DeepSeek-R1 llega a Nature tras una revisión de ocho expertos

El 17 de septiembre de 2025, Nature publicó el trabajo técnico de DeepSeek-R1 después de su proceso editorial y de revisión. La fuente original sostiene el núcleo documental del hecho; la revisión valida la publicación del estudio, no cada generalización comercial sobre el modelo.

La publicación no convierte automáticamente todas las afirmaciones de DeepSeek en hechos incontrovertibles. Sí somete su metodología y sus resultados a un escrutinio científico que los grandes laboratorios estadounidenses, acostumbrados a divulgar sus avances mediante informes técnicos y presentaciones corporativas, rara vez han aceptado para sus modelos más capaces.

El razonamiento surgió sin ejemplos humanos en R1-Zero

El hallazgo central del trabajo es que determinadas capacidades de razonamiento pueden incentivarse mediante aprendizaje por refuerzo, una técnica en la que el sistema recibe recompensas cuando alcanza respuestas correctas, sin necesidad de enseñarle paso a paso cómo razonar.

DeepSeek aplicó este método a R1-Zero, una versión experimental construida sobre DeepSeek-V3-Base. En lugar de entrenarlo con razonamientos escritos por personas, utilizó problemas cuyas soluciones podían comprobarse automáticamente, especialmente de matemáticas y programación.

Durante ese proceso aparecieron comportamientos como revisar una respuesta, probar otra estrategia o dedicar más pasos a los problemas difíciles. Es relevante porque esas pautas no habían sido introducidas como demostraciones humanas: surgieron como una forma útil de maximizar la recompensa.

Hay una distinción importante. El DeepSeek-R1 publicado para uso general no se entrenó exclusivamente con refuerzo puro. La compañía incorporó una pequeña fase inicial con ejemplos supervisados, seguida de aprendizaje por refuerzo, generación y filtrado de nuevos datos, ajuste supervisado y una segunda fase de refuerzo. Ese proceso adicional buscaba mejorar la legibilidad, reducir las mezclas de idiomas y ampliar las capacidades más allá de los problemas con respuestas verificables.

Por tanto, el paper respalda que el razonamiento puede emerger mediante refuerzo puro en R1-Zero, no que toda la versión final de R1 prescinda de datos supervisados.

Qué representa realmente el coste de 294.000 dólares

La cifra de 294.000 dólares corresponde al entrenamiento por refuerzo descrito para desarrollar las capacidades de razonamiento. No es el coste total de crear DeepSeek-R1 desde cero y tampoco incluye toda la investigación, los experimentos descartados, la preparación de datos o el entrenamiento del modelo base. Documento que sostiene la cifra.

R1 parte de DeepSeek-V3, una arquitectura de mezcla de expertos con 671.000 millones de parámetros totales, de los cuales se activan alrededor de 37.000 millones para procesar cada fragmento de texto. Esta técnica reparte el modelo entre numerosos bloques especializados y utiliza solo una parte en cada operación, lo que reduce el cálculo necesario frente a activar todos los parámetros a la vez. Documento que sostiene la cifra.

DeepSeek había estimado en 5,576 millones de dólares el coste de la ejecución final de preentrenamiento de V3, calculado a partir de 2,788 millones de horas de GPU Nvidia H800. Esa cifra tampoco representaba el presupuesto completo del proyecto, pues dejaba fuera el desarrollo previo y otros ensayos. Documento que sostiene la cifra.

Los 294.000 dólares son, por ello, un dato significativo pero acotado: muestran que añadir el comportamiento de razonamiento mediante refuerzo puede ser mucho más barato que preentrenar el modelo base. No permiten concluir que R1 completo costase esa cantidad ni ofrecen una comparación directa con modelos como OpenAI o1, cuyos laboratorios no han publicado un desglose equivalente. Documento que sostiene la cifra.

Una apertura mayor que la habitual, pero no completa

DeepSeek distribuyó en enero los pesos de R1 y varias versiones destiladas —modelos más pequeños entrenados para imitar al sistema grande— bajo licencia MIT. También publicó un informe técnico con su metodología y resultados, lo que permitió a investigadores y empresas ejecutar los modelos en infraestructura propia.

La publicación en Nature añade otra capa: revisores independientes han podido cuestionar el diseño experimental, pedir aclaraciones y evaluar si las conclusiones están respaldadas por las pruebas presentadas. Esto diferencia el trabajo de las tarjetas de modelo o informes de seguridad elaborados y publicados únicamente por las propias compañías.

No equivale, sin embargo, a una reproducción independiente del entrenamiento. Tampoco convierte R1 en un proyecto completamente abierto: disponer de los pesos no proporciona necesariamente los datos originales, todo el código de entrenamiento ni el historial completo de experimentos necesario para reconstruir el modelo desde el principio.

La presión se traslada a los demás laboratorios

La relevancia de este artículo va más allá de DeepSeek. OpenAI, Google DeepMind, Anthropic y Meta presentan buena parte de sus avances más importantes sin revelar todos los detalles técnicos, alegando competencia comercial, seguridad o riesgo de uso indebido. Esa práctica dificulta comprobar costes, comparar métodos y separar mejoras científicas de decisiones de producto.

R1 demuestra que al menos una parte sustancial del desarrollo de un modelo de frontera puede documentarse con el nivel exigido por una revista científica. También refuerza una vía de investigación con consecuencias económicas: si el aprendizaje por refuerzo permite extraer más capacidad de razonamiento de modelos ya preentrenados, empresas y centros académicos podrían experimentar sin asumir siempre el coste de construir un sistema base desde cero.

El siguiente paso será comprobar hasta qué punto estos resultados se reproducen en otros modelos, idiomas y tareas menos fáciles de verificar automáticamente. La revisión de Nature eleva el estándar de evidencia, pero la prueba más exigente seguirá siendo que equipos independientes obtengan comportamientos comparables con recursos y métodos documentados.

Cómo convertir el titular en una comprobación

Un resultado experimental comienza por su variable observable. Hay que anotar qué cuenta como acierto, qué conducta activa una etiqueta y qué casos quedan fuera. la revisión valida la publicación del estudio, no cada generalización comercial sobre el modelo. Si el fenómeno no puede reconocerse sin interpretar la intención del modelo, la conclusión necesita todavía más cautela y una definición reproducible.

El protocolo importa tanto como la puntuación. Se documentan instrucciones, herramientas, tiempo, presupuesto de cómputo, número de intentos, selección de ejemplos y regla de corrección. Cambiar cualquiera de esas piezas puede cambiar el resultado sin que el modelo haya aprendido nada nuevo. Por eso comparar dos titulares exige primero comprobar que miden el mismo eje.

Una réplica fuerte intenta romper la conclusión. Añade datos no vistos, variantes pequeñas, controles negativos y tareas donde la respuesta correcta sea abstenerse. Conserva también los fallos, no solo ejemplos elegidos. Para valorar cómo separar arquitectura, coste declarado, resultado experimental y capacidad reproducible, el conjunto debe parecerse al uso previsto y reflejar el coste de cada clase de error.

Qué debe quedar registrado

El estudio puede enseñar un patrón sin resolver todo el campo. La formulación honesta conserva dominio, muestra y fecha, y evita convertir «observamos» en «demostramos para siempre». La evidencia gana valor cuando otro equipo puede repetirla con los materiales disponibles o explicar qué elemento falta. Esa trazabilidad es más útil que una etiqueta grandiosa.

Una ficha de evidencia separa cuatro columnas: lo que afirma la fuente, lo que muestra, lo que no midió y qué tendría que ocurrir para cambiar la conclusión. Esa disciplina evita que una ausencia se convierta en promesa y que una condición desaparezca al resumir. También permite actualizar la pieza sin reescribir la historia desde el resultado posterior.

Conviene incluir un caso negativo antes de decidir. Se busca una situación donde el sistema, norma, operación o estudio no resuelva la necesidad y se anota la señal que obligaría a parar. Los éxitos seleccionados muestran que algo puede ocurrir; el caso negativo revela el límite y reduce el coste de descubrirlo después del despliegue.

La capacidad que sobrevive al anuncio

La comparación válida conserva denominador y eje. No enfrenta una cifra puntual con un promedio, una capacidad futura con una instalada ni una predicción con una observación. Cuando dos fuentes usan palabras parecidas, se reconstruye qué contaron y durante qué periodo. Si no coinciden, se publican como medidas distintas en vez de fabricar una clasificación.