DeepSeek V3 entró a los rankings de enero de 2026 y se colocó directamente entre los mejores modelos disponibles. Lo llamativo no es solo el rendimiento, sino la eficiencia: DeepSeek afirma haber entrenado el modelo con aproximadamente 6 millones de dólares en compute, una fracción de lo que cuestan modelos comparables de OpenAI o Google.
Si eso es verdad, cambia conversaciones importantes sobre la economía del entrenamiento de modelos.
Rendimiento en benchmarks
En los benchmarks estándar, DeepSeek V3 se posiciona entre los mejores modelos no especializados en razonamiento:
- MMLU: comparable con GPT-4o
- HumanEval (código): supera a Claude 3.5 Sonnet en algunas métricas
- MATH: resultados competitivos con modelos de primera línea
- MT-Bench: rendimiento de conversación muy sólido
En uso real para código, los resultados son genuinamente buenos. Especialmente fuerte en Python y en seguir instrucciones complejas con precisión.
La arquitectura: MoE eficiente
DeepSeek V3 usa una arquitectura Mixture of Experts (MoE) con 671 mil millones de parámetros totales, pero solo 37 mil millones activos por token. Esta eficiencia es la que permite el bajo coste de inferencia.
Técnicamente, también introdujeron varias optimizaciones en el proceso de entrenamiento:
- Balanceo de carga sin pérdidas (sin el coste habitual del routing)
- Predicción multi-token: el modelo predice varios tokens futuros a la vez, lo que acelera el entrenamiento
- FP8 mixed-precision para reducir uso de memoria
Disponibilidad y licencia
DeepSeek V3 está disponible como open weights bajo una licencia que permite uso comercial con restricciones. Puedes desplegar el modelo localmente si tienes suficiente GPU (requiere hardware significativo para los 671B parámetros, aunque los pesos cuantizados son más manejables).
También está disponible via API en deepseek.com con precios notablemente bajos respecto a los competidores occidentales.
La discusión sobre eficiencia
La afirmación del coste de entrenamiento de 6 millones de dólares generó escepticismo razonado. Los modelos de frontera de OpenAI y Google cuestan cientos de millones. ¿Cómo es posible?
Algunas posibles explicaciones:
- El coste reportado es solo el run final de entrenamiento, no todos los experimentos previos
- DeepSeek tiene acceso a hardware a precios distintos (chips menos bloqueados por las restricciones de exportación)
- Las optimizaciones de arquitectura son realmente tan efectivas
- Alguna combinación de todo lo anterior
Lo que es verificable: el modelo existe, rinde bien, y su coste de inferencia es bajo. Las afirmaciones sobre el coste de entrenamiento son más difíciles de auditar externamente.
Implicaciones para el sector
Si DeepSeek puede entrenar un modelo competitivo por una fracción del coste, hay dos lecturas:
La optimista: el entrenamiento de modelos de frontera es mucho más eficiente de lo que las grandes empresas han necesitado ser, y esto democratizará el acceso a modelos potentes.
La pesimista para las startups: si los modelos de frontera son más baratos de entrenar, la ventaja competitiva de tener un modelo fundacional propio se reduce, y la batalla se mueve a datos, distribución y aplicaciones.
Para los desarrolladores que construyen sobre APIs: DeepSeek es una opción real a considerar, especialmente para casos de uso de código. La latencia y disponibilidad fuera de China es el factor limitante principal.
Análisis basado en benchmarks publicados y evaluaciones independientes de enero 2026.