DeepSeek libera su modelo más grande
DeepSeek publicó el 13 de agosto la versión definitiva de V4-Pro, su modelo de lenguaje más grande. Los pesos están disponibles con licencia MIT. Cualquiera puede descargarlos y ejecutarlos.
El modelo tiene 1,6 billones de parámetros, aunque activa solo 49.000 millones por cada fragmento de texto que procesa. Esa arquitectura, llamada mezcla de expertos, reduce mucho el costo de cómputo. Admite además una ventana de contexto de un millón de tokens, el equivalente aproximado a varios libros extensos leídos de una sola vez.
Esta es una excelente noticia para una universidad o empresa donde la licencia importa más que las cifras. Un modelo abierto puede instalarse en servidores propios, sin enviar datos de estudiantes a un proveedor externo ni depender de una suscripción en dólares. También permite auditar su comportamiento y adaptarlo a tareas locales, algo imposible con los modelos cerrados.
Conviene, sin embargo, ser cautelosos con la noticia. DeepSeek afirma que V4-Pro es hoy el mejor modelo abierto disponible, pero esos resultados fueron presentados por la propia empresa y ningún evaluador independiente los replicó todavía. La investigación sobre contextos extensos agrega otra advertencia: los modelos tienden a perder la información ubicada en el medio del texto, incluso cuando la ventana declarada es enorme (Liu et al., 2024). Un millón de tokens disponibles no equivale a un millón de tokens aprovechados. Resta ver si utiliza alguna estrategia como resumen jerárquico recursivo mediante un pipeline Map-Reduce para compensar.
Fuentes
- DeepSeek-V4-Pro GA Release, documentación oficial de DeepSeek(opens in new tab) (13/08/2026)
- Ficha del modelo DeepSeek-V4-Pro en Hugging Face(opens in new tab)
- Liu, N. F., Lin, K., Hewitt, J., et al. (2024). Lost in the Middle: How Language Models Use Long Contexts(opens in new tab). TACL, 12, 157–173.
Atribuciones
Este borrador fue generado con asistencia de IA (Claude) como parte del flujo editorial del OIA. El contenido fue revisado y completado por el equipo editorial antes de su publicación.