Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarX: @victormustar→ original

DeepSeek actualizó V4-Flash: en tareas de terminal, 82,7 puntos frente a 61,8

DeepSeek actualizó su modelo abierto V4-Flash (304 mil millones de parámetros), y como agente de terminal ha mejorado notablemente. En Terminal-Bench 2.1, donde el modelo instala paquetes, edita configuraciones y ejecuta programas por sí mismo, el resultado subió de 61,8 a 82,7 puntos frente a la versión preview. En Agents' Last Exam obtuvo 25,2, frente a los 25,7 del modelo cerrado Opus-4.8. Los equipos que trabajan con agentes de programación deberían probarlo con sus propias tareas.

Procesado por IA desde X: @victormustar; editado por Hamidun News
DeepSeek actualizó V4-Flash: en tareas de terminal, 82,7 puntos frente a 61,8
Fuente: X: @victormustar. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalX: @victormustar ↗
Editor jefe
Licencia MITlos pesos pueden descargarse y ejecutarse en casa, incluso dentro de un producto
Dato clave #2DeepSWE (tareas complejas de edición de código): de 7,3 a 54,4 puntos
Dato clave #3Diferencia con Opus-4.8 en Agents' Last Exam: solo 0,5 puntos

Imagine un agente que recibe la tarea «despliega el servicio y arregla las pruebas que fallan», abre el terminal por sí mismo, instala dependencias, edita configuraciones y ejecuta programas hasta que todo funciona. Hasta ahora, este tipo de agentes se construía sobre todo con APIs cerradas, porque los modelos abiertos iban por detrás en esto. La actualización DeepSeek-V4-Flash-0731 reduce esa distancia: en Terminal-Bench 2.1 (una prueba de trabajo en la línea de comandos), el modelo pasó de 61,8 a 82,7 puntos respecto a la versión preview. Las cifras las presentó Victor Mustar, de Hugging Face, en una publicación sobre el «verano abierto» de la IA.

Qué ha salido exactamente

DeepSeek-V4-Flash-0731 es una versión actualizada de V4-Flash con arquitectura MoE (mezcla de expertos) y un tamaño total de 304 mil millones de parámetros. En un MoE, para cada token solo trabaja una parte de los «expertos» de la red, por lo que este tipo de modelo resulta más barato que uno denso del mismo tamaño. La fuente no indica cuántos parámetros están activos en esta versión concreta.

Para la práctica, lo más importante es la licencia MIT. Es una de las licencias más permisivas: los pesos pueden descargarse, desplegarse en servidores propios, ajustarse y integrarse en un producto comercial sin acuerdos adicionales. Para las empresas que no quieren enviar su código ni sus registros a una API externa en la nube, es un argumento de peso.

Qué significan las cifras

La comparación se hace con la versión preview del mismo modelo, y la diferencia es notable.

  • Terminal-Bench 2.1 mide la fiabilidad del modelo en tareas de línea de comandos: instalar paquetes, editar configuraciones, ejecutar programas. El resultado subió de 61,8 a 82,7 puntos.
  • DeepSWE es un conjunto de tareas complejas de desarrollo de software, en las que hay que entender código ajeno y corregirlo. Aquí el salto es más marcado: de 7,3 a 54,4 puntos, es decir, unas 7,5 veces más.
  • Agents' Last Exam es un examen exigente para agentes de IA. DeepSeek-V4-Flash-0731 obtuvo 25,2 puntos y el modelo cerrado Opus-4.8, 25,7. La diferencia es de 0,5 puntos.

Una mejora así en una sola actualización indica que el equipo reforzó de forma deliberada el comportamiento agéntico: la capacidad de llevar una tarea de varios pasos hasta el final, y no solo de responder bien en un chat. Para un agente de terminal, eso es lo que más importa.

Qué hacer con esto y dónde ser cautos

Si tiene un agente de programación, un bot de CI o un asistente interno de DevOps, reúna un pequeño conjunto de tareas reales de su entorno y ejecute DeepSeek-V4-Flash-0731 junto al modelo que usa ahora. Si la diferencia en sus tareas es pequeña, el ahorro en API y el control sobre los datos pueden pesar más.

Además, conviene tener en cuenta lo siguiente:

  • Todas las cifras proceden de una publicación en X, no de una auditoría independiente. El resultado depende mucho de las condiciones de ejecución: el conjunto de herramientas, el número de intentos y los límites de tiempo.
  • Que la puntuación en Agents' Last Exam esté casi igualada no significa que el rendimiento sea igual en todas las tareas. En su propio stack y en sus repositorios el panorama puede ser distinto.
  • 304 mil millones de parámetros son muchos, incluso para un MoE. Para ejecutar el modelo en local hace falta un clúster de GPU serio, no un único portátil.

Aun así, el hecho es revelador. La distancia entre los modelos agénticos abiertos y los cerrados se ha reducido hasta el punto en que la elección depende del precio, la privacidad y la facilidad de despliegue, y no solo de la calidad. Para quienes construyen agentes, es un buen momento para revisar el presupuesto y comprobar si cada tarea necesita una API cerrada de pago.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Qué ha salido exactamente?

DeepSeek-V4-Flash-0731 es una versión actualizada de V4-Flash con arquitectura MoE (mezcla de expertos) y un tamaño total de 304 mil millones de parámetros. En un MoE, para cada token solo trabaja una parte de los «expertos» de la red, por lo que este tipo de modelo resulta más barato que uno denso del mismo tamaño. La fuente no indica cuántos parámetros están activos en esta versión concreta. Para la práctica, lo más importante es la licencia MIT.

¿Qué se sabe sobre Qué significan las cifras?

La comparación se hace con la versión preview del mismo modelo, y la diferencia es notable. Terminal-Bench 2.1 mide la fiabilidad del modelo en tareas de línea de comandos: instalar paquetes, editar configuraciones, ejecutar programas. El resultado subió de 61,8 a 82,7 puntos. DeepSWE es un conjunto de tareas complejas de desarrollo de software, en las que hay que entender código ajeno y corregirlo. Aquí el salto es más marcado: de 7,3 a 54,4 puntos, es decir, unas 7,5 veces más.

¿Qué se sabe sobre Qué hacer con esto y dónde ser cautos?

Si tiene un agente de programación, un bot de CI o un asistente interno de DevOps, reúna un pequeño conjunto de tareas reales de su entorno y ejecute DeepSeek-V4-Flash-0731 junto al modelo que usa ahora. Si la diferencia en sus tareas es pequeña, el ahorro en API y el control sobre los datos pueden pesar más. Además, conviene tener en cuenta lo siguiente: Todas las cifras proceden de una publicación en X, no de una auditoría independiente.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…