El modelo de IA DeepSeek V3.2 ofrece un rendimiento de primer nivel con un coste computacional mínimo.

Mientras que las principales empresas tecnológicas invierten miles de millones en potencia computacional para desarrollar modelos de IA de vanguardia, la empresa china DeepSeek ha logrado resultados similares mediante enfoques más inteligentes en lugar de una simple ampliación de escala. El modelo DeepSeek V3.2 iguala al GPT-5 de OpenAI en pruebas de razonamiento, aunque utiliza «menos FLOP de entrenamiento totales», un avance que podría redefinir la forma en que la industria aborda la creación de inteligencia artificial sofisticada.

Para las empresas, este lanzamiento ilustra que las capacidades de IA de primer nivel no requieren necesariamente presupuestos informáticos de primer nivel. La disponibilidad de código abierto de DeepSeek V3.2 permite a las organizaciones evaluar las funciones avanzadas de razonamiento y agencia, al tiempo que mantienen el control sobre su infraestructura de implementación, un factor crucial a medida que la rentabilidad cobra cada vez más importancia en los planes de adopción de la IA.

El laboratorio de investigación con sede en Hangzhou presentó el lunes dos versiones: la base DeepSeek V3.2 y DeepSeek-V3.2-Speciale. Esta última obtuvo la medalla de oro en la Olimpiada Matemática Internacional y la Olimpiada Internacional de Informática de 2025, pruebas de rendimiento que anteriormente solo habían superado modelos internos no publicados de las principales empresas de IA de EE. UU.

Este logro es especialmente notable si se tiene en cuenta el acceso limitado de DeepSeek a chips semiconductores avanzados debido a las regulaciones de exportación.

La eficiencia de los recursos como ventaja competitiva

El éxito de DeepSeek desafía la creencia generalizada en el sector de que el rendimiento líder en IA requiere recursos computacionales a gran escala. La empresa atribuye esta eficiencia a los avances arquitectónicos, en particular a DeepSeek Sparse Attention (DSA), que reduce significativamente la complejidad computacional sin comprometer el rendimiento del modelo.

El modelo base DeepSeek V3.2 alcanzó una precisión del 93,1 % en los problemas matemáticos del AIME 2025 y una puntuación de 2386 en Codeforces, lo que lo sitúa a la altura del GPT-5 en las evaluaciones de razonamiento.

La variante Speciale obtuvo aún mejores resultados, con una puntuación del 96,0 % en el American Invitational Mathematics Examination (AIME) 2025, del 99,2 % en el Harvard-MIT Mathematics Tournament (HMMT) de febrero de 2025 y la medalla de oro tanto en la Olimpiada Internacional de Matemáticas 2025 como en la Olimpiada Internacional de Informática.

Estos resultados son especialmente impresionantes si se tiene en cuenta el acceso limitado de DeepSeek a chips avanzados debido a la serie de aranceles y controles de exportación que afectan a China. El informe técnico indica que la empresa asignó un presupuesto computacional posterior al entrenamiento que superaba el 10 % de los gastos previos al entrenamiento, una inversión considerable que fomentó capacidades avanzadas mediante la optimización del aprendizaje por refuerzo en lugar del escalado por fuerza bruta.

La innovación técnica impulsa la eficiencia

El mecanismo DSA marca un cambio con respecto a las arquitecturas de atención convencionales. En lugar de procesar todos los tokens con una intensidad computacional uniforme, DSA utiliza un «indexador relámpago» y un sistema de selección de tokens de gran precisión que identifica y procesa solo la información más pertinente para cada consulta.

Este método reduce la complejidad de la atención central de O(L²) a O(Lk), donde k denota el número de tokens seleccionados, una fracción de la longitud total de la secuencia L. Durante el preentrenamiento ampliado desde el punto de control DeepSeek-V3.1-Terminus, la empresa entrenó el DSA con 943 700 millones de tokens utilizando 480 secuencias de 128 000 tokens por paso de entrenamiento.

La arquitectura también implementa una gestión del contexto diseñada para situaciones de llamada a herramientas. A diferencia de los modelos de razonamiento anteriores, que descartaban el contenido del razonamiento después de cada mensaje del usuario, el modelo DeepSeek V3.2 conserva los rastros de razonamiento cuando solo se añaden mensajes relacionados con herramientas, lo que mejora la eficiencia de los tokens en los flujos de trabajo de agentes multiturno al eliminar el razonamiento innecesario.

Aplicaciones empresariales y rendimiento práctico

Para las organizaciones que evalúan la implementación de la IA, la metodología de DeepSeek ofrece beneficios tangibles más allá de los resultados de referencia. En Terminal Bench 2.0, que mide las capacidades del flujo de trabajo de codificación, DeepSeek V3.2 alcanzó una precisión del 46,4 %.

El modelo obtuvo una puntuación del 73,1 % en SWE-Verified, un benchmark de resolución de problemas de ingeniería de software, y del 70,2 % en SWE Multilingual, lo que demuestra su valor práctico en entornos de desarrollo.

En tareas agenciales que requieren el uso autónomo de herramientas y un razonamiento en varios pasos, el modelo mostró mejoras sustanciales con respecto a los sistemas de código abierto anteriores. La empresa creó un canal de síntesis de tareas agenciales a gran escala que generó más de 1800 entornos distintos y 85 000 indicaciones complejas, lo que permitió al modelo generalizar estrategias de razonamiento a escenarios de uso de herramientas desconocidos.

DeepSeek ha publicado el modelo base V3.2 en código abierto en Hugging Face, lo que permite a las empresas implementarlo y personalizarlo sin dependencia de un proveedor. La variante Speciale sigue siendo accesible solo a través de la API debido a los mayores requisitos de consumo de tokens, una compensación entre el rendimiento máximo y la eficiencia de implementación.

Implicaciones y reconocimiento en el sector

El lanzamiento ha suscitado un considerable debate dentro de la comunidad de investigación en IA. Susan Zhang, ingeniera de investigación principal de Google DeepMind, elogió la exhaustiva documentación técnica de DeepSeek, destacando específicamente los esfuerzos de la empresa por estabilizar los modelos tras el entrenamiento y reforzar las capacidades de los agentes.

El momento previo a la Conferencia sobre Sistemas de Procesamiento de Información Neuronal ha aumentado la atención. Florian Brand, experto en el ecosistema de IA de código abierto de China que asistió a NeurIPS en San Diego, observó la reacción inmediata: «Todas las conversaciones grupales de hoy estaban animadas tras el anuncio de DeepSeek».

Limitaciones reconocidas y vía de desarrollo

El informe técnico de DeepSeek aborda las lagunas actuales en relación con los modelos de vanguardia. La eficiencia de los tokens sigue siendo un reto: el modelo DeepSeek V3.2 suele necesitar secuencias de generación más largas para igualar la calidad de salida de sistemas como Gemini 3 Pro. La empresa también reconoce que la amplitud de sus conocimientos sobre el mundo está por detrás de los modelos propietarios líderes debido a una menor capacidad de cálculo global para el entrenamiento.

Las prioridades de desarrollo futuro incluyen ampliar los recursos computacionales de preentrenamiento para expandir el conocimiento del mundo, optimizar la eficiencia de la cadena de razonamiento para mejorar el uso de tokens y perfeccionar la arquitectura fundamental para tareas complejas de resolución de problemas.

Véase también: La realidad empresarial de la IA: lo que deben saber los líderes empresariales

¿Le interesa aprender más sobre la IA y el big data de la mano de expertos del sector? Explore la AI & Big Data Expo que se celebra en Ámsterdam, California y Londres. Este completo evento forma parte de TechEx y se celebra conjuntamente con otros importantes eventos tecnológicos. Haga clic aquí para obtener más detalles.

AI News está impulsado por TechForge Media. Descubra aquí otros eventos y seminarios web sobre tecnología empresarial que se celebrarán próximamente.