DeepSeek acaba de superar a GPT-5. Así es como lo hizo.

Llámalo el momento DeepSeek: un laboratorio de código abierto acaba de hacer algo que los gigantes de un billón de dólares han estado buscando durante años. DeepSeek V3.2-Specialee, una variante optimizada para el razonamiento de la nueva familia V3.2, se ha convertido en el primer modelo de código abierto en obtener la medalla de oro en la Olimpiada Internacional de Matemáticas (IMO). No “benchmark al estilo IMO”, no “preguntas similares a las de la Olimpiada”— un rendimiento real de medalla de oro en las tareas de la IMO 2025.

Ese resultado coloca a DeepSeek en un nivel previamente reservado para sistemas cerrados como GPT‑5 High y Gemini 3.0 Pro. Según el análisis de Matthew Berman, GPT‑5 High obtiene un 94.6, Gemini 3.0 Pro llega a 95, y DeepSeek V3.2-Specialee avanza con un 96, aunque gastando muchos más tokens. La capacidad bruta ahora proviene de un repositorio que puedes clonar, no de una API de caja negra custodiada por una lista de espera y un NDA.

Durante una década, la narrativa se endureció: solo organizaciones como OpenAI, Anthropic o Google DeepMind —con datos propietarios, silicio personalizado y entrenamientos de mil millones de dólares— podían alcanzar la frontera. DeepSeek acaba de poner una grieta visible en esa historia. El modelo tiene pesos completamente abiertos, con licencia MIT, y fue entrenado con una fracción del presupuesto computacional que esos laboratorios supuestamente gastan.

La democratización aquí no es una palabra de moda; es código ejecutable. Los investigadores pueden ajustar V3.2-Specialee en dominios matemáticos de nicho, currículos nacionales o conjuntos de datos de teoremas de grado investigativo sin tener que implorar por acceso empresarial. Las startups pueden integrar su razonamiento en productos —tutorización, verificación formal, modelado financiero— y distribuir globalmente sin restricciones por token.

El acceso a este nivel cambia quién puede empujar la frontera. Un círculo matemático de secundaria ahora puede ejecutar el mismo motor de razonamiento de vanguardia que acaba de sobresalir en la IMO, probar nuevos estilos de problemas y publicar sus propios estándares. Los laboratorios universitarios pueden instrumentar el modelo, analizar sus fallas y proponer nuevos regímenes de entrenamiento, algo imposible con sistemas comerciales sellados.

El cambio simbólico puede importar incluso más que el aumento en la tabla de clasificación. Un modelo IMO de medalla de oro ya no implica “ultrasecreto, cerrado y centralizado.” Ahora incluye “abierto, bifurcable y autoalojable,” y eso redefine lo que cuenta como un modelo de frontera — y quién tiene la capacidad de construir el siguiente.

El benchmarking comienza con lo más brutal: matemáticas de nivel olimpiada y preguntas y respuestas adversariales. En una recreación interna de los problemas de la Olimpiada Internacional de Matemáticas (IMO) 2025, DeepSeek V3.2 Specialee presenta un rendimiento digno de medalla de oro, resolviendo pruebas de estilo olimpiada y geometría de varios pasos a un nivel que anteriormente exigía modelos cerrados como GPT-5 High y Gemini 3.0 Pro. En GPQA Diamond, el benchmark público más difícil de razonamiento científico, Specialee alcanza 85.7, igualando a GPT-5 High y quedándose por detrás del 91.9 de Gemini 3.0 Pro, pero haciéndolo como un modelo completamente abierto.

El razonamiento no es solo matemáticas y física. En Live Codebench, que ejecuta el código generado contra pruebas unitarias ocultas, la gama de DeepSeek se despliega: 83.3 para el modelo regular V3.2 "pensante", 84.5 para GPT-5 High y un notable 88.7 para V3.2 Specialee. Esa diferencia es importante porque Live Codebench castiga las APIs ficticias y la lógica de uno fuera, exponiendo si un modelo realmente puede entregar código funcional, y no solo hablar sobre ello.

AMIE 2025, un estándar de razonamiento agente compuesto, es donde DeepSeek fija su bandera. DeepSeek V3.2 Specialee obtiene una puntuación de 96, superando a GPT-5 High con 94.6 y a Gemini 3.0 Pro con 95. AMIE enlaza la planificación multisalto, llamadas a herramientas y tareas a largo plazo, por lo que una ventaja de ~1-1.5 puntos en la parte superior significa menos planes en callejones sin salida y más tareas completadas sin rescate humano.

Specialee compra esas victorias con tokens. Los gráficos de referencia muestran conteos de tokens entre paréntesis donde Specialee a menudo consume de 2 a 3 veces más tokens por consulta que el modelo V3.2 regular y significativamente más que GPT-5 High o Gemini 3.0 Pro. DeepSeek, esencialmente, aumenta la verbosidad del razonamiento en cadena y el uso del bloc de notas interno, intercambiando la eficiencia de tokens por máxima precisión bajo una configuración "prioritaria para agentes".

Ese intercambio cambia la forma en que lo implementas. Para cargas de trabajo críticas—demostraciones teóricas automatizadas, agentes de viaje de múltiples segmentos, análisis de cumplimiento en contratos de 500 páginas—los tokens adicionales de Specialee se traducen en menos errores sutiles y un razonamiento más confiable paso a paso. Para chat cotidiano, resumir o programación ligera, el modelo regular V3.2 se mantiene más cerca de la calidad de GPT-5 High y Gemini 3.0 Pro mientras consume muchos menos tokens, convirtiéndolo en la opción económica por defecto y dejando a Specialee como el pesado que llamas cuando necesitas estar absolutamente seguro.

La atención solía ser la parte de los transformadores que escalabas, no que repensabas. DeepSeek V3.2 cambia eso con DeepSeek Sparse Attention (DSA), un nuevo mecanismo de atención que ataca el núcleo del cuello de botella en los modelos de lenguaje grandes modernos en lugar de simplemente añadir más GPUs.

La atención tradicional tiene un coste computacional por cada par de tokens en una secuencia. Con una longitud de contexto L, el modelo calcula un puntaje de atención para aproximadamente L × L pares, lo que se refleja en la matemática como una complejidad de O(L²). Duplica el contexto y cuadruplicas el costo en FLOPs, memoria y latencia.

Para modelos de largo contexto, esa pared cuadrática es brutal. Saltar de una ventana de contexto de 32K a una de 1 millón de tokens no solo añade 30 veces más trabajo; la atención densa ingenua exigiría un orden de magnitud de 1,000 veces más computación. Por eso las ventanas de contexto han avanzado poco a poco en los últimos años en lugar de explotar.

DSA reduce ese costo al hacer que la atención sea escasa y selectiva. En lugar de que cada token preste atención a todos los demás tokens, cada token presta atención solo a un conjunto limitado de K tokens "relevantes". La complejidad disminuye de O(L²) a aproximadamente O(L × K), donde K permanece acotado incluso a medida que L crece.

Piénsalo como reemplazar una sala donde todos hablan con todos por un calendario de reuniones cuidadosamente seleccionado. Los tokens aún ven lo que importa, pero el modelo evita la explosión combinatoria de interacciones irrelevantes. DeepSeek afirma que esto preserva la precisión en escenarios de largo contexto mientras reduce los FLOPs por paso.

En la práctica, esa escalabilidad casi lineal permite a DeepSeek expandir las ventanas de contexto mucho más allá del rango de 128K–200K sin convertir la inferencia en un proyecto científico. La inferencia de largo contexto puede ejecutarse de 2 a 3 veces más rápido con un 30 a 40 % menos de memoria, según los propios números de DeepSeek vinculados a Introducing DeepSeek-V3.2-Exp. Esa eficiencia se traduce directamente en precios de API más económicos por millón de tokens.

DSA también interactúa de manera eficaz con la arquitectura de mezcla de expertos de DeepSeek. La versión 3.2 utiliza 671 mil millones de parámetros, con 37 mil millones activos durante la inferencia, y la atención dispersa garantiza que esos expertos activos no se vean abrumados por la sobrecarga de atención. Más del procesamiento se destina al razonamiento real en lugar de a la contabilidad.

Esto no es un ajuste cosmético a "la atención es todo lo que necesitas". DSA reescribe el modelo de costos que ha gobernado el diseño de transformadores desde 2017, convirtiendo el contexto largo de una característica de lujo en algo que realmente puedes implementar a gran escala. DeepSeek no solo ajustó un modelo más grande; cambió la forma en que el modelo observa el mundo.

DeepSeek Sparse Attention no solo gana en los benchmarks; abre de par en par la economía de la ventana de contexto que ha limitado silenciosamente a la mayoría de los grandes modelos. Al reducir la complejidad de la atención de O(L²) a aproximadamente O(L·K), DSA reduce el costo de revisar cientos de miles de tokens, haciendo viable una ventana de 1 millón de tokens sin una factura de supercomputadora.

La atención densa tradicional obliga a cada token a atender a todos los demás tokens, por lo que duplicar el contexto quadruple más que cuadruplica el cálculo y la memoria. Esa barrera cuadrática es la razón por la que GPT-4, GPT-5 y Gemini 3.0 Pro manejan con cautela contextos largos con límites de 128K a 200K tokens, o dependen de trucos frágiles como el fragmentado y la recuperación.

DSA rompe ese patrón al esparcir qué tokens se comunican entre sí, mientras preserva la información que realmente importa. Los ingenieros de DeepSeek dirigen la atención a través de un conjunto más pequeño de posiciones críticas, manteniendo la precisión en las referencias de contexto largo, al mismo tiempo que reducen tanto FLOPs como VRAM.

En hardware real, ese cambio se traduce en una inferencia de contexto largo de 2 a 3 veces más rápida y un uso de memoria un 30 a 40% menor para solicitudes de un millón de tokens, según el perfilado interno de DeepSeek. Un MoE de 671 mil millones de parámetros con 37 mil millones de parámetros activos se vuelve práctico para ejecutar en 700 GB de VRAM en FP8, en lugar de desviarse hacia el territorio de clústeres fantasiosos.

Esos avances cambian lo que puedes lanzar de manera realista a un modelo. Bases de código enteras—millones de tokens de TypeScript, Python y YAML—encajan en una sola sesión para refactorizaciones, auditorías de seguridad o revisiones arquitectónicas en lugar de un laberinto de resúmenes parciales. Novelas de múltiples volúmenes, corpus de investigación o años de registros de Slack se convierten en objetos de contexto único en lugar de indicaciones fragmentadas.

El trabajo legal podría sentir el impacto primero. Una ventana de un millón de tokens abarca docenas de contratos, cadenas de correos electrónicos y resúmenes de casos anteriores a la vez, lo que permite un razonamiento entre documentos que hoy en día requiere elaborados pipelines de Recuperación de Información y búsqueda personalizada.

La eficiencia también se refleja en la factura. Con el procesamiento de contexto largo no aumentando cuadráticamente, DeepSeek puede dirigir el precio de entrada hacia $0.07 por millón de tokens con aciertos en la caché, superando a los modelos cerrados de vanguardia en rendimiento por dólar. Ese precio hace que los flujos de trabajo de gran contexto—una vez reservados para presupuestos a escala FAANG—sean accesibles para startups y desarrolladores individuales.

Menos atención derrochadora también significa menos horas de GPU utilizadas por consulta, lo cual es relevante a medida que la huella energética de la IA aumenta. Un modelo de contexto de atención dispersa de 1 millón que iguala el razonamiento a nivel de GPT-5 mientras utiliza significativamente menos cómputo por token no solo es más económico; es un modelo más sostenible para escalar la próxima generación de modelos fundamentales.

Forjado no es una exageración aquí: DeepSeek V3.2 existe ante todo como un motor de agente, no solo como un modelo de chat. Desde la arquitectura hasta el plan de formación, todo se orienta hacia el uso de herramientas en múltiples pasos, la planificación a largo plazo y los bucles cerrados con sistemas externos.

DeepSeek construyó un pipeline sintético a gran escala para lograrlo. Los ingenieros crearon más de 1,800 entornos distintos y generaron aproximadamente 85,000 prompts complejos específicamente para tareas agentivas, abarcando patrones como orquestación de múltiples herramientas, coreografía de API y recuperación de fallos en herramientas.

Esos entornos se parecen mucho más a flujos de trabajo de producción que a la calidad asegurada de un libro de texto. Piensa en "presentar un informe de gastos a través de tres servicios internos" o "clasificar un problema en GitHub, ejecutar pruebas y abrir una solicitud de extracción", no solo en "llamar a una calculadora una vez." Cada solicitud obliga al modelo a razonar sobre el estado, elegir herramientas y adaptarse cuando las salidas son desordenadas o incompletas.

El aprendizaje por refuerzo ocupa un lugar central en este impulso. DeepSeek asignó más del 10% de su presupuesto de cómputo de preentrenamiento al post-entrenamiento estilo RL, una proporción inusualmente alta en un mundo donde el RL a menudo parece ser una idea secundaria añadida a extensas ejecuciones supervisadas.

Ese presupuesto financia un marco de aprendizaje por refuerzo escalable donde el modelo actúa de manera iterativa en esos más de 1,800 entornos. Las trayectorias exitosas son recompensadas, los patrones de fracaso son penalizados y la política se ajusta gradualmente hacia un seguimiento robusto de instrucciones en condiciones ruidosas del mundo real.

El seguimiento de instrucciones aquí significa más que obedecer un solo aviso. La configuración de RL se optimiza para objetivos de múltiples turnos: obedecer esquemas de herramientas, mantener restricciones a lo largo de los pasos y reconciliar instrucciones conflictivas de diferentes mensajes del sistema, entradas de usuarios y salidas de herramientas.

La calidad del uso de herramientas mejora como resultado. DeepSeek V3.2 de manera fiable: - Selecciona la herramienta correcta entre muchas - Rellena los argumentos con datos validados y de tipo correcto - Encadena varias herramientas sin perder el estado intermedio

Ese comportamiento cierra gran parte de la brecha entre modelos abiertos y sistemas cerrados de frontera en las pruebas de agentes, incluso si DeepSeek aún queda por detrás de los mejores conjuntos propietarios en algunas clasificaciones de llamadas a herramientas. Lo más importante es que lo hace con pesos abiertos y una licencia MIT, lo cual es relevante si deseas integrarlo profundamente en tu propia infraestructura.

Emparejado con DeepSeek Sparse Attention y la ventana de contexto de 1 millón de tokens, este entrenamiento de agente transforma V3.2 en más que una demostración de razonamiento. Se convierte en una columna vertebral de automatización práctica que puede leer toda tu base de conocimientos, llamar a API internas y mantener un plan en su mente el tiempo suficiente para completar realmente el trabajo.

La eficiencia frente a la potencia no es un intercambio abstracto en DeepSeek V3.2; está literalmente codificado como dos SKU distintos. V3.2 es el modelo "pensante", afinado para consumir tokens mientras se mantiene a la par con GPT-5 High y Gemini 3.0 Pro en cargas de trabajo cotidianas. V3.2-Specialee es la variante de "máxima reflexión", un modo de alto rendimiento que consume muchos más tokens para exprimir hasta el último gramo de rendimiento en razonamiento.

En los benchmarks, esa división aparece claramente. V3.2 se mantiene cerca de GPT-5 High en precisión, mientras que a menudo utiliza menos tokens por problema, lo que lo convierte en la opción sensata para chat, asistencia de codificación y orquestación agente donde la latencia y el costo importan. V3.2-Specialee busca ganar en las tablas de clasificación, publicando resultados como 96 en AMI 2025, mientras que inflada considerablemente el conteo de tokens en comparación tanto con V3.2 como con GPT-5 High.

La eficiencia en el uso de tokens se convierte en el verdadero diferenciador. Los propios gráficos de DeepSeek muestran que el modelo V3.2 regular se mantiene "bastante eficiente en cuanto a tokens" en comparación con GPT-5 High y Gemini 3.0 Pro en los mismos prompts. En contraste, el V3.2-Specialee genera enormes cadenas de pensamiento, intercambiando presupuestos de tokens por un razonamiento más sólido y paso a paso en problemas que se asemejan mucho a las tareas de la Olimpiada Internacional de Matemáticas (IMO) y de la IOI.

Para los desarrolladores, la elección se relaciona claramente con el riesgo y el presupuesto. Si estás lanzando: - Chatbots orientados al cliente - Copilotos internos - Agentes de soporte de alto volumen

utilizas V3.2 y mantienes los costos por conversación predecibles.

Si estás llevando a cabo: - Investigaciones científicas de alto riesgo - Verificación formal y análisis de seguridad - Agentes de planificación compleja en varios pasos

pagas por V3.2-Specialee solo en las llamadas más difíciles, de la misma manera en que los equipos reservan clústeres A100 para las últimas ejecuciones de entrenamiento. Las implementaciones mixtas pueden dirigir el 90-95% del tráfico a V3.2 y escalar automáticamente los casos límite a Specialee, un patrón diseñado explícitamente por DeepSeek para marcos de agentes basados en el Repositorio de GitHub de DeepSeek-V3.

El hardware podría ser el punto fuerte más silencioso de DeepSeek. La versión 3.2 se envía con soporte de primera clase para aceleradores no NVIDIA, incluidos chips chinos de Biren, Moore Threads y Huawei Ascend, junto con alternativas de CPU x86 y ARM. La propia pila de DeepSeek se orienta a CUDA, ROCm y runtimes compatibles con CUDA emergentes de China, con implementaciones de kernel casi equivalentes.

Esa elección convierte a V3.2 en un objeto político tanto como en uno técnico. Los países presionados por los controles de exportación de EE. UU. ahora pueden ejecutar un modelo de grado frontera, licenciado por el MIT, en silicio producido domésticamente. Los proveedores de nube chinos pueden emparejar DeepSeek con aceleradores de producción nacional y eludir por completo el bloqueo del A100/H100.

Para DeepSeek, el pluralismo de hardware es una estrategia de supervivencia. Depender de un solo proveedor como NVIDIA significa que cada mejora de modelo depende del roadmap, precio y política geopolítica de otra persona. Al validar aceleradores chinos en su lanzamiento, DeepSeek atrae a nubes regionales que no pueden estandarizarse en NVIDIA, incluso si quisieran.

Desde el punto de vista geopolítico, esto debilita la influencia de EE. UU. sobre la infraestructura global de IA. Washington puede restringir las exportaciones de H100; sin embargo, no puede restringir tan fácilmente un modelo abierto que funcione de manera eficiente en cualquier núcleo tensor que envíe un proveedor local. Eso convierte a DeepSeek en un componente esencial para cadenas de suministro de IA más resistentes y resistentes a sanciones, desde Shenzhen hasta São Paulo.

Las curvas de costos también se flexionan. Cuando un modelo funciona bien en hardware heterogéneo, los proveedores de nube pueden realizar arbitraje: - Tarjetas NVIDIA más antiguas - GPUs AMD Instinct - Aceleradores locales con subsidios favorables

Esa mezcla reduce los precios por token y disminuye la dependencia de las escasas GPU de alta gama.

Para los desarrolladores, la opcionalidad de hardware se traduce en acceso. Una startup en Yakarta puede alquilar A40s sobrantes, un laboratorio académico en Berlín puede apuntar a MI300s, y una fintech en Mumbai puede hacer pruebas en CPUs antes de pasar a aceleradores regionales. La apuesta de DeepSeek es simple: liberar el modelo de la monocultiva de GPU, y el resto del mundo hará la escalabilidad por ti.

MIT en la tarjeta del modelo reconfigura silenciosamente las dinámicas de poder de la IA. DeepSeek V3.2 se envía no solo con pesos abiertos, sino bajo una licencia MIT completa—los mismos términos ultrapermisivos que respaldan proyectos como herramientas de Linux, React y SQLite. Sin límites de uso, sin letra pequeña de "solo para investigación", sin transición a un nivel de pago una vez que escalas.

La mayoría de la IA “abierta” hoy en día viene con un asterisco. Licencias como las de Llama o OLMo suelen restringir el uso comercial, prohibir servicios competidores o limitar la implementación en dominios sensibles. MIT rompe ese esquema: puedes copiar, modificar, ajustar, revender o integrar DeepSeek V3.2 en un producto que, a su vez, se mantenga como código cerrado, sin compartir ingresos ni necesidad de un flujo de aprobación.

Para las startups, esto elimina el elemento de costo más alto en el plan de negocios. En lugar de pagar entre $2 y $10 por cada millón de tokens a un proveedor de API, un equipo puede alojar DeepSeek V3.2 en sus propias GPU, o en aceleradores chinos más económicos, y pagar solo por hardware y operaciones. Una empresa que maneje 50 mil millones de tokens al día puede ahorrar millones de dólares al año al intercambiar llamadas a GPT-5 por una pila de DeepSeek interna.

Los investigadores independientes obtienen el tipo de acceso que solía requerir una credencial de laboratorio o una subvención en la nube. Las descargas de pesos completos permiten: - Preentrenamiento personalizado en corpora de nicho - Ajuste agresivo para investigación de seguridad o alineación - Cirugía a bajo nivel en la implementación de DeepSeek Sparse Attention

Debido a que la licencia permite la redistribución, pueden formarse ecosistemas completos en la parte inferior. Espera bifurcaciones especializadas: una V3.2 biomédica entrenada en notas clínicas, una V3.2 legal ajustada en jurisprudencia, una V3.2 de robótica conectada a bucles de control en tiempo real. Ninguno de estos equipos necesita negociar con DeepSeek; simplemente envían.

Así es como se obtiene una explosión cámbrica en lugar de un goteo de integraciones benditas. Los proveedores de la nube pueden ofrecer clústeres DeepSeek con un solo clic. Las plataformas SaaS pueden agrupar V3.2-Specialee como un motor de razonamiento de etiqueta blanca. Las comunidades de código abierto pueden iterar sobre la infraestructura de entrenamiento, el tokenizador o la estructura agente sin pedir permiso.

MIT no solo hace que DeepSeek V3.2 sea gratuito. Lo hace bifurcable, componible y económicamente inevitable.

DeepSeek V3.2 no se parece a un juguete de aficionado bajo el capó. Utiliza una arquitectura Mixture-of-Experts de 671 mil millones de parámetros, pero solo aproximadamente 37 mil millones de parámetros se activan en cualquier token dado. Esa configuración de MoE permite a DeepSeek aumentar la capacidad total para razonamiento mientras mantiene el cálculo por token más cercano a un único modelo denso grande.

Esos 37 mil millones de parámetros activos todavía vienen con una seria gravedad de hardware. Para autohospedar el modelo completo en FP8, necesitas alrededor de 700 GB de VRAM; subir a BF16 incrementa eso a aproximadamente 1.3 TB de VRAM. Esto está en territorio exclusivo de centros de datos, incluso antes de considerar la red y el almacenamiento para puntos de control y cachés KV.

La mayoría de los equipos utilizarán DeepSeek a través de APIs, pero las capacidades claramente están dirigidas a cargas de trabajo pesadas. Como asistente de programación, V3.2 no solo puede autocompletar funciones, sino también refactorizar backends de múltiples servicios, escribir pruebas de integración y razonar a través de monorepos completos utilizando su ventana de contexto extendida. En Live Codebench, la variante V3.2-Specialee alcanza 88.7, superando al modelo regular que obtiene 83.3 y habilitando una depuración más profunda y en múltiples pasos.

Los equipos científicos y de datos reciben una mejora aún mayor. Un modelo de nivel oro de la Olimpiada Internacional de Matemáticas (IMO) puede realizar derivaciones simbólicas, diseñar experimentos de simulación y criticar pruebas, no solo generar respuestas finales. Para el análisis, DeepSeek puede ingerir exportaciones CSV en bruto, esquemas SQL e informes PDF, luego proponer tuberías, generar consultas y conciliar métricas conflictivas en cientos de miles de tokens.

El trabajo creativo también se beneficia de la combinación de largo contexto y alto razonamiento. Los escritores pueden alimentar biblias de temporada completas, documentos de lore o hojas de ruta de productos y pedir al modelo que mantenga el tono, la continuidad y los arcos de los personajes en salidas de la longitud de una novela. La ventana de contexto de 1 millón de tokens más el DSA significa que puede seguir referencias, premoniciones y restricciones que abrumarían a asistentes más pequeños.

Las habilidades agenciales convierten estos talentos en automatización real. La pila de herramientas de DeepSeek V3.2 le permite orquestar APIs, bases de datos y aplicaciones SaaS, no solo describir lo que debería suceder. Junto con plataformas como Zapier, los no desarrolladores pueden conectar agentes que:

• 1Vela por las bandejas de entrada, resume las conversaciones y redacta respuestas.
• 2Sincroniza actualizaciones de CRM, facturas y tableros de análisis.
• 3Genera, prueba A/B y publica contenido en los canales sociales.

DeepSeek se convierte esencialmente en el cerebro racional dentro de la automatización de bajo código. Para un análisis técnico más profundo sobre cómo DeepSeek Sparse Attention lo hace viable a gran escala, consulta Data Points: DeepSeek 3.2 se convierte en atención experimental.

DeepSeek V3.2 aterriza como una declaración de tesis: algoritmos más inteligentes ahora superan la escala de fuerza bruta. Un MoE de 671 mil millones de parámetros con solo 37 mil millones de parámetros activos en la inferencia acaba de igualar o superar a GPT-5 High y Gemini 3.0 Pro en las métricas clave de razonamiento, incluyendo un rendimiento de nivel oro en la Olimpiada Internacional de Matemáticas (IMO) 2025. Ese resultado se obtiene con una fracción del presupuesto de entrenamiento que los laboratorios Frontier gastan supuestamente en monstruos densos.

Durante una década, el mantra de la industria fue simple: más datos, más parámetros, más GPUs. La victoria de DeepSeek sugiere que esa tendencia se está inclinando hacia rendimientos decrecientes, especialmente para tareas que requieren razonamiento intensivo como GPQA Diamond o Live Codebench. Cuando un modelo licenciado por el MIT puede alcanzar 96 en un referente de razonamiento insignia manteniéndose relativamente pequeño y eficiente, la escala bruta comienza a parecer un instrumento tosco.

DeepSeek Sparse Attention (DSA) muestra hacia dónde se mueve la verdadera carrera armamentista. Al reducir la complejidad de atención de O(L²) a aproximadamente O(L × K), la versión 3.2 desbloquea contextos de 1 millón de tokens sin el habitual costo cuadrático en computación y memoria. Eso transforma el modelado de contextos largos de “esto solo lo pueden permitir los hiperescalares” a algo que encaja dentro de un clúster más convencional.

La creatividad arquitectónica ahora importa más que otra ronda de acumulación de GPU. La mezcla de expertos, la atención dispersa y la asignación dinámica de tokens permiten que DeepSeek V3.2 se comporte como un modelo de 600B+ cuando es necesario, mientras que paga costos de inferencia más cercanos a un sistema de gama media. V3.2-Specialee se enfoca en esto, intercambiando la eficiencia de tokens por una profundidad de razonamiento máxima, y aún así supera a los modelos cerrados en el gasto general de recursos.

La estrategia de entrenamiento también está siendo reescrita. Se informa que DeepSeek gastó más del 10% de su capacidad de computación previa al entrenamiento nuevamente en aprendizaje por refuerzo, un gran salto en comparación con generaciones anteriores que trataban el RL como un pensamiento secundario. Ese presupuesto financió más de 1,800 entornos de agentes sintéticos y 85,000 indicaciones complejas, ajustadas específicamente para el uso de herramientas y agentes de múltiples pasos en lugar de para chat genérico.

Los futuros avances probablemente se parezcan menos a “GPT-6 pero más grande” y más al plan de acción de DeepSeek: nuevos esquemas de atención, enrutamiento MoE más inteligente y currículos sintéticos a gran escala optimizados para agentes. A medida que los flujos de trabajo de larga duración y con muchas herramientas dominan la adopción empresarial, los modelos que pueden razonar sobre un millón de tokens y orquestar APIs serán más relevantes que aquellos que solo destacan en la predicción del siguiente token.

DeepSeek V3.2 se presenta como una nueva filosofía: apalancamiento algorítmico sobre el gasto de capital, pesos abiertos sobre jardines cerrados, flexibilidad de hardware sobre la dependencia de un solo proveedor. Los laboratorios de vanguardia aún pueden gastar más que casi todos, pero V3.2 demuestra que ya no poseen la frontera de las ideas—y ahí es donde se ha trasladado la próxima carrera armamentista.

¿Qué es DeepSeek V3.2?

DeepSeek V3.2 es un nuevo y poderoso modelo de lenguaje de código abierto que ha demostrado un rendimiento de vanguardia, especialmente en tareas de razonamiento matemático y lógico.

¿Qué hace única la arquitectura de DeepSeek V3.2?

Su innovación clave es la Atención Dispersa DeepSeek (DSA), un mecanismo de atención más eficiente que reduce significativamente los costos computacionales para contextos largos, haciéndolo más rápido y menos intensivo en memoria.

¿Es DeepSeek V3.2 mejor que GPT-5?

En puntos de referencia específicos como la Olimpiada Internacional de Matemáticas (IMO), la variante V3.2-Speciale ha superado los puntajes reportados para modelos como GPT-5 High y Gemini 3.0 Pro, convirtiéndose en un modelo de vanguardia en razonamiento.

¿Es DeepSeek V3.2 gratuito para usar?

Sí, el modelo se lanza con pesos abiertos bajo una licencia MIT permisiva, lo que permite un amplio uso comercial e investigativo sin restricciones.

¿Cuáles son las principales versiones de DeepSeek V3.2?

Viene en dos sabores principales: el modelo estándar V3.2, que es altamente eficiente en tokens, y V3.2-Speciale, una variante de alto rendimiento computacional optimizada para un rendimiento de razonamiento máximo.