DeepSeek Flash 0731 entra en el top tres de modelos abiertos, pero su liderazgo en benchmarks requiere pruebas

DeepSeek Flash 0731 ha alcanzado 50 en el Artificial Analysis Intelligence Index, situando al modelo recién lanzado entre los tres principales sistemas de pesos abiertos.

Ese resultado supera en diez puntos la puntuación previa de DeepSeek V4 Flash, según pruebas independientes. El salto importa porque DeepSeek mantuvo la arquitectura Flash más pequeña y concentró la actualización en el comportamiento de los agentes.

El lanzamiento también intensifica la presión sobre los modelos abiertos más grandes de Zhipu AI, Moonshot AI, Alibaba y otros laboratorios chinos. Cuestiona la premisa de que unos recuentos más altos de parámetros totales o activos sigan siendo la vía más segura hacia agentes más capaces.

Sin embargo, una puntuación compuesta no puede resolver el debate. DeepSeek utilizó su propio entorno de prueba de agentes, aún no publicado, para varias evaluaciones de programación difundidas. Dos de las evaluaciones citadas también proceden de conjuntos de prueba internos.

Por tanto, la competencia relevante enfrenta a agentes de pesos abiertos más pequeños contra sistemas mayores, no a DeepSeek contra una empresa en particular. Flash 0731 hace más creíble la ruta de los modelos pequeños, pero las cargas de trabajo externas deben confirmar ahora su eficiencia declarada.

Qué cambió en DeepSeek Flash 0731

DeepSeek modificó el comportamiento del modelo más que su arquitectura básica y publicó el resultado bajo una licencia MIT.

DeepSeek describe 0731 como el lanzamiento oficial de DeepSeek V4 Flash, que sustituye a la vista previa anterior. Su tarjeta de modelo afirma que la actualización mejora sustancialmente las capacidades agénticas.

Un modelo agéntico hace más que responder a indicaciones aisladas. Planifica pasos, llama a herramientas, examina resultados y revisa su enfoque mientras persigue una tarea.

El modelo mantiene la estructura V4 Flash, con 284.000 millones de parámetros totales y unos 13.000 millones activados para cada token. Este diseño es una mezcla de expertos, o MoE, que dirige cada token a componentes especialistas seleccionados.

Esa distinción importa. Los parámetros totales indican la capacidad almacenada del modelo, mientras que los parámetros activados aproximan mejor el cómputo utilizado durante una única pasada hacia adelante.

DeepSeek también conservó DSpark, su módulo de decodificación especulativa integrado. La decodificación especulativa permite que un componente de borrador proponga varios tokens antes de que el modelo principal los verifique, mejorando la velocidad de generación cuando se aceptan las predicciones.

El checkpoint publicado utiliza precisión mixta FP4 y FP8. Los pesos de sus expertos usan representación de cuatro bits, mientras que la mayoría de los demás parámetros emplean representación de ocho bits.

Una precisión numérica menor reduce los requisitos de almacenamiento y memoria, aunque el soporte de hardware y la implementación en tiempo de ejecución siguen determinando el rendimiento práctico. El repositorio ocupa aproximadamente 167GB entre sus archivos publicados.

DeepSeek publicó esos pesos bajo la licencia MIT, que generalmente permite la modificación, redistribución y uso comercial con obligaciones limitadas. “Código abierto” sigue siendo una etiqueta imperfecta para modelos sin datos públicos de entrenamiento ni código completo de entrenamiento.

“Pesos abiertos” es más preciso. Los desarrolladores pueden inspeccionar, ejecutar, adaptar y redistribuir el checkpoint, pero no pueden reproducir por completo su creación a partir de los materiales publicados.

DeepSeek también puso el modelo actualizado detrás de su API oficial. Quienes ya lo utilizan pueden seguir usando el identificador de modelo deepseek-v4-flash en lugar de migrar a un endpoint 0731 independiente.

La API admite formatos de solicitud compatibles con OpenAI y Anthropic. Esa compatibilidad reduce la carga de integración para los equipos que ya utilizan interfaces habituales de finalización de chat o de agentes.

DeepSeek afirma que la arquitectura y los términos comerciales se mantienen alineados con el servicio Flash anterior. Por ello, la empresa ha presentado 0731 como una mejora de capacidades, no como un nuevo producto prémium.

Esta combinación crea la tensión central. Los desarrolladores reciben un agente con una capacidad declarada superior sin asumir un modelo activo más grande, una licencia de pesos restrictiva ni una nueva integración de API.

Por qué una puntuación de 50 cambia la carrera de los modelos abiertos

La puntuación importa porque eleva a un modelo con relativamente pocos parámetros activos a un nivel antes asociado con sistemas abiertos más grandes.

Artificial Analysis informa de que DeepSeek Flash 0731 obtuvo 50 en su Intelligence Index. El anterior DeepSeek V4 Flash obtuvo 40 bajo el marco de evaluación de la misma organización.

El índice agrega el rendimiento en varias evaluaciones de razonamiento, conocimiento, matemáticas y programación. Ofrece un punto de comparación compartido, aunque ninguna métrica compuesta representa todas las cargas de trabajo de despliegue.

Una mejora de diez puntos es lo bastante grande como para cambiar las conversaciones sobre selección de modelos. No es simplemente una pequeña revisión oculta dentro del ruido de medición.

Según se informa, el resultado sitúa al modelo entre las tres ofertas de pesos abiertos más potentes medidas por la organización. También deja a Flash cerca de varios sistemas líderes con una huella activa sustancialmente mayor.

Esto genera presión inmediata sobre los proveedores que compiten mediante la escala del modelo. Quien compra un agente suele preocuparse más por el trabajo completado, la latencia, los requisitos de alojamiento y el control que por el número total de parámetros.

Un modelo con menos parámetros activos puede mejorar esa ecuación económica si su calidad resiste pruebas independientes. Menos cómputo por token generado puede permitir un mayor rendimiento o menores necesidades de infraestructura.

No obstante, la eficiencia de MoE no equivale a un despliegue sencillo. Los 284.000 millones de parámetros aún requieren almacenamiento, y las implementaciones deben mover los pesos de los expertos de forma eficiente entre aceleradores.

Por tanto, el checkpoint oficial sigue estando fuera del alcance de una GPU de consumo corriente. El propio ejemplo de despliegue de DeepSeek utiliza un único nodo con cuatro aceleradores GB300.

Las cuantizaciones de la comunidad pueden reducir aún más los requisitos de memoria, pero introducen otra variable. Una cuantización agresiva puede alterar la precisión, el comportamiento con herramientas y el rendimiento en contextos largos.

El lanzamiento de pesos abiertos sigue ofreciendo opciones que las API cerradas no pueden proporcionar. Las organizaciones pueden mantener las indicaciones dentro de una infraestructura controlada, modificar el comportamiento de inferencia o crear adaptaciones específicas de dominio.

También pueden inspeccionar los resultados en conjuntos de evaluación privados sin enviar material sensible a un proveedor externo de modelos. Esto resulta útil para agentes de programación que trabajan con repositorios propietarios.

El lanzamiento presiona a los modelos abiertos más grandes de otra manera. Sus desarrolladores deben justificar ahora por qué el cómputo activo adicional ofrece mejor fiabilidad, conocimiento o ejecución compleja de agentes.

Un modelo más grande puede seguir siendo la elección adecuada. Los propios resultados de DeepSeek muestran que Flash no supera a todos los sistemas propietarios ni a todos los objetivos de comparación.

La cuestión es el margen de rendimiento. Cuando un modelo más pequeño se acerca a un competidor mayor, los compradores preguntan si la diferencia restante justifica el hardware adicional y la complejidad operativa.

Esa pregunta es especialmente importante para cargas de trabajo repetidas de agentes. Un modelo puede generar miles de tokens, llamar herramientas muchas veces y conservar un historial largo durante una misma asignación.

Las pequeñas diferencias de eficiencia se acumulan a lo largo de esos pasos. Por ello, un modelo creíble con 13.000 millones de parámetros activos puede importar más en un ciclo de agente que en un breve intercambio con un chatbot.

La puntuación de 50 no corona a un ganador universal. Cambia la carga de la prueba para los modelos que consumen más recursos mientras ofrecen una inteligencia medida similar.

El mecanismo detrás de la mejora de DeepSeek Flash

DeepSeek mejoró el posentrenamiento, el control del razonamiento y la ejecución de agentes sin presentar 0731 como una nueva arquitectura base.

La empresa afirma que Flash 0731 tiene la misma estructura que el anterior modelo V4 Flash DSpark. Esto significa que las mejoras declaradas reflejan principalmente refinamientos de entrenamiento y comportamiento.

El posentrenamiento moldea cómo un modelo preentrenado sigue instrucciones, razona, utiliza herramientas y responde a la retroalimentación. Puede cambiar sustancialmente el rendimiento práctico sin modificar el número subyacente de parámetros.

DeepSeek no ha publicado una receta completa de entrenamiento para 0731. La evidencia disponible muestra el resultado y la interfaz de ejecución, pero no todos los conjuntos de datos ni las decisiones de optimización.

El lanzamiento introduce tres ajustes de esfuerzo de razonamiento: bajo, alto y máximo. Estos ajustes controlan cuánto delibera el modelo antes de producir su respuesta final.

Ese control importa para los productos de agentes. Una solicitud sencilla de formato no debería consumir el mismo presupuesto de razonamiento que la depuración de un repositorio o una tarea de investigación de varios pasos.

DeepSeek recomienda un esfuerzo alto o máximo para trabajos exigentes. También admite una longitud máxima de salida de 384.000 tokens en esos modos, según las instrucciones del modelo.

Un límite alto de salida no significa que todas las tareas deban acercarse a ese tamaño. Un razonamiento más largo puede aumentar la latencia e introducir más oportunidades para que el modelo se desvíe.

El modelo también conserva la ventana de contexto de un millón de tokens de la familia V4. El contexto es el material disponible durante una interacción, incluidas las indicaciones, los archivos, los resultados de herramientas y el razonamiento previo.

El informe técnico original de DeepSeek describe métodos de atención híbrida diseñados para hacer más eficiente ese contexto extenso. La atención determina qué tokens anteriores influyen en el cálculo actual.

Una ventana de un millón de tokens puede albergar grandes bases de código, rastros extensos de herramientas o colecciones de documentos técnicos. La capacidad útil de contexto sigue dependiendo de la precisión de recuperación y de la retención de instrucciones.

La arquitectura utiliza atención dispersa comprimida junto con atención muy comprimida. Estos métodos reducen el cómputo y la memoria asociados al procesamiento de secuencias largas.

DeepSeek también utiliza hiperconexiones restringidas por variedades, denominadas mHC, para estabilizar el flujo de información a través de la red. El término describe una alternativa estructurada a las conexiones residuales convencionales.

La pila de entrenamiento V4 incorpora además el optimizador Muon. Un optimizador controla cómo cambian los parámetros del modelo durante el entrenamiento a medida que el sistema minimiza el error.

Esas decisiones arquitectónicas procedían de la vista previa original de V4. La historia de 0731 se refiere a cuánto más rendimiento extrajo DeepSeek de esa base existente.

DSpark proporciona otro mecanismo de eficiencia. Predice varios posibles tokens siguientes y permite que la red principal los acepte o rechace en grupos.

La configuración oficial de vLLM propone siete tokens especulativos cada vez. Las propuestas aceptadas pueden aumentar la velocidad de salida sin sustituir la validación del modelo principal.

El despliegue sigue requiriendo compatibilidad de software adecuada. DeepSeek documenta rutas para vLLM y SGLang, dos motores habituales para servir modelos de lenguaje grandes.

El lanzamiento no incluye una plantilla de chat Jinja convencional. En su lugar, DeepSeek proporciona scripts de codificación en Python para convertir mensajes al estilo de OpenAI en el formato de entrada requerido por el modelo.

Esa elección añade trabajo de integración para los equipos que sirven los pesos directamente. Los clientes de API no afrontan la misma responsabilidad de formato de bajo nivel.

La tesis práctica es sencilla. DeepSeek utilizó cómputo disperso, pesos de baja precisión, decodificación especulativa y un posentrenamiento más sólido para que Flash compita por encima de su tamaño activo.

Cada componente tiene precedentes. Su resultado combinado, si se replica fuera del entorno preferido por DeepSeek, ofrece a los agentes abiertos más pequeños un argumento arquitectónico más sólido.

Los benchmarks de agentes de DeepSeek necesitan una auditoría independiente

Los resultados publicados son impresionantes, pero sus afirmaciones más contundentes dependen de condiciones de prueba que evaluadores externos aún no han reproducido plenamente.

DeepSeek informa una puntuación de 82,7 en Terminal-Bench 2.1 para Flash 0731. La vista previa obtuvo 61,8, mientras que la vista previa de V4 Pro alcanzó 72,1 en la comparación de la empresa.

Terminal-Bench evalúa agentes que realizan tareas en entornos de línea de comandos. Se acerca más al trabajo real de desarrollo de software que una prueba estática de opción múltiple, pero el entorno de evaluación influye en los resultados.

Flash 0731 también obtuvo 54,2 en NL2Repo, según DeepSeek. La vista previa logró 39,4, mientras que la vista previa Pro de mayor tamaño obtuvo 38,5.

En CyberGym, DeepSeek informa un aumento de 38,7 a 76,7. CyberGym evalúa el comportamiento de agentes relacionado con la ciberseguridad en entornos controlados.

El mayor cambio informado aparece en DeepSWE. Flash 0731 obtuvo 54,4, frente a 7,3 para la vista previa de Flash y 12,8 para la vista previa Pro.

Estas cifras sugieren un cambio sustancial en el rendimiento de los agentes de programación. No aíslan qué parte procede del modelo, los prompts, el presupuesto de razonamiento o el entorno de evaluación.

DeepSeek afirma haber evaluado tareas públicas de agentes de código usando un modo mínimo de DeepSeek Harness. Ese marco aún no se ha publicado.

La empresa también utilizó el máximo esfuerzo de razonamiento con una configuración de muestreo especificada. Otros proveedores pueden obtener resultados distintos con presupuestos de razonamiento más cortos o esquemas de herramientas diferentes.

Otras dos evaluaciones, DSBench-FullStack y DSBench-Hard, son conjuntos de pruebas internos de DeepSeek. Los investigadores externos no pueden inspeccionar actualmente su composición completa ni reproducir de forma independiente sus puntuaciones.

DeepSeek informa 68,7 en el conjunto full-stack y 59,6 en el conjunto difícil. Ambas cifras superan ampliamente los resultados de la vista previa.

Los benchmarks internos no son automáticamente inválidos. Pueden evaluar comportamientos difíciles que los rankings públicos pasan por alto.

La limitación es la transparencia. Los lectores no pueden evaluar la contaminación, la selección de tareas, la consistencia de la calificación ni la sensibilidad a la configuración de agentes preferida por la empresa.

Artificial Analysis ofrece un valioso contrapeso independiente. Su puntuación de 50 confirma que la mejora no solo es visible en las propias tablas de DeepSeek.

Sin embargo, ese índice también es agregado. Un modelo puede ganar puntos al mejorar en tareas que no se corresponden con el flujo de trabajo real de un equipo.

Las primeras reacciones de los usuarios ilustran esta brecha. Algunos desarrolladores describen un comportamiento más sólido en programación e investigación, mientras que otros informan de verbosidad o conjeturas seguras durante tareas incompletas.

Esos informes son anecdóticos. Importan como hipótesis para poner a prueba, no como sustituto de una evaluación controlada.

La verbosidad merece especial atención en los sistemas de agentes. Un modelo que razona durante más tiempo puede lograr mayor precisión, al tiempo que aumenta la latencia y consume más tokens de salida.

La finalización segura es otro riesgo. Los agentes suelen encontrarse con campos ausentes, credenciales no disponibles, requisitos ambiguos o herramientas que devuelven datos incompletos.

El comportamiento correcto puede ser detenerse y preguntar. Un modelo optimizado para seguir actuando puede, en cambio, inventar un valor, elegir un valor predeterminado inseguro o enviar una operación irreversible.

Por tanto, los equipos deberían evaluar más que la precisión de la respuesta final. Las evaluaciones deberían medir llamadas innecesarias a herramientas, recuperación tras errores, estado fabricado, gestión de permisos y comportamiento de detención.

Las pruebas de seguridad también son esenciales. Los pesos abiertos dan a los defensores más control, pero no garantizan resistencia a la inyección de prompts ni al uso inseguro de herramientas.

La conclusión correcta no es que las afirmaciones de DeepSeek sobre sus benchmarks sean erróneas. La evidencia respalda una mejora significativa, mientras que la magnitud de esa mejora sigue dependiendo de la carga de trabajo.

Los pesos abiertos convierten el resultado del benchmark en una cuestión de despliegue

La publicación bajo MIT permite a los desarrolladores poner a prueba las afirmaciones de DeepSeek en su propia infraestructura, lo que hace que 0731 sea más relevante que una entrada de ranking basada únicamente en API.

Los modelos cerrados obligan a los usuarios a aceptar el entorno de servicio del proveedor, el calendario de actualizaciones, las condiciones de retención y la disponibilidad regional. Los pesos abiertos crean más opciones de despliegue.

Una empresa puede alojar Flash 0731 dentro de su propio perímetro de seguridad. También puede restringir el acceso a la red, registrar las llamadas a herramientas y aplicar reglas de aprobación específicas de la organización.

Estos controles son importantes para los agentes de programación. Un modelo capaz puede leer archivos fuente, ejecutar comandos, modificar repositorios o acceder a documentación interna.

El autoalojamiento no elimina el riesgo operativo. Transfiere más responsabilidad a la organización que ejecuta el modelo.

Los equipos deben actualizar el software de inferencia, proteger los endpoints, gestionar las credenciales y supervisar las acciones generadas. También necesitan suficiente memoria de acelerador y ancho de banda para el checkpoint completo.

El tamaño de repositorio de 167 GB es solo un punto de partida. La memoria en tiempo de ejecución también incluye cachés, activaciones temporales, sobrecarga del servidor y la longitud de contexto elegida.

La caché de clave-valor almacena la información necesaria para generar tokens posteriores sin recalcular todo el historial. Los contextos muy largos pueden convertir esta caché en un consumidor importante de memoria.

DeepSeek recomienda compatibilidad con caché FP8 en su ejemplo de vLLM. También utiliza paralelismo de expertos, que distribuye los expertos MoE entre varios aceleradores.

Esa configuración pone de relieve la contrapartida. Solo se activan 13 mil millones de parámetros por token, pero el conjunto completo de expertos sigue necesitando acceso coordinado.

El uso de la API en la nube sigue siendo más sencillo para muchos equipos. El endpoint de modelos de DeepSeek expone Flash a través de su servicio existente, evitando la conversión de pesos y la gestión de clústeres.

La API ahora admite tanto solicitudes conocidas de chat completion como el formato Responses API. Las interfaces de estilo Responses ayudan a coordinar herramientas, estado y salidas de varios pasos dentro de aplicaciones de agentes.

La comodidad de la API plantea preguntas independientes sobre el manejo de datos, la disponibilidad del servicio y el cumplimiento regional. Los compradores deberían evaluar estas cuestiones por separado de la calidad de los benchmarks.

El despliegue abierto ofrece una alternativa cuando esas restricciones son inaceptables. También facilita fijar el comportamiento del modelo a un checkpoint específico.

Ese control de versiones importa porque los identificadores alojados pueden cambiar bajo una aplicación. DeepSeek actualizó el identificador Flash existente para que apunte a 0731.

Una mejora silenciosa de capacidades parece útil, pero los equipos de producción necesitan pruebas de regresión. Un razonamiento más sólido aún puede alterar el formato, la elección de herramientas, la latencia o el comportamiento de rechazo.

Los usuarios autoalojados pueden mantener los checkpoints de vista previa y 0731 en paralelo. Pueden comparar ambos modelos con prompts idénticos antes de migrar.

La licencia MIT también permite adaptaciones especializadas. Las organizaciones pueden ajustar el modelo para convenciones internas de código, flujos de trabajo estructurados o ámbitos profesionales específicos.

El ajuste fino introduce su propia carga de validación. Las mejoras en tareas conocidas pueden reducir la generalidad o debilitar el comportamiento de seguridad en otros ámbitos.

Por tanto, la publicación amplía el control en lugar de eliminar las contrapartidas. Los desarrolladores ganan la capacidad de verificar, modificar y servir el modelo, mientras asumen más responsabilidad técnica.

Para los compradores empresariales, ese control puede ser decisivo. Para equipos más pequeños, la API oficial o un proveedor de alojamiento de confianza seguirá siendo la opción más práctica.

En cualquier caso, los pesos abiertos convierten una puntuación abstracta en un artefacto verificable. Los competidores deben responder con un acceso comparable, ventajas más claras o pruebas más sólidas de fiabilidad.

Tres señales decidirán si 0731 mantiene su posición

Las pruebas independientes de agentes, el comportamiento de tokens en producción y las respuestas de los competidores determinarán si DeepSeek Flash 0731 representa un cambio duradero.

La primera señal es la reproducción en entornos neutrales de agentes. Los investigadores deben ejecutar Flash 0731 en Terminal-Bench, tareas de repositorio y suites de uso de herramientas sin el marco no publicado de DeepSeek.

Igualar las cifras de la empresa reforzaría la afirmación de que el posentrenamiento transformó el propio modelo. Una caída importante mostraría que el entorno de evaluación aportó una parte mayor de la mejora.

Las pruebas deberían publicar los prompts, las definiciones de herramientas, la configuración de razonamiento, las políticas de reintento y los procedimientos de calificación. Las puntuaciones de agentes son difíciles de interpretar cuando estos controles permanecen ocultos.

La segunda señal es la eficiencia en producción. Los equipos deberían medir las tareas completadas por hora, el total de tokens generados, la recuperación de errores y la intervención humana.

Una puntuación de inteligencia de 50 puntos importará menos si el modelo requiere trazas de razonamiento inusualmente largas. Importará más si Flash completa el trabajo con menos recursos que sus pares de mayor tamaño.

Los desarrolladores también deberían rastrear las suposiciones sin respaldo. Un agente rápido que fabrica información faltante puede imponer más trabajo de revisión que un modelo más lento que pide aclaraciones.

La latencia necesita mediciones separadas en contextos cortos y largos. El enrutamiento MoE, el crecimiento de la caché y la decodificación especulativa pueden comportarse de manera diferente a medida que se amplía el historial de un agente.

La tercera señal es la respuesta de los desarrolladores de modelos abiertos competidores. Zhipu AI, Moonshot AI, Alibaba y otros laboratorios afrontan ahora presión para mejorar modelos más pequeños centrados en agentes.

Una respuesta directa podría llegar mediante un posentrenamiento más sólido, una inferencia más eficiente, publicaciones de pesos más amplias o evaluaciones de agentes verificadas de forma independiente.

Si los competidores necesitan modelos activos considerablemente mayores para recuperar el liderazgo, el argumento de eficiencia de DeepSeek se fortalece. Si un rival más pequeño supera rápidamente a 0731, la puntuación parecerá temporal.

Los proveedores propietarios también siguen siendo un contexto de apoyo relevante. Sus mejores modelos todavía lideran algunas evaluaciones complejas de programación y agentes, incluidas varias comparaciones publicadas por DeepSeek.

La vía abierta no necesita ganar todos los benchmarks. Debe volverse lo bastante fiable como para que el control y la flexibilidad de despliegue compensen la brecha de calidad restante.

Durante los próximos tres meses, los compradores deberían evitar tratar un único ranking como una decisión de adquisición. Deberían construir evaluaciones a partir de repositorios, herramientas, permisos y condiciones de fallo reales.

Utilicen tareas con respuestas conocidas, pero incluyan también casos ambiguos. Midan si el agente reconoce la información faltante y se detiene antes de realizar una acción insegura.

Registren cada versión del modelo y configuración de tiempo de ejecución. El mismo nombre de modelo público puede apuntar a un checkpoint alojado modificado, mientras que las cuantizaciones locales pueden producir comportamientos distintos.

DeepSeek Flash 0731 ha merecido una atención seria porque las pruebas independientes respaldan una mejora importante. Sus pesos abiertos hacen posible una verificación más profunda, en lugar de meramente teórica.

El siguiente paso corresponde a desarrolladores y evaluadores. Prueben el modelo con su flujo de trabajo repetible más exigente, comparen los resultados completados y publiquen suficiente detalle para que otros puedan reproducir el resultado.

Si esas pruebas confirman su posición en los benchmarks, los modelos abiertos con menos parámetros activos se convertirán en una opción predeterminada creíble para muchos sistemas de agentes. Si no lo hacen, 0731 seguirá siendo una puntuación llamativa con una historia de despliegue más limitada.