Noticias IA · Modelos de Frontera, Arquitectura MoE y Eficiencia en Entrenamiento
Edición: Álvaro MaureiraFecha: 2026-11-02Fuente: DeepSeek AI Research & High-Performance Computing Laboratory
DeepSeek sacudió el panorama global de la inteligencia artificial con el lanzamiento de DeepSeek-V3, su nuevo modelo fundacional Mixture-of-Experts (MoE) de 671.000 millones de parámetros totales (37.000 millones activos por token). Entrenado sobre 14.8 billones de tokens en un cluster de 2.048 GPUs NVIDIA H800 durante menos de dos meses, DeepSeek-V3 iguala o supera a los modelos propietarios de frontera líderes (Claude 3.5 Sonnet, GPT-4o) con un costo total de entrenamiento de apenas 6 millones de dólares, apalancándose en la arquitectura Multi-Head Latent Attention (MLA) y balanceo de carga sin pérdida de expertos.
Capítulo 01
La noticia en una frase
DeepSeek lanzó DeepSeek-V3 (671B MoE), compitiendo al nivel de GPT-4o con arquitectura MLA y costo récord de solo $6M.
En noviembre de 2026, DeepSeek publicó el informe técnico de 50 páginas y los pesos abiertos de DeepSeek-V3 en Hugging Face. En el benchmark general MMLU-Redux, DeepSeek-V3 alcanzó un 89.1%, superando a Llama 3.1 405B (88.6%) y Qwen 2.5 72B (86.8%), mientras que en evaluación de código HumanEval obtuvo 82.6%, estableciendo una nueva marca histórica de rendimiento por vatio y por dólar invertido.
Capítulo 02
El alcance que cambia la lectura
Hasta la llegada de DeepSeek-V3, la narrativa predominante en la industria afirmaba que competir en la frontera exigía presupuestos de cientos o miles de millones de dólares y clusters de decenas de miles de aceleradores de última generación. DeepSeek rompe este paradigma demostrando que la innovación algorítmica radical y la optimización a nivel de ensamblador de GPU pueden reducir los costos de preentrenamiento en más de un orden de magnitud.
Capítulo 03
El mecanismo documentado
La arquitectura combina Multi-Head Latent Attention (MLA) —que comprime drásticamente el caché KV en un vector latente de baja dimensión para reducir el cuello de botella de memoria en inferencia— con una estrategia de enrutamiento DeepSeekMoE de grano fino (256 expertos enrutados más 1 experto compartido) y una función de pérdida balanceadora sin pérdidas auxiliares que evita el colapso de expertos sin degradar la capacidad representativa.
Capítulo 04
La relación entre las piezas
DeepSeek-V3 admite cuantización nativa FP8 para entrenamiento e inferencia, permitiendo desplegar el modelo completo en un solo nodo HGX de 8 GPUs con rendimiento cercano a precisión completa, integrándose sin problemas en motores como vLLM y SGLang.
Capítulo 05
Qué capacidad se puede atribuir
Se comprueba un dominio excepcional en razonamiento matemático, generación de código en múltiples lenguajes y comprensión contextual en ventanas de 128k tokens. Sin embargo, no se debe atribuir al modelo una infalibilidad completa en tareas que exigen generación de tokens de pensamiento interno prolongado como los modelos o1.
Capítulo 06
La puerta de control
Bajo una licencia abierta permisiva, los equipos de investigación y empresas pueden auditar los pesos, desplegar servidores locales soberanos y ajustar el modelo para casos de uso industriales específicos sin restricciones de cuotas en la nube.
Capítulo 07
Lo que la fuente no demuestra
El equipo de DeepSeek admite que en tareas muy específicas de traducción a lenguajes con escasa presencia en el corpus de preentrenamiento (lenguas minoritarias), el rendimiento puede ser inferior al de modelos entrenados con corpus más amplios en dichos idiomas.
Capítulo 08
Cómo probarlo sin prometer de más
Los desarrolladores pueden consumir el modelo a través de la API oficial de DeepSeek a un precio ultra-competitivo de 0.14 dólares por millón de tokens de entrada y 0.28 por millón de tokens de salida, o desplegarlo localmente con vLLM o SGLang.
Capítulo 09
Veredicto editorial
DeepSeek-V3 representa un punto de inflexión tectónico en la IA mundial: la confirmación de que la eficiencia matemática y la excelencia en ingeniería de sistemas pueden desafiar con éxito el monopolio del poder de cómputo bruto.
Fuente oficial y reporte: alvaromaureira.cl
