alibaba informa que aproximadamente 95 mil millones de parámetros están activos en cualquier momento dado, lo que reduce significativamente los costes y la latencia en comparación con los modelos que activan todos los parámetros.
DeepSeek utiliza una arquitectura dispersa similar, pero a una escala menor. Según Artificial Analysis, V4-Flash contiene 284 mil millones de parámetros en total, con 13 mil millones activos durante la inferencia, mientras que Kimi K3 de Moonshot AI cuenta con 2,8 billones de parámetros en total y aproximadamente 104 mil millones activos.
Qwen3.8-Max procesa texto, imágenes y vídeo, admitiendo una ventana de contexto de hasta un millón de tokens. Alibaba también señaló que el modelo completó con éxito un proyecto de ingeniería de software que abarcó 16 días.
En términos de tamaño, Qwen3.8-Max rivaliza con Kimi K3, lanzado por Moonshot AI en julio. Ambas empresas también compiten en precios: Qwen3.8-Max cobra 2 dólares por millón de tokens de entrada y 6 dólares por millón de tokens de salida, mientras que Kimi K3 cuesta 3 y 15 dólares, respectivamente.
El tamaño del modelo por sí solo no determina los costes de inferencia. Factores como la arquitectura, el número de parámetros activos, el consumo de tokens y el número de llamadas necesarias para completar una tarea influyen en el coste final de ejecutar un modelo.
Tras su lanzamiento, Qwen3.8-Max alcanzó el primer puesto entre los modelos de texto chinos en la plataforma colaborativa Arena.AI, aunque aún se sitúa por detrás de varios modelos de Anthropic en las clasificaciones generales. También ocupó el segundo lugar en la tabla de clasificación de Arena.AI para análisis de imágenes y visuales, por detrás de una variante de Claude Fable 5 de Anthropic.
DeepSeek reduce los precios de inferencia
DeepSeek ha adoptado una estrategia diferente con V4-Flash. En lugar de igualar la escala masiva de los últimos modelos de Alibaba y Moonshot AI, ha fijado el precio del modelo por debajo de varios sistemas de IA ampliamente utilizados.
Según Artificial Analysis, V4-Flash cuesta 0,14 dólares por millón de tokens de entrada y 0,28 dólares por millón de tokens de salida. La firma de investigación lista el modelo con una ventana de contexto de un millón de tokens y 284 mil millones de parámetros en total, de los cuales 13 mil millones están activos durante la inferencia.
Artificial Analysis lista el precio con acierto en caché (cache-hit) para la versión Max Effort de V4-Flash en 0,003 dólares por millón de tokens, lo que supone una reducción del 98 % respecto a su tarifa de entrada estándar. La entrada en caché se refiere a un contexto procesado anteriormente que puede reutilizarse en solicitudes posteriores.
Las tarifas de tokens más bajas de DeepSeek también se tradujeron en las pruebas de referencia de Artificial Analysis. Reuters informó que la firma de investigación estimó el coste medio de V4-Flash en tres centavos por prueba, en comparación con 86 centavos para Kimi K3, 1,86 dólares para GPT-5.6 Sol de OpenAI y 3,15 dólares para Claude Fable 5 de Anthropic.
Esta comparación tiene en cuenta la cantidad de entrada y salida que utiliza cada modelo para completar la prueba de referencia. Una tarifa por token más baja no significa necesariamente un coste de tarea más bajo si un modelo genera más salida o requiere interacciones adicionales.
Artificial Analysis otorgó a la versión de razonamiento Max Effort de DeepSeek V4-Flash una puntuación de 40 en su Índice de Inteligencia. La firma de investigación también registró una tasa de salida de aproximadamente 118 tokens por segundo durante las pruebas.
Los precios de los tokens cuentan solo parte de la historia de los costes
Kimi K3 de Moonshot AI ofrece otro ejemplo de cómo los precios de API anunciados pueden diferir del coste de completar cargas de trabajo más extensas. Artificial Analysis lista el modelo a 3 dólares por millón de tokens de entrada y 15 dólares por millón de tokens de salida, con la entrada en caché valorada en 0,30 dólares por millón de tokens.
En la prueba de referencia AA-Briefcase de Artificial Analysis para trabajo de conocimiento agéntico, Kimi K3 tuvo un coste medio de 10,57 dólares por tarea. Generó alrededor de 120.000 tokens de salida y utilizó un promedio de 83 turnos por tarea.
Artificial Analysis declaró que el coste reflejaba la tarificación por tokens de Kimi K3, el volumen de salida y el número de interacciones con el modelo. Por lo tanto, las llamadas repetidas al modelo y las salidas más grandes pueden aumentar el coste total de completar una carga de trabajo más allá de lo que sugiere la tarifa de API principal.
Kimi K3 registró la segunda puntuación global más alta en la evaluación AA-Briefcase en el momento de las pruebas, por detrás de Claude Fable 5. También obtuvo una puntuación de 57 en el Índice de Inteligencia más amplio de Artificial Analysis.
La comparación con DeepSeek destaca por qué las mediciones de coste por tarea añaden un contexto útil a la tarificación estándar de API. Los modelos con diferentes arquitecturas y patrones de uso pueden consumir cantidades sustancialmente diferentes de capacidad de cómputo y tokens mientras trabajan en el mismo tipo de tarea.
Los pesos abiertos añaden otra opción de implementación
El coste también está siendo moldeado por cómo los desarrolladores chinos distribuyen sus modelos. Alibaba, DeepSeek y Moonshot AI han continuado apoyando lanzamientos de pesos abiertos junto con el acceso a API alojadas, ofreciendo a los desarrolladores más opciones para implementar estos modelos.
Artificial Analysis lista DeepSeek V4-Flash como un modelo de pesos abiertos bajo una licencia MIT, con los pesos disponibles a través de Hugging Face. Kimi K3 también está disponible como un modelo de pesos abiertos bajo la licencia propia de Moonshot AI.
Los pesos abiertos permiten a los desarrolladores ejecutar modelos en su propia infraestructura o a través de proveedores de terceros en lugar de depender únicamente de un servicio de inferencia alojado por el desarrollador. Los costes de implementación aún dependen del hardware y la infraestructura utilizados, pero el acceso al modelo no está vinculado a una única API alojada.
Este enfoque difiere de los modelos principales ofrecidos por OpenAI, Anthropic y Google, que generalmente mantienen cerrados los pesos de sus modelos.
Lian Jye Su, analista jefe en Omdia, señaló que la selección de modelos para muchas cargas de trabajo empresariales no depende únicamente de tener acceso al sistema de mayor rendimiento.
«Muchos flujos de trabajo empresariales no necesitan el mejor modelo de la industria», dijo Su. «Necesitan modelos que sean suficientemente buenos, asequibles, transparentes y accesibles, y los modelos de pesos abiertos ayudan a satisfacer esa demanda».
Ver también: Alibaba está diseñando chips de IA en torno a agentes, y eso cambia lo que realmente trata la carrera
¿Quieres saber más sobre IA y big data de líderes de la industria? Consulte AI & Big Data Expo que se celebrará en Ámsterdam, California y Londres. El evento integral forma parte de TechEx y se celebra junto con otros eventos tecnológicos líderes, incluida la Cyber Security & Cloud Expo. Haga clic aquí para obtener más información.
AI News está impulsado por TechForge Media. Explore otros próximos eventos y seminarios web de tecnología empresarial aquí.
El chip Vera de Nvidia: La apuesta de 200.000 millones de dólares que Jensen Huang quiere que notes
El chip Vera de Nvidia rara vez aparece en las portadas cuando los beneficios superan las expectativas, pero merece estar bajo los reflectores. Con unos ingresos del primer trimestre que alcanzaron los 81.620 millones de dólares, superando las estima
La llegada de Muse de Meta a Mac permite que la IA realice acciones en tu computadora
La última asistente de IA de Meta, Muse, ya está disponible en Mac.En macOS, Muse se integra con tus archivos, mensajes, calendario, notas y correo electrónico, operando directamente dentro de sus aplicaciones nativas.Este lanzamiento de escritorio
Cómo ver la conferencia magistral de Jensen Huang en el Nvidia GTC 2026
Nvidia lanza su conferencia anual para desarrolladores GTC en San José, California, la próxima semana, con el discurso principal del CEO Jensen Huang programado para el lunes a las 11:00 a. m. PT / 2:00 p. m. ET.GTC, siglas de GPU Technology Confere











