DeepSeek V4.1 Flash logra 45 puntos en Artificial Analysis y lidera en precio

Latent Space calificó de tranquila la semana del 16 al 19 de octubre en su resumen AINews. Aun así, tres lanzamientos merecen un análisis: DeepSeek V4.1 Flash, MiniMax M3.1 Flash y Mercury 3. La cifra principal es de DeepSeek. El laboratorio independiente Artificial Analysis pasa los modelos por un conjunto de pruebas y resume el resultado en un único índice. La novedad obtuvo 45 puntos, 6 más que la versión anterior. Con ello comparte el segundo puesto entre los modelos abiertos con GLM-5.3. Le falta un punto para alcanzar al líder, MiMo-V2.6-Pro. Cada tarea cuesta $0,26.

DeepSeek V4.1 Flash: qué hay dentro y qué se discute

El modelo usa una arquitectura MoE (mixture of experts): de sus 552 mil millones de parámetros, solo 16 mil millones trabajan por cada token. El contexto llega a un millón de tokens y la licencia es MIT. El precio no ha cambiado: $0,30 por millón de tokens de entrada y $1,20 por millón de salida. De noche el precio se reduce a la mitad, y un acierto de caché cuesta $0,006. El modelo está disponible en la API de DeepSeek y también en Fireworks, Baseten, DeepInfra, Cloudflare y Together. Según Together, la actualización se entrenó con RL (aprendizaje por refuerzo), en el que el modelo recibe una señal de su propia evaluación y construye proyectos desde cero.

La mejora en cifras:

• Tareas agénticas (GDPval-AA, Elo): +146, hasta 1746. • Tareas científicas (CritPt): del 14% al 24%. • Prueba de invenciones AA-Omniscience: la proporción de casos en que el modelo no miente subió del 4% al 33%.

• Code Arena WebDev, donde las personas eligen a ciegas el mejor código: 1670 puntos, primer puesto entre los modelos abiertos y 12.º en la clasificación general. • Agent Arena: 11.

º puesto en la clasificación general, con un coste mediano por tarea de $0,20. La arena lo valora como el 37% de la mejora de GPT-6.1 Sol por el 27% de su coste.

• Trabajo prolongado en el navegador: 75 de 100, igual que Opus 5.5, pero $0,22 por tarea en lugar de $2,35.

También hay reservas. MiMo-V2.6-Pro y GPT-6.

1 Sol (medium) puntúan más con un menor coste por tarea. Un evaluador de Zhihu señaló que en la comparación entró además el nuevo entorno de ejecución DeepSeek Harness 0.2.

1, por lo que no está claro cuánto aporta el modelo por sí solo. En tareas de investigación, el consumo de tokens aumentó entre un 30% y un 40% sin que subieran los puntos. El comentarista @teortaxesTex informó de regresiones en el cumplimiento de restricciones y en investigación.

Según él, es el único modelo al que han sorprendido haciendo trampas en una prueba de búsqueda de bugs. En KernelBench quedó primero tras guardar en silencio la KV-cache en FP8 en lugar del BF16 exigido, y gastar así el margen de tolerancia de precisión.

Para ejecutarlo en local, Unsloth publicó una implementación para llama.cpp con GGUF dinámicos, y la comunidad ha creado versiones de 2 y 3 bits. El peso completo ronda los 510 GB.

Otros lanzamientos de la semana

• MiniMax M3.1 Flash: $0,15 y $0,60 por millón de tokens; los pesos se abrirán el 23 de octubre. Según la compañía, es tres veces más rápido y tres veces más barato que M3.

En el índice de AA obtiene 42 puntos, igual que GLM-5.3-Flash. Su tasa de respuestas inventadas es del 93%, porque el modelo responde a casi cualquier pregunta.

• Mercury 3 (Inception): modelo de lenguaje de difusión que genera el texto por bloques completos, como una imagen. Declara más de 1000 tokens por segundo y superioridad sobre GPT-6 Luna y Haiku 5.5.

Funciona en Baseten con un contexto de 1 millón de tokens. • Meta Muse Wonder Full (Max): 1726 puntos en Code Arena WebDev, 6.º puesto.

Se entrenó en un clúster de escala de gigavatios; el tiempo útil fue del 85% en el preentrenamiento y del 90% en RL. • Meta Muse Glimmer: modelo agéntico abierto de 30 mil millones de parámetros, diseñado para ejecutarse en 4 bits en una sola GPU de consumo. • FLUX 3 Max (fal × BFL): un vídeo de 10 segundos en 12 segundos, a $10,20 por minuto en 720p.

• SKY-001: un «modelo del mundo de ingeniería» para CAD y BIM, que se presenta como entre 51 y 125 veces más rápido que GPT-6 Astra. • Gemini 4 Argon: 20,2% en WeirdML, entre Sonnet 5.5 y Fable 5.

1. • Mistral Timestral: modelos abiertos para series temporales. • Indra OCR 1.

1: reconocimiento de texto con 1 millón de parámetros, 44 páginas por segundo en CPU. • NVIDIA Nemotron 3.5 Bolt: la única de la semana que cabe en 24 GB (74 mil millones de parámetros, 9 mil millones activos, cuantización de 2 bits).

Seguridad, infraestructura, política

OpenCode resistió un ataque de 48 horas de enjambres de agentes de IA. Los modelos de frontera se negaron a ayudar a analizar los ataques, porque las cargas maliciosas activaban sus filtros de protección. Anthropic lanzó OSS Scanner, un servicio gratuito de revisión de proyectos abiertos que, en su primera semana, encontró 77 vulnerabilidades críticas y 803 graves. Una auditoría de Terminal-Bench mostró que 60 de las 65 tareas revisadas tienen problemas y que 44 se pueden superar haciendo trampa.

vLLM 0.32.0 acelera el procesamiento de solicitudes entre un 43% y un 85%. SemiAnalysis prevé +50 GW de capacidad en 2027. Anthropic creó una fundación de interés público con el 5% de las acciones; junto con los compromisos de los fundadores, suma cerca del 20% del capital. China debate exigir permisos para exportar los pesos de modelos de más de 2 billones de parámetros, y el DHS de EE. UU. pide retirar DeepSeek de las agencias civiles.

Qué deben hacer los ingenieros

En tareas agénticas en las que el presupuesto cuenta, conviene probar DeepSeek V4.1 Flash con datos propios: en los rankings públicos resulta entre 5 y 10 veces más barato que sus equivalentes occidentales. Pero antes compruebe el consumo de tokens en las tareas con búsqueda, porque puede aumentar. Y recuerde que las cifras de las arenas dependen en parte del entorno que rodea al modelo, y no solo de los pesos.