DeepSeek actualiza su modelo R1 y estrecha el margen con OpenAI y Google

DeepSeek ha publicado una actualización de su modelo de razonamiento R1, bautizada como R1-0528, que —según los datos disponibles— reduce la distancia con los modelos de razonamiento cerrados más avanzados del mercado.

El salto de rendimiento es concreto y medible: en AIME 2025, un benchmark que evalúa la capacidad de resolver problemas matemáticos de nivel de competición, el modelo pasa de un 70% de aciertos a un 87,5%. La nueva versión también recorta las alucinaciones —respuestas que el modelo presenta como ciertas sin serlo— en torno a un 45-50% respecto a la versión anterior.

Qué significa acercarse a o3 y Gemini 2.5 Pro

La comparación no es cosmética. o3 de OpenAI y Gemini 2.5 Pro de Google son, junto a otros modelos de razonamiento, la referencia actual en tareas que requieren pensar paso a paso antes de responder: matemáticas avanzadas, programación compleja o problemas lógicos de varios pasos. Que un modelo con pesos abiertos —es decir, cuyo archivo de parámetros puede descargarse, ejecutarse localmente y modificarse libremente— se acerque a ese nivel cambia el cálculo de quién puede permitirse construir sobre inteligencia artificial de frontera.

Hasta ahora, acceder a un razonador de ese calibre implicaba pagar por API a una empresa cerrada y aceptar sus condiciones de uso, sus límites de tasa y su opacidad sobre cómo se entrenó el modelo. Con pesos abiertos, cualquier empresa, laboratorio universitario o desarrollador independiente puede descargar R1-0528, ajustarlo a su caso concreto y correrlo en su propia infraestructura, sin depender de un proveedor externo ni enviar datos a servidores de terceros.

La amenaza del open source a los modelos cerrados

Es habitual escuchar en el sector el argumento de que la brecha de capacidad entre modelos cerrados y de pesos abiertos seguiría siendo amplia: estos últimos podían ser útiles, pero no competitivos en la frontera. Los datos de R1-0528 complican ese argumento: si un modelo abierto reduce alucinaciones a la mitad y sube casi 18 puntos porcentuales en un benchmark matemático exigente en una sola actualización, la distancia con los modelos propietarios parece estrecharse con rapidez.

Esto no elimina el debate: los modelos cerrados siguen ofreciendo garantías de soporte, integración y, en teoría, controles de seguridad que un modelo descargable no lleva incorporados de fábrica. Pero el argumento económico para empresas con presupuestos ajustados —o para quienes buscan evitar dependencia de infraestructura externa— se inclina cada vez más hacia lo abierto.

Qué cambia para quien usa IA hoy

Para un desarrollador o una empresa que ya trabajaba con modelos de razonamiento, la actualización de DeepSeek amplía las opciones reales sin coste de licencia por token. Para el ecosistema en general, refuerza una tendencia que lleva meses consolidándose: el liderazgo en pesos abiertos ya no es terreno exclusivo de modelos de segunda fila, sino que empieza a tocar la primera línea de rendimiento en tareas de razonamiento complejo.

Queda por ver cómo responden OpenAI y Google a esta reducción de distancia, y si mantienen su ventaja centrándose en capacidades que un modelo descargable no puede replicar fácilmente, como la integración profunda con herramientas propias o el ajuste fino con datos propietarios a gran escala.