DeepSeek V4.1 Flash ya está disponible de forma general: 552B bajo una nueva arquitectura, pesos MIT y una retirada del V4 Pro que nunca ocurrió

DeepSeek V4.1 Flash ya no es un experimento de dos días. El modelo que pasó el 8 y el 9 de septiembre dentro de la API en producción del proveedor bajo un ID que llevaba su propia fecha de caducidad —deepseek-v4.1-flash-expires-on-0910— se lanzó de verdad el 10 de septiembre de 2026, en la aplicación, la interfaz web y la API de DeepSeek, donde ahora responde al nombre de modelo deepseek-flash. Tres cosas del lanzamiento son más grandes de lo que sugería la beta. La primera es la documentación: DeepSeek publicó un informe técnico —titulado, sin mucha sutileza, Pushing the Limits of KV Cache Compression— y pesos con licencia MIT para un modelo multimodal de mezcla de expertos de 552B parámetros construido sobre una nueva arquitectura Causal Encoder-Decoder. Esos pesos no son una promesa: 48 shards de safetensors, unos 510 GB en total, se publicaron en línea la mañana del lanzamiento, lo que convierte el eslogan no verificado de la beta, «nueva arquitectura, multimodal nativo», en algo que un lector puede descargar e inspeccionar. La segunda es la forma de la gama. DeepSeek V4 Flash y DeepSeek-V4-Flash-Vision-Exp están retirados, sus antiguos ID siguen resolviendo al nuevo modelo con tarifas Flash, y el plan de retirar gradualmente DeepSeek V4 Pro el 14 de septiembre se retiró antes de que llegara la fecha: V4 Pro sigue sirviéndose, con facturación sin cambios, y DeepSeek ha prometido avisar antes de que cambie cualquier cosa. El modelo más barato de la familia ha ocupado el lugar del buque insignia en precio y en los propios benchmarks de DeepSeek, y DeepSeek dice que la arquitectura subyacente fue diseñada para escalar a modelos más grandes. Lo que está por encima es, a 25 de septiembre, la conjetura de un rastreador —una línea de tres niveles Flash, Pro y Ultra con 522B, 2T y 8T— ofrecida por la cuenta que la publicó como especulación y no confirmada por nada que DeepSeek haya publicado. La tercera es la que la beta nunca tuvo. Artificial Analysis ha publicado ahora las primeras evaluaciones externas del modelo —una puntuación de 39 en el Intelligence Index en modo Reasoning con esfuerzo máximo para los pesos de septiembre y 45 para el checkpoint 1017 (una ganancia de seis puntos que lo empata con GLM-5.3 en el segundo puesto entre los modelos de pesos abiertos, un punto por detrás de MiMo-V2.6-Pro), frente a 36 para DeepSeek V4 Pro 0813 en la misma escala, lo que convierte al modelo de 552B en el modelo DeepSeek con mayor puntuación que el sitio ha medido. Diez elementos adicionales son más recientes que el lanzamiento y apuntan en direcciones diferentes. El 25 de septiembre, el responsable de pruebas de modelos de ARC Prize abrió un pull request para añadir un perfil de primera clase de DeepSeek V4.1 Flash al arnés de benchmarking de la fundación —el evaluador cuyo tablero este campo interpreta como un techo de razonamiento más que como una comprobación de productividad, y que llega sin ningún resultado adjunto ni prometido. Tres días después, un laboratorio externo publicó el tipo opuesto de noticia: una medición terminada, en un tablero diferente, que pone a DeepSeek V4.1 Flash junto a otro modelo de pesos abiertos y lo encuentra el más débil de los dos, y encuentra que la cifra varía más con el arnés que envuelve al modelo que con el propio modelo. En Exploit Bench, un benchmark de Carnegie Mellon que puntúa hasta dónde avanza un agente hacia la explotación completa de un V8 de producción, DeepSeek V4.1 Flash promedió 4,7 de 16 con la configuración predeterminada del propio benchmark y 9,3 con Claude Code, mientras que GLM-5.3-Flash alcanzó un máximo de 10,6 con Codex y cayó a 6,2 con el mismísimo arnés que mejor le sienta a DeepSeek V4.1 Flash. El tercero es el menos dramático y el más fácil de comprobar: el 7 de octubre, el proyecto vLLM publicó su propio balance de tres semanas sobre el servicio de este modelo, informando que su compilación actual es 1,9× más rápida con baja concurrencia y 5,3× el rendimiento bajo una restricción de 150 TPS frente a su propia implementación del día 0 —un antes y un después de un motor sobre sí mismo en lugar de otra evaluación externa—, y el tema de la sección de velocidad que aparece más abajo. Un cuarto trata de lo que cuesta usar el modelo en lugar de lo que puntúa, y se movió dos veces en tres días: el 12 de octubre, OpenCode, el agente de programación que pone precio a este modelo por asignación de uso mensual en lugar de por tokens medidos, elevó su asignación para él de $60 a $80 —una declaración de la propia plataforma sobre un producto que vende, publicada en su propia página de precios—, y el 15 de octubre comenzó a servir el mismo modelo gratis, bajo un segundo id de modelo, con un contexto de 200.000 tokens frente a la ventana de 1M que lleva la entrada medida. Un quinto, del 14 de octubre, mide el costo de servicio del modelo en lugar de su calidad: Artificial Analysis añadió DeepSeek V4.1 Flash a AA-AgentPerf, su benchmark de hardware para inferencia agéntica, con resultados en aceleradores tanto de NVIDIA como de AMD —a 100 tokens por segundo por usuario, el GB300 NVL72 de NVIDIA lidera el campo con aproximadamente 261 millones de tokens por segundo por megavatio, y las mismas ejecuciones sirven el modelo en tan solo dos aceleradores, lo cual es la sección de abajo en una segunda moneda. El sexto es el propio lanzamiento, reemplazado: el 17 de octubre DeepSeek sustituyó el checkpoint detrás del mismo nombre de modelo deepseek-flash por DeepSeek-V4.1-Flash-1017 —nuevos pesos, una tabla de benchmarks del proveedor que supera al modelo de septiembre en cada fila que publica, la misma tabla de tarifas y la misma envolvente de 1M de tokens— y, a 18 de octubre, una medición externa de los nuevos pesos que contradice la fila con la que el proveedor abre: Artificial Analysis puntúa el checkpoint 1017 con 45 en su Intelligence Index y 33,8 en Terminal-Bench 4.0 con su propio arnés, frente al 42,3 de la ficha de DeepSeek. El séptimo elemento es la polémica que produjo esa brecha. El 19 de octubre, una cuenta de rastreador con historial de anunciar estos lanzamientos antes de tiempo se declaró «completamente seguro» de que el 42,3 es real «porque es mejor que GLM-5.3», y pidió a Artificial Analysis que ejecutara el modelo en un arnés nativo. El sitio ya había respondido el día anterior, con un número ocho puntos y medio más bajo. El octavo no es una puntuación: el 20 de octubre, un rastreador de DeepSeek publicó una transcripción de agente en la que el checkpoint 1017 rechazó una personalidad con jailbreak a la que se había aplicado dsh-purge —un plugin creado para eliminar las propias restricciones del arnés—, y las notas de abliteración de un tercero sitúan la tasa de rechazo del checkpoint sin modificar en 97 de 100 prompts dañinos en modo chat y 98 en modo think, sin que DeepSeek haya publicado ninguna evaluación de seguridad propia para ninguno de los dos checkpoints. El noveno no es una puntuación ni un precio: esta semana DeepSeek abrió el motor de inferencia sobre el que funciona su propio servicio, con una curva de decodificación para el checkpoint 1017 y las cifras de producción que la respaldan, y el hilo que lo sacó a la luz esta semana compara esa curva con un benchmark del Ascend 950DT del 30 de septiembre que sitúa el componente de Huawei aproximadamente entre cinco y siete veces por detrás por chip: la sección sobre el silicio de servicio que aparece más abajo. El décimo no es una puntuación, un precio ni un checkpoint: el 22 de octubre, YuyuantanTan, la cuenta de asuntos de actualidad gestionada por China Media Group, informó de que DeepSeek y MiniMax habían completado los procedimientos de registro vinculados al borrador del catálogo de exportación de tecnología de China y terminado la liberación como código abierto y la concesión de licencias en el extranjero. Eso son medios estatales informando sobre dos empresas, no un aviso de un regulador ni una declaración de una empresa, y es el acontecimiento que responde a la pregunta que abrió el borrador del catálogo el 16 de octubre: si los pesos MIT de los que trata este artículo pueden seguir publicándose y enviándose al extranjero. La sección de licencias de abajo separa lo que dice el informe de lo que no dice.

El texto que sigue mantiene separados dos tipos de afirmación. Las especificaciones, los benchmarks y los precios provienen del propio registro de cambios, la ficha del modelo y el informe técnico de DeepSeek: publicados y ejecutados por el proveedor, y no reproducidos por nadie más. Desde entonces, esa brecha se ha reducido gracias a cuatro instrumentos independientes —un índice compuesto, un tablero comunitario de kernels, un benchmark de ciberseguridad controlado por un arnés de pruebas y un benchmark de servicio en hardware—, uno de los cuales, el índice, ya se ha ejecutado con ambos checkpoints. Ninguno de ellos replica una sola fila de las publicadas por el proveedor, y ARC Prize sigue desarrollando la evaluación de razonamiento, y aún no ha publicado nada de ella. El 17 de octubre, DeepSeek sustituyó el modelo que hay detrás del mismo nombre de API por el checkpoint DeepSeek-V4.1-Flash-1017. Durante un día, eso significó que todas las cifras externas de este artículo describían pesos que el proveedor ya no servía, sin ninguna puntuación externa para los que sí servía; el 18 de octubre, Artificial Analysis volvió a ejecutar su índice con el nuevo checkpoint y publicó 45, frente a 39 para los pesos de septiembre. Los otros tres instrumentos no se han vuelto a ejecutar: el benchmark de ciberseguridad, el tablero de kernels y el benchmark de hardware siguen describiendo los pesos de septiembre, y ninguna puntuación independiente, antigua o nueva, replica una de las filas de benchmarks del propio DeepSeek. La cifra de coste de servicio que el proyecto vLLM publicó el 17 de octubre es más reciente solo en la fecha de publicación: el gráfico que la respalda está fechado el 16 de octubre, el día anterior al cambio, así que describe los mismos pesos sustituidos. En su índice actual (v4.3.2), Artificial Analysis puntúa el checkpoint de septiembre de DeepSeek V4.1 Flash con 39 y el checkpoint 1017 con 45, y describe ambos como muy por encima de la mediana de 19 para modelos de pesos abiertos de tamaño comparable; son cifras genuinas de terceros y las primeras de este artículo que no produjo DeepSeek. Cada una es una combinación de diez evaluaciones, no una replicación de ninguna fila individual del proveedor, y no dice nada sobre la economía del contexto de 1M. Las cifras de rechazo de este artículo son un cuarto tipo de afirmación y se etiquetan donde aparecen: provienen de personas que crean derivados sin censura de estos pesos, no de DeepSeek ni de un laboratorio de evaluación, y DeepSeek no ha publicado ninguna evaluación de seguridad para ninguno de los dos checkpoints. Las cifras de hardware de la sección de servicio pertenecen a otra clase más: la curva de decodificación de NVIDIA y las cifras de producción son mediciones propias de DeepSeek de su propio motor, publicadas junto con el código esta semana, y los puntos de Ascend provienen de una hoja de benchmark reproducida en un hilo de X que no está publicada en el sitio de ninguno de los dos proveedores. Cuando una cifra pertenece a DeepSeek, este artículo lo indica. Hay una clase más que queda fuera de esa taxonomía. El informe del 22 de octubre según el cual DeepSeek y MiniMax completaron el registro conforme al borrador del catálogo de exportación procede de medios estatales —YuyuantanTan, de China Media Group, repetido en medios financieros chinos—, no de un aviso del Ministerio de Comercio, y DeepSeek no ha publicado ninguna declaración que lo confirme. El catálogo en sí es un borrador gubernamental abierto a comentarios hasta el 15 de noviembre, y se describe como borrador allí donde aparece en este artículo. Los nombres de compilación asociados al informe —V4.1F-1017 y M3.1-Flash— provienen de una única cuenta de X el 23 de octubre y no aparecen en el informe de los medios estatales ni en los medios que lo difundieron; el checkpoint que menciona esa publicación ya se podía descargar desde hacía seis días cuando se escribió.

El checkpoint del 17 de octubre: qué cambió DeepSeek-V4.1-Flash-1017

Cinco semanas después del lanzamiento en torno al cual se construye este artículo, DeepSeek sustituyó el modelo subyacente. La entrada del registro de cambios fechada el 17 de octubre tiene tres frases: «DeepSeek V4.1 Flash se ha actualizado a DeepSeek-V4.1-Flash-1017. Los modelos oficiales de la web y la app también se han actualizado a la nueva versión. El método de llamada a la API y los precios no cambian; basta con usar deepseek-flash para acceder al modelo más reciente». Todo lo que hay en esa cita es el proveedor hablando de su propio producto, y las tres afirmaciones se pueden comprobar en las propias páginas de DeepSeek en lugar de darlas por buenas: la fila de versión del modelo en la tabla Models & Pricing ahora dice DeepSeek-V4.1-Flash-1017 donde antes decía DeepSeek-V4.1-Flash, la tabla de tarifas que la acompaña mantiene la misma división entre horas valle y horas punta publicada el 10 de septiembre —$0,003, $0,15 y $0,60 por 1 M de tokens en horas valle, que se duplican a $0,006, $0,30 y $1,20 dentro de las franjas de hora punta de los días laborables—, y la guía de inicio rápido de la API sigue indicando deepseek-flash como cadena de modelo, con el contexto de 1 M de tokens, el límite de salida de 384 K y el límite de concurrencia de 2.500 solicitudes sin cambios. Los ID de alias retirados se comportan como decía la nota de septiembre: deepseek-v4-flash y deepseek-v4-flash-vision-exp todavía se aceptan y ahora responden como DeepSeek-V4.1-Flash-1017 a los precios de Flash. DeepSeek anunció el mismo cambio desde su propia cuenta ese día, y merece la pena leer la publicación junto con el registro de cambios porque es más breve y más directa: «¡DeepSeek-V4.1-Flash-1017 ya está aquí! Mejor rendimiento en los benchmarks, finalización de tareas más rápida y salidas más cortas que la versión anterior: una mejora de Pareto en rendimiento y coste. Ya disponible en nuestra web, app y API», seguido de los mismos tres harnesses y la misma instrucción de actualizar a DeepSeek Harness 0.2.1-rc.1 o posterior. Todo lo que contiene es el proveedor describiendo su propio producto en su propio canal: «ya disponible en nuestra web, app y API» es la reformulación de «los modelos oficiales de la web y la app también se han actualizado» del registro de cambios, y las afirmaciones sobre benchmarks, tiempo de ejecución, longitud de salida y Pareto son las de la ficha del modelo, con una diferencia que importa a cualquiera que esté decidiendo si probarlo. La ficha incluye una cifra junto a cada fila de benchmark; la publicación no lleva ninguna, y ni la publicación ni el registro de cambios cuantifican la afirmación sobre el tiempo de ejecución y la longitud de salida. Dos de las cuatro cosas con las que DeepSeek abre aquí siguen siendo afirmaciones del proveedor en lugar de resultados publicados, y el gráfico que respalda la mención de Pareto —el adjunto a la publicación— es del propio DeepSeek, elaborado con sus propias mediciones del coste por tarea.

Los pesos se movieron con él, y esa es la parte que un lector puede verificar sin confiar en un changelog. Un segundo repositorio, deepseek-ai/DeepSeek-V4.1-Flash-1017, apareció en Hugging Face en las primeras horas del 17 de octubre bajo la misma licencia MIT: de nuevo 48 fragmentos safetensors, el mismo total de aproximadamente 510 GB, cada fragmento del mismo tamaño que su homólogo de septiembre y el hash de cada fragmento diferente. Misma forma, contenido distinto —que es lo que debería parecer “una actualización menor” desde fuera, y que además significa que las afirmaciones sobre la arquitectura que este artículo viene reportando desde septiembre siguen intactas: el archivo de configuración que declara el backbone de 552B, los 384 expertos enrutados, la ruta de prefill con 8B de parámetros activos por token y la ruta de decodificación de 16B es idéntico byte a byte al del repositorio de septiembre, así que la caché KV de 890 bytes por token es el mismo diseño y no uno nuevo. Lo que el nuevo repositorio no trae es el papeleo. No contiene informe técnico, ni carpeta de evaluación, ni plantilla de chat Jinja; la tarjeta del modelo dice que la versión no incluye una plantilla de chat y remite, en su lugar, a una referencia de codificación en Python y a un nuevo toolkit de Rust, deepseek-recipe, para convertir solicitudes de Chat Completions, Responses y en formato Anthropic al formato de prompt del modelo. Cualquiera que fije los pesos por el nombre del repositorio debería saber que las dos descargas difieren en más que sus hashes. La lista de archivos dice exactamente cómo: los 48 fragmentos llevan una suma de verificación distinta y un tamaño en bytes idéntico, mientras que los archivos que no son pesos —la configuración que declara la arquitectura, la licencia y toda la carpeta de codificación— son byte a byte iguales en ambos repositorios. Siete archivos existen en el repositorio de septiembre y no en este, y no se añadió nada para reemplazarlos: el informe técnico, la carpeta de evaluación, la plantilla de chat, las dos figuras que la tarjeta del modelo solía incrustar y un .gitignore. La tarjeta del modelo también restringe un parámetro de serving. La tarjeta de septiembre recomendaba un top_p de 0.95 o de 1.0; la del 17 de octubre recomienda 1.0, con temperatura en 1.0, una ventana de contexto de 1M y un max_tokens de al menos 256K sin cambios.

La propia tabla de benchmarks de DeepSeek es donde se supone que debe verse la actualización, y es una tabla de proveedor exactamente del tipo que eran las filas de septiembre: ejecuciones de la misma empresa, no reproducidas por nadie, publicadas sobre un modelo cuyos pesos llevaban unas pocas horas siendo públicos. Frente al checkpoint de septiembre, sube en todas las filas que recoge la ficha: HLE sin herramientas 42,6 frente a 36,8, o 44,0 frente a 39,1 en el subconjunto de solo texto; Terminal-Bench 4.0 42,3 frente a 31,2; DeepSWE v1.1 77,0 frente a 74,2; ProgramBench 29,1 frente a 20,3; NL2Repo-Bench 68,2 frente a 65,4; Automation-Bench v1.0.6 60,5 frente a 54,8; Agents' Last Exam 35,4 frente a 31,8; Apex Bench v1.1 72,1 frente a 64,6; Chartography con herramientas 83,0 frente a 78,9; BabyVision con herramientas 92,5 frente a 89,6; y ZeroBench-main con herramientas 51,0 frente a 49,0, en Pass@5. La misma tabla sitúa a 1017 frente a los modelos de frontera con los que DeepSeek se compara: ahora supera a GPT-5.6 Sol en Terminal-Bench 4.0, 42,3 frente a 39,9, mientras sigue por detrás de Opus 5 en 51,8, y lidera a ambos en DeepSWE v1.1, 77,0 frente a 73,0 y 74,0 — una fila leída del gráfico adjunto al anuncio del propio proveedor, y la cifra más citada de la semana. En NL2Repo-Bench pasa a 68,2 y sigue por detrás de Opus 5 en 75,3, que es el mismo patrón que tenía la tabla de septiembre: más fuerte en trabajo agéntico con arnés, por detrás en las filas que recompensan la profundidad de razonamiento. La fila de Terminal-Bench 4.0 es la que hay que leer dos veces, porque ahora es la única fila de esa tabla con una contraparte independiente. DeepSeek la ejecutó bajo el arnés de Claude Code; Artificial Analysis ejecuta las mismas 66 tareas bajo mini-swe-agent, y su resultado del 18 de octubre para estos pesos es 33,8 — ocho puntos y medio por debajo del 42,3 del proveedor. En la propia tabla de DeepSeek, esa fila supera a GLM-5.3 por 4,4 puntos, 42,3 frente a 37,9. En el arnés de Artificial Analysis, esos mismos pesos quedan por detrás de GLM-5.3 por ocho puntos, 33,8 frente a 41,9.

Una línea de letra pequeña vale más que varios de esos deltas. La ficha de septiembre evaluaba Terminal-Bench 4.0 con DeepSeek Harness en su modo Minimal; la ficha 1017 dice que utilizó el harness Claude Code para Terminal-Bench 4.0 y Mini-SWE-V2 para DeepSWE v1.1. El estudio de harness que aparece más abajo en este artículo midió siete puntos de dispersión en un modelo a través de siete CLI de agentes, así que un movimiento de once puntos en Terminal-Bench 4.0 que llega con un harness distinto debajo no puede interpretarse como once puntos de modelo. La ficha indica qué harness utilizó, que es lo que hace que la fila sea auditable en lugar de meramente impresionante, pero la fila son dos cambios bajo un solo número. La ejecución independiente los separa, y no a favor del proveedor. Artificial Analysis evaluó los mismos pesos 1017 en Terminal-Bench 4.0 bajo mini-swe-agent —el harness que mantiene constante para todos los modelos de ese leaderboard— y obtuvo 33,8, frente a 26,8 del checkpoint de septiembre con el mismo harness. Con un harness fijo, el checkpoint vale siete puntos, no once, y la cifra titular de DeepSeek se sitúa ocho puntos y medio por encima de lo que puntúan los mismos pesos cuando el harness se mantiene constante entre modelos. El resto del planteamiento de DeepSeek gira en torno al coste y no a la puntuación, y es el mismo eje con el que se vendió la versión de septiembre: el registro de cambios afirma que la actualización reduce el tiempo de ejecución de las tareas y la longitud de las salidas, califica el resultado de «un nuevo óptimo de Pareto entre rendimiento y coste en múltiples harness» y dice que optimizó para DeepSeek Harness, Tencent CodeBuddy y WorkBuddy, recomendando DeepSeek Harness 0.2.1-rc.1 o posterior. El tiempo de ejecución y la longitud de salida son precisamente las magnitudes que la evidencia sobre verbosidad de este artículo sigue desde fuera, y DeepSeek ahora afirma haber recortado ambas, sin ninguna cifra adjunta. Ya existe una medición externa del nuevo checkpoint, y no muestra la reducción del tiempo de ejecución ni de la salida: la ejecución del índice de Artificial Analysis sitúa los pesos 1017 en 288,8 segundos por tarea frente a 289,9 en septiembre, y en 89.495 tokens de salida por tarea frente a 88.574, sin cambios en ambas, con el ahorro de coste recayendo en un lugar completamente distinto. La publicación que DeepSeek hizo en su propia cuenta ese mismo día comprime todo eso en «una finalización de tareas más rápida y unas salidas más cortas», y luego califica el par como una mejora de Pareto en rendimiento y coste: la afirmación del registro de cambios en una forma más breve, de la misma fuente y igual de carente de medición. Es el proveedor reafirmándose, no una segunda fuente, lo cual importa porque la cifra de ese gráfico es la que el mundo exterior ha pasado la semana repitiendo. El único artefacto del anuncio que sí lleva números es el gráfico adjunto a la publicación, y es DeepSWE v1.1 Pass@1 representado frente al coste medio por tarea bajo un harness mini_swe_v2. Merece la pena leer su leyenda antes que la línea de Pareto: los datos públicos del leaderboard que subyacen a él están fechados el 22 de septiembre en el propio gráfico, tres semanas y media antes del checkpoint que el gráfico se utiliza para promocionar, y las líneas de comparación de los modelos de OpenAI se atribuyen al propio gráfico DeepSWE de OpenAI en lugar de a una ejecución compartida. Un punto de ese gráfico es nuevo. Todo contra lo que se mide se publicó antes de que existiera.

El mismo día del cambio, la lectura más compartida de esa tabla vino de alguien con intereses en dónde se ejecuta el modelo. Yuchen Jin, que trabaja en sistemas de IA en Databricks, publicó que DeepSeek-V4.1-Flash-1017 «obtiene 77 en DeepSWE v1.1», que es «un rendimiento de nivel Opus 5 con un coste 83 veces menor» y que «lo lanzaremos en Databricks». El 77 es la propia fila de DeepSeek, tomada del gráfico adjunto al anuncio del proveedor, y nada fuera de la empresa lo ha reproducido. Los dos puntos de comparación son de Jin, y se dividen nítidamente en uno que resiste una verificación externa y otro que no. Lo de «nivel Opus 5» se sostiene: las tablas independientes que publican DeepSWE v1.1 sitúan el nombre de este modelo en ese entorno en sus propias ejecuciones. La clasificación APEX de Mercor —113 tareas originales en 91 repositorios, puntuadas con el arnés mini-swe-agent— incluye Opus 5 Max con un 71,4 % y una entrada DeepSeek V4.1 Flash Max con un 71,7 %, y la tabla llm-stats para el mismo benchmark sitúa Claude Opus 5 en el 68,8 % frente al 74,2 % de DeepSeek-V4.1-Flash. La lectura honesta del par es más estrecha de lo que sugiere la publicación: dos tablas que miden este benchmark de forma independiente coinciden en que el modelo es al menos igual a Opus 5 en él, y ninguna de las dos muestra un 77, porque ambas recogen o bien la cifra de septiembre o bien su propia ejecución, y ninguna etiqueta una entrada con el checkpoint 1017. Lo de «nivel Opus 5» es defendible como afirmación sobre un entorno. La cifra que lo produjo aún no es repetible.

La mitad del 83× que aparece en el artículo es su propia aritmética y no una cifra publicada, y es la mitad que conviene tomar con pinzas. Ningún board incluye un costo por tarea para el checkpoint 1017, y el gráfico del proveedor que respalda la propia afirmación de Pareto de DeepSeek representa el costo por tarea en un eje logarítmico que va de diez centavos a veinte dólares, que es el tipo de dispersión que exige un múltiplo tan grande. Solo con las tarifas de lista, la brecha es menor que 83×: Claude Opus 5 cobra $5 por 1M de tokens de entrada y $25 por 1M de salida, frente a $0.30 y $1.20 de DeepSeek-V4.1-Flash dentro de las ventanas de pico de los días hábiles, aproximadamente 17× en entrada y 21× en salida, y el resultado varía mucho según la proporción de aciertos de caché y según cuántos tokens consuma una tarea. La dirección del argumento de costos no está en disputa, ni aquí ni en ninguna otra parte de este artículo. El múltiplo específico es una afirmación sobre una comparación que nadie ha publicado.

Databricks es la parte de esa publicación que un lector puede contrastar con la documentación, y la documentación dice más que la publicación. DeepSeek V4.1 Flash está en Databricks Unity Gateway desde el 11 de septiembre, el día después del lanzamiento de DeepSeek, con entrada de texto e imágenes a través de las Foundation Model APIs de la plataforma bajo el nombre de servicio system.ai.deepseek-v4-1-flash; el 7 de octubre, la plataforma añadió para él prioridad de pago por token y rendimiento aprovisionado reservado. También es el destino designado de la plataforma para esta familia: Databricks ha programado la retirada de DeepSeek V4 Pro (0813) para el 30 de octubre y de DeepSeek V4 Flash (0731) para el 5 de noviembre, y nombra a DeepSeek V4.1 Flash como el reemplazo recomendado en ambas notas. Lo que ninguna página de Databricks dice es que el checkpoint del 17 de octubre está por llegar. Esa afirmación es la de un empleado que habla a título personal —una señal interna sobre la intención, más que una fecha de lanzamiento—, y la página de modelos compatibles todavía incluye el modelo sin una etiqueta de checkpoint. Así que el cambio de disponibilidad de esta semana es prospectivo, procedente de una fuente dentro de la plataforma y no de la propia plataforma; lo que un cliente de Databricks puede invocar hoy son los pesos de septiembre, y la sustitución que ha venido describiendo este artículo —nuevos pesos bajo el mismo nombre y la misma tabla de tarifas— es la forma que adoptará ese reemplazo cuando llegue.

Así que lo que no cambió es tan importante como lo que sí cambió. Tres de los cuatro instrumentos independientes siguen cubriendo los pesos de septiembre y solo esos: la tabla del harness de Exploit Bench, el panel comunitario de kernels y las ejecuciones de hardware de AA-AgentPerf se produjeron antes del cambio, y los dos tableros DeepSWE v1.1 que llevan el nombre de este modelo publican una entrada sin ningún checkpoint asociado. El cuarto cambió el 18 de octubre: Artificial Analysis añadió una fila aparte para el checkpoint 1017, le dio una puntuación de 45 en su Intelligence Index y de 33,8 en Terminal-Bench 4.0, y dejó la fila de septiembre en 39 y 26,8. Es la primera vez que una cifra de este artículo la produce alguien distinto de DeepSeek sobre los pesos que DeepSeek está sirviendo actualmente. El cambio en la API es una actualización de checkpoint detrás de un nombre que DeepSeek ya había documentado como apuntando al modelo Flash más reciente —lo contrario del plan de septiembre de hacer que deepseek-v4-pro respondiera como un modelo diferente, que es la distinción que los desarrolladores hacían cuando se opusieron a ese caso—. Para quien llama, el efecto práctico es acotado y concreto: pedir deepseek-flash ahora obtiene pesos diferentes al mismo precio, con una mejor tabla reportada por el proveedor detrás y, desde el 18 de octubre, un tercero que los puntúa, con una puntuación más baja en la única fila donde existen ambos. En OrcaRouter, el id del modelo y la tarifa tampoco cambian —DeepSeek V4.1 Flash se enruta al precio de lista propio de DeepSeek con un 0 % de margen repercutido—, que es lo que debería verse, desde el lado de quien llama, cuando un proveedor actualiza un modelo sin cambiar su nombre ni su precio.

Lo que realmente se lanzó el 10 de septiembre

La entrada del registro de cambios abre con una sola frase: «Hoy lanzamos oficialmente el modelo DeepSeek-V4.1-Flash». DeepSeek lo describe como el miembro más pequeño de una nueva familia de estructuras de modelos, con comprensión visual nativa, y es la primera versión de este ciclo que llega con un informe técnico adjunto. En el lado de la API, se trata de un cambio de nombre en lugar de una migración:

• Nombre del modelo — deepseek-flash en la propia API de DeepSeek; la URL base, la clave y el formato de la solicitud no cambian.

• Retirado — DeepSeek V4 Flash y DeepSeek-V4-Flash-Vision-Exp están fuera de línea. Sus ID antiguos todavía se aceptan y ahora enrutan a V4.1 Flash, facturados a tarifas Flash, por lo que las integraciones existentes siguen funcionando sin necesidad de cambiar el código.

• V4 Pro — DeepSeek anunció que, a partir de las 12:00, hora de Pekín, del 14 de septiembre, las solicitudes de deepseek-v4-pro se dirigirían a V4.1 Flash a los precios de V4.1 Flash hasta que se lanzara un V4.1 Pro, y luego revirtió la decisión antes de que llegara la fecha. V4 Pro se sigue sirviendo, con facturación sin cambios, y DeepSeek dice que avisará de cualquier otro cambio.

• Envelope — una ventana de contexto de 1M tokens, salida máxima de 384K, 2,500 solicitudes concurrentes por cuenta, admite entrada de imágenes, modo de pensamiento activado por defecto con opción de desactivarlo.

• Pesos — el mismo día, el repositorio deepseek-ai/DeepSeek-V4.1-Flash se publicó en Hugging Face bajo la licencia MIT: 48 fragmentos safetensors que totalizan unos 510 GB, el informe técnico en PDF junto a ellos, y una implementación de inferencia de referencia en una carpeta de inferencia.

Ese último punto es también donde aterriza la historia del ID de modelo retirado para cualquiera que tenga deepseek-v4-flash codificado de forma fija en una ruta de producción: sigue resolviéndose, pero lo que responde es un modelo distinto. DeepSeek ha sido explícito en que esto es un shim de compatibilidad y no una promesa, lo que lo convierte en una fecha límite de migración disfrazada de aviso de depreciación.

La arquitectura, ahora en el registro.

Hace dos días, esta sección solo podría haber sido una lista de cosas que nadie había publicado. El informe técnico lo confirma, y la afirmación estructural resulta ser literal, no una estrategia de marketing. DeepSeek V4.1 Flash es un modelo multimodal de mezcla de expertos de 552B parámetros, y las partes que son nuevas son las que deciden cuánto cuesta ejecutarlo:

• Backbone — 552B de parámetros en total, mezcla de expertos con un experto compartido y 384 expertos enrutados por capa, seis expertos enrutados activos por token.

• CED — un transformador de 40 capas dividido en un codificador causal de 20 capas y un decodificador de 20 capas. La caché KV global del decodificador se proyecta desde los estados ocultos finales del codificador, en lugar de derivarse de los estados ocultos de cada capa del decodificador, que es de donde proviene la mayor parte del ahorro de memoria.

• Asimetría de activación — aproximadamente 8B parámetros activos por token durante el prefill y 16B durante el decode, por lo que leer un prompt largo es considerablemente más barato que generar a partir de él.

• Caché KV: el informe indica 890 bytes por token de caché KV global, aproximadamente una cuarta parte de DeepSeek V4 Flash, con caché KV principal en FP4 con una escala por cada 16 canales y reutilización entre capas.

• Atención y decodificación — Compressed Sparse Attention 2 con modos Full, Reindex y Reuse, un indexador jerárquico disperso, Single-Pass mHC y decodificación especulativa DSpark.

• Engram — una tabla de memoria condicional de 196B parámetros, con acceso disperso mediante una búsqueda basada en tokens, que se ubica junto a la ruta de mezcla de expertos en lugar de dentro de la pila de atención. Es el mayor bloque de pesos del lanzamiento, y la cifra que la ficha del modelo le asigna es lo que hace comprensible el tamaño de la descarga.

• Visión — DeepSeek-ViT con un proyector MLP de dos capas, entrenado desde el inicio del preentrenamiento del modelo de lenguaje en lugar de acoplado posteriormente a una base de texto.

• Entrenamiento — 45T tokens de corpus multimodal, con atención dispersa entrenada a una longitud de secuencia de 64K y contexto extendido a 1M en el hito de los 34T tokens. El post-entrenamiento ejecuta SFT, luego RL, luego destilación on-policy.

• Esfuerzo de razonamiento: un entero continuamente controlable de 1 a 100, un dial más fino que los niveles bajo, alto y máximo que expone DeepSeek V4 Pro.

El número de la caché KV es el que tiene consecuencias más allá de la ficha técnica, y es donde el diseño demuestra su valía. Una ventana de contexto de 1 M de tokens solo es útil si puedes permitirte llenarla. La razón por la que la economía del contexto largo de la generación anterior era dolorosa era doble: la caché global crecía con cada capa que prestaba atención sobre el prompt, y la mayor parte de la capacidad de caché persistente se gastaba en mantener estado de ventana deslizante que dejaba de ser útil en cuestión de minutos. La respuesta del informe ataca ambos problemas. Que el producto servido lo iguale a 1 M de tokens bajo concurrencia real es el tipo de afirmación que todavía necesita a un tercero —las puntuaciones independientes que ahora existen miden el modelo, no la economía del contexto largo—, pero el mecanismo ahora está documentado en lugar de inferido, y la sección siguiente lo desglosa.

Dentro de la caché: cómo se logran realmente 890 bytes por token

El título del informe es la tesis. Léalo y la afirmación de eficiencia deja de parecer un efecto secundario de la columna vertebral de mezcla de expertos y empieza a parecer el planteamiento de diseño — que es la interpretación en la que han coincidido los análisis independientes desde su publicación. La razón por la que importa comercialmente y no académicamente es dónde recae realmente la factura de un agente: según el planteamiento de DeepSeek, la línea de aciertos de caché es la que domina en cargas de trabajo agénticas largas, lo que convierte el tamaño de la caché en una palanca de costes de primer orden. Las cifras de DeepSeek sitúan la caché global en 890 bytes por token, aproximadamente 437× más pequeña que la DeepSeek V1 original y alrededor de una cuarta parte de DeepSeek V4 Flash. Si se hacen los cálculos para una ventana completa, es la diferencia entre unos 890 MB de KV global para una única secuencia de 1M de tokens y unos 3.5 GB con la tasa por token de V4 Flash. Tres cambios hacen la mayor parte de la compresión: uno sobre cuánto se almacena, otro sobre qué se lee y otro sobre qué se conserva en absoluto.

El formato de almacenamiento es el más legible de todos. La caché global principal se almacena en FP4 usando la disposición E2M1 con una escala E4M3 por cada 16 canales — la mitad del ancho de la caché FP8 que almacenaba DeepSeek V4 y una cuarta parte de FP16. Lo que hace que eso sea viable es que DeepSeek cuantizó la caché durante el entrenamiento en lugar de en el momento del servicio, así que el ruido que introduce el formato más estrecho es algo con lo que el modelo aprendió a lidiar en lugar de algo que se le inflige después. No todo se comprimió de esa manera: la caché local de ventana deslizante permanece en FP8, porque el informe la considera la parte sensible a una reducción adicional.

Compressed Sparse Attention 2 se encarga de lo que se lee. Cada capa de atención se asigna estáticamente a uno de tres modos —Full, Reindex o Reuse—, de modo que las capas del decodificador pueden compartir el estado de claves y el estado del indexador en lugar de que cada una mantenga el suyo, y la primera capa en modo Full construye un conjunto de candidatos al que se restringen las capas de indexación posteriores. Las cifras del informe sitúan ese conjunto en 16.384 posiciones con la selección dispersa sobre las 512 entradas principales, que es lo que desacopla el coste de indexación de la longitud del contexto: la afirmación de DeepSeek es que pasar de un contexto de 4K a 1M solo añade alrededor de un cuarto más de cómputo por token generado, en lugar del crecimiento aproximadamente proporcional a la ventana que implicaba el diseño anterior. Esa única cifra es lo más útil del informe para cualquiera que intente calcular el coste de una carga de trabajo de contexto largo, y también es la única que no tiene ninguna confirmación externa: ninguna de las mediciones externas de este artículo ha probado el extremo lejano de la ventana de contexto.

El cambio que más trabajo hace en el lado persistente tiene el nombre menos prometedor. DeepSeek V4 mantuvo dos cosas en su caché persistente durante más de 72 horas en cargas de trabajo típicas: el KV global y el estado de atención de ventana deslizante. El estado de ventana deslizante importa durante minutos, pero consumía cerca de la mitad de la capacidad de la caché persistente: almacenamiento dimensionado para días ocupado por datos con un minuto de utilidad. V4.1 Flash saca por completo el estado de SWA de la caché persistente y lo aparca en un pool compuesto por aproximadamente el 10 % de la DRAM del host de cada máquina, con un tiempo de vida a nivel de minutos. Cuando se reanuda una sesión y ese estado ya no está, SWA Bounded Replay lo reconstruye de forma aproximada: en lugar de reproducir capas × tokens de ventana, solo reproduce la ventana más reciente, informada en 128 tokens, y acepta que el estado reconstruido no es matemáticamente idéntico a una reproducción completa. DeepSeek afirma que observó poco impacto en la calidad de la aproximación y simuló el mismo comportamiento durante el postentrenamiento. Si se suma a la caché global más reducida, la huella persistente de KV cae a aproximadamente una octava parte de la de DeepSeek V4 Flash en cargas de trabajo idénticas: un recorte mayor que la cifra de una cuarta parte que encabeza la hoja de especificaciones, porque son dos cambios apilados en lugar de un solo cambio de formato.

Dos límites se ciernen sobre todo ello. El informe no ofrece ninguna comparación de latencia extremo a extremo ni de coste, así que una caché persistente ocho veces más pequeña no es una carga de trabajo demostrada como ocho veces más barata: la compresión alivia la presión de memoria, y solo la parte de una factura ligada a la memoria responde a eso. Y el ahorro no es algo que te ocurra sin más. Un motor tiene que implementar la proyección codificador-decodificador, los tres modos de CSA2, el diseño de caché FP4 y Bounded Replay antes de que la cifra signifique algo, por lo que 890 bytes se leen mejor como una especificación de primera parte para la propia API servida de DeepSeek que como una promesa sobre una compilación local —las conversiones cuantizadas para llama.cpp, Ollama y LM Studio en el repositorio no llevan esta caché consigo—. El titular también abarca tokens de texto; los embeddings de visión quedan fuera. En cualquier despliegue autoalojado, la cifra digna de confianza es la que uno mide. Hasta dónde puede llegar un motor con ello ya no es hipotético, aunque sigue sin ser independiente. vLLM implementó el recorte del lado del decodificador y Bounded Replay a lo largo de las tres semanas posteriores al lanzamiento y publicó el antes y el después en la sección de velocidad que figura a continuación —lo más parecido hasta la fecha a una verificación de la especificación, y hecha por un motor que mide su propio trabajo en lugar de por un evaluador que mide el modelo—.

La puntuación independiente, ejecutada dos veces: 39 para los pesos de septiembre, 45 para 1017

Artificial Analysis ha publicado la primera evaluación externa de DeepSeek V4.1 Flash, y es la cifra que la beta no pudo producir. En la versión actual del Artificial Analysis Intelligence Index (v4.3.2), el modelo obtiene 39 en modo Reasoning con el esfuerzo máximo. En la misma escala y con la misma configuración, DeepSeek V4 Pro 0813 obtiene 36 y DeepSeek V4 Flash 0731 obtiene 34. Leídas en conjunto, esas tres filas dicen lo que el marketing de DeepSeek afirmaba y sus benchmarks no podían establecer por sí solos: el modelo más pequeño de la familia es ahora el más potente. Artificial Analysis describe 39 como muy por encima de la mediana de 19 para modelos de pesos abiertos de tamaño comparable. Durante cinco semanas, fue una puntuación solo para el checkpoint de septiembre: la ficha del evaluador incluía la fecha de lanzamiento de septiembre y nada más. El 18 de octubre eso cambió, y el cambio es la noticia que este artículo no tenía cuando se publicó por primera vez. Apareció una segunda fila para DeepSeek V4.1 Flash 1017, fechada el 17 de octubre, con 45 en el mismo índice y con el mismo esfuerzo máximo. Eso sitúa a los pesos 1017 al mismo nivel que GLM-5.3 con 45, dos puntos por debajo de GPT-5.6 Sol con 47 y seis por debajo de Claude Opus 5 con 51 — y convierte al checkpoint en el modelo DeepSeek con mayor puntuación que el sitio ha medido, cinco semanas después de que los pesos de septiembre se hicieran con ese título. También le da al modelo una posición que no tenía antes, y que el evaluador declara abiertamente en su informe del 19 de octubre: segundo en la tabla de pesos abiertos, empatado con GLM-5.3 y un punto por detrás de MiMo-V2.6-Pro con 46, con Step 5 Preview y Kimi K3 un punto más atrás, con 44. Los seis puntos no se distribuyen de manera uniforme entre las diez evaluaciones. El mismo informe señala los mayores avances en los componentes agénticos y de conocimiento: un Elo de 1.746 frente a 1.600 en GDPval-AA v2.1, un Elo de 1.570 frente a 1.420 en AA-Briefcase v1.1, y una tasa de no alucinación de 33% frente a 4% en AA-Omniscience, con la precisión subiendo del 43% al 46% y el índice de esa evaluación pasando de -5 a +5. Esos son los números del propio evaluador para sus propias pruebas, publicados por él y no reproducidos aquí, y describen un modelo que se volvió notablemente menos propenso a inventar una respuesta — una mejora distinta de la de velocidad con la que encabeza el changelog de DeepSeek.

La comparación que importa aquí es la interna, porque es la misma comparación que hace la tabla de enrutamiento de DeepSeek. V4.1 Flash tiene 552B de parámetros totales con 16B activos por token; DeepSeek V4 Pro 0813 tiene alrededor de 1,6T en total con unos 49B activos. Un modelo con aproximadamente un tercio del backbone obtiene tres puntos más en una métrica compuesta que su creador no ejecutó —nueve puntos más una vez contados los pesos de 1017, ya que el buque insignia de 1,6T no se ha movido de 36—. El equilibrio entre tamaño y puntuación es toda la tesis del diseño Causal Encoder-Decoder, y un evaluador sin intereses en el resultado acaba de producir un número coherente con ella.

La parte del precio de la afirmación también se sostiene, y esta es la primera comparación de precios del artículo que no procede de una lista de precios de DeepSeek. Artificial Analysis sitúa DeepSeek V4.1 Flash en $0,30 por 1M de tokens de entrada y $1,20 por 1M de salida, frente a $1,32 y $3,96 para DeepSeek V4 Pro 0813 —4,4× más barato en entrada y 3,3× en salida, con un precio combinado de $0,18 por 1M según la mezcla 7:2:1 de aciertos de caché, entrada y salida del sitio—. También es más barato que el antiguo y más pequeño DeepSeek V4 Flash 0731 al que retira, que el sitio sitúa en $0,44 y $1,32 mientras puntúa cinco puntos menos. Más barato que el modelo al que reemplaza, más barato que el modelo al que desplaza y por delante de ambos en el índice.

Hay dos salvedades que acompañan a la cifra. Es un compuesto de diez evaluaciones ejecutadas con el máximo esfuerzo de razonamiento, así que no dice nada sobre los ajustes de esfuerzo más bajos que realmente usa la mayor parte del tráfico de producción, ni sobre cómo se mantiene la calidad en el extremo lejano de una ventana de 1M tokens. Y es la puntuación de un único evaluador: independiente, pero no replicada; además, el propio compuesto se ha revisado desde que este artículo lo citó por primera vez, de v4.3 a v4.3.2, lo que movió la puntuación de DeepSeek V4.1 Flash de 40 a 39 y la de su predecesor de 35 a 34. Lo que sí establece es limitado y útil: la única afirmación que la beta no podía respaldar, que un modelo de 552B es genuinamente competitivo con el buque insignia de 1.6T de la propia DeepSeek, ahora tiene una fuente fuera de DeepSeek. La fila 1017 conlleva las mismas dos salvedades y una más. Es la puntuación de un único evaluador, para unos pesos cinco semanas más recientes que la mayor parte de la evidencia aquí, y es un único compuesto en lugar de una replicación de cualquier fila de proveedor. Su precio por tarea también ha cambiado en el sitio: el checkpoint de septiembre figura hoy a $0.49 por tarea del Intelligence Index, donde este artículo consignó inicialmente $0.27, y el checkpoint 1017 a $0.26. Trate la cifra en dólares como un número vivo en el panel de control de otra persona, no como una constante, que es la misma lección que enseñó la propia puntuación del índice cuando pasó de 40 a 39. La tabla de costes junto a la puntuación es el resto de la salvedad, y tiene doble filo. El modelo un puesto por encima también cuesta la mitad: MiMo-V2.6-Pro alcanza 46 a $0.13 por tarea del Intelligence Index frente a $0.26 aquí, y la propia comparación de Artificial Analysis sitúa a GPT-6.1 Sol con esfuerzo medio en 48 por $0.21. Lo que sí gana el checkpoint 1017 es el cara a cara que DeepSeek ha estado vendiendo desde septiembre: supera a GLM-5.3-Flash en ambos ejes de esa tabla, 45 frente a 42 y $0.26 frente a $0.28 por tarea, que es la combinación en la que capacidad y coste se mueven en la misma dirección.

La próxima puntuación externa: ARC Prize está construyendo la prueba

El 25 de septiembre, Matt Mazur, responsable de pruebas de modelos de ARC Prize, abrió un pull request en el propio repositorio de benchmarking ARC-AGI-3 de la fundación para añadir un adaptador de proveedor DeepSeek de primera clase: un perfil, llamado deepseek-v4-1-flash-low-provider-adapter, cuyo campo de modelo es deepseek-ai/DeepSeek-V4.1-Flash. La afirmación de que ARC Prize tiene la intención de evaluar este modelo llegó como una única publicación en redes sociales, así que la verificamos contra el propio código de la fundación en lugar de contra la publicación. El adaptador, el perfil, sus pruebas unitarias y su documentación están en el diff, y el repositorio es el harness que la política de pruebas de ARC Prize designa para su benchmark agéntico interactivo. Lo que no existe es un resultado: el pull request está abierto y sin fusionar, no hay puntuación, ni fecha de publicación, ni una declaración de qué niveles de razonamiento se publicarán. Lo que importa es la forma de la medición, no la noticia de que va a haber una. ARC-AGI plantea una pregunta que los otros tableros no plantean: un modelo puede ser rápido, barato y potente dentro de un harness y aun así obtener una puntuación en los sesenta en tareas que no ha visto. Esa es la pregunta que nadie le ha planteado aún a DeepSeek V4.1 Flash.

El perfil define con precisión cómo funcionaría una ejecución así, y tres detalles darán forma a la cifra que finalmente resulte. Ejecuta el modelo con la configuración de bajo esfuerzo de razonamiento en lugar de al máximo, transmite las respuestas en streaming, establece un contexto de harness de 1M de tokens con un disparador de compactación de resumen a los 175.000 tokens, y limita la salida a 262.144 tokens. Se enruta a través del endpoint compatible con OpenAI de Baseten en lugar del propio de DeepSeek, y está configurado a $0,30 por 1M de tokens de entrada y $1,20 por 1M de tokens de salida —las tarifas pico de la tabla de precios de DeepSeek, no las cifras fuera de horas pico citadas más abajo en este artículo. ARC Prize calcula el coste por tarea a partir de los precios configurados en el perfil, así que la cifra final será una de tarifa pico, algo que conviene recordar antes de compararla con los $0,042 por tarea que registró DeepSeek V4 Flash 0731 cuando se probó. La otra característica inusual es una solución alternativa para el comportamiento del modo de pensamiento de DeepSeek: el contenido de razonamiento histórico solo se reproduce cuando una solicitud incluye herramientas, así que el adaptador hace que el modelo emita cada acción de ARC como una llamada a la herramienta submit_action y reproduce el mensaje exacto del asistente con su razonamiento adjunto, en lugar de extraer las acciones de la prosa.

El listón con el que se medirá esto procede de la propia clasificación de ARC Prize. DeepSeek V4 Flash 0731, el checkpoint que retira V4.1 Flash, es la entrada verificada de la clasificación para el nivel Flash del que proviene: 61,4 % en ARC-AGI-2 con el máximo esfuerzo de razonamiento y 89,0 % en ARC-AGI-1, a $0,042 y $0,021 por tarea. Dots3-Note Preview se sitúa en 76,8 % en ARC-AGI-2, que es el 77 % al que apunta la publicación que señaló el adaptador, y la expectativa de la misma cuenta —que cualquier cosa por debajo del 80 % de un sucesor mucho más grande y nativamente multimodal decepcionaría— es su encuadre, no un objetivo publicado. La parte restante de ese encuadre merece una etiqueta: la afirmación de que V4.1 Flash genera un 29 % más de tokens que el modelo al que reemplaza carece de atribución y de definición, y nada de lo que DeepSeek o ARC Prize han publicado dice qué mide.

Una advertencia sobre de qué tabla se trata. El adaptador llegó al repositorio de ARC-AGI-3, el arnés del benchmark agéntico interactivo de la fundación, y el repositorio separado que ejecuta ARC-AGI-1 y ARC-AGI-2 no contiene ninguna entrada de V4.1: su lista de modelos no se ha actualizado desde el 27 de julio y todavía nombra endpoints más antiguos de DeepSeek. Así que el hecho fechable es que ARC Prize ha conectado este modelo a su arnés agéntico; si también aparecerá en la tabla de ARC-AGI-2, donde vive la comparación del 61,4 %, no es algo que el código público muestre hoy. La lectura práctica para cualquiera que elija un modelo se ha ampliado. Cuatro instrumentos independientes sobre DeepSeek V4.1 Flash están ahora en juego —un índice compuesto que se ha ejecutado dos veces, una por checkpoint; una tabla de kernels de la comunidad; un benchmark de ciberseguridad controlado por el arnés; y, desde el 14 de octubre, un benchmark de servicio de hardware—, y dos de ellos colocan el modelo dentro de un arnés en tareas que no ha visto. El más reciente de los dos es el compuesto, que ha incluido Terminal-Bench 4.0 desde el índice v4.3: 66 tareas de terminal, pass@1 promediado sobre tres repeticiones, todos los modelos bajo el mismo arnés de agente. Su resultado del 18 de octubre para los pesos 1017 es 33,8. El benchmark de ciberseguridad, abajo, es lo más cerca que llega cualquiera de ellos, y en él este modelo pierde el único cara a cara que sostiene. El perfil ARC es la evaluación diseñada para responder a la pregunta sobre razonamiento, y sigue siendo la que no tiene número. Hasta que se ejecute, el techo de razonamiento del modelo no está medido, y el número con el que hay que contrastarlo es el de su predecesor.

La primera puntuación externa de ciberseguridad: el arnés mueve el número más que el modelo

El 28 de septiembre, el laboratorio de evaluación Generality Labs publicó un seguimiento de su trabajo anterior en ciberseguridad titulado «Does the harness matter when running Cyber Benchmarks?» — la primera medición externa finalizada que sitúa a DeepSeek V4.1 Flash junto a otro modelo de pesos abiertos en el mismo benchmark de ciberseguridad. El benchmark es Exploit Bench, una evaluación de Carnegie Mellon realizada por Seunghyun Lee y el profesor David Brumley que puntúa hasta dónde asciende un agente por una escalera de dieciséis capacidades —desde llegar a código vulnerable, pasando por activar el fallo, construir primitivas de explotación, hasta la ejecución de código arbitrario— contra V8 de producción con el sandbox de seguridad de V8 habilitado. El laboratorio ejecutó dos modelos, DeepSeek V4.1 Flash y GLM-5.3-Flash de Z.ai, con un presupuesto de 250 millones de tokens por tarea en 10 tareas extraídas de las 41 originales del benchmark mediante la Teoría de Respuesta al Ítem, y repitió cada modelo bajo siete configuraciones de harness: seis CLI de agente —Claude Code, Codex, Kimi CLI, ReAct, Gemini CLI y OpenCode— más la configuración predeterminada del propio benchmark, que el informe etiqueta como Original. Original no es en absoluto una CLI de terceros: no tiene límite de tokens, tiene un tope de 300 turnos y no compacta el contexto. La cuenta que señaló este resultado describe Original como, más o menos, un bucle while de Python; esa es su caracterización, no la de los investigadores, cuya propia descripción es la anterior.

El resultado es una dispersión que ninguna puntuación individual habría mostrado. La capacidad media es sobre 16. DeepSeek V4.1 Flash alcanza su mejor resultado con Claude Code, 9,3, con Codex en segundo lugar con 8,9; el mismo modelo cae a 7,4 en Kimi CLI, 5,9 en OpenCode, 5,7 en Gemini CLI, 5,3 en ReAct y 4,7 con Original —el valor predeterminado de su propio benchmark, y el peor de los siete—. GLM-5.3-Flash invierte ese ranking en ambos extremos. Su mejor configuración es Codex con 10,6, por encima del 10,02 que el propio conjunto de datos del estudio registra para Mythos Preview en el conjunto completo de 41 tareas, aunque los investigadores advierten de que un subconjunto de 10 muestras no es del todo representativo; su peor resultado es Claude Code con 6,2, el mismo entorno de evaluación que es el mejor de DeepSeek V4.1 Flash, y 8,9 en Gemini CLI, 8,2 en Kimi CLI, 8,1 en OpenCode, 7,7 en ReAct y 6,4 con Original. En promedio sobre los siete, GLM-5.3-Flash se sitúa cerca de 8,0 y DeepSeek V4.1 Flash cerca de 6,7. Así que ambas partes de la afirmación que circuló con este resultado se corroboran con los datos publicados: la elección de entorno de evaluación vale varios puntos y, en este benchmark, DeepSeek V4.1 Flash es el más débil de los dos modelos —excepto con Claude Code, donde lidera por más de tres—.

Los investigadores son explícitos en que no pueden explicar del todo la propagación. Su única pista positiva es cómo cada harness compacta el contexto, y la diferencia es una cuestión de redacción. El prompt de compactación de ReAct le pide al modelo que «escriba un resumen de continuación que te permita a ti (o a otra instancia de ti mismo) reanudar el trabajo»; en las transcripciones que publicó el laboratorio, eso a veces lleva al modelo a declarar el trabajo terminado, tras lo cual el harness lo despierta de nuevo y este vuelve a enviar el mismo informe decenas de veces hasta que se agota el presupuesto. Codex enmarca el mismo momento como «crea un resumen de traspaso para otro LLM que reanudará la tarea», y el laboratorio plantea la hipótesis de que dirigirse a un agente distinto es lo que mantiene al modelo avanzando a lo largo de presupuestos prolongados. Ellos lo llaman hipótesis, no causa. Un error de configuración también importa a la hora de leer la tabla: la compactación de ReAct se fijó en 100K tokens en lugar del disparador previsto, así que compactó con mucha más frecuencia de la que el diseño requería, lo que deprime las filas de ReAct de ambos modelos. Las propias advertencias del estudio merecen acompañar a cualquier cifra que se extraiga de él: dos modelos, 10 muestras por configuración de harness, 70 muestras de preguntas por modelo frente a las 41 tareas originales del benchmark, y tres muestras que dieron error o nunca terminaron, dos de ellas GLM-5.3-Flash. Los autores afirman que la muestra pequeña es intrínsecamente ruidosa, que no debe darse por sentado que el resultado se extienda a otros dominios y tareas, y que un trabajo previo de METR no encontró diferencias estadísticamente significativas entre harnesses en tareas de horizonte largo. Es un laboratorio externo ejecutando el benchmark de otro, no los dueños del benchmark, y no ha pasado revisión por pares. Lo que no es, es una cifra de un proveedor, y es la primera cifra externa de este artículo que contradice el propio relato del proveedor en lugar de limitarse a no confirmarlo.

Hay una cosa aquí sobre la que un router puede actuar y otra sobre la que no. No puede elegir tu harness — ese es el bucle de agente que ya ejecutas, y el punto central de este estudio es que la elección es determinante. Lo que sí puede hacer es convertir la mitad del modelo de la pareja en un cambio de una sola línea. DeepSeek V4.1 Flash y GLM-5.3-Flash son enrutables a través de OrcaRouter con una única clave compatible con OpenAI, al precio de lista del propio proveedor con un 0 % de recargo añadido, de modo que un equipo que quiera encontrar su propia combinación de modelo y harness puede intercambiar el modelo bajo un harness fijo sin un segundo contrato ni una segunda integración, y dejar un modelo probado detrás de él como failover automático si el cambio resulta ser una regresión. Ese es el mismo argumento que la sección de adopción presenta más abajo, aplicado a una decisión que el estudio del harness acaba de concretar: según esta evidencia, el harness que ejecutas puede importar más que el modelo que eliges, y el lado del modelo de esa pareja es el lado que puedes cambiar en una tarde.

Donde acierta contra la frontera, y donde aún pierde

La ficha de modelo de septiembre compara V4.1 Flash con Opus-5.0, GPT-5.6 Sol, Kimi K3 y GLM-5.3 con el máximo esfuerzo de razonamiento, y toma sus propios DeepSeek V4 Pro y DeepSeek V4 Flash como líneas base internas. Todas las cifras que aparecen a continuación son reportadas por el proveedor, se ejecutaron en los arneses de DeepSeek y ninguna tercera parte las ha reproducido. La ficha señala que los resultados agénticos usan el modo Minimal de DeepSeek Harness con un contexto de 1M de tokens para los benchmarks de código y una ventana de 512K para los visuales, por lo que no son directamente comparables con las cifras de terceros publicadas sobre los mismos benchmarks. Las puntuaciones independientes de las secciones anteriores son mediciones distintas sobre conjuntos de evaluaciones distintos; respaldan el panorama general y no corroboran ninguna fila individual de las que figuran a continuación, y las filas del 17 de octubre de la sección anterior provienen de otra ficha y de otra ejecución de los mismos benchmarks.

En trabajo agéntico y de codificación, las cifras del proveedor sitúan a V4.1 Flash por encima de los modelos frontera que nombra:

• Terminal-Bench 2.1 — 90.6, frente a 89.1 para Opus-5.0, 88.8 para GPT-5.6 Sol y 87.9 para DeepSeek V4 Pro

• DeepSWE v1.1 — 74.2 resueltos, frente a 74.0, 73.0 y 62.7

• CyberGym — 88,1, frente a 84,5 tanto para GPT-5.6 Sol como para GLM-5.3, y 83,3 para DeepSeek V4 Pro

• AutomationBench — 54.8, frente a 50.3 para Opus-5.0 y 37.7 para DeepSeek V4 Flash

• Agent's Last Exam — 31.8, frente a 28.6 y 25.7

• Codeforces — un rating de 3,471, por delante de DeepSeek V4 Pro con 3,348 y DeepSeek V4 Flash con 3,289

MathArena Apex — 65.6, a la par de Kimi K3 y por delante de DeepSeek V4 Pro con 65.3

Y en las suites agenticas más difíciles no lo hace:

• Terminal-Bench 3.0 — 30.0, muy por detrás de Opus-5.0 con 43.3 y de GPT-5.6 Sol con 34.4, aunque muy por delante de DeepSeek V4 Pro con 11.8

• Terminal-Bench 4.0 — 31.2, frente a 51.8 y 39.9, y de nuevo por delante de DeepSeek V4 Pro en 12.4

• ProgramBench — 20,3, frente a 37,0 para Opus-5.0

• NL2Repo-Bench — 64.0, frente a 75.3 para Opus-5.0

• HLE — 36.8, frente a 56.3 y 44.5

• ExploitGym — 15.3, frente a 33.7 y 22.1

La forma de esa lista es más informativa que cualquier fila individual. V4.1 Flash supera la frontera en los benchmarks que recompensan el uso sostenido de herramientas dentro de un harness, y pierde en los que recompensan la profundidad de razonamiento — el patrón que cabría esperar de un modelo diseñado en torno al rendimiento y la economía de contexto en lugar de en torno a un techo de razonamiento puro. La comparación interna es la más llamativa: supera a DeepSeek V4 Pro en prácticamente todas las filas, incluidas las filas en las que ambos pierden frente a Opus-5.0. DeepSeek no afirma que su modelo más barato sea el mejor modelo del mercado. Afirma que su modelo más barato es el mejor modelo que fabrica DeepSeek, una afirmación que respalda su propia tabla de enrutamiento.

Lo que cuesta, y cómo se ve realmente la comparación con Pro

La tarjeta de tarifas del 10 de septiembre ahora es simplemente la tarjeta V4.1 Flash, publicada en la página Models & Pricing de DeepSeek con una división entre horas punta y horas valle:

• Entrada, acierto de caché — $0.003 por 1M de tokens fuera de horas punta, $0.006 en horas punta.

Entrada, error de caché — $0.15 por 1M de tokens fuera de horas pico, $0.30 en horas pico

• Salida — $0.60 por 1M de tokens fuera de horas pico, $1.20 en horas pico.

• Ventanas pico — 01:00–04:00 y 06:00–10:00 UTC, de lunes a viernes; cualquier otra hora se factura a la mitad de la tarifa pico.

• En renminbi — ¥0.02, ¥1 y ¥4 en horas valle, duplicándose a ¥0.04, ¥2 y ¥8 en horas punta.

Compárelo con el modelo al que está desplazando. DeepSeek V4 Pro cobra $0.022 por 1M de entrada con acierto de caché, $0.66 de entrada con fallo de caché y $1.98 de salida fuera de horas punta — aproximadamente 4,4× en entrada con fallo de caché y 3,3× en salida. Esos son los números que el redireccionamiento del 14 de septiembre habría aplicado a cada llamada a deepseek-v4-pro, y por eso el plan era una historia de precios tanto como una historia de capacidades, y siguen siendo la razón por la que la comparación importa: DeepSeek retiró el redireccionamiento, no la tarifa. Artificial Analysis llega a la misma aritmética a partir de sus propios listados — $0.30 y $1.20 por 1M para V4.1 Flash frente a $1.32 y $3.96 para DeepSeek V4 Pro 0813, los mismos 4,4× y 3,3×, y un precio combinado de $0.18 por 1M según la mezcla 7:2:1 de aciertos de caché, entrada y salida del sitio. La tarifa también es inferior a la de DeepSeek V4 Flash 0731, el modelo al que retira, que el mismo sitio lista a $0.44 y $1.32.

El precio por token no es el coste por tarea, y la beta es la prueba de ello. Los probadores del primer día informaron que las sesiones de cinco minutos agotaban su saldo más rápido en el nuevo modelo que el mismo tiempo de reloj en DeepSeek V4 Flash, porque el modelo está diseñado para emitir tokens rápidamente y la factura escala con los tokens, no con los minutos. Una tarjeta que cuesta una cuarta parte del precio de Pro es una ganga si una tarea termina en tokens comparables; sale igual si el modelo piensa durante más tiempo para llegar a ese punto.

Cuando existe una cifra externa sobre esa cuestión, apunta en ambas direcciones. Artificial Analysis sitúa a DeepSeek V4.1 Flash en 0,27 USD por tarea del Intelligence Index en su propio conjunto de evaluación: una cifra real por tarea, producida fuera de DeepSeek, y baja. Pero la misma ejecución generó 250 M de tokens de salida frente a una mediana de 140 M en modelos comparables, y el resumen del sitio califica al modelo de muy verboso al mismo tiempo que lo califica de rápido. La verbosidad es gratis dentro de un entorno de benchmark y cara en producción, que es precisamente el mecanismo que describían los probadores beta cuando informaron que los saldos se agotaban más rápido en términos de tiempo real. El estado honesto de la cuestión por tarea es que un evaluador independiente ya ha medido ambas mitades, en su propio conjunto de evaluación, y la respuesta todavía depende de lo que se esté ejecutando. El índice compuesto no puede mostrar a dónde va la salida adicional, y los probadores beta tampoco lo dijeron. Los primeros informes prácticos sí lo muestran, y están en la sección de velocidad que aparece a continuación: el modelo es verboso porque está comprobando. La actualización del 17 de octubre es la primera vez que DeepSeek afirma haber movido esa cifra: el registro de cambios dice que el nuevo checkpoint «reduce el tiempo de ejecución de las tareas y la longitud de la salida», y la publicación unas horas después dice lo mismo con menos palabras: «finalización más rápida de las tareas y salidas más cortas». Eso es DeepSeek abordando, por su propia cuenta, la cantidad exacta de la que se quejaba la medición externa, sin adjuntar ninguna cifra a ninguna de las dos afirmaciones. La primera mirada externa, el 18 de octubre, encontró el volumen agregado a la baja —210 millones de tokens de salida en todo el índice frente a 250 millones en septiembre— y la cifra por tarea sin cambios, en 89.495 tokens frente a 88.574.

Lo que cuesta un mes: una asignación de $80 y luego un nivel gratuito

La tarjeta anterior responde a cuánto cuesta un token. Una cifra distinta se ha movido dos veces, y ambas veces provino de OpenCode —el agente de programación cuya suscripción Go tarifica el acceso a este modelo como una asignación de uso mensual en lugar de como tokens medidos—, hablando de su propia suscripción y no del modelo. El 25 de septiembre, la cuenta de la plataforma publicó: “Operación Cheepseek Fase 2: $60 de uso para DeepSeek v4.1 Flash ya es permanente”. El 12 de octubre publicó la secuela en el mismo formato —“Operación Cheepseek Fase 3: $80 de uso para DeepSeek V4.1 Flash”—, y su página de precios mostraba $80 para este modelo donde había mostrado $60 a finales de septiembre. Esa lectura se tomó una segunda vez el 13 de octubre, sobre la misma página, y arrojó la misma fila: $80 en el plan Go de $10 al mes, $160 en Go Plus. La cifra, por lo tanto, no es la afirmación de una publicación sobre sí misma; es el precio publicado por una plataforma para alojar este modelo, y seguía ahí un día después. Leídas en conjunto, las dos publicaciones dicen lo que “permanente” terminó significando: ninguna fecha de vencimiento —y un número más alto tres semanas después. Lo que ese cambio no es: una nueva manera de llegar al modelo —eso llega tres días después, en el párrafo siguiente. DeepSeek V4.1 Flash ha respondido en la propia API de DeepSeek desde el 10 de septiembre, y OrcaRouter lo ha servido a las propias tarifas de DeepSeek desde su lanzamiento, así que los pesos, la arquitectura y cada fila de benchmark de este artículo permanecen intactos ante un reajuste de precios de suscripción; lo que octubre cambió es quién está dispuesto a alojar el modelo y en qué condiciones.

La entrada gratuita es un tipo de cambio distinto de cualquiera de los otros dos, y la única de las tres que cambia lo que un lector puede hacer esta semana. El 15 de octubre OpenCode añadió una entrada aparte para este modelo —DeepSeek V4.1 Flash Free, id de modelo deepseek-v4.1-flash-free— servida sin coste alguno. La lista pública de modelos de la plataforma la devuelve junto al id medido, su documentación de Console incluye una entrada de modelos gratuitos que la describe como gratuita por tiempo limitado y a su proveedor como sujeto a una política de retención cero que no entrena con los datos, y su tabla de precios publicada sitúa la entrada, la salida y las lecturas en caché en Free. Lo que no es es el producto completo. Los límites catalogados de la entrada gratuita —añadidos a models.dev, el catálogo del que se extrae la propia lista de modelos de OpenCode, el 15 de octubre— nombran la entrada medida como modelo base y limitan la ventana a 200.000 tokens con un techo de salida de 32.000 tokens, frente al contexto de 1M y la salida máxima de 384K que lleva la entrada medida deepseek-v4.1-flash. Son los mismos pesos detrás de unas condiciones de servicio más estrechas, no un modelo más pequeño ni destilado, y el límite de salida es la cláusula que muerde primero en el trabajo agéntico, donde una sola edición de archivo puede superarlo. La plataforma no adjunta ninguna fecha de finalización al acuerdo y no publica ninguna tarifa para él, porque no hay tarifa. Nada de esto vino de DeepSeek: es la decisión comercial de una plataforma sobre un modelo que no posee, declarada en su propia lista de modelos, su propia documentación y su propia tabla de precios, y es la única fuente de todo ello —no encontramos ninguna medición independiente de cómo se comporta el endpoint gratuito bajo carga, y «tiempo limitado» es la frase de la plataforma, no un calendario. Léelo como la forma más barata de poner hoy una ventana de 200.000 tokens delante de este modelo, y no como un cambio en lo que el modelo es.

La mecánica proviene de esa página de precios, leída el 12 de octubre y releída el 13 de octubre. Go es una suscripción de $10 al mes, y su tabla asocia cada modelo que aparece en ella con un recuento estimado de solicitudes por cada cinco horas y un límite de uso mensual, en columnas separadas para los dos niveles. DeepSeek V4.1 Flash tiene la mayor asignación de la página: $80 al mes y 34,670 solicitudes estimadas por cada cinco horas en Go, duplicándose a $160 y 69,330 en Go Plus. Las filas facturan el modelo según la propia tarjeta de precios de DeepSeek — $0.15 por 1M de tokens de entrada, $0.60 de salida y $0.003 por una lectura en caché fuera de horas pico, duplicándose a $0.30, $1.20 y $0.006 dentro de las ventanas de horas pico entre semana — y esas son las cifras del proveedor, sin cambios desde la lectura de septiembre que esta sección ya contenía. Dos cosas que la página mostraba entonces ya no aparecen hoy, y ambas merecen señalarse porque la lectura anterior se basaba en ellas: la regla de consumo en tres cubos — 20% en cualquier período de cinco horas, 50% a lo largo de una semana y 100% a lo largo de un mes — ya no aparece, y la URL de documentación de la que originalmente se leyeron las estimaciones de solicitudes, opencode.ai/docs/go, devolvió 404 cuando lo comprobamos. Los recuentos de solicitudes anteriores son la aritmética de la plataforma sobre una forma de llamada que no publica, no los nuestros.

El cambio se puede verificar contra la página, y también el hecho de que ya ha habido más de uno. A finales de septiembre, las mismas filas mostraban $60 sin caducidad adjunta, después de que una asignación promocional de $15 se multiplicara por cuatro hasta $60 y llevara el 20 de septiembre como la fecha en que el multiplicador dejaría de aplicarse; las estimaciones de solicitudes se publicaron en dos columnas, 6,500 / 16,250 / 32,500 estándar frente a 26,000 / 65,000 / 130,000 con el multiplicador aplicado. Las filas mostraban $80 en ambas lecturas, y las estimaciones publicadas para este modelo son 34,670 por cada cinco horas y 69,330 al mes —una asignación en dólares más alta junto a un recuento mensual de solicitudes inferior al del conjunto ampliado de septiembre, y ambas cosas no pueden describir la misma forma de llamada supuesta. La página no indica ninguna mezcla de tokens ni ofrece ninguna explicación, así que la diferencia es un hecho relativo a las dos lecturas, no algo que podamos resolver desde fuera. Las tarifas en sí nunca fueron un descuento en la tarjeta de DeepSeek —el precio por token ha sido del proveedor en todo momento, y lo sigue siendo. Lo que una asignación no hace es decir nada sobre la calidad: es el juicio de una plataforma de que puede soportar el tráfico de este modelo a esas tarifas sin plazo, lo cual es evidencia sobre el ecosistema de servicio y no sobre el modelo.

La distinción importa a la hora de elegir, porque un techo fijo y un medidor de tarifa repercutida son productos diferentes. DeepSeek V4.1 Flash está en OrcaRouter a la propia tarifa de DeepSeek con un 0 % de margen: $0.15 por 1 M de entrada y $0.60 por 1 M de salida fuera de horas punta, las mismas cifras que enumera la tarjeta de arriba, sin nada empaquetado alrededor: ninguna suscripción que comprar y ninguna asignación mensual que agotar. Un techo de $80 sobre un precio mensual fijo es la forma correcta para un desarrollador que ejecuta un agente todo el día, donde la pregunta es cuánto cuesta el mes, y un techo que ya se ha elevado una vez, en un tercio, también recuerda que la cifra es una decisión comercial y no una propiedad del modelo. Un nivel gratuito con una ventana de 200.000 tokens es la forma correcta para probar el modelo esta semana y la forma incorrecta para los codebases que necesitan la ventana completa, que es lo único que los dos niveles del mismo modelo no comparten. Una tarifa de proveedor repercutida sin cambios es la forma correcta para un servicio, donde la pregunta es cuánto cuesta cada llamada y si el próximo movimiento de precios del proveedor te llega el día en que ocurre. Ambas responden a cuánto cuesta este modelo; lo hacen para distintos perfiles de gasto.

Velocidad: los números de la beta, lo que afirma el fabricante y el antes y después del propio motor

Cuando se abrió la beta, el rendimiento fue el titular. Los desarrolladores reportaron aproximadamente 420 tokens de salida por segundo en generaciones largas, con picos por encima de 500, y una ejecución ampliamente compartida produjo más de 71.000 tokens en menos de tres minutos. Esas siguen siendo mediciones de la comunidad tomadas en condiciones no controladas y todavía deberían leerse así —pero el mecanismo detrás de ellas ahora está documentado en lugar de ser conjeturado. Una caché KV de 890 bytes por token y una ruta de decodificación que activa 16B parámetros es un diseño construido para el rendimiento, así que la arquitectura al menos tiene la forma correcta para producir cifras como esas. Qué tan grandes son en realidad es el problema del siguiente párrafo, y la respuesta es más pequeña.

La propia afirmación de DeepSeek, en el registro de cambios, es que V4.1 Flash “ha superado de forma integral a V4 Pro en rendimiento, coste, velocidad y tiempo total”. La palabra que hace el trabajo ahí es tiempo total: es el proveedor enmarcando la velocidad como finalización de tareas en lugar de tokens por segundo, que es la métrica que sobrevive al contacto con un bucle de agente real que escribe un archivo, lee el error y vuelve a intentarlo. Artificial Analysis ahora pone una cifra medida a la afirmación anterior: 185 tokens de salida por segundo para DeepSeek V4.1 Flash, frente a 175 para DeepSeek V4 Flash 0731. Esa es una cifra real de terceros y es aproximadamente la mitad de los 420 tokens por segundo que los desarrolladores reportaron durante la beta, por lo que las cifras de la beta deberían quedarse donde corresponden: en la columna de condiciones no controladas.

El 7 de octubre, el proyecto vLLM publicó su balance de las tres semanas transcurridas desde el lanzamiento, y es la primera cifra de velocidad medida en este artículo que no es ni un contador de tokens ni un eslogan de proveedor. Firmando como Inferact y el equipo de vLLM, el proyecto informa que DeepSeek V4.1 Flash, en su compilación actual, se ejecuta 1,9× más rápido que su propia implementación del día cero con baja concurrencia y entrega 5,3× el throughput bajo una restricción de 150 TPS —la cifra que recoge su resumen, frente a «aproximadamente 5×» en el cuerpo de la misma publicación—. Ambas se miden en el benchmark de servicio agéntico SemiAnalysis AgentX, con TP4 y atención FlashInfer detrás de la cifra de baja latencia y DEP2 con atención de paralelismo de datos detrás de la de throughput, sobre hardware NVIDIA GB200 y GB300. Hay tres cosas de ese resultado que conviene tener claras. Compara vLLM con vLLM: la base de referencia es la propia receta del día cero del proyecto, no otro motor ni otro modelo, así que la cifra indica cuánto mejoró el stack de servicio, no cómo se compara este modelo con cualquier otra cosa. Es el propio informe del runtime sobre su propio trabajo, y ningún tercero lo ha reproducido. Y la mayor ganancia individual proviene del runtime, no de los pesos: el replay acotado de SWA, que vuelve a ejecutar solo los últimos 128 tokens de una ventana deslizante en lugar de reproducir esa ventana en todas las capas, ahora se incluye activado por defecto para este modelo con un único flag. El proyecto informa de aproximadamente un 30 % menos de tiempo hasta el primer token gracias al replay más la captura de grafos CUDA, una reducción del 30–40 % en el cálculo de prefill por el recorte del lado del decodificador, y casi un 70 % menos de TTFT con alrededor de 100K de throughput una vez que se apilan tres optimizaciones. También informa dónde perjudica el replay: sin grafos CUDA es más lento que la base de referencia en prompts cortos, hasta un 12 % peor con 1K tokens, porque la sobrecarga de lanzamiento supera el trabajo ahorrado. La precisión se comprobó en GSM8K y GPQA sin que se informara de diferencias significativas, con brechas dentro de aproximadamente 1,5 errores estándar; la cifra que hay que contrastar con la propia afirmación del informe de que el replay acotado es aproximado y no exacto. El proyecto añade que el modelo no necesitó offloading de la caché KV en ningún punto del benchmark y espera que el offloading empiece a rentabilizarse solo con mayor concurrencia, con prefill y decode divididos entre máquinas. Esta es una medición distinta de la tabla de kernels que aparece más abajo, que puntúa los kernels que escribe el modelo; las cifras de vLLM tienen que ver con cuánto cuesta servir el modelo una vez que un motor ha implementado su arquitectura, y el motor de aquí es el que informa. El proyecto volvió a publicar el 17 de octubre, el día en que DeepSeek cambió el checkpoint, y la cifra con la que abrió era de otro tipo: 1,3B tokens por dólar de coste total de propiedad en SemiAnalysis AgentX, a 830.000 tokens por segundo por GPU contando juntos los tokens de caché, de entrada y de salida, mientras mantenía 100 tokens de salida por segundo para cada usuario. Ese es un resultado de coste de servicio, no un delta de velocidad, y la sección de coste de servicio que aparece más abajo lo analiza en detalle. Tres cosas al respecto inciden en este párrafo: es el mismo proyecto, el mismo modelo y el mismo benchmark tres semanas después del balance del 7 de octubre; el proyecto enmarca ese balance como capítulo uno, con 5x el throughput agéntico del día cero, y con un próximo capítulo aún por llegar, y desde entonces no ha aparecido una segunda publicación sobre DeepSeek en su blog; y una curva de costes sigue siendo la parte del runtime en la contabilidad, no un veredicto externo sobre el modelo. Esa distinción también explica por qué esta cifra importa a alguien que nunca va a ejecutar un nodo. Ninguna de esas tareas es algo que haga quien realiza la llamada: un stack de servicio que se vuelve 1,9× más rápido con baja concurrencia hace más rápidas las solicitudes que gestiona, y llegar a este modelo a través de una API es la forma en que la mayoría de los equipos se beneficiarán de ello sin poseer el hardware. DeepSeek V4.1 Flash está en OrcaRouter a la tarifa propia de DeepSeek con un 0 % de margen, con la misma clave compatible con OpenAI que el resto de la línea, con un modelo probado detrás como failover automático; el modelo y los precios se mueven al ritmo del proveedor, y la elección del motor permanece del lado del proveedor.

Lo que cuesta servir: las primeras cifras independientes de hardware

Todo lo anterior mide el modelo. El 14 de octubre, Artificial Analysis añadió DeepSeek V4.1 Flash a AA-AgentPerf, el benchmark que ejecuta contra sistemas de aceleradores en lugar de contra modelos, y el resultado es la primera respuesta pública a una pregunta que una tarifa no puede resolver: cuánto de este modelo soporta un megavatio de potencia de centro de datos. AA-AgentPerf reproduce sesiones grabadas de agentes de programación —razonamiento multiturno, llamadas a herramientas, contextos que superan los 100K tokens, con aciertos de caché de prompts incluidos— contra una pila de servicio en vivo y encuentra el mayor número de agentes concurrentes que un sistema sostiene mientras cada uno sigue cumpliendo un objetivo de velocidad por agente. Para este modelo, el titular es el componente de escala de rack de NVIDIA. Con 100 tokens de salida por segundo por usuario, GB300 NVL72 lidera el campo con aproximadamente 261 millones de tokens por segundo por megavatio, por delante de B300 con unos 220 millones, B200 con 193 millones, GB200 con 178 millones y MI355X de AMD con 128 millones. Esas son las cifras de Artificial Analysis, leídas hoy de su página de inferencia para centros de datos, y son sus mediciones de hardware y configuraciones de servicio específicos, en lugar de las de un proveedor. Dos detalles vale la pena retener. Los números por megavatio se calculan a partir de la potencia del acelerador medida durante la ejecución —die de GPU más HBM— en lugar de a partir del TDP nominal. Y cada punto del gráfico indica el motor, la versión y el formato numérico que hay detrás, de modo que el número es una afirmación sobre una pila de servicio y no solo sobre los pesos.

La razón por la que el gráfico de este modelo parece distinto al de los demás es su tamaño. DeepSeek V4.1 Flash cabe en tan solo dos aceleradores, y por eso un sistema a escala de rack obtiene aquí menos ventaja de la que obtiene con un modelo más grande: Artificial Analysis informa de que B300 se mantiene dentro de aproximadamente el 20 % de GB300 NVL72 a lo largo de la curva y lo supera en ambos extremos —el mayor rendimiento por megavatio cuando se permite que caiga la velocidad por usuario, y el agente único más rápido cuando no se permite—. Con tamaño de lote uno, todos los componentes Blackwell y la MI355X quedan entre unos 600 y 670 tokens por segundo para un único usuario, frente a 372-392 en H100 y H200. Comparado con DeepSeek V4 Pro 0813 en el mismo eje, el modelo más pequeño devuelve aproximadamente 1,3× el rendimiento por megavatio en GB300 y aproximadamente 6,2× en B200 en la marca de 100 tok/s: la afirmación de eficiencia que la sección de arquitectura hace desde el lado de la caché KV, llegando desde un tercero que midió un sistema en lugar de una especificación. Las configuraciones que hay detrás de esas cifras muestran el truco central del diseño en producción y no solo sobre el papel: tanto en las ejecuciones de dos aceleradores de B300 como de MI355X, la tabla Engram de 196B se sirve desde memoria de host fijada a través de la ruta de descarga a CPU de vLLM en lugar de residir en el acelerador —el mecanismo que describían las notas de la versión, ahora visible en la configuración que hay detrás de una medición publicada. Una segunda cifra de coste, en otra moneda, llega desde el benchmark sobre el que se midió la publicación de vLLM del 7 de octubre. El 17 de octubre, el proyecto vLLM publicó un gráfico que situaba DeepSeek V4.1 Flash en 1,3B tokens por dólar de coste total de propiedad en SemiAnalysis AgentX, con curvas separadas para GB300 NVL72 bajo Dynamo, GB200 NVL72, B200, H100 y MI300X. El nivel de coste que hay detrás está etiquetado como propiedad a volumen de gran hiperescalador, y los supuestos de horas de chip subyacentes van desde 0,95 $ para una MI300X y 1,17 $ para una H100 hasta 1,73 $ para una B200 y 2,31 $ para una GB300, extraídos de la propia encuesta de precios de SemiAnalysis de julio de 2026. Hay dos límites que van con ello. Es el proyecto vLLM informando del modelo de costes de SemiAnalysis, y ninguna de las partes ha conseguido que se replique. Y el gráfico está fechado el 16 de octubre, el día antes de que DeepSeek sustituyera los pesos que hay detrás del nombre del modelo, así que también describe el checkpoint de septiembre. Eso hace tres monedas en este artículo para un solo modelo: tokens por segundo por usuario, tokens por segundo por megavatio y tokens por dólar. La última es la que un comprador sin centro de datos puede usar para actuar, porque es la cantidad en la que una mejora de costes de un proveedor acaba llegando a ellos. Sigue siendo una medición de servicio y no de calidad: nada de lo que hay aquí dice lo bueno que es el modelo, y los resultados de hardware de un ranking no son una réplica de ninguna fila de benchmark anterior. Lo que sí establece es que el lado de coste de la tarifa de este modelo ahora tiene evidencia externa debajo. Un modelo que un proveedor puede servir a varias veces el rendimiento por megavatio es un modelo que un proveedor puede permitirse mantener barato, y DeepSeek V4.1 Flash está en OrcaRouter al precio de lista del propio DeepSeek con un 0 % de margen, que es la forma que hace que una mejora de costes del proveedor se traslade en lugar de quedarse retenida.

Cuánto cuesta el motor en el silicio de dos proveedores

Hasta esta semana, la pregunta sobre el rendimiento de este modelo solo se respondía con mediciones de otras personas: un runtime que contabiliza su propio trabajo, un sitio de benchmarks que mide un sistema, desarrolladores contando tokens en una beta. DeepSeek publicó DeepInfer, el framework que, según afirma, impulsa el servicio de producción de este modelo, bajo Apache-2.0 esta semana —el repositorio apareció el 16 de octubre y el primer commit se registró el 20 de octubre— e incluyó con él un gráfico de Pareto de decodificación para el checkpoint 1017 medido en 64 aceleradores SM100 dentro de un único dominio de escalado. La configuración impresa en el gráfico es la parte que importa, porque es la configuración de la que depende la comparación siguiente: paralelismo de expertos de 64 sobre paralelismo de datos de 64, los «384+64 expertos» que imprime el gráfico, un contexto de 131.072 tokens, longitud del borrador de DSpark fijada en tres tokens y una tasa de aceptación por token del 75%. La curva alcanza su máximo justo por debajo de 30.000 tokens de salida por segundo por acelerador en su extremo menos interactivo, desciende por la franja media de los 20.000 a medida que la velocidad por usuario supera los 100 tokens por segundo, y baja a unos pocos miles en el borde derecho del gráfico. Es DeepSeek midiendo su propio motor con su propio modelo, así que no es una cifra independiente, pero es la primera curva de decodificación para esta arquitectura publicada por el laboratorio que la creó, y el script de barrido que la produjo está en el mismo repositorio.

El informe publicado junto al código proporciona el punto de operación, y es la razón por la que las cifras siguientes se citan a 230 tokens de salida por segundo en lugar de en algún máximo abstracto. Las propias cifras de producción de DeepSeek sitúan la decodificación en 14K tokens por segundo por acelerador, mientras que el servicio mantiene 230 tokens de salida por segundo por usuario —300 en cargas de trabajo de programación—, frente a una tasa de aciertos de caché de entrada del 96%, una entrada promedio de 77K tokens, un tiempo hasta el primer token de 400 ms de media y de un segundo en el p99, y un prellenado aprovisionado en una proporción cercana a 1:1 con la decodificación, en un único clúster que, según afirma, atiende 155 billones de tokens al día. La línea de ingresos junto a esas cifras, 38 dólares por hora de acelerador con tarifa de horas valle, es el primer dato de costo que DeepSeek ha vinculado públicamente a la prestación del servicio de este modelo. Nada de esto está auditado, todo es el proveedor describiendo su propio servicio, y aun así es la imagen más concreta que existe de cuánto cuesta ejecutar esta arquitectura.

La otra mitad de la comparación proviene del silicio de Huawei, y es la mitad con la fuente más débil. Una hoja de benchmark fechada el 30 de septiembre y titulada «Ascend 950DT DeepSeek-V4.1-Flash Benchmark» informa de que el modelo se desplegó en 32 chips con precisión mixta FP8–FP4, con atención con paralelismo de datos y mezcla de expertos con paralelismo de expertos, sobre una secuencia de 128K tokens, usando decodificación especulativa DSpark con una configuración forzada de balanceador de carga con paralelismo de expertos y una longitud aceptada media de 4,1 tokens. Incluye tres puntos. Su columna de latencia es el tiempo por token de salida, así que el recíproco de cada entrada es la velocidad por usuario de esa fila, y eso es lo que permite poner la hoja frente a la curva:

• Lote global de 1.536, 9,41 ms por token de salida — aproximadamente 106 tokens de salida por segundo por usuario — 5.102 tokens por segundo por chip.

• Lote global de 384, 4,40 ms por token de salida — aproximadamente 227 tokens de salida por segundo por usuario — 2.727 tokens por segundo por chip.

• 2.560 de lote global, 13,79 ms por token de salida — unos 73 tokens de salida por segundo por usuario — 5.800 tokens por segundo por chip, la cifra más alta de la hoja y la que emplea su titular.

Comparadas con la curva de NVIDIA, las dos filas intermedias son las que duelen, porque se sitúan en las velocidades a las que un servicio funciona realmente. El hilo que dio a conocer la hoja interpreta la comparación como 25.500 tokens por segundo por acelerador frente a 5.102 a 100 tokens de salida por segundo por usuario, y 20.000 frente a 2.727 a 230 —una diferencia de cinco veces en el primer punto de operación y de 7,4× en el segundo—. Leer directamente la misma curva publicada desplaza esas cifras de NVIDIA: un recorrido píxel a píxel sobre la imagen se acerca más a 28.000 en la marca de 100 tokens y a 17.000 en la de 230, por encima y por debajo de las cifras del hilo; la banda que dan es de aproximadamente cinco veces y media en el primer punto de operación y de aproximadamente seis en el segundo, lo que estrecha el rango del hilo sin cambiar su forma. Eso es lo que vale un benchmark leído de un gráfico, y no cambia la dirección del resultado. También vale la pena señalar que el titular de 5.800 de la hoja es su fila menos interactiva: el punto en el que la curva de NVIDIA está más cerca de su propio pico, y donde la relación vuelve a situarse en torno a cinco.

No pude encontrar esa hoja en las páginas propias de DeepSeek o Huawei; llegó a este artículo como una imagen adjunta a un hilo en X, y las tres cifras de Ascend deben leerse como un benchmark de proveedor no publicado hasta que alguien publique la ejecución que las respalda. Lo que es verificable es la asimetría en las configuraciones, y eso proviene de la propia documentación de DeepSeek. Las notas de despliegue de DeepInfer recomiendan prefill con paralelismo de expertos de 2 a 8 y decodificación de 64 a 128, en “máquinas ordinarias de 8 GPU para prefill, supernodos ordinarios de 64–128 GPU para decodificación”. En NVIDIA, eso es un único dominio NVLink, que es dentro de lo que se midió el gráfico anterior. En Ascend, la propia biblioteca de comunicación de DeepSeek dice claramente lo que no está terminado: “Los tamaños de EP más grandes y combine siguen en optimización”, y combine conlleva una sobrecarga adicional de reducción local y contención de HBM contra la ruta URMA, y el trabajo de firmware de Huawei aún está por llegar — una advertencia pública en DeepEP-Ascend desde su primera versión el 29 de septiembre. Esa es la forma justa de leer la brecha: el número de NVIDIA proviene de la forma para la que se ajustó DeepInfer, y el número de Ascend de una pila cuyo propio autor dice que la ruta wide-EP todavía se está trabajando. Parte de las cinco a siete veces es el chip, parte es la interconexión y el software que hay debajo, y nadie ha separado las dos cosas.

Cuánto vale en dinero esa diferencia depende de precios que nadie ha publicado, y el hilo hace igualmente las cuentas: a unos 139.000 dólares por acelerador Blackwell, extrapolados a partir de los precios de racks en el mercado gris, frente a los 37.000 dólares que se rumorean para un 950DT, NVIDIA tiene que ofrecer aproximadamente 3,8 veces el rendimiento por chip para igualar a Ascend solo en coste de adquisición; el hilo sitúa el punto de cruce cerca de 6.800 tokens por segundo por chip. Los puntos publicados de Ascend quedan por debajo de esa línea; la previsión del hilo de que la ruta wide-EP los eleva a 8.000–10.000 queda por encima, y eso es una previsión, no una medición. Todos los datos de entrada son endebles —un precio del mercado gris, otro rumoreado y cifras leídas de una curva— y nada de ello tiene en cuenta las redes, la alimentación, la refrigeración, el mantenimiento ni el valor de poder comprar el hardware siquiera.

Para cualquiera que nunca vaya a montar un nodo en un rack, la parte útil no es el marcador. Es que el modelo más barato de la línea de DeepSeek ahora está documentado como barato de servir en el silicio de dos proveedores, con el motor propio del proveedor publicado y las cifras que lo respaldan descargables — el tipo de evidencia en la que se basa un precio. No cambia ninguna tarifa: DeepSeek V4.1 Flash está en OrcaRouter al precio de lista del propio proveedor, $0,15 por 1M de tokens de entrada y $0,60 por 1M de salida en tarifas fuera de horas punta, trasladado con un 0% de recargo, así que cuando baja el coste de servicio de un proveedor, el ahorro llega como un precio que no tiene por qué moverse en lugar de como un margen de reventa. Un coste de servicio debatido sobre el hardware de dos proveedores es un precio con más holgura por debajo que uno que nadie ha medido en absoluto.

Kernel engineering: el primer marcador que no es de DeepSeek

Las filas de benchmark anteriores son cifras del propio harness de DeepSeek, y las puntuaciones externas que ahora existen miden razonamiento general y explotación cibernética, no programación de bajo nivel. También existe la primera mirada de terceros a la ingeniería de kernels del modelo, y llegó en una forma que DeepSeek no encargó: un benchmark agéntico gestionado por la comunidad que pide a los modelos escribir kernels CUDA reales y puntúa los resultados contra una roofline —el techo teórico del hardware. La tabla de clasificación es kernelbench.com, ejecutada en una RTX PRO 6000, y es independiente de ambos proveedores. Su metodología de auditoría es reportada por la comunidad y no revisada por pares, así que lee sus porcentajes como una señal direccional de terceros, no como una medición certificada; también es el primer marcador en esta historia en el que las cifras de DeepSeek aparecen junto a las de un competidor directo.

La fila principal es aquella en torno a la cual está construida la arquitectura. La propia atención dispersa de DeepSeek V4.1 Flash —la pila CSA2 que produce la caché de 890 bytes por token— fue escrita como kernel CUDA por el modelo y alcanzó el 50,19 % del roofline equivalente a un modelo denso, cuarta en la tabla por detrás de Claude Fable 5.1 con 106,27 %, Claude Opus 5 con 103,67 % y Claude Fable 5 con 72,66 %. Lo primero que hay que notar es que la propia arquitectura del fabricante es el kernel en el que mejor rinde: un modelo entrenado con un diseño de atención dispersa escribe el kernel de atención dispersa de forma más eficiente que cualquier otra cosa en la tabla por debajo de los tres primeros. Lo segundo es la comparación que señaló el informante. El intento de GLM-5.3 Flash con el mismo kernel alcanza el 4,45 % del roofline —un orden de magnitud por debajo de V4.1 Flash en la misma fila de la misma tabla. Esa brecha, y no cualquier benchmark que DeepSeek haya publicado, es lo que significa «mejora masiva en la ingeniería de kernels».

La comparación no se detiene en la fila de atención dispersa, y el panorama más completo importa porque el titular del tuit menciona GLM-5.3 Flash, mientras que el análisis citado al que hace referencia en realidad alude a un GLM-5.2 diferente y más grande en su propia fila de fused-MoE: una discrepancia de nombres con la que conviene tener cuidado. En las filas donde ambos modelos de la gama flash completaron realmente una ejecución, V4.1 Flash gana en todas: Kimi-Linear Decode con 17,10× frente a 13,64×, MegaQwen Decode con 5,39 % del roofline frente a 3,92 %, TopK Bitonic con 4,25 % frente a 7,17 % de GLM-5.3 Flash, Sonic MoE con 10,81 % (la mejor puntuación que publicó cualquier modelo de la tabla para ese kernel) frente a 10,21 %, y KDA CUTLASS con 3,74 % frente a 2,26 %. En otros dos kernels, GLM-5.3 Flash no tiene ninguna ejecución completada —fused MoE y el kernel de simulación Grid + MinGRU, donde V4.1 Flash registra 28,56 % del roofline—. (La única fila en la que GLM-5.3 Flash supera a V4.1 Flash es TopK Bitonic, 7,17 % frente a 4,25 %, que además es la fila en la que ninguno de los dos modelos se acerca al líder de la tabla). La forma general es la misma que la del titular: en trabajo de GPU de bajo nivel, V4.1 Flash no solo está por delante del modelo más pequeño de Z.ai, sino que está en otra liga, y en los dos kernels más difíciles el modelo más pequeño no termina en absoluto.

Lo que la tabla no hace es decirte cuánto de esa brecha corresponde al modelo y cuánto a la arquitectura para la que se le pide escribir. DeepSeek V4.1 Flash es un modelo de 552B parámetros cuya propia atención es un diseño de atención dispersa; GLM-5.3 Flash es un modelo más pequeño cuyo entrenamiento nunca giró en torno a la misma pila CSA2. Un modelo al que se le pide escribir un kernel para una arquitectura que se parece a su propia distribución de entrenamiento tiene una ventaja inherente, y por eso la lectura más justa de la tabla es orientativa más que un veredicto cara a cara: la ingeniería de kernels es ahora una capacidad medida de este modelo, es genuinamente sólida, y la comparación concreta que trazó el informante se sostiene en las filas compartidas. La tabla también responde a una pregunta que la hoja de especificaciones no podía responder: si la caché de 890 bytes es realizable en la práctica. Un modelo que escribe su propio kernel de atención dispersa a la mitad del roofline es un modelo cuyo diseño central es, como mínimo, implementable en hardware real por la misma clase de ingeniero que tendría que servirlo.

El lugar honesto donde esto aterriza es junto a todo lo demás en este artículo: una medición de terceros más que DeepSeek no produjo, esta vez de una capacidad —la escritura de kernels de GPU— que ninguna fila de benchmark de proveedor cubrió. Es un único tablero comunitario en una única generación de GPU, ejecutado una vez, y su pase de auditoría no está revisado por pares, así que es evidencia sobre la dirección más que una puntuación certificada. Pero es el primer número externo que muestra para qué sirve la nueva arquitectura: un modelo barato de nivel Flash que, cuando se le pide hacer el trabajo de sistemas de bajo nivel en el que DeepSeek mismo invierte su ingeniería, alcanza aproximadamente la mitad de lo que permite el hardware, mientras que su competidor directo de nivel flash alcanza menos de una vigésima parte.

Arreglos rápidos, confirmaciones lentas: los primeros informes prácticos

El rendimiento es la mitad de la historia de la velocidad que un contador de tokens no puede ver. Los informes prácticos que se han acumulado desde el lanzamiento miden la otra mitad —cómo se comporta el modelo en el camino hacia una respuesta y cuánto cuesta ese comportamiento—, y no se ponen de acuerdo sobre si lo que encontraron es una característica. Tres relatos independientes describen el mismo patrón. Ninguno de ellos es una evaluación controlada; las cifras que figuran a continuación corresponden a profesionales individuales que ejecutan sus propias tareas, y deben leerse como informes de uso, no como mediciones.

La descripción más clara del comportamiento proviene de MindStudio, que puso a DeepSeek V4.1 Flash en una construcción desde cero de un visor 3D interactivo. Su traza de razonamiento, en palabras del revisor, “mostró que verificaba sus propias matemáticas en lugar de simplemente emitir código”. El modelo detectó un error de amortiguación en el control de órbita a mitad de la construcción, razonó la corrección desde primeros principios y luego “revisó la corrección en un navegador sin interfaz antes de declarar la tarea terminada”. En una segunda tarea —un panel basado en Docker— encontró un único operador de comparación invertido y confirmó la reparación consultando el endpoint en vivo ocho veces a medida que los números se actualizaban. Eso es lo que describían los probadores de la beta cuando tildaron al modelo de pensar demasiado, y no hay nada malo en ningún paso individual: el error se encontró, se corrigió y se verificó. También es exactamente la queja. El error ya había sido tratado, otra sesión de DeepSeek ya había confirmado la corrección en menos de un minuto, y el modelo siguió comprobando de todos modos. MindStudio interpreta el hábito como una fortaleza y lo dice; su única crítica en esa prueba fue un problema de física que entró en bucle hasta que se detuvo a mano en el primer intento, y luego se resolvió correctamente en el reintento.

La lectura desde la otra dirección tiene que ver con el reloj. Una recopilación comunitaria de pruebas de V4.1 Flash describe un problema de física —un vaso de agua cortado en ángulo oblicuo— en el que el modelo pasó doce minutos y aproximadamente 130.000 tokens hasta llegar a una respuesta correcta, ejecutando tres rondas de autoverificación que no se le habían pedido antes de converger. El mismo escrito documenta el modo de fallo en el extremo opuesto de ese hábito: la cadena de pensamiento ocasionalmente cae en un bucle de repetición de “déjame escribir” que consume tokens a unos 200 por segundo sin avanzar, y su consejo es del lado del cliente en lugar del lado del modelo: establecer un límite de max_tokens y un tiempo de espera de solicitud y dejar que trunquen el bucle. También registra la misma clase de problema siendo resuelto en dieciocho segundos por una ejecución con el esfuerzo de razonamiento reducido a bajo, lo cual es un recordatorio de que la mayor parte de esto es un ajuste, no un defecto.

La evidencia más contundente de que el volumen de verificación no es lo mismo que la corrección proviene de una revisión de Tencent Cloud Labs que emparejó a DeepSeek V4.1 Flash como implementador con GPT-6 Astra como revisor en una reproducción de un artículo. Se ejecutaron tres rondas, y Astra nunca invalidó el algoritmo central. Lo que el revisor seguía corrigiendo, ronda tras ronda, era el andamiaje que V4.1 Flash había construido para sí mismo: la configuración de sus experimentos, su construcción estadística y la interpretación que extraía de sus propios resultados. El recuento de pruebas creció de 82 a 97 y luego a 110, y todas pasaron en todas las ocasiones. Frente a una línea base de fuerza bruta, la configuración que eligió el modelo coincidió con el óptimo en el 8,89 % de los casos bajo los propios parámetros del artículo, el 11,04 % con confianza aleatorizada y el 10,30 % bajo una configuración aleatorizada. El hallazgo más incisivo de Astra fue sobre una prueba que afirmaba comprobar los límites de los enteros: ejecutó 153 comprobaciones de extensión y cero ramas de límites de enteros. Un modelo puede superar la suite que escribió y aun así no haber respondido a la pregunta, y esa revisión es un caso práctico de la brecha, más que una afirmación de que esta existe. El alcance es limitado y los autores lo dicen —un único selector de longitud especulativa, valores de confianza simulados, ninguna ejecución de extremo a extremo—, pero la forma es la que describen los demás informes.

Junto a las cifras de Artificial Analysis, esto deja de parecer una anécdota. La primera evaluación independiente del modelo lo midió como muy rápido y muy verboso a la vez: 185 tokens de salida por segundo, y 250 millones de tokens de salida generados en su conjunto de evaluación frente a una mediana de 140 millones para modelos comparables. Una puntuación compuesta no puede decir a dónde va la salida adicional. Los informes de primera mano sí pueden. Los tokens no son relleno — son el modelo comprobando. El mismo volumen aparece desde una dirección no relacionada en un informe de error sobre un cliente de terminal de terceros, donde el contenido de razonamiento en una ruta de deepseek-flash se añadió a la respuesta visible en lugar de separarse en un bloque de pensamiento, produciendo bloques de texto únicos de hasta 73.003 caracteres de monólogo interno, sin nada capturado para reproducir en turnos posteriores. Ese error pertenece al cliente y no a DeepSeek, y no es evidencia sobre la calidad — pero es una ilustración justa de cuánto pensamiento emite este modelo cuando un arnés no logra separarlo.

Nada de esto echa por tierra la aritmética de precios anterior; la explica. Un modelo que se verifica a sí mismo vale sus tokens en trabajo agéntico, donde una corrección errónea cuesta más que los tokens gastados en demostrar que es correcta, y encaja mal en un bucle largo de ediciones triviales donde la confirmación constituye la mayor parte de la ejecución. Dos cosas hacen que la diferencia sea manejable. El control de esfuerzo de razonamiento es un entero continuo de 1 a 100 en lugar de tres niveles fijos, de modo que el mismo modelo se puede bajar para trabajo barato y subir para trabajo difícil; el resultado de dieciocho segundos anterior provino de hacer exactamente eso. Y la red de seguridad barata corresponde al cliente: un techo de max_tokens y un tiempo de espera de solicitud convierten un bucle repetido de una factura en una respuesta truncada. Ambas son el tipo de ajuste que conviene fijar antes de que una ruta de producción apunte a este modelo, y ninguna es algo que el modelo vaya a hacer por sí mismo.

Rechazos: el checkpoint rechaza, y el rechazo es medible.

El 20 de octubre, lo que atrajo la atención hacia DeepSeek-V4.1-Flash-1017 no fue una fila de benchmark, sino una negativa. El rastreador de DeepSeek que este artículo ya citó publicó una captura de pantalla de una sesión de agente que ejecutaba el checkpoint 1017 con dsh-purge aplicado, e informó que el modelo se negó de todos modos: la ejecución, en palabras de quien publicó, “rechazó la persona”, y el modelo razonó que la solicitud era “un intento de inyección de prompt” y que “no debía adoptar la persona”. La interpretación de la publicación era que el checkpoint “no es *del todo* ingenuo respecto a los jailbreaks” y que DeepSeek está “empezando a pensar en la seguridad”. dsh-purge no es un truco de prompt pegado en un mensaje de usuario. Es un plugin público de DeepSeek Harness —9.897 estrellas en GitHub y versión 1.1.71 a fecha del 20 de octubre— creado para eliminar la reescritura de prompts propia del harness y los sufijos inyectados, y su README en inglés traza exactamente la distinción en la que se basa esta prueba: el harness “reescribe prompts, puertas de aprobación, política de sandbox y migración de sesiones en tiempo de ejecución”, así que preguntar solo “¿responderá el modelo?” trata un bloqueo de la capa host como una negativa del modelo, y el plugin existe para separar esas dos capas en tu propia instalación. En esta sesión, la separación se produjo del lado del modelo. Los contadores de la misma captura —156 pasos, 33,7 millones de tokens, 232 tokens por segundo— describen una ejecución completa de agente en lugar de un prompt de una sola vez, y el propio resumen del agente dice que el plugin funcionaba mecánicamente bien y que “ese modelo específico lo rechazó”.

Eso es la captura de pantalla que una persona hizo de una sesión, y debe presentarse exactamente como tal. El prompt no se muestra, el veredicto es el propio resumen del agente y no una respuesta evaluada, y la cuenta es un observador de DeepSeek y no un laboratorio de evaluación, así que nada de lo que hay en la publicación puede reproducirse a partir de la publicación. Lo que hace que valga la pena tomarlo en serio es que ambas partes pueden verificarse con fuentes independientes de quien lo publicó: el plugin, que es público y documenta su propio mecanismo, y el comportamiento de rechazo del checkpoint, que ahora alguien más ha contado.

La cifra está en la documentación de un derivado. Una compilación abliterada comunitaria de los pesos 1017, publicada en Hugging Face el 17 de octubre, contiene la medición que hizo necesaria la compilación. Con 100 solicitudes dañinas reservadas, decodificadas de forma codiciosa durante 384 tokens cada una, el checkpoint intacto rechazó 97 en modo chat y 98 en modo think; tras proyectar fuera de las 40 capas principales un subespacio de rechazo de rango 2, las mismas 100 indicaciones obtuvieron 4 y 9 rechazos. Son cifras de terceros sobre los pesos de DeepSeek, producidas sin acceso al pipeline de entrenamiento de DeepSeek, y también son un único conjunto de indicaciones, un único evaluador y una única cuantización del modelo —una conversión Q8_0 en lugar del FP8 que distribuye DeepSeek—, así que la lectura honesta es «casi siempre», no «97,0 %». Con esa evidencia, la descripción del autor de la publicación se sostiene: el checkpoint rechaza, de forma fiable, en ambos modos.

Lo que la cifra no respalda es la idea de que esta sea una postura nueva. El punto de control de septiembre ya estaba ahí. El equipo detrás de una compilación de septiembre sin censura midió el modelo sin modificar sobre el conjunto completo de 320 prompts de HarmBench y reportó un éxito de ataque del 42,8 % con el razonamiento desactivado y del 1,6 % con el esfuerzo máximo; es decir, el modelo al que este reemplaza rechazó aproximadamente el 98 % de esa clase de solicitudes una vez que se le permitió pensar. Las dos mediciones provienen de conjuntos de prompts, evaluadores y cuantizaciones diferentes, así que no se pueden restar entre sí; en lo que coinciden es en la forma. El rechazo con esfuerzo alto ya era el comportamiento del modelo de septiembre, y el punto de control 1017 se sitúa en el mismo rango. La afirmación más acotada es la que realmente prueba la sesión del 20 de octubre, y es la que vale la pena conservar: el rechazo sobrevivió a un plugin creado específicamente para eliminar las restricciones del lado del harness, y sobrevivió como juicio del modelo sobre el prompt en lugar de como un bloqueo de la capa de host.

Nada de esto está documentado por el proveedor. La model card de DeepSeek de septiembre incluye una sección de evaluación y contiene únicamente benchmarks —ninguna tasa de rechazo, ningún resultado de red team, ninguna evaluación de seguridad—, y la tarjeta de 1017 no presenta sección de evaluación alguna, pues eliminó esa carpeta junto con el informe técnico. El comportamiento de rechazo de este modelo lo describen, por tanto, íntegramente quienes construyen a su alrededor: autores de derivados que cuentan prompts y un rastreador que lee una transcripción. Para cualquiera que dirija un agente al checkpoint, esa es la brecha operativa. Un rechazo dentro de un bucle de agente no es una nota a pie de página de la política de contenido; es una llamada a herramienta fallida en mitad de una ejecución, y aflora como cualquier otro fallo por llamada, y por eso recibe la misma mitigación que un timeout. En OrcaRouter eso es una decisión de enrutamiento y no un cambio de código: el checkpoint 1017 y los modelos de DeepSeek a los que recurriría como alternativa están detrás de un mismo endpoint, de modo que una llamada que vuelve rechazada puede reintentarse contra un segundo modelo en lugar de poner fin a la ejecución. El rechazo en sí pertenece al modelo, y nada en la capa de enrutamiento lo modifica.

El recuento de derivados es la última pieza independiente y apunta en la misma dirección. Una búsqueda en Hugging Face del nombre del checkpoint devolvió 121 repositorios públicos el 20 de octubre, y 25 de ellos llevan uncensored, abliterated o derisked en el nombre —compilaciones cuyo único propósito es eliminar el comportamiento con el que se topó la sesión del 20 de octubre, la primera de ellas publicada el mismo día en que se subieron los pesos. Eso no es evidencia de si el modelo es bueno, ni es una recomendación; es evidencia de que hay un mecanismo de rechazo funcional en los pesos que se puede eliminar, porque quienes se dedican a quitar estas cosas no se molestan cuando no hay nada que quitar. También marca la expectativa para cualquiera que lo aloje por su cuenta: el checkpoint que descargas es el que rechaza, y cada variante sin censura de esa lista es un modelo distinto, no un ajuste.

La cuestión del V4 Pro, y los peldaños por encima de Flash

Durante la beta, el formulario de comentarios de DeepSeek preguntó a los probadores si la versión intermedia «puede reemplazar por completo al DeepSeek V4 Pro en línea». Era una pregunta llamativa para plantear a los usuarios, porque implicaba que el futuro del buque insignia estaba abierto. La respuesta que llegó el 9 y el 10 de septiembre fue de índole operativa: a partir de las 12:00, hora de Pekín, del 14 de septiembre, deepseek-v4-pro dejaría de prestar servicio y su tráfico pasaría a V4.1 Flash a precios de Flash, con V4.1 Pro designado como el sucesor final. Los desarrolladores se opusieron, y su objeción no era que el reemplazo fuera malo, sino que una cadena de modelo es un contrato, y cambiar los pesos detrás de un ID de producción rompe pipelines ajustados mediante prompts y bucles de agentes creados para los antiguos. En dos días, DeepSeek retiró el plan. Su propio registro de cambios ahora dice que «ha decidido seguir prestando servicios de API para DeepSeek V4 Pro después del 14 de septiembre de 2026, con el método de facturación sin cambios», y que dará aviso adicional si eso cambia. La marcha atrás está declarada por el proveedor y no es una información de prensa, y se puede comprobar en la página Models & Pricing, que todavía enumera deepseek-v4-pro junto a deepseek-flash.

Lo que la tabla de enrutamiento no explica es por qué. El 9 de septiembre, teortaxesTex —una de las cuentas de filtraciones que señaló la beta— informó de que DeepSeek había admitido que el preentrenamiento de su V4-Pro salió mal; en sus palabras, la empresa «metió la pata» con ello. Sigue siendo una afirmación de una sola fuente, procedente de una cuenta inclinada a los filtraciones internas, y DeepSeek no ha admitido nada públicamente: el registro de cambios presenta la retirada progresiva como consecuencia de que el nuevo modelo es mejor, no de que el antiguo esté roto. Lo que se puede comprobar desde fuera es la forma que tuvo el lanzamiento de disponibilidad general del V4 Pro el 13 de agosto. El anuncio se retiró al cabo de aproximadamente un día. El repositorio de Hugging Face albergó brevemente una configuración de nivel Flash bajo el nombre Pro antes de que se corrigieran los pesos. Y las puntuaciones independientes de lo que se servía bajo ese nombre quedaron apenas por encima del mucho más pequeño DeepSeek V4 Flash, frente a las tablas oficiales que mostraban resultados cercanos a los del buque insignia —en el índice actual de Artificial Analysis, los dos están separados por un solo punto, 36 frente a 35—. Los análisis independientes han atribuido el problema a causas distintas: un comportamiento de razonamiento sobreajustado al propio sistema de evaluación de DeepSeek, una confusión entre el despliegue y los pesos o, como afirma la filtración, un preentrenamiento que realmente falló. El cambio de enrutamiento no aclara cuál de ellas es, y DeepSeek desde entonces lo ha cancelado; lo que queda es un proveedor que fija el precio de su modelo más reciente en una cuarta parte de la tarifa por fallo de caché del buque insignia y lo coloca por delante de ese buque insignia en sus propios benchmarks, algo que las empresas no suelen hacer cuando todo ha salido según lo previsto.

Flash, Pro, Ultra: lo que DeepSeek ha dicho y lo que es solo una suposición

La propia documentación de DeepSeek es explícita en que esto es la base de algo. El registro de cambios llama a DeepSeek V4.1 Flash «el modelo más pequeño de nuestra nueva familia de arquitecturas» y afirma que la arquitectura «está diseñada para un techo de capacidades más alto, una inferencia más rápida, un mayor rendimiento y el escalado a modelos más grandes». El informe técnico cierra el mismo círculo con un lenguaje más contundente: el modelo «sirve como un nuevo punto de partida para nuestros continuos esfuerzos de escalado», y la empresa afirma que «buscará el escalado conjunto de la arquitectura del modelo, el preentrenamiento y el postentrenamiento para seguir explorando la frontera de la inteligencia de los modelos». Ambas frases son de la propia empresa, ambas se publicaron el 10 de septiembre y ninguna es un anuncio de producto. Comprometen a DeepSeek a construir modelos más grandes con este diseño; no nombran ninguno, no especifican su tamaño ni fijan una fecha.

Todo lo que hay después de esa línea es especulación. El 25 de septiembre, la cuenta de seguimiento @teortaxesTex —la misma cuenta cuya publicación del 9 de septiembre sobre el preentrenamiento de V4 Pro ya recoge este artículo— interpretó el patrón como una línea completa de tres niveles: «DeepSeek deja bastante claro que no van a detenerse aquí… Esto suena a que tienen la intención de hacer toda una gama, Flash-Pro-Ultra. ¿Quizá 522B-2T-8T?». Quien ofrece los tamaños los califica como una conjetura, y esa cautela cumple una función real: nada en el changelog, la model card, el informe técnico, la organización de Hugging Face, la página de precios o el listado de modelos de DeepSeek nombra un nivel Ultra, y nada por encima de 552B. La escalera conjeturada también es una aritmética más frágil de lo que parece. Su peldaño inferior, 522B, no es el modelo de 552B que se lanzó —o la cifra es un desliz por un número que DeepSeek ya ha publicado, o apunta a un checkpoint que nadie ha visto, y no hay forma desde fuera de saber cuál de las dos cosas es—. Su peldaño superior, 8T, es cinco veces el modelo insignia de 1.6T cuyo repositorio DeepSeek abrió en abril, en un año en el que el lanzamiento más reciente de la empresa se diseñó para activar 8B parámetros por token porque el coste de inferencia, y no el número de parámetros, era la restricción que se propuso resolver.

La misma cuenta ha planteado por separado un modelo DeepSeek de 3 billones de parámetros como algo en lo que el laboratorio estaba trabajando, pero que no estaba seguro de poder servir de forma económicamente viable —una afirmación distinta sobre algo distinto, e igualmente no confirmada—. No es necesario conciliar ninguna de las dos con la otra, porque ninguna tiene una segunda fuente. Lo que sí se puede comprobar es la dirección: un laboratorio que llama a su modelo más reciente el más pequeño de una familia, y a su arquitectura una que escala a modelos más grandes, es un laboratorio que planea lanzar algo por encima de este nivel. Cómo llamará a los niveles y qué tamaño tendrán no aparece en ningún documento que un lector pueda abrir hoy.

Para quien elige un modelo en lugar de seguir una hoja de ruta, esa distinción lo es todo. Si la familia se amplía hacia arriba, la decisión que tienen delante la mayoría de los equipos sigue siendo si pasar al nivel que ya existe, y la forma más económica de mantener esa decisión abierta no es esperar. DeepSeek V4.1 Flash está en OrcaRouter con las tarifas propias de DeepSeek y un 0% de margen, así que, si llega un sucesor de nivel Pro a un precio distinto, el cambio se refleja en la lista de precios y no en un contrato. DeepSeek V4 Pro está detrás con la misma clave, lo que hace que la llegada posterior de un tercer nivel sea una decisión de enrutamiento y no una migración.

Los pesos MIT cambian lo que puedes hacer con ello.

DeepSeek V4.1 Flash se distribuye bajo la licencia MIT, y los pesos se publicaron en la organización deepseek-ai de Hugging Face el 10 de septiembre, el mismo día que la API, no semanas después. El repositorio es deepseek-ai/DeepSeek-V4.1-Flash: 48 fragmentos safetensors que suman unos 510 GB, el informe técnico en PDF junto a ellos y una carpeta de inferencia que contiene una implementación de referencia y un script de conversión que divide el checkpoint entre rangos de paralelismo de tensores. Ese repositorio es el checkpoint de septiembre; el vigente desde el 17 de octubre es deepseek-ai/DeepSeek-V4.1-Flash-1017, que mantiene la misma licencia MIT, los mismos 48 fragmentos y los mismos aproximadamente 510 GB, pero que reemplaza todos los fragmentos y elimina el informe, la plantilla de chat y la carpeta de evaluación.

Merece la pena ser precisos sobre qué es esa descarga, porque no es una versión de precisión completa. Los safetensors contienen aproximadamente 204 000 millones de parámetros en FP8 y 557 000 millones en INT8 frente a unos 2 000 millones en BF16, y la configuración declara cuantización fp8: el checkpoint que descargas ya está comprimido, y así es como un modelo de 763 000 millones de parámetros cabe en unos 510 GB. El bloque individual más grande en su interior es la tabla Engram: dos tablas FP8 que contienen unos 189 GiB de la descarga, de las cuales cada paso de decodificación solo lee unas pocas filas.

Para un modelo con un backbone de 552B, la licencia es la parte que cambia las decisiones. MIT es permisiva, sin umbral de ingresos ni cláusula de uso aceptable que merezca una revisión legal, y el perfil de activación —8B por token en prefill, 16B en decode, con una caché de 890 bytes por token— es lo que hace plausible servirlo fuera de un hiperescalador aunque el número de parámetros parezca elevado. Sin embargo, esa última cifra es una propiedad de la pila completa de caché y no de los pesos, así que un motor autoalojado que implemente el formato cuantizado y no el resto del diseño quedará muy por encima de ella.

Una licencia permisiva no es una autorización de exportación, y durante seis días de octubre la diferencia pareció que podría importar. El 16 de octubre, el Ministerio de Comercio y el Ministerio de Ciencia y Tecnología de China publicaron el Anuncio n.º 48 de 2026, un borrador de revisión del catálogo de tecnologías prohibidas o restringidas para exportación que incluye por primera vez los pesos de modelos de IA y el código fuente. Propone 40 adiciones en IA, biotecnología y solar, 23 de ellas relacionadas con la IA, con comentarios públicos hasta el 15 de noviembre. Dos excepciones del borrador hacen la mayor parte del trabajo para un modelo como este: la tecnología que ya es de dominio público mediante publicación de código abierto o publicación académica no será controlada, y el acceso mediante API, aplicación, SaaS y acceso ligero en el dispositivo para usuarios en el extranjero no se considera una exportación de tecnología del modelo. Los umbrales reportados en la prensa especializada combinan un mínimo de dos billones de parámetros, un puesto entre los diez primeros a nivel mundial en criterios de referencia de rendimiento y seguridad, y entrenamiento con datos nacionales centrales o importantes. Un modelo de 552B supera el primero; que los otros dos lo capturen no es algo que un lector pueda determinar desde fuera, porque el borrador no publica las definiciones, lo que hace que la excepción de dominio público, y no el criterio de tamaño, sea la cláusula que importa para los pesos que ya están en Hugging Face.

Lo que cambió el 22 de octubre no fue el texto, sino el registro de cumplimiento. YuyuantanTan informó que DeepSeek y MiniMax habían completado los procedimientos de registro y finalizado la liberación como código abierto y las licencias en el extranjero. El informe no dice qué lanzamientos considera como la liberación de código abierto, no nombra ningún modelo, checkpoint ni fecha, y no anunció nuevos pesos; los lanzamientos de código abierto visibles en esa ventana son el motor DeepInfer y el conjunto de herramientas deepseek-recipe mencionados anteriormente. La versión de la afirmación a nivel de compilación es más acotada y posterior: el 23 de octubre, una cuenta de X con un largo historial de seguimiento de DeepSeek publicó que DeepSeek y MiniMax habían “obtenido permisos para liberar como código abierto V4.1F-1017 y M3.1-Flash”, respectivamente. Esa atribución es de quien publicó, ninguna de las dos empresas ha publicado un comunicado que la confirme, y ningún regulador ha publicado un aviso que mencione el registro de ninguna de las dos empresas. El checkpoint que nombra la publicación estaba en Hugging Face bajo MIT desde el 17 de octubre, seis días antes. Fuera cual fuera el permiso concedido, no condicionó la descarga: el repositorio apareció primero.

Para un lector, el contenido práctico es más limitado que los titulares que lo rodean, y va en dos direcciones. Nada del checkpoint del 17 de octubre, la licencia MIT ni el repositorio cambió el 22 de octubre; la descarga, los shards y las diferencias de hash descritas arriba son exactamente como eran. Lo que cambió es la respuesta a si un laboratorio chino puede seguir publicando pesos como estos mientras el catálogo sigue en consulta: el relato de los medios estatales dice que sí para DeepSeek y MiniMax, conforme a un borrador que excluye la tecnología que ya es pública y deja el acceso a la API fuera de la definición de exportación. El límite está en el tiempo verbal. La exención es para tecnología que ya está en el dominio público, lo que describe los checkpoints de septiembre y octubre y no describiría automáticamente una publicación hecha después de que se finalice el catálogo; y el deber de registro provisional que se dice que entró en vigor el 16 de octubre se ha informado, pero no se ha publicado íntegramente. Cualquiera que planee descargar lo que DeepSeek publique a continuación está planificando con base en una regla que aún no existe. Quien llame hoy a V4.1 Flash, o ejecute los pesos 1017, se basa en una excepción que el borrador establece y que ninguna de las versiones de la medida provisional contradice.

El soporte de serving llegó el mismo día y sienta el mínimo práctico. vLLM publicó una receta de día 0 validada en hardware NVIDIA y AMD, y SGLang lanzó soporte de inferencia y RL de día 0 en la misma ventana a través de su stack de entrenamiento Miles. Ambos se distribuyeron como imágenes de vista previa en lugar de paquetes estables: el contenedor de vLLM llevaba una etiqueta del 9 de septiembre, un día antes de la GA del propio modelo. Esa parte de la historia avanzó el 22 de septiembre, cuando vLLM publicó v0.30.0: la primera versión estable de vLLM que incluye esta arquitectura, con DeepSeek V4.1 Flash listado dentro de su soporte para nuevos modelos, la propia receta de vLLM del modelo ahora exige 0.30.0 o posterior, y la etiqueta de imagen del día de lanzamiento se retiró. Las notas de la versión son el relato del propio proyecto sobre su trabajo, no un resultado medido, y deben leerse así. Atribuyen a la versión el mantener toda la caché KV del modelo en MXFP8 mediante el registro FlashMLA V4.1 en SM100, y el prefetch asíncrono para búsquedas de Engram descargadas a CPU más el sharding de datos paralelos de Engram —los dos cambios que más importan para un modelo cuya tabla Engram es el bloque individual más grande de la descarga. Ninguno de esos dos cambios lleva un número fuera del proyecto, y las notas de la versión no adjuntan ninguno, pero el proyecto publicó un antes y después del modelo en su conjunto el 7 de octubre, tres semanas después del lanzamiento: 1,9× más rápido con baja concurrencia y 5,3× el rendimiento bajo una restricción de 150 TPS frente a su propia compilación del día 0, con la pull request fusionada detrás de cada optimización listada. Las cifras y sus límites están en la sección de velocidad anterior. Lo que no existe es una replicación externa: cada número de esa publicación es el proyecto midiéndose a sí mismo. Lo que sí resuelve la versión es el empaquetado: 762 commits de 315 contribuidores, 104 de ellos por primera vez, en una versión etiquetada en lugar de una imagen de vista previa. La propia aritmética de la receta de vLLM todavía sitúa el mínimo en aproximadamente 614 GB de VRAM para el checkpoint de 510 GB más margen —un nodo H200 de ocho GPU o una bandeja GB200 NVL4— y advierte que un contexto de 1M de tokens conviene limitarlo en la práctica en lugar de darlo por supuesto. Una caché KV más estrecha cambia cuánta memoria necesita el motor en ejecución, no el tamaño del checkpoint, así que el mínimo de nodo se mantiene. El informe de SGLang añade una palanca específica de esta arquitectura: mover la tabla Engram a la memoria del host con un único flag de entorno elevó la capacidad de la caché KV en torno a un 36% en una prueba con cuatro GB300 con rendimiento de decodificación y tiempo hasta el primer token comparables, y su reproducción acotada de SWA del lado del decodificador elevó el rendimiento de prefill 1,56× en ocho H200. Dos límites acompañan a eso. La implementación de referencia del repositorio se describe a sí misma como un ejemplo legible en lugar de un motor de serving de producción, y los runtimes de consumo se quedaron atrás: la ruta de cuantización que pondría esto en un portátil o un Mac Studio no estaba abierta en el lanzamiento. La versión corta es que los pesos son genuinamente abiertos y el stack de serving existe genuinamente —en hardware contado en nodos en lugar de GPU, que es la razón honesta por la que una licencia permisiva no significa automáticamente una compilación local. El repositorio 1017 no cambia nada de ese mínimo: el checkpoint es el mismo de 510 GB repartido en los mismos 48 shards, y las notas de runtime que lo acompañan son las publicadas para los pesos de septiembre.

Lo que los pesos abiertos no te dan, por sí solos, es una señal de calidad — pero esa brecha ahora se ha cerrado en parte, y se cerró más el 18 de octubre. Ahora existen cuatro instrumentos independientes, uno de ellos ejecutado dos veces: el Índice de Inteligencia de Artificial Analysis, que puntúa el checkpoint de septiembre en 39 y el checkpoint 1017 en 45; el estudio Exploit Bench anterior, un benchmark de ciberseguridad ejecutado bajo siete harness de agentes; el tablero comunitario de kernels de la sección siguiente; y, desde el 14 de octubre, los propios resultados AA-AgentPerf de Artificial Analysis para este modelo, que miden el hardware sobre el que se sirve en lugar de lo bueno que es. El antes y después del proyecto vLLM del 7 de octubre, arriba, mide otra cosa distinta — cuánto cuesta servir el modelo en lugar de lo bueno que es — y es el propio relato del runtime sobre sí mismo. Ninguno es una puntuación de razonamiento del tipo que ARC Prize está construyendo, tres de los cuatro todavía describen el checkpoint de septiembre, y para la mayoría de las filas específicas de este artículo la tarjeta del modelo sigue siendo la única fuente — pero el compuesto ya no pertenece a esa lista: el 45, y el 33.8 por debajo, se produjeron contra los pesos que DeepSeek sirve hoy. Eso no es una acusación; es el estado de la evidencia, y es por eso que este artículo mantiene separados los dos tipos de número. Los pesos abiertos sí significan que el modelo no permanecerá confinado al endpoint de DeepSeek, lo que importa a cualquiera cuyo obstáculo fuera la residencia de datos en lugar del precio.

Cómo adoptarlo sin arriesgar la producción

Una cosa ha cambiado de nuestro lado desde el lanzamiento, y hace que esta sección sea más sencilla de lo que habría sido la semana pasada: DeepSeek V4.1 Flash ya está en OrcaRouter. Responde al id de modelo deepseek/deepseek-v4.1-flash a través del mismo endpoint compatible con OpenAI que el resto de la línea, a la propia tarifa de DeepSeek —$0,15 por 1M de tokens de entrada, $0,60 por 1M de tokens de salida y $0,003 por 1M de lecturas de caché en tarifas fuera de hora punta, que se duplican en las franjas de hora punta de días laborables—, repercutida con un 0 % de margen. Esa última parte es la que merece la pena explicar con claridad: la cifra que se te factura es la del proveedor y no un precio de reventa, así que una bajada de precio del proveedor se aplica aquí el mismo día en lugar de cuando se renegocie un contrato. DeepSeek V4 Flash y DeepSeek V4 Pro comparten la misma clave, lo que hace que la migración que sigue sea un cambio de enrutamiento y no una migración a otra plataforma. El checkpoint del 17 de octubre no cambia nada de eso: DeepSeek mantuvo tanto el nombre del modelo en la API como la tarifa, así que la actualización no cambia ni el id ni el precio de nuestro lado, que es cómo se ve un traspaso directo cuando un proveedor actualiza un modelo sin tocar ninguno de los dos.

Ese es también el argumento para no precipitar la migración. El cambio de ruta del 14 de septiembre habría sido un proveedor cambiando lo que significa un ID de modelo por debajo de ti, si DeepSeek no lo hubiera cancelado bajo presión, y el episodio es el recordatorio reciente más claro de que una cadena de modelo es un contrato que un proveedor puede reescribir —lo que también es el marco correcto para la conversación sobre la gama anterior, ya que una familia de tres niveles es un plan y esta ya ha cambiado una vez. Para un modelo cuyas únicas puntuaciones externas hasta ahora son un índice compuesto, una tabla de ciberseguridad ruidosa y un tablero de kernels de la comunidad —y que no tiene ningún historial de producción—, la forma más segura es para la que está construido un router: enviar una porción de tráfico con forma de producción al nuevo modelo, mantener un modelo probado detrás como conmutación por error automática para que una regresión de calidad cueste un reintento en lugar de un incidente, y dejar que el DSL de enrutamiento decida qué llamadas merecen el modelo no probado y cuáles deben quedarse en el caballo de batalla. La migración a V4.1 Flash es probablemente el destino correcto. No es una migración que se deba emprender al calor del anuncio.

Preguntas abiertas

• Benchmarks independientes: el recuento ha pasado de cero a cuatro instrumentos, y ninguno de ellos mide el razonamiento del modelo como ARC Prize pretende. La puntuación de 39 de Artificial Analysis es un compuesto de diez evaluaciones con el máximo esfuerzo de razonamiento, y su 45 —publicado el 18 de octubre— es el mismo compuesto aplicado a los pesos más recientes. El estudio Exploit Bench mencionado arriba es una puntuación de ciberexplotación dentro de un presupuesto fijo de tokens, y sitúa a DeepSeek V4.1 Flash por debajo de GLM-5.3-Flash. La tabla comunitaria de kernels de kernelbench.com es una tabla de ingeniería de kernels. Los resultados de AA-AgentPerf de Artificial Analysis, publicados el 14 de octubre, son una tabla de hardware: cuántos tokens por segundo por megavatio sirve cada sistema de aceleradores a este modelo, y nada sobre calidad. Nadie ha replicado las filas individuales de benchmarks de DeepSeek, y no se ha publicado ninguna medición independiente con configuraciones de esfuerzo de producción, ni en el extremo lejano de una ventana de 1M de tokens. El checkpoint del 17 de octubre ya no está sin medir: el 18 de octubre, Artificial Analysis añadió una fila 1017 con 45 en su índice y 33,8 en Terminal-Bench 4.0, y la cifra del benchmark queda ocho puntos y medio por debajo de lo que la tabla del proveedor afirma para los mismos pesos. Lo que falta ahora es una segunda opinión sobre esa cifra —un evaluador, un harness, una ejecución— y cualquier puntuación independiente, por mínima que sea, para las cuatro mediciones anteriores al cambio. La única evaluación diseñada para responder a la pregunta del razonamiento sigue en construcción —ARC Prize tiene un perfil de DeepSeek V4.1 Flash en su harness de benchmarking en una pull request abierta, sin ningún resultado adjunto—, y ARC-AGI nunca ha puntuado este checkpoint en absoluto: el 61,4 % en ARC-AGI-2 que la llegada del adaptador revivió pertenece a DeepSeek V4 Flash 0731, el modelo que V4.1 Flash retira. El número más reciente atribuido a este modelo, el 77,0 en DeepSWE v1.1, es la fila con la fuente más débil del artículo: es el propio gráfico de DeepSeek, leído de una imagen adjunta al anuncio del proveedor, y no existe ninguna ejecución externa de DeepSWE v1.1 sobre el checkpoint 1017 —el resultado del 18 de octubre de Artificial Analysis es para los mismos pesos, pero para un benchmark diferente. Las dos tablas independientes que publican el benchmark sitúan el nombre de este modelo en el 71,7 % y el 74,2 %, lo que basta para situarlo junto a Opus 5 y no basta para confirmar la cifra del proveedor —y ninguna de las dos indica qué checkpoint midió.

• Autoalojamiento por debajo del umbral de nodo: el soporte de día cero de vLLM pasó a ser una versión estable el 22 de septiembre con v0.30.0, que añade una ruta de KV MXFP8 y offload asíncrono de Engram; el soporte de día cero de SGLang sigue distribuyéndose como imagen de vista previa. Ninguno de los dos mueve el umbral de hardware, que se sitúa en torno a un nodo de ocho GPU porque es el checkpoint de 510 GB el que lo determina, y las propias notas de despliegue de DeepSeek, publicadas con DeepInfer, lo precisan aún más: un nodo de prefill junto a un nodo de decode es desplegable, pero la configuración de decode recomendada es un paralelismo de expertos de 64 o superior, lo que hace que la unidad eficiente más pequeña sean 64 GPU de prefill junto a 64 de decode. La publicación del proyecto vLLM del 7 de octubre es el registro de optimización medido más completo publicado sobre este modelo —1,9× con baja concurrencia y 5,3× bajo una restricción de 150 TPS frente a su propia compilación de día cero, junto a las cifras de SGLang anteriores— y su seguimiento del 17 de octubre añade una curva de tokens por dólar que abarca configuraciones de H100, MI300X y B200 junto a los componentes de escala de rack. Ambas proceden de la propia contabilidad del proyecto sobre su propio runtime. Ninguna mueve el umbral: un token más barato en una GB300 o una H100 sigue sin hacer que un checkpoint de 510 GB quepa en un equipo de sobremesa, por lo que es una vía más rápida hacia el mismo umbral, no uno más bajo. Si las versiones posteriores y las cuantizaciones de la comunidad llevan esto a máquinas más pequeñas es la pregunta abierta para cualquiera que quiera los pesos en lugar del endpoint, y es la que decide si una licencia permisiva es una licencia práctica.

• Qué es V4.1 Pro — DeepSeek lo nombra como el sucesor de V4 Pro, pero no ha publicado ninguna fecha, ninguna especificación ni ningún precio, y el anunciado redireccionamiento del tráfico existente de Pro a un modelo de nivel Flash se retiró antes de que entrara en vigor. Lo que se sitúa por encima de Flash lo describe la empresa solo como la arquitectura que escala hacia modelos más grandes; la escalera Flash, Pro y Ultra, y sus tamaños de 522B, 2T y 8T, son especulación de un observador, no de DeepSeek.

• Coste por tarea — Artificial Analysis ahora incluye una cifra por tarea para ambos checkpoints: 0,49 USD por tarea del Intelligence Index para los pesos de septiembre, reexpresada desde los 0,27 USD que este artículo incluyó inicialmente, y 0,26 USD para 1017. Es la primera evidencia externa de cualquier parte de la afirmación de Pareto de DeepSeek, y es más estrecha que la afirmación. Las mismas filas muestran que el checkpoint 1017 genera 210 M de tokens de salida en todo el índice frente a 250 M en septiembre —salidas más cortas en conjunto—, pero 89.495 tokens de salida por tarea frente a 88.574, lo que no es más corto en absoluto, y 288,8 segundos por tarea frente a 289,9, lo que no es más rápido. El propio desglose de costes del sitio pone todo el ahorro en el lado de la entrada: la línea de salida se mantiene plana, 0,106 USD por tarea frente a 0,107 USD, mientras que la entrada cae de 0,379 USD a 0,155 USD y las escrituras de caché de 0,322 USD a 0,095 USD. Que una tarea se complete con menos dólares depende de cuántos tokens consume, y eso es una propiedad de la carga de trabajo, no de la tarifa. La propia explicación de DeepSeek sobre la actualización apunta en la dirección contraria: el registro de cambios afirma que el nuevo checkpoint reduce el tiempo de ejecución de las tareas y la longitud de salida, y su publicación del 17 de octubre lo repite como «finalización de tareas más rápida y salidas más cortas». Ninguno incluye una cifra, y la medición externa que respalda esta viñeta ya se ha confrontado con ellos: en las dos cantidades que DeepSeek nombró, los pesos de 1017 se movieron alrededor de un uno por ciento, en direcciones opuestas, desde un punto de partida de cinco semanas antes. Una tercera cifra se sitúa en el otro lado del mismo balance: el gráfico del 17 de octubre del proyecto vLLM sitúa al modelo en 1,3 B de tokens por dólar de coste total de propiedad en SemiAnalysis AgentX, en un nivel de coste que asume volumen de grandes hiperescaladores. Un servicio más barato tampoco resuelve esta viñeta: un menor coste por token deja la cifra de tokens por tarea, que es lo que realmente paga quien realiza la llamada, exactamente donde la medición de septiembre la encontró.

• Verificación desbocada: los probadores prácticos informan de bucles de repetición ocasionales en la cadena de pensamiento, y de deliberaciones de doce minutos y seis cifras de tokens sobre problemas que se resuelven en segundos con una configuración de esfuerzo menor. Ninguna evaluación comparativa independiente mide con qué frecuencia ocurre cualquiera de las dos cosas ni cuánto cuesta en producción, y la mitigación reportada hasta ahora son límites de tokens en el lado del cliente, en lugar de algo que el modelo haga por sí mismo. El estudio Exploit Bench anterior documenta el mismo modo de fallo desde la dirección opuesta: el bucle de informes repetidos que muestra en las transcripciones de ReAct lo produce el prompt de compactación del arnés, y no el propio razonamiento del modelo, lo cual es un recordatorio de que un bucle en una transcripción no es automáticamente un defecto del modelo.

• Ingeniería de kernels — el tablero comunitario de kernels CUDA de kernelbench.com (RTX PRO 6000, escalado según roofline) tiene a DeepSeek V4.1 Flash al 50,19 % de la roofline equivalente densa en su propio kernel de atención dispersa, cuarto en la clasificación general, frente al 4,45 % de GLM-5.3 Flash en la misma fila. El tablero es gestionado por la comunidad y no ha sido revisado por pares; no se ha publicado una segunda generación de GPU ni una replicación.

• Contexto largo en el extremo lejano: la atención dispersa se entrenó a 64K y se extendió a 1M en el hito de los 34T tokens. Cómo se mantiene la calidad cerca del final de una ventana completa de 1M es precisamente lo que resolvería una evaluación independiente de contexto largo.

• Reconstrucción de la caché en los extremos — SWA Bounded Replay reconstruye de forma aproximada, y no exacta, el estado descartado de la ventana deslizante, y DeepSeek afirma que el resultado puede variar según dónde se produzca un acierto de caché dentro de una sesión. El informe señala que se ha observado un impacto mínimo en la calidad; las condiciones extremas o no probadas son justamente donde una aproximación así saldría a la luz, y nadie fuera de DeepSeek lo ha examinado.

• Si las cargas de trabajo Pro realmente se trasladan —se retiró el redireccionamiento forzoso, así que nada se traslada a menos que un equipo elija trasladarse, y los equipos que pagaron precios Pro por profundidad de razonamiento son los más propensos a notar una diferencia de capacidad en trabajo con la forma de Terminal-Bench 3.0, donde V4.1 Flash queda muy por detrás de Opus-5.0.

• Los términos y el comportamiento del nivel gratuito: OpenCode añadió una entrada sin cargo para este modelo el 15 de octubre, con una ventana de 200.000 tokens y un techo de salida de 32.000 tokens, descrita en sus propias páginas como disponible por tiempo limitado. No se dice si el acuerdo sobrevivirá a esa frase, ni cómo aguanta el endpoint bajo carga, ni si DeepSeek tiene algo que decir al respecto: la propia lista de modelos de la plataforma, su documentación y su tabla de precios son la única fuente, no hay una fecha de finalización a la que atenerse, y nadie ha publicado una medición de la ruta gratuita.

• Seguridad y rechazos: DeepSeek no publica ninguna tasa de rechazo, resultado de red team ni evaluación de seguridad para ninguno de los dos checkpoints, y ningún laboratorio independiente ha puntuado este modelo en un benchmark de jailbreak. Las cifras de este artículo provienen de personas que construyen derivados sin censura —97 de cada 100 prompts dañinos rechazados en modo chat, 98 en modo think, con un único conjunto de prompts y un único evaluador— y de una sola captura de pantalla de una sesión de agente en la que el modelo rechazó una persona con jailbreak. Nadie ha medido si ese comportamiento se mantiene con un esfuerzo de razonamiento bajo, en idiomas distintos del inglés, frente a ataques automatizados en lugar de un prompt de persona, y bajo un harness que reescribe el prompt del sistema.

• La documentación del siguiente checkpoint —el informe del 22 de octubre resuelve la cuestión del registro para los pesos que ya son públicos, porque el catálogo preliminar excluye la tecnología que ya está en el dominio público. No resuelve la versión posterior a esta. El catálogo es un borrador abierto a comentarios hasta el 15 de noviembre, sus umbrales se comunican en lugar de publicarse en el texto, y la obligación de registro provisional que se dice que entró en vigor el 16 de octubre no se ha publicado en su totalidad. V4.1F-1017 ya está disponible, con licencia MIT y sin restricciones; lo que un futuro checkpoint de DeepSeek tiene que cumplir antes de poder descargarse es una regla que aún no existe.

La beta fue una pregunta de dos días sobre si un modelo de nivel Flash podía asumir funciones de Pro. El lanzamiento es DeepSeek respondiéndola con una lista de precios y un plan de enrutamiento —y luego retirando el plan de enrutamiento en dos días cuando los desarrolladores objetaron que se les sustituyera un modelo de producción por debajo—. Es una declaración más débil de lo que implicaba el anuncio y más honesta: la evidencia de calidad para el cambio son los propios benchmarks de DeepSeek más mediciones externas que en su mayoría apuntan en la misma dirección. La más reciente de ellas, un benchmark de ciberseguridad ejecutado bajo siete arneses de agentes, apunta en la dirección opuesta en la única comparación que hace, y la empresa ha dejado la elección en manos de sus clientes en lugar de tomarla por ellos. Desde el lanzamiento, los pesos han pasado de una promesa a una descarga de 510 GB, el modelo ha pasado de ser un endpoint de proveedor a algo hacia lo que se puede enrutar, y la pila de servicio ha pasado de una receta del día 0 a una medida: vLLM informó que era 1,9× más rápido con baja concurrencia a las tres semanas y luego publicó, el día en que cambió el checkpoint, una curva de costes que sitúa el modelo en 1,3B tokens por dólar de coste total de propiedad en SemiAnalysis AgentX. Esta semana también se abrió la capa que subyace a todo eso: DeepSeek publicó DeepInfer, el motor que ejecuta su propio servicio, con una curva de decodificación para este checkpoint, las cifras de producción detrás de esa curva y un benchmark inédito de septiembre que sitúa al 950DT de Huawei entre cinco y siete veces por detrás de NVIDIA por chip a la velocidad a la que DeepSeek realmente presta servicio. A las cinco semanas, el checkpoint en sí se movió una vez: el 17 de octubre trajo nuevos pesos bajo el mismo nombre y el mismo precio, con una tabla del proveedor que es mejor en cada fila que publica y un arnés diferente bajo una de ellas. Dos días después llegó la medición externa, y es la cifra más útil de este artículo: Artificial Analysis situó los pesos 1017 en 45 en su índice —empatado con GLM-5.3 por el segundo puesto entre los modelos de pesos abiertos, un punto por detrás de MiMo-V2.6-Pro— y en 33,8 en Terminal-Bench 4.0, frente al 42,3 del proveedor en el mismo benchmark, así que el arnés que favorece al modelo en la propia tabla de DeepSeek no es el arnés en el que la cifra se sostiene. Si eliges hoy, la posición honesta es que V4.1 Flash parece la mejor relación calidad-precio de la línea DeepSeek, tiene cuatro instrumentos independientes a su favor —ninguno de ellos una puntuación de razonamiento, uno de ellos ahora ejecutado contra el checkpoint que DeepSeek sirve desde el 17 de octubre—, una quinta evaluación en construcción, ningún historial de producción, una pila de servicio cuyas dos cifras más sólidas —un delta de velocidad y una curva de costes— proceden ambas del proyecto que escribió el runtime, y un resultado externo de ciberseguridad que ya se contradice según el arnés con el que envuelvas el modelo, un nivel gratuito de 200.000 tokens que apareció en una plataforma el 15 de octubre y una primera ronda de informes prácticos que describen un modelo que revisa su propio trabajo más a fondo de lo que la mayoría de quienes lo llamen le pedirá, lo cual es una razón para dirigir una parte del tráfico hacia él, no una razón para migrar por el anuncio. La actualización que DeepSeek anunció el 17 de octubre cambia los pesos y añade una afirmación del proveedor —finalización de tareas más rápida, salidas más cortas— y la primera medición externa de esos pesos respalda como mucho la mitad: el coste por tarea del índice se redujo un 46 %, mientras que el tiempo por tarea y los tokens de salida por tarea apenas cambiaron. Un día después, la afirmación más leída sobre ese checkpoint fue la de un ejecutivo: 77 en DeepSWE v1.1 con un coste 83× menor, de un empleado de Databricks que además dice que el checkpoint llegará a esa plataforma. La mitad sobrevive al contacto con las clasificaciones independientes, que ahora sitúan el nombre de este modelo por encima de Opus 5 en ese benchmark. La otra mitad aún no: el 77 es la propia fila de DeepSeek, sin reproducir, y el 83× es aritmética sin ningún coste por tarea publicado que la respalde. La propia documentación de Databricks confirma que el modelo está en su plataforma y que los dos modelos de DeepSeek por debajo de él están programados para salir; no confirma que el checkpoint esté llegando. Esa afirmación es ahora la segunda más interesante sobre el checkpoint en lugar de la más interesante. El 19 de octubre, una cuenta de seguimiento que ha anticipado varios de estos lanzamientos se declaró «absolutamente segura» de los 42,3 en Terminal-Bench 4.0, con el argumento de que supera a GLM-5.3, y pidió a Artificial Analysis que ejecutara el modelo en un arnés nativo. El sitio ya lo había hecho. En su propio arnés, los mismos pesos obtienen 33,8 —por debajo de los 41,9 de GLM-5.3, no por encima—. La fila del proveedor es real y es de DeepSeek; la inferencia que se extrae de ella no resiste que la ejecute otra persona.

Si la versión que buscas es la que mantiene tus opciones abiertas, las tres están a una tecla de distancia y con las tarifas propias de D​eepSeek, con un 0% de recargo añadido. El lanzamiento en sí: D​eepSeek V4.1 Flash en OrcaRouter — contexto de 1M de tokens, un límite de salida de 384K, entrada de imágenes, a $0,15 por 1M de entrada y $0,60 por 1M de salida fuera de horas punta. El modelo al que retira: D​eepSeek V4 Flash en OrcaRouter. Y el buque insignia que D​eepSeek decidió seguir sirviendo: D​eepSeek V4 Pro en OrcaRouter. Dirige una parte del tráfico al nuevo, mantén un modelo ya probado detrás como conmutación por error y deja que el enrutamiento decida.

La elección de un modelo también es una cuestión de qué ha ido mal antes: los incidentes de IA documentados y los fallos de agentes para modelos de esta clase se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.