DeepSeek abre DeepInfer, mientras EE. UU. y China preparan controles sobre los modelos abiertos

Los modelos abiertos entran en una fase en la que las reglas del juego ya no las marcan solo los benchmarks, sino también los gobiernos. En la semana previa al 20 de octubre de 2026 coincidieron tres hechos: el MOFCOM propuso un sistema de aprobación previa para la transferencia internacional de modelos frontier, el DHS cerró a DeepSeek el acceso a las compras civiles federales y la propia DeepSeek publicó en abierto su stack interno de inferencia, DeepInfer. Lo cuentan Florian Brand y Nathan Lambert en la edición 25 de la revisión de artefactos abiertos de Interconnects.

Movimientos regulatorios en Washington y Pekín

El Ministerio de Comercio de China ha publicado por ahora solo un borrador de política, no una ley. El texto exige que los modelos frontier y otras tecnologías obtengan la aprobación del Estado antes de poder transferirse al extranjero. Los autores de la revisión consideran exagerada la reacción: el documento indica que para las tecnologías abiertas está prevista la aprobación automática. Los analistas geopolíticos ven en él una estructura que podría usarse más adelante para regular todo el sector chino de IA. Según otra versión, la propuesta apunta a operaciones como la venta de la startup Manus a compradores occidentales, y no a los modelos en sí.

En EE. UU., el DHS ha emitido una orden por la que DeepSeek, como empresa, y sus modelos, como plataforma tecnológica, no pueden ser proveedores en las compras civiles federales. Queda abierta la cuestión de los fine-tunes y de los modelos entrenados con salidas de DeepSeek. Por ejemplo, las recetas de entrenamiento de Nemotron de Nvidia se apoyan desde hace tiempo en modelos de DeepSeek, y no está claro si quedarán incluidas en la prohibición. Zhipu AI, creadora de GLM, ya figura en la Entity List del Departamento de Comercio/BIS, lo que limita su acceso a las tecnologías estadounidenses.

DeepInfer y la economía del token

Lo más práctico de la semana es la publicación de DeepInfer. Se trata del stack interno de inferencia de DeepSeek que, para sus modelos, probablemente es bastante más eficiente que los vLLM y SGLang abiertos. Las estimaciones apuntan a un margen bruto de hasta el 90% al vender tokens con este stack. Se sabía desde hace tiempo que los laboratorios punteros tienen internamente herramientas mucho más eficientes que las de la comunidad abierta, pero es la primera vez que un laboratorio líder las comparte.

Los proveedores de inferencia adoptarán DeepInfer con rapidez. Eso implica una de dos cosas: o bajan los precios de los modelos de DeepSeek en todo el ecosistema, o crece el margen de los proveedores. Los autores consideran el lanzamiento uno de los mayores artefactos abiertos de IA de los últimos meses, aunque no es ni un modelo ni un dataset.

Qué ha salido en pesos abiertos

La revisión destaca cinco lanzamientos principales:

• MiMo-V2.6-Pro-RL (Xiaomi MiMo) — actualización sobre las mismas bases que MiMo V2.5, pero con muchos más recursos dedicados al entrenamiento con RL. Los autores han publicado un informe técnico detallado y parte de los entornos, algo poco habitual a esta escala. V2.6-Pro es ahora el primer modelo abierto en el ranking de Artificial Analysis.
• DeepSeek-V4.1-Flash-1017 (deepseek-ai) — nuevo tamaño 552B-A16B con soporte de imágenes como entrada y licencia MIT. El modelo domina la frontera de Pareto de «calidad frente a precio» en DeepSWE, un benchmark popular de desarrollo agéntico.
• clef (Cloudflare) — un modelo «de decisión». Este tipo de modelos lo introdujo la startup Typesafe: son clasificadores de propósito general que devuelven unos pocos tokens junto con sus probabilidades. El enfoque se ha asentado rápido y ha dado lugar a muchos fine-tunes abiertos.
• NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-NVFP4 (nvidia) — la esperada actualización del modelo intermedio de la familia. Rinde bien para su tamaño y se puede ejecutar en casa con un portátil potente o una RTX Spark. Nvidia, como de costumbre, publica casi todos los datos y un informe técnico detallado.
• Beam-1.0-501B-A23B (Reflection) — el mejor modelo abierto estadounidense con licencia permisiva Apache 2.0. No es el más inteligente entre los abiertos, pero sí muy económico en tokens: ocupa el segundo puesto tras GPT-6-Astra, lo que apunta a un post-entrenamiento maduro.

En la sección de modelos de propósito general:

• Ternary-Bonsai-2-27B-gguf (prism-ml) — versión ternaria de Qwen3.8-27B para ejecutarse en el dispositivo.
• Ornith-1.5-397B (ornith-ai) — serie de fine-tunes de Qwen3.5 y Gemma 4 que, en la comunidad local, rinde por encima de modelos base potentes.
• Ling-3.0-flash-VL-fp4 (inclusionAI) — modelo 124B-A5.5B de Ant Ling, dentro de Ant Group, que lanza nuevas versiones con regularidad.
• Muse-Spark-Open-816B-A42B (meta-models) — versión abierta de Muse de Meta.

Según los rumores, Kimi K3.1 saldrá pronto: sus metadatos ya aparecen en bibliotecas públicas.

Conclusiones prácticas para los equipos

Quien construya productos sobre pesos abiertos debe revisar la cadena de procedencia de los modelos. Si la empresa tiene clientes federales en EE. UU., conviene incluir a DeepSeek y sus derivados en el registro de riesgos: la orden del DHS no aclara cómo tratar las destilaciones y los fine-tunes. Ya existe una alternativa estadounidense: Beam con Apache 2.0 y Nemotron con datos abiertos ofrecen una opción de reserva, aunque en inteligencia Beam no es el líder.

Los equipos de inferencia deberían probar DeepInfer frente a vLLM y SGLang con sus propios perfiles de carga. Si la mejora se confirma, el coste del token de DeepSeek-V4.1-Flash-1017 en hardware propio será aún menor. Aparte, merece la pena mirar los modelos de decisión como clef: el enrutamiento y la clasificación con unos pocos tokens cuestan menos que llamar a un LLM completo.