DeepSeek V3.2 desafía a GPT-5 y Gemini 3 Pro con modelos abiertos

DeepSeek V3.2 ha colocado a un modelo con pesos abiertos en la conversación sobre los sistemas más capaces del momento. La compañía afirma que su rendimiento se acerca al de GPT-5 y Gemini 3 Pro en algunas pruebas de razonamiento, mientras que sus tarifas de API son sensiblemente más bajas. La comparación, sin embargo, no significa que el modelo gane en todas las tareas: destaca en ciertos exámenes matemáticos y de programación, pero queda por detrás en otras evaluaciones y exige cautela al interpretar resultados publicados por sus desarrolladores.

La diferencia no está solo en la puntuación. V3.2 combina una arquitectura de expertos que activa una parte de sus parámetros en cada token, una técnica de atención dispersa para procesar contextos largos y capacidades de uso de herramientas. Además, DeepSeek publicó los pesos bajo licencia MIT. Eso permite descargarlos y adaptarlos, aunque tener pesos abiertos no equivale a disponer de todos los datos y procesos necesarios para reproducir el entrenamiento, ni hace que ejecutar el modelo en un ordenador corriente resulte sencillo.

Qué propone DeepSeek V3.2

DeepSeek presentó V3.2 como un modelo generalista orientado a tareas de razonamiento y uso de herramientas, y lanzó también V3.2-Speciale, una variante pensada para dedicar más cómputo a problemas exigentes. La versión estándar busca un equilibrio entre capacidad, velocidad y coste; Speciale se dirige a pruebas de razonamiento prolongado, matemáticas y programación. No conviene tratar ambas variantes como si fueran intercambiables: los resultados atribuidos a una no describen automáticamente el rendimiento de la otra.

Una de las novedades destacadas por la empresa es la integración del razonamiento con llamadas a herramientas, como una calculadora, un buscador o un entorno de ejecución de código. En un flujo de este tipo, el modelo puede analizar una tarea, pedir información externa y usar el resultado para seguir trabajando. La utilidad potencial es clara en procesos con varias etapas, pero su calidad depende también de las herramientas conectadas, de cómo se les permita operar y de la capacidad del sistema para comprobar lo que recibe.

DeepSeek describe modos de interacción con razonamiento visible o no visible para el usuario. La empresa señala que el contexto de razonamiento puede mantenerse durante las llamadas a herramientas dentro de una misma interacción, lo que ayuda a enlazar pasos sucesivos. Eso no convierte al sistema en un agente infalible ni garantiza que cada acción sea correcta. El uso de herramientas añade posibilidades, pero también puntos de fallo: una búsqueda deficiente o una interpretación errónea de un resultado puede propagarse hasta la respuesta final.

Por qué la arquitectura puede reducir el coste

El modelo cuenta con unos 671.000 millones de parámetros totales, pero no activa todos para generar cada token. Su diseño Mixture-of-Experts distribuye el trabajo entre redes especializadas y, según las cifras difundidas para V3.2, activa alrededor de 37.000 millones de parámetros en cada paso. En términos sencillos, es como disponer de una plantilla amplia y asignar a cada consulta solo una parte de los especialistas. La capacidad total y el cómputo usado en cada respuesta no son la misma medida.

Esta estrategia puede reducir el trabajo de inferencia frente a un modelo denso de tamaño equivalente, aunque no elimina las necesidades de memoria y hardware. Los pesos completos siguen ocupando un volumen considerable, y el sistema debe mover los expertos necesarios por la infraestructura durante el funcionamiento. Por eso, que solo se activen algunos parámetros por token no significa que el modelo entero quepa en una tarjeta gráfica doméstica ni que desplegarlo sea barato para cualquier organización.

La otra pieza central es DeepSeek Sparse Attention, o DSA, una técnica concebida para secuencias largas. En la atención convencional, el modelo compara partes de una secuencia entre sí, y el coste puede crecer con rapidez a medida que aumenta el contexto. DSA intenta identificar qué fragmentos resultan más relevantes y evita parte de los cálculos sobre tokens menos útiles. DeepSeek atribuye a esta técnica una reducción cercana al 50% del coste computacional en tareas de contexto largo, manteniendo resultados comparables en sus evaluaciones.

La ventana de contexto indicada para V3.2 alcanza los 128.000 tokens. Eso puede servir para analizar documentos extensos, conversaciones largas o una porción amplia de un repositorio de código sin dividirlo en tantos fragmentos. Pero una ventana grande no garantiza que el modelo recuerde cada detalle con la misma precisión: importa dónde aparece la información, cómo se formula la consulta y qué tarea se le pide. Más contexto disponible no significa comprensión perfecta de todo el contenido.

Qué dicen las comparaciones con GPT-5 y Gemini 3 Pro

En los datos de referencia, V3.2 obtiene un 96% en AIME 2025, frente al 94,6% atribuido a GPT-5 High y el 95% a Gemini 3 Pro. En el Harvard-MIT Mathematics Tournament de 2025, la puntuación comunicada para el modelo es del 99,2%, mientras que Gemini 3 Pro registra un 97,5%. Son resultados llamativos en pruebas matemáticas, pero no permiten concluir que DeepSeek sea mejor en cualquier problema, ni que todos los modelos hayan sido evaluados con idénticas condiciones de cómputo, herramientas y configuración.

En programación, el cuadro es más mixto. La cifra proporcionada para LiveCodeBench es del 83,3% para V3.2, por debajo del 84,5% de GPT-5 y del 90,7% de Gemini 3 Pro. En SWE Multilingual, en cambio, alcanza un 70,2%, frente al 55,3% de GPT-5. Las pruebas miden capacidades distintas: unas se centran en resolver desafíos de código, mientras otras evalúan la modificación de proyectos existentes. La posición relativa cambia según qué habilidad se mida.

La información de referencia también atribuye al modelo un 73,1% en SWE Verified y un rating de 2701 en Codeforces, descrito como nivel Grandmaster. Estas cifras apuntan a una capacidad sólida en tareas técnicas, pero los ratings y porcentajes de pruebas distintas no son directamente comparables entre sí. El resultado de un benchmark tampoco refleja necesariamente cómo funcionará el modelo con código privado, instrucciones ambiguas o sistemas empresariales concretos.

En una evaluación de conocimiento amplio, Humanity’s Last Exam, V3.2 obtiene un 30,6%, frente al 37,7% de Gemini 3 Pro, según los datos citados. Ese contraste ayuda a dibujar un perfil menos simplista: DeepSeek parece especialmente competitivo en ciertos problemas técnicos y matemáticos, pero no lidera todas las pruebas. Un buen resultado en matemáticas no es una medida universal de inteligencia; el conocimiento factual, la comprensión de instrucciones y la calidad conversacional requieren evaluaciones diferentes.

El precio: ventaja notable, pero no universal

Las tarifas de API recogidas en la documentación de referencia sitúan la entrada estándar de DeepSeek en 0,28 dólares por millón de tokens y la salida en 0,42 dólares por millón. La entrada servida desde caché figura a 0,028 dólares por millón. Para GPT-5, las cifras indicadas son 1,25 dólares por millón de tokens de entrada y 10 dólares por millón de salida. Son tarifas publicadas en la referencia consultada, no una garantía de que el coste final sea igual para cualquier patrón de uso o fecha.

Con 100.000 tokens de entrada y otros 100.000 de salida, aplicar las tarifas estándar señaladas da un coste aproximado de 0,07 dólares para DeepSeek y de 1,125 dólares para GPT-5. La diferencia se acerca a 16 veces en ese ejemplo. Si una parte importante de la entrada se puede reutilizar desde la caché, la factura de DeepSeek puede bajar más; si no, el ahorro dependerá del volumen y de la proporción entre entradas y respuestas. La caché solo reduce el precio de los tokens que realmente cumplen sus condiciones.

El coste por token tampoco agota la cuenta. Una organización que use la API debe considerar cuánto texto intercambia, cuántas llamadas necesita cada tarea y si el modelo resuelve el trabajo con suficiente precisión. En una implementación propia se suman la infraestructura, la energía, la operación y el personal técnico. Así, un modelo barato por unidad puede no ser la alternativa más económica si obliga a ejecutar más pasos o requiere un despliegue complejo.

Pesos abiertos no significa despliegue sin barreras

DeepSeek publicó los pesos de V3.2 bajo licencia MIT, una licencia permisiva que permite su uso, modificación y redistribución, preservando los avisos de copyright y las condiciones correspondientes. Para empresas e investigadores, esto abre opciones que una API cerrada no ofrece del mismo modo: alojar el modelo en infraestructura propia, adaptarlo a datos especializados o estudiar su comportamiento interno. La licencia facilita el uso comercial, pero no elimina los costes materiales de operar un modelo de esta escala.

También conviene distinguir entre pesos abiertos y una apertura completa del desarrollo. Los pesos permiten ejecutar los parámetros entrenados; no implican por sí solos que estén disponibles todos los datos de entrenamiento, el código íntegro, los recursos computacionales ni cada detalle necesario para repetir el proceso desde cero. La documentación técnica aporta información sobre la arquitectura y el entrenamiento, pero auditar o reproducir plenamente un modelo exige más que descargar sus archivos.

El autoalojamiento puede ser atractivo cuando la organización necesita controlar dónde se procesan sus datos o ajustar el modelo a un dominio propio. Sin embargo, las estimaciones técnicas de referencia sitúan la memoria necesaria para cargar el modelo completo en torno a 1,3 terabytes en FP16, unos 670 gigabytes en una cuantización de 8 bits y unos 335 gigabytes en 4 bits. La cuantización reduce el tamaño, aunque puede afectar al rendimiento. Son cifras que describen necesidades de memoria aproximadas, no una configuración universal lista para producción.

En la práctica, ejecutar el modelo puede requerir varias GPU de alta gama, una red rápida entre ellas y software de inferencia optimizado. Las configuraciones estimadas en la información técnica van desde dos a cuatro GPU de 80 GB para una cuantización de 4 bits hasta ocho a 16 unidades de 80 GB para FP16, según los objetivos de rendimiento. La disponibilidad de los pesos, por tanto, democratiza el acceso al modelo en sentido legal y técnico, pero no pone esa capacidad al alcance de cualquier equipo sin recursos.

Del entrenamiento de V3 a la eficiencia de V3.2

La estrategia de eficiencia de DeepSeek ya aparecía en V3, presentado como un modelo entrenado por unos 5,5 millones de dólares y 2,788 millones de horas de GPU H800, según las cifras divulgadas por la compañía y los cálculos de referencia. La comparación habitual con costes superiores a 100 millones de dólares para otros modelos de frontera debe leerse con cautela: las metodologías, qué gastos se incluyen y la información disponible para cada laboratorio pueden diferir. No es una contabilidad homogénea de toda la inversión de desarrollo.

Entre las decisiones técnicas atribuidas al entrenamiento de V3 figuran el uso de precisión FP8, el sistema de paralelismo DualPipe y el entrenamiento con 14,8 billones de tokens. V3.2 hereda esa base y añade, entre otros cambios, atención dispersa para secuencias largas. La trayectoria importa porque muestra que el ahorro no depende de una sola innovación: intervienen tanto el coste de entrenar el modelo como el coste de servir cada respuesta.

La empresa también describe un postentrenamiento intensivo con aprendizaje por refuerzo y tareas sintéticas destinadas a mejorar el uso de herramientas. Los materiales de referencia mencionan más de 1.800 entornos y unas 85.000 tareas para entrenar conductas de tipo agente. Son cifras comunicadas por DeepSeek, que ilustran la escala declarada del proceso, pero no bastan por sí solas para medir cuánto aportó cada etapa a la calidad final. El entrenamiento puede explicar una parte de la capacidad; no sustituye la evaluación independiente del resultado.

Los límites que los benchmarks no resuelven

Las pruebas estandarizadas son útiles para comparar modelos bajo condiciones definidas, pero una clasificación puede variar según la versión exacta, el nivel de cómputo permitido, el uso de herramientas y el método de puntuación. Además, cuando las cifras proceden de evaluaciones comunicadas por los propios desarrolladores, conviene separar el resultado publicado de una validación independiente amplia. No invalida automáticamente el dato; sí obliga a evitar titulares que conviertan una puntuación concreta en una afirmación absoluta.

En tareas abiertas, como investigar un tema o modificar un programa extenso, no siempre existe una única respuesta correcta. La fiabilidad depende de que el modelo reconozca sus límites, use bien las herramientas y no invente información para completar vacíos. Los benchmarks matemáticos, con problemas acotados y criterios de corrección claros, no reproducen toda esa incertidumbre. El rendimiento en un examen difícil no garantiza igual precisión en decisiones reales.

El uso autónomo de herramientas añade otra capa de responsabilidad. Un sistema puede consultar servicios externos o ejecutar código, pero el resultado depende de los permisos otorgados y de cómo se revisen sus acciones. En aplicaciones sensibles, la supervisión humana y la evaluación específica del sistema siguen siendo importantes; un porcentaje obtenido en una competición no basta para justificar su empleo en decisiones médicas, financieras o legales.

Una competencia que ya no se decide solo por tamaño

El interés de V3.2 reside en la combinación de tres factores: resultados competitivos en algunas pruebas, costes de API bajos y disponibilidad de los pesos. Ninguno, tomado por separado, cambia todo el mercado. Juntos, sí presionan a los proveedores cerrados para justificar sus precios con ventajas perceptibles, como mayor consistencia en determinadas tareas, herramientas integradas, soporte o facilidad de uso. También dan a los desarrolladores más margen para escoger un modelo distinto según el trabajo.

La contrapartida es que las alternativas abiertas trasladan parte de la carga al usuario. Una API puede evitar la gestión de GPU y actualizaciones, mientras que alojar un modelo propio ofrece control, pero exige capacidad técnica y recursos. En entornos con mucho volumen o requisitos estrictos de tratamiento de datos, ese intercambio puede tener sentido; para cargas modestas, la sencillez de un servicio gestionado puede pesar más que el menor precio nominal por token.

Por eso, el dato más revelador no es que DeepSeek haya desplazado de forma definitiva a GPT-5 o Gemini 3 Pro. Es que un modelo abierto puede acercarse a ellos en áreas concretas y obligar a comparar con más cuidado el coste, la capacidad y el control. La carrera de la IA empieza a medirse también por cuánto cómputo exige cada resultado y quién puede inspeccionar o adaptar el sistema, no solo por quién obtiene la puntuación más alta en una prueba aislada.

V3.2 representa una alternativa potente, no un sustituto universal. Su arquitectura dispersa, el diseño Mixture-of-Experts y la licencia MIT explican buena parte de su atractivo, mientras que las diferencias entre benchmarks y las exigencias de hardware delimitan su alcance. El siguiente paso para valorar su impacto será comprobar cómo se comporta en tareas variadas y condiciones comparables, lejos de la vitrina de los exámenes: allí se verá si el ahorro y la apertura se traducen también en una ventaja sostenida para quienes lo usan.