DeepSeek V4: cuándo elegir V4.1 Flash y cuándo Pro

DeepSeek V4 hoy: dos modelos y una migración que conviene revisar

DeepSeek, la familia de modelos disponible mediante API y pesos descargables, necesita una referencia de versión en tus registros de producción. Decir «V4» ya no basta para saber qué modelo procesó una solicitud. En la API alojada de DeepSeek, deepseek-flash apunta actualmente a DeepSeek-V4.1-Flash-1017 y deepseek-v4-pro a DeepSeek-V4-Pro-0813. Modelos y precios.

Verificado el 18 de octubre de 2026 en la página vigente de modelos y precios de DeepSeek y en las fichas de Hugging Face de esas revisiones exactas. Las recomendaciones de este artículo se basan en las capacidades documentadas, los requisitos de despliegue y el diseño de las evaluaciones; no son resultados de pruebas de rendimiento propias.

Lanzamiento de DeepSeek V4: qué cambió el 17 de octubre

La actualización de octubre afecta a Flash. Los dos nombres anteriores, deepseek-v4-flash y deepseek-v4-flash-vision-exp, siguen aceptándose, pero los modelos a los que apuntaban se han retirado. Ahora las solicitudes llegan a V4.1-Flash-1017 y mantienen las tarifas de Flash. Para integraciones nuevas, usa deepseek-flash. Correspondencia actual de los alias.

Para quien opera el servicio, que una solicitud termine correctamente no demuestra que siga ejecutándose el modelo anterior. Un alias funciona como el teléfono de un departamento: el número puede ser el mismo aunque responda otra persona. Si una herramienta interna cambió su forma de redactar, elegir herramientas o extender las respuestas sin que nadie modificara la configuración, incluye la migración del modelo servido entre las posibles causas.

Lo inmediato es volver a ejecutar tareas representativas y comparar los resultados que cumplen los criterios de aceptación. Sustituir el nombre configurado por el recomendado aclara la integración, pero no recupera el modelo retirado.

Estos son los límites del servicio alojado que recoge la tabla de modelos de DeepSeek. Un token es una unidad de texto que procesa el modelo. El contexto es el espacio de trabajo de una solicitud; la salida máxima limita cuánto puede generar. Ninguna de las dos cifras garantiza que recupere con precisión toda la información que le entregues.

Si diriges el área de tecnología y estás evaluando el análisis de repositorios, especifica los archivos relevantes y las comprobaciones de aceptación. Una ventana amplia permite incluir más material, pero no demuestra que el modelo haya encontrado la evidencia correcta ni respetado todas las restricciones.

¿Qué modelo encaja en tu producto?

Elige según las entradas que necesitas y los resultados que aceptas; después compara el costo de operación. Recomiendo empezar una evaluación nueva con Flash porque combina una mayor variedad de entradas con tarifas publicadas por token más bajas. Pro se gana un lugar en un flujo cuando obtiene mejores resultados aceptados en ese flujo, o cuando una integración existente con Pro ya cumple los requisitos.

DeepSeek V4 Flash: empieza por una tarea bien delimitada

Si has conseguido financiación para tu empresa y quieres incorporar clasificación de solicitudes de soporte o borradores de respuestas, empieza con Flash y una tarea cuya respuesta puedas comprobar. Proporciona la política pertinente, define las categorías permitidas y mide con qué frecuencia una persona revisora acepta el resultado. Son propuestas de evaluación, no afirmaciones de que el modelo ya haya superado las pruebas de tu caso de uso.

Si desarrollas por tu cuenta, aplica el mismo rigor al código: elige un cambio acotado, conserva el caso que reproduce el fallo y exige que el parche resultante supere las comprobaciones del proyecto. Un modelo que explica el problema de forma convincente pero deja el error sin resolver no ha terminado el trabajo.

Visión en DeepSeek V4: las imágenes deciden

Flash acepta imágenes como entrada; Pro no. Esa diferencia determina la elección ante un error de interfaz mostrado en una captura de pantalla, un formulario fotografiado o una consulta sobre un gráfico, antes de comparar benchmarks. Compatibilidad con imágenes por modelo.

Si tu aplicación deriva a Pro las solicitudes difíciles, establece una ruta aparte para las que incluyen imágenes. Enviar la misma solicitud a un modelo sin visión no conserva la tarea original. Convertir primero la imagen en una descripción de texto crea otro flujo, con otra oportunidad de perder información.

Conserva Pro para las tareas de texto en las que haya demostrado su valor. Si diriges la tecnología de una empresa mediana y tienes un asistente interno estable basado en Pro, conserva esa referencia mientras evalúas Flash. Si tienes experiencia operando estos sistemas, compara tanto el esfuerzo de revisión y la gestión de fallos como las respuestas completadas. No migres un flujo de texto fiable solo porque exista una revisión más reciente.

En horario de menor demanda, Flash cuesta $0.15 de entrada / $0.60 de salida, frente a $0.66 / $1.98 por 1M tokens de Pro, con entrada sin caché en ambos casos. Las tarifas oficiales de DeepSeek y nuestra página de precios de DeepSeek recogen el tarifario completo.

El modo de razonamiento cambia la solicitud, no el nombre del modelo

El modo con razonamiento y el modo sin razonamiento son ajustes de ambos modelos, no productos distintos que debas elegir. El primero añade una etapa explícita de razonamiento antes de la respuesta final. Pruébalo para planificación, depuración difícil y tareas cuyas restricciones interactúan entre sí; evalúa el modo sin razonamiento para extracción o clasificación acotadas, donde una deliberación adicional puede aportar poco.

La API alojada activa el razonamiento por defecto. En las solicitudes de Chat Completions, asigna a thinking.type el valor enabled o disabled; los niveles de esfuerzo documentados son low, high y max, con high como valor predeterminado. Declara estos ajustes de forma explícita para poder reproducir futuras comparaciones. Controles del modo de razonamiento.

Al migrar un agente, revisa el estado de la conversación además de la respuesta final. Cuando una solicitud incluye tools, DeepSeek exige que se vuelva a enviar el reasoning_content anterior, también el de los turnos sin llamadas a herramientas. Omitirlo puede provocar un error 400. Por eso, una conversación de un solo turno que funciona no valida un agente de varios turnos. Requisitos del estado al usar herramientas.

Cómo llamar a la API actual de DeepSeek

En model, usa el alias de la API, no el nombre del repositorio de Hugging Face. Con tu clave de DeepSeek ya disponible en la variable de entorno DEEPSEEK_API_KEY, esta solicitud sigue la interfaz documentada de Chat Completions:

curl --fail-with-body https://api.deepseek.com/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer ${DEEPSEEK_API_KEY}" \
  -d '{
    "model": "deepseek-flash",
    "messages": [
      {"role": "user", "content": "List the checks before releasing a small API change."}
    ],
    "thinking": {"type": "enabled"},
    "reasoning_effort": "high",
    "stream": false
  }'

Para evaluar Pro con texto, cambia el valor del modelo por deepseek-v4-pro. Para desactivar el razonamiento, asigna a thinking.type el valor disabled. Las URL base documentadas son https://api.deepseek.com para el formato compatible con OpenAI y https://api.deepseek.com/anthropic para el compatible con Anthropic. Guía de inicio de la API de DeepSeek.

Este ejemplo se basa en la documentación; no se ejecutó la solicitud para este artículo. Una vez que la conexión funcione, comprueba el procesamiento de las respuestas, los ciclos de llamadas y respuestas de herramientas, los fallos y los tiempos de espera con el cliente que use tu producto. Esas comprobaciones determinan si la integración está lista.

Los benchmarks de DeepSeek V4 necesitan su referencia de versión

El checkpoint exacto y la configuración de la evaluación importan más que un titular de «Flash contra Pro». Un benchmark es un conjunto definido de tareas; el entorno de ejecución del agente, o harness, es el software que ejecuta las herramientas y devuelve sus resultados al modelo. Cambiar cualquiera de los dos puede alterar el resultado.

La ficha de Flash-1017 de DeepSeek publica 77.0 en DeepSWE v1.1 con Mini-SWE-V2, y 42.3 en Terminal-Bench 4.0 con Claude Code. Son cifras del propio DeepSeek, reproducidas con los nombres de los benchmarks y las notas sobre el entorno de ejecución que figuran en la ficha. No son mediciones independientes de tu aplicación. Ficha del modelo Flash-1017.

DeepSeek V4 Pro: la puntuación debe ir acompañada del conjunto de tareas

La ficha de Pro-0813 de DeepSeek publica 87.9 en Terminal Bench 2.1. Para las tareas públicas de agentes de programación, describe el uso de DeepSeek Harness en modo mínimo y con el máximo esfuerzo de razonamiento. Es un resultado del propio DeepSeek en esa versión del benchmark. No se puede comparar con la cifra de Flash-1017 en Terminal-Bench 4.0 como si ambos conjuntos de tareas fueran idénticos. Ficha del modelo Pro-0813.

Si estás eligiendo un asistente de programación, el experimento útil mantiene constantes el repositorio, la tarea, las herramientas y las comprobaciones de aceptación. Registra si el parche funciona y cuánto trabajo de revisión exige. Los resultados publicados justifican probar un candidato; no deciden qué modelo debe atender las solicitudes de tu producto en producción.

Cuando alguien comparta un resultado antiguo, empieza por la ficha de la revisión correspondiente. Una puntuación atribuida únicamente a «V4.1 Flash» puede corresponder al checkpoint anterior.

Pesos abiertos: decide quién opera el modelo

Las dos revisiones exactas publican sus repositorios y pesos bajo licencia MIT. Los pesos son los parámetros aprendidos del modelo; descargarlos permite organizar la inferencia en infraestructura que operes tú. Usar la API alojada es otra opción de despliegue. Flash-1017, Pro-0813.

Para quien desarrolla por su cuenta, probar el servicio alojado requiere un proyecto de integración más pequeño. Para una empresa que ya opera infraestructura de modelos, los pesos descargables abren otra posibilidad. La pregunta relevante es quién se encargará de mantener la capacidad del servicio, las actualizaciones, los registros y la respuesta a incidentes.

Informe técnico de DeepSeek V4 e instrucciones de despliegue

La ficha de Flash-1017 enlaza el informe técnico de V4.1 y sus propias instrucciones de inferencia local, incluida la conversión de pesos. La de Pro-0813 enlaza el informe de V4 y documenta expresamente cómo servir el modelo con vLLM y SGLang, software para ejecutar inferencia. Sigue las instrucciones del checkpoint que realmente descargues. Instrucciones de Flash, instrucciones de Pro.

Hay una particularidad de la integración que debes prever: ambas fichas ofrecen implementaciones específicas para codificar prompts en lugar de una plantilla de chat en formato Jinja, que muchos sistemas de inferencia usan para organizar los mensajes de la conversación. La ficha de Flash también describe deepseek-recipe para codificar solicitudes y procesar respuestas, mientras deja la inferencia, la ejecución de herramientas y el transporte HTTP a cargo de quien lo invoca. Descargar los pesos no conecta esas piezas por ti.

Si quieres comparar más opciones para operar por tu cuenta, consulta nuestra guía de LLM de código abierto. Evalúa el despliegue por separado de la posición del modelo en los benchmarks.

Search y Fetch cambian lo que debe registrar un agente

Registra las solicitudes a herramientas web por separado de los tokens del modelo. La página de modelos y precios de DeepSeek presenta Search y Fetch como API independientes que se cobran por solicitud completada con éxito. Indica que las herramientas del lado del servidor de DeepSeek Harness, Claude Code y Codex ya usan estas API; esas llamadas integradas son actualmente gratuitas, y la facturación por solicitud comienza a las 00:00, hora de Pekín, del 1 de noviembre de 2026. Aviso de facturación de Search y Fetch.

Si operas un agente de investigación, una respuesta completada puede combinar generación del modelo con varias operaciones web. Un panel de uso que solo cuente tokens no muestra toda esa actividad. Añade contadores separados de solicitudes exitosas para Search y Fetch, y revisa si los reintentos o las consultas repetidas están aportando algo útil.

La fecha cambia los supuestos de operación de un agente existente; no es motivo para reconstruirlo. Antes de ese momento, haz visible el tráfico de herramientas y fija un presupuesto de solicitudes adecuado para la tarea. Los detalles de las tarifas están en la guía de precios enlazada.

Qué expectativas conviene moderar y qué hacer ahora

Un nombre más reciente, una ventana de contexto más grande y unos pesos abiertos responden a preguntas diferentes. Ninguno convierte a un modelo en la opción automática para cualquier tarea.

La etiqueta «Pro» no establece una clasificación universal de calidad. Un límite de contexto elevado no garantiza una recuperación fiable de la información. Los pesos con licencia MIT no equivalen a un sistema de inferencia listo para operar ni a inferencia alojada gratuita. Y que se acepte un alias antiguo no significa que el modelo anterior siga disponible.

Actúa ahora si tu producto usa cualquiera de los nombres antiguos de Flash: vuelve a ejecutar sus tareas de aceptación y comprueba el comportamiento de la revisión que sirve actualmente la API. Hazlo también si tu agente utiliza Search o Fetch integrados, porque sus registros de uso deben reflejar el momento en que comienza la facturación.

Espera antes de cambiar si un flujo de texto existente con Pro cumple sus requisitos y no tienes mediciones que justifiquen reemplazarlo. La migración de los alias de Flash no cambia la ruta que tienes configurada para Pro; su correspondencia actual sigue siendo Pro-0813. Mantén las comprobaciones habituales que requiere cualquier dependencia alojada.

Para la decisión sobre el proveedor, consulta DeepSeek vs Claude o DeepSeek vs ChatGPT. La elección del modelo debe encajar en el producto y en su flujo de trabajo.

Para empezar el lunes: elige una tarea frecuente cuyo resultado puedas verificar y vuelve a ejecutar ejemplos guardados tanto en la ruta actual como con el candidato pertinente. Incluye un caso con imagen si tu producto las acepta, una entrada larga y una llamada fallida a una herramienta. Registra los resultados aceptados, el esfuerzo de revisión, el tiempo transcurrido, los tokens del modelo y las solicitudes a herramientas web. Pasa el candidato a producción solo cuando esos resultados respalden el cambio.

Preguntas frecuentes

Suscríbete al boletín para recibir notas prácticas sobre cómo elegir y operar herramientas de IA.