DeepSeek lanza el modelo V4 en medio de rumores de inversión multimillonaria de Tencent y Alibaba
El mercado de inteligencia artificial está acostumbrado a las sorpresas, pero lo que la startup china DeepSeek acaba de hacer merece una atención especial.
A finales de abril de 2026, la empresa lanzó su más reciente modelo fundacional open-source, el DeepSeek V4, y el movimiento llegó en un momento bastante estratégico: mientras gigantes como Tencent y Alibaba se mueven entre bastidores con conversaciones sobre una posible inversión que podría superar los 20.000 millones de dólares en la startup.
Y no es solo el movimiento financiero lo que llama la atención.
El modelo en sí ya se convirtió en tema de conversación en la comunidad tech por el simple hecho de llegar con cifras impresionantes bajo el brazo — y en dos versiones distintas para atender perfiles de uso diferentes.
La versión Pro y la versión Flash llegan con propuestas bien definidas, equilibrando potencia de procesamiento con eficiencia de costes, y eso coloca al DeepSeek V4 directamente en el centro de una disputa que se está volviendo cada vez más reñida, especialmente dentro de China.
Qué es el DeepSeek V4 y por qué importa
El DeepSeek V4 es el modelo fundacional más reciente de la startup china DeepSeek, lanzado como open-source — lo que significa que cualquier desarrollador, empresa o investigador puede acceder, estudiar y adaptar el modelo según sus propias necesidades. Este detalle cambia bastante la dinámica del mercado, porque elimina barreras de entrada que normalmente frenan la adopción de tecnologías de esta magnitud. A diferencia de soluciones propietarias que exigen contratos, APIs de pago y dependencia directa del proveedor, un modelo open-source pone el poder de decisión en manos de quien va a usarlo — y eso tiene un valor enorme para empresas que buscan autonomía tecnológica sin comprometer el presupuesto.
Pero la cosa no queda ahí. Lo que hace al V4 especialmente relevante es la escala de sus parámetros. La versión Pro cuenta con 1,6 billones de parámetros totales y 49.000 millones de parámetros activos, lo que la convierte en un modelo open-weights entrenado con el mayor número de parámetros entre los disponibles actualmente. Ese nivel era territorio casi exclusivo de los grandes laboratorios estadounidenses, como OpenAI y Google DeepMind. Alcanzar esa franja siendo una startup, y además ofreciendo el modelo de forma abierta, es un logro técnico considerable — y sirve como señal clara de que la carrera por el liderazgo en inteligencia artificial ya no es un duelo bilateral entre Estados Unidos y el resto del mundo. China está cada vez más presente en esta conversación, y el DeepSeek V4 es una prueba concreta de ello.
Otro punto importante es el timing del lanzamiento. Con negociaciones de inversión que involucran a dos de las mayores corporaciones tecnológicas de China — Tencent y Alibaba — en marcha, el lanzamiento del V4 funciona casi como una demostración pública de capacidad. Es la startup mostrándole al mercado, y a los potenciales inversores, que no solo está prometiendo: está cumpliendo. Este tipo de movimiento estratégico dice mucho sobre la madurez de la empresa y sobre cómo percibe su propio posicionamiento dentro de un ecosistema altamente competitivo.
Pro y Flash: dos versiones, dos objetivos
La división del DeepSeek V4 en dos versiones — Pro y Flash — no es un detalle cosmético. Refleja una decisión de producto muy bien pensada, que reconoce que no todos los casos de uso necesitan la misma configuración.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
La versión Pro es la opción más robusta, diseñada para aplicaciones que demandan razonamiento profundo, contexto largo y alta precisión en las respuestas. Con sus 1,6 billones de parámetros totales y 49.000 millones de parámetros activos, está indicada para tareas complejas, como análisis de documentos extensos, generación de código sofisticado, investigación técnica y cualquier escenario donde la calidad de la respuesta tiene más peso que la velocidad de entrega. Para empresas que están construyendo productos basados en IA y necesitan consistencia y profundidad, la versión Pro tiende a ser el camino natural.
La versión Flash, por su parte, apuesta por una propuesta diferente: eficiencia. Con 284.000 millones de parámetros totales y 13.000 millones de parámetros activos, fue diseñada para ofrecer servicios de API más económicos. Con una arquitectura optimizada para velocidad y coste reducido de inferencia, la Flash está orientada a casos de uso donde la escala es el factor determinante — como chatbots de alto volumen, sistemas de recomendación en tiempo real o cualquier aplicación que necesite procesar millones de peticiones sin disparar el coste operativo. La lógica aquí es clara: no siempre necesitas un modelo que piense durante diez minutos para responder algo. A veces, una respuesta suficientemente buena en milisegundos vale mucho más que una respuesta perfecta entregada con retraso.
Las dos versiones comparten una característica técnica notable: ambas soportan una ventana de contexto de hasta un millón de tokens. Esto significa que el modelo puede procesar y considerar una cantidad masiva de información de una sola vez, lo cual es fundamental para aplicaciones como análisis de contratos largos, revisión de bases de código extensas o conversaciones prolongadas con historial preservado.
Esta estrategia de ofrecer múltiples variaciones de un mismo modelo base es algo que vemos cada vez más en el mercado de inteligencia artificial — y no por casualidad. Empresas como Anthropic, con Claude Haiku y Claude Opus, y Google, con Gemini Flash y Gemini Pro, ya se dieron cuenta de que el mercado no es homogéneo. Hay perfiles distintos de consumidores, con necesidades distintas y tolerancias de coste muy diferentes. Al lanzar Pro y Flash simultáneamente, DeepSeek demuestra que entiende esta dinámica y está posicionando el V4 para competir en varios frentes al mismo tiempo — lo que amplía el alcance del modelo y potencia su adopción dentro del ecosistema open-source.
Sparse Attention: la innovación técnica que reduce drásticamente el coste computacional
Uno de los avances técnicos más relevantes del DeepSeek V4 es la implementación de un mecanismo llamado Sparse Attention. Esta tecnología permite que el modelo reduzca significativamente la cantidad de computación necesaria para procesar información, sin comprometer de forma drástica la calidad de las respuestas.
En la versión Flash, la reducción de computación alcanza el 90% en comparación con el modelo anterior, el V3.2. En la versión Pro, la reducción es del 70%. Estas cifras son impresionantes porque significan que ejecutar el V4 cuesta mucho menos en términos de infraestructura — y el coste computacional es uno de los mayores cuellos de botella para cualquier empresa que trabaja con modelos de lenguaje a gran escala.
Para hacerse una idea del impacto, imaginemos una empresa que ejecuta millones de llamadas a API por día. Cada porcentaje de eficiencia ganado se traduce en ahorro real de energía, hardware y dinero. Una reducción del 90% en la computación necesaria no es simplemente una mejora incremental — es una transformación completa en la ecuación de viabilidad económica de proyectos basados en IA. Esto tiene el potencial de convertir al DeepSeek V4 Flash en una de las opciones más atractivas del mercado para operaciones de alto volumen.
Benchmarks: dónde brilla el V4 y dónde aún necesita evolucionar
Los resultados del DeepSeek V4 en evaluaciones independientes muestran un escenario mixto, con puntos fuertes evidentes y áreas donde los competidores aún mantienen ventaja.
Según la firma de evaluación VALS AI, el V4 alcanzó una precisión media del 63,87% en pruebas que cubren áreas como finanzas, derecho y programación. Aunque es un resultado respetable, queda por detrás de modelos como el Claude Opus 4.6 de Anthropic, el Gemini 3.1 Pro Preview de Google, el GPT-5.4 de OpenAI e incluso el Kimi K2.6 de Moonshot AI, que no solo superó al V4 en precisión media sino que también presentó una velocidad de salida superior.
Por otro lado, el DeepSeek V4 se mostró competitivo en áreas específicas como matemáticas, STEM y programación, donde sus resultados se equiparan a los mejores modelos del mercado. Esto sugiere que el modelo tiene puntos fuertes bien definidos que pueden aprovecharse en aplicaciones donde estas habilidades son prioritarias.
Para los desarrolladores, el panorama es de una evolución significativa respecto a las versiones anteriores, aunque el V4 no haya dominado todas las categorías de benchmark. La combinación de rendimiento sólido en tareas técnicas con la eficiencia proporcionada por el Sparse Attention crea un paquete bastante atractivo, especialmente para quienes necesitan un modelo open-source de alto rendimiento sin pagar los costes de APIs propietarias.
Competencia china: DeepSeek no está solo en esta carrera
El lanzamiento del V4 ocurre en un momento particularmente agitado en el ecosistema de IA chino. Pocos días antes, la propia Tencent había lanzado su modelo Hy3 Preview, un sistema mixture-of-experts con 295.000 millones de parámetros, de los cuales 21.000 millones son activados, con capacidad de procesar hasta 256.000 tokens de contexto. El modelo ya fue implementado en Yuanbao, el chatbot principal de Tencent, que sustituyó justamente a DeepSeek como tecnología base.
El movimiento de Tencent forma parte de una reestructuración más amplia, liderada por Yao Shunyu, nombrado como científico jefe de IA de la empresa en diciembre de 2025. La estrategia de Tencent enfatiza la utilidad práctica en lugar de perseguir únicamente resultados en benchmarks — un enfoque pragmático que refleja las necesidades reales de su enorme ecosistema de productos y servicios.
Aun así, Tencent enfrenta desafíos significativos en la adopción de sus productos de IA. Yuanbao registraba 57,35 millones de usuarios activos mensuales en marzo de 2026, una cifra modesta si se compara con los 345 millones de Doubao, chatbot de ByteDance, y los 166 millones de Qianwen, solución de Alibaba. Esta diferencia muestra que tener un modelo técnicamente competente es solo parte de la ecuación — la distribución y la experiencia de usuario siguen siendo factores decisivos.
Además de Tencent, startups como Moonshot AI y Zhipu AI también siguen evolucionando sus ofertas. El Kimi K2.6 de Moonshot, por ejemplo, superó al DeepSeek V4 tanto en precisión como en velocidad en las pruebas de VALS AI, demostrando que el escenario chino de IA es extremadamente dinámico y que ningún jugador puede permitirse el lujo de relajarse.
Billones de parámetros: qué significa ese número en la práctica
Cuando hablamos de parámetros en modelos de inteligencia artificial, estamos hablando esencialmente de las variables internas que el modelo ajusta durante el entrenamiento para aprender patrones, relaciones y contextos a partir de los datos. Cuantos más parámetros, mayor es la capacidad del modelo para capturar matices complejos — pero también mayor la demanda de recursos computacionales para entrenar y ejecutar ese modelo. Durante mucho tiempo, los modelos con billones de parámetros se consideraban inaccesibles para quien no contaba con el nivel de infraestructura de las grandes tecnológicas estadounidenses.
Que el DeepSeek V4 llegue a esa franja como un modelo open-source es, por tanto, un hito relevante. Significa que la comunidad de desarrolladores ahora tiene acceso a un nivel de capacidad que antes estaba encerrado detrás de APIs de pago y acuerdos comerciales. Los investigadores pueden estudiar el comportamiento del modelo en profundidad, identificar sesgos, proponer mejoras y crear versiones especializadas para dominios específicos — como salud, derecho o finanzas — sin necesidad de pedir permiso a nadie. Esto acelera el ritmo de innovación de una forma que los modelos cerrados simplemente no pueden replicar.
Herramientas que usamos a diario
Por supuesto, los parámetros no lo son todo. La calidad de los datos de entrenamiento, la arquitectura elegida, las técnicas de alineamiento y el proceso de ajuste fino tienen tanto peso como el tamaño bruto del modelo. Pero el número de parámetros sigue siendo un indicador razonable de capacidad potencial — y llegar a esta escala con un enfoque open-source posiciona al DeepSeek V4 como una alternativa seria para quienes están evaluando qué modelo adoptar en proyectos de gran envergadura. La combinación de escala, apertura y coste accesible es una propuesta de valor difícil de ignorar.
El peso de la inversión multimillonaria en el escenario
Las negociaciones que involucran a Tencent y Alibaba como potenciales inversores en DeepSeek no son solo una noticia financiera — cuentan una historia sobre cómo el mercado de inteligencia artificial en China se está reorganizando. Una inyección de capital que puede superar los 20.000 millones de dólares colocaría a DeepSeek en otro nivel de recursos, permitiendo un ritmo de desarrollo que hoy todavía está limitado por la comparación con los presupuestos de las grandes empresas estadounidenses. Con ese volumen de capital disponible, la startup tendría condiciones para acelerar el entrenamiento de modelos aún mayores, expandir su infraestructura de datos y contratar a los mejores talentos disponibles en el mercado global.
Para Tencent y Alibaba, el interés tiene todo el sentido estratégico. Ambas empresas están construyendo sus propios ecosistemas de IA — Tencent con Hunyuan y Alibaba con Qwen — pero invertir en una startup que ya ha demostrado capacidad técnica de alto nivel es una forma de asegurarse una posición relevante en una carrera cuyo resultado aún no está definido. Es la lógica clásica del portafolio: si no puedes vencer a todos los adversarios internamente, vale la pena apostar por quien tiene potencial de llegar primero. Y DeepSeek, con el V4 en su portafolio, tiene argumentos sólidos para justificar esa apuesta.
Además, el contexto geopolítico añade una capa extra de urgencia a todo esto. Con las restricciones estadounidenses sobre la exportación de chips avanzados a China, las empresas chinas de tecnología están siendo presionadas para desarrollar soluciones cada vez más eficientes dentro de las limitaciones del hardware disponible. DeepSeek ya demostró en versiones anteriores que es capaz de extraer rendimiento competitivo de configuraciones de hardware más modestas. Eso no es una cualidad menor: es una ventaja estratégica directa en el contexto actual, y refuerza aún más el argumento para que las grandes corporaciones chinas pongan dinero en el proyecto. 💡
Qué esperar de aquí en adelante
El escenario que se dibuja tras el lanzamiento del DeepSeek V4 es de una competencia aún más intensa en el mercado global de IA. Con modelos open-source cada vez más potentes y eficientes, la presión sobre las empresas que operan con modelos cerrados tiende a aumentar. La pregunta que muchos desarrolladores y empresas se van a hacer en los próximos meses es: ¿tiene sentido pagar por una API propietaria cuando existe una alternativa abierta con rendimiento comparable en diversas tareas?
Al mismo tiempo, la posible inversión de Tencent y Alibaba puede transformar la dinámica competitiva de manera impredecible. Si se confirma, la inyección de capital le daría a DeepSeek recursos para competir aún más directamente con gigantes como OpenAI, Anthropic y Google — no solo en capacidad técnica, sino también en infraestructura, distribución y ecosistema de socios.
Para la comunidad tech, el mensaje del V4 es claro: los modelos open-source no solo están siguiendo el ritmo de la evolución de los modelos cerrados — en muchos aspectos, están definiendo el ritmo de esa evolución. Y eso beneficia a todo el ecosistema, desde los investigadores académicos hasta las startups que están construyendo la próxima generación de aplicaciones basadas en inteligencia artificial.
El DeepSeek V4 llega como uno de los modelos open-source más ambiciosos jamás lanzados, combinando escala de billones de parámetros con innovaciones como Sparse Attention, una estrategia de producto bien estructurada en dos versiones y un contexto de inversión que puede transformar a la startup en una de las fuerzas centrales de la inteligencia artificial global en los próximos años.
