DeepSeek lanza R1-Lite-Preview, su respuesta a los modelos que razonan

El 20 de noviembre de 2024, DeepSeek abrió R1-Lite-Preview en su chat como anticipo de un modelo orientado al razonamiento. La nota oficial de DeepSeek compara resultados matemáticos y relaciona más cómputo de inferencia con mejor puntuación, pero aplaza pesos y API. La lectura correcta empieza por conservar el protocolo: una sola respuesta y una votación entre muchos intentos no son el mismo coste ni la misma prueba.

El anuncio importa por dos motivos. Primero, porque confirma que los laboratorios chinos no se limitan a competir en chatbots generalistas: también están trabajando en modelos que invierten más cálculo en resolver problemas complejos. Segundo, porque DeepSeek ha permitido probar R1-Lite-Preview en su servicio de chat, haciendo visible una parte de su proceso de razonamiento antes de dar la respuesta final.

Un modelo que intenta antes de contestar

Los modelos de lenguaje convencionales suelen generar una respuesta de forma casi inmediata, palabra a palabra. R1-Lite-Preview sigue otra estrategia: produce pasos intermedios, revisa el planteamiento y llega después a una conclusión. No significa que piense como una persona ni que sus explicaciones sean una prueba fiable de cómo funciona internamente, pero sí que está optimizado para dedicar más esfuerzo a tareas donde una primera intuición suele fallar.

Ese enfoque es especialmente útil en ejercicios matemáticos, programación, acertijos lógicos y preguntas que requieren encadenar varias condiciones. Es también el camino que popularizó OpenAI con o1, presentado como un modelo que puede pensar más tiempo antes de responder.

La diferencia práctica para un usuario es clara: la respuesta puede tardar más, pero tiene más opciones de acertar cuando el problema exige varios cálculos o una planificación. A cambio, mostrar una cadena larga de razonamiento no elimina los errores. Un modelo puede desplegar una explicación convincente y, aun así, partir de una premisa equivocada o cometer un fallo aritmético.

Resultados cercanos a o1-preview en matemáticas

DeepSeek ha comparado R1-Lite-Preview con o1-preview en AIME 2024, una prueba de problemas matemáticos de competición estadounidense utilizada habitualmente para evaluar razonamiento. La empresa sitúa a su modelo en el 41,5% de aciertos con una sola respuesta por pregunta, frente al 44,6% atribuido a o1-preview. Fuente

La distancia es pequeña en una prueba exigente, aunque conviene leerla con cautela. Los benchmarks miden una habilidad concreta bajo condiciones controladas; no garantizan que un modelo vaya a rendir igual en una hoja de cálculo, en una consulta jurídica o al escribir código para producción. También importa cómo se formula la pregunta, cuánto tiempo de cálculo recibe el sistema y si puede generar varias respuestas para escoger la mejor.

DeepSeek sostiene que, mediante votación mayoritaria entre varias ejecuciones, R1-Lite-Preview alcanza un 86,7% en AIME 2024. Esta técnica mejora el resultado porque el sistema intenta resolver el mismo problema varias veces y selecciona la solución más repetida. Es una herramienta útil para evaluar capacidad, pero consume bastante más computación que una única consulta y no equivale al rendimiento habitual de un chatbot. Fuente

Disponible para probar, pero no como pesos abiertos

R1-Lite-Preview está disponible en el chatbot de DeepSeek. La compañía permite observar los pasos de razonamiento que genera el modelo, una decisión llamativa en un momento en que OpenAI ha optado por no mostrar la cadena de pensamiento completa de o1 a sus usuarios.

No obstante, el lanzamiento no convierte a R1-Lite-Preview en un modelo abierto en el sentido estricto. DeepSeek ofrece acceso al servicio, pero no ha publicado los pesos del modelo, los archivos que permitirían descargarlo, ejecutarlo en servidores propios o estudiarlo de forma independiente. Es una distinción importante: acceso público no es lo mismo que código o modelo abierto.

La empresa tampoco ha detallado la arquitectura, el volumen de entrenamiento ni el coste computacional de R1-Lite-Preview. Sin esos datos, resulta difícil medir hasta qué punto su enfoque puede reproducirse fuera de DeepSeek o compararse en eficiencia con las propuestas estadounidenses.

La carrera cambia de categoría

Hasta hace pocos meses, la conversación sobre modelos de lenguaje giraba sobre todo alrededor del tamaño, la fluidez y la capacidad de mantener una conversación. Los sistemas de razonamiento desplazan el foco hacia otra pregunta: cuánto trabajo adicional puede hacer un modelo antes de ofrecer una respuesta.

Para empresas y desarrolladores, ese cambio abre posibilidades en análisis técnico, programación y automatización de procesos con reglas complejas. También obliga a distinguir entre tareas que necesitan una respuesta rápida y barata, y aquellas en las que compensa esperar y pagar más por una segunda comprobación.

R1-Lite-Preview es todavía una versión preliminar y sus resultados dependen en gran medida de las pruebas comunicadas por su creador. Pero su aparición muestra que o1 no ha inaugurado una categoría reservada a OpenAI. El razonamiento se está convirtiendo en el nuevo campo de competencia entre los grandes modelos, y DeepSeek acaba de situarse en esa carrera.

“Razonar” necesita un criterio observable

Un texto de pasos puede ayudar a localizar un error, pero no demuestra que esos pasos causaran la respuesta. La evaluación conserva pregunta, respuesta final, tiempo, tokens y verificación externa. Para matemáticas, se comprueba el resultado; para código, se ejecutan pruebas; para hechos, se exigen fuentes. La prosa intermedia es evidencia auxiliar.

También se incluyen problemas con premisas falsas o información insuficiente. Un sistema que siempre produce una derivación extensa puede parecer aplicado y ser menos fiable porque no se detiene. Saber identificar que no hay solución forma parte del razonamiento.

Una ejecución y una votación no comparten eje

Generar candidatos y escoger la respuesta mayoritaria suele elevar la probabilidad de acierto si los errores no coinciden, pero multiplica coste y latencia. El informe separa resultado de un intento, varios intentos y selección con verificador. Comparar la última modalidad con la primera de otro modelo atribuye al modelo una ventaja del presupuesto.

La curva útil coloca calidad frente a cómputo. Si más tiempo mejora al principio y luego se estanca, aparece un punto operativo. También se mide dispersión: una media alta con fallos imprevisibles puede ser peor para una aplicación que una capacidad menor y estable.

El benchmark debe tocar la tarea real

AIME y MATH prueban formas concretas de matemáticas; no demuestran planificación general, fiabilidad factual o uso seguro de herramientas. Para transferir la evaluación, prepara problemas propios, inéditos y verificables, conserva el criterio y cambia una condición cada vez.

La vista previa añade otra limitación: sin pesos ni API en esa fecha, solo podía probarse la interfaz ofrecida. No se conocían configuración de servicio, selección de respuestas ni capacidad de reproducción local. Declarar el acceso evita convertir una experiencia controlada en propiedad universal.

La capacidad transferible es comparar modelos de razonamiento mediante la misma unidad: tarea, intento, presupuesto, verificador y coste. El nombre de la técnica importa menos que una curva reproducible de acierto y fallo.

La selección necesita su propio evaluador

Una mayoría puede escoger el error común. En problemas con respuesta verificable, conviene comparar votación, comprobador formal y selección por otro modelo. Se mide cuánto añade cada capa y qué nuevos fallos introduce. Un juez aprendido puede preferir explicaciones convincentes aunque la solución sea falsa.

Las respuestas repetidas tampoco son muestras independientes si comparten prompt, datos y sesgos. Variar temperatura genera diversidad superficial, no garantiza estrategias distintas. Revisar árboles de solución y tipos de error ayuda a saber si el presupuesto explora o solo parafrasea.

En producción, fija un límite de tiempo y una salida de abstención. Si el sistema agota presupuesto, debe informar en vez de entregar el último intento como conclusión segura. Registrar cuántas tareas llegan a ese límite aporta el denominador que falta en una demostración elegida.