DeepSeek-V4: modelo abierto con contexto de 1M tokens optimizado para agentes
Hecho Qué ha ocurrido
DeepSeek ha publicado V4, un modelo de lenguaje abierto con ventana de contexto de 1 millón de tokens diseñado específicamente para flujos de trabajo de agentes autónomos. La arquitectura introduce Compressed Sparse Attention (CSA) y Heavily Compressed Attention (HCA) que reducen los FLOPs de inferencia de un único token al 27% respecto a V3.2 en la versión Pro, y al 10% en V4-Flash, mientras disminuye el uso de caché KV al 2% comparado con arquitecturas de atención estándar. El modelo ha sido entrenado con reinforcement learning contra entornos reales de herramientas y logra paridad con modelos fronterizos cerrados en benchmarks de codificación (67% en tareas internas de R&D).
Resumen generado mediante IA a partir de Hugging Face (original en inglés). Naturaleza de la información: hecho documentado.
Análisis Por qué importa
Un modelo abierto con contexto ultra-largo y eficiencia demostrada en tareas de agentes agenticos resuelve limitaciones prácticas actuales: permite agentes que ejecuten secuencias largas de herramientas sin degradación, reduce drásticamente el coste de inferencia en contexto largo, y democratiza capacidades que hasta ahora eran exclusivas de modelos cerrados fronterizos. Para equipos técnicos, representa la posibilidad de desplegar agentes autónomos viables en producción sin depender de APIs
- Quién se ve afectado
- Equipos de desarrollo y departamentos de I+D que construyen agentes de software; empresas con tareas de automatización de procesos largos (análisis de código, navegación web multi-paso, sesiones de terminal); y organizaciones que buscan independencia de APIs cerradas para agentes en producción.
- Qué puede cambiar
- La eficiencia de inferencia en contexto largo puede volver económicamente viable desplegar agentes completamente abiertos en infraestructura propia, reduciendo la dependencia de proveedores de API. Los agentes pueden mantener coherencia y razonamiento acumulado a lo largo de cientos de rondas de herramientas, mejorando fiabilidad en tareas de horizonte extendido.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Adopción del esquema XML |DSML| en marcos de agentes existentes (SWE-bench, MCPAtlas); desempeño en benchmarks reales de producción fuera del laboratorio; comparación de costes efectivos con modelos propietarios en infraestructura en nube; y cómo la comunidad adapta harnesses de herramientas para preservar la coherencia de razonamiento en multi-turno.
Recomendación Qué debería hacer una empresa
Evaluar DeepSeek-V4-Pro o V4-Flash en prototipos de agentes en los próximos 2-3 meses, particularmente para tareas de automatización de procesos largos (análisis de código, tickets de soporte multi-paso) donde el coste actual de APIs propietarias es significativo. Revisar la arquitectura de caché y parámetros de muestreo recomendados (T=1.0, top_p=1.0) antes de producción.
Recomendación generada por IA con la evidencia disponible; no es asesoramiento profesional.
Enviar esta noticia por correo
Enviado. Revisa que llegue a la bandeja de entrada de quien lo reciba.
La dirección no parece válida.
Has enviado varios correos seguidos. Espera un rato.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
No se ha podido enviar. Inténtalo de nuevo en unos minutos.
Fuente original: Hugging Face (fuente primaria). La referencia es siempre el artículo original.
Ver fuente original ↗LLMagentesCompressed Sparse Attentionlong-contextMoE DeepSeekHugging Face agentes autónomos contexto largo DeepSeek-V4 eficiencia modelos abiertos open source
Relacionadas
DeepSeek lanza V4.1-Flash: reduce memoria caché para agentes de IA más baratos
DeepSeek publicó V4.1-Flash, un modelo multimodal de 552.000 millones de parámetros que reduce la memoria caché KV a una cuarta parte respecto a su predecesor…
Por qué importaLa reducción drástica de memoria caché abarata significativamente el despliegue de agentes de IA que operan en contextos largos y con múltiples…
DeepSeek V4 Pro 0813 disponible con pesas de 1.7 billones de parámetros
DeepSeek ha lanzado el modelo V4 Pro 0813, disponible únicamente a través de API en OpenRouter. Las pesas del modelo (1.7 billones de parámetros, 893 GB) están…
Por qué importaLa iteración regular de DeepSeek mantiene la presión competitiva en el mercado de grandes modelos de lenguaje y su estrategia de código abierto…
DeepMind presenta Perceiver AR, arquitectura para generación con contexto de 100.000 tokens
Google DeepMind ha publicado Perceiver AR, una arquitectura autoregresiva y agnóstica de modalidad que utiliza cross-attention para procesar contextos muy…
Por qué importaLas limitaciones actuales en longitud de contexto (típicamente 2.048 tokens en Transformers) afectan la calidad de generación en tareas largas…
Liquid AI lanza LFM2.5-24B-A2B, un modelo abierto de razonamiento orientado a agentes en el dispositivo
Liquid AI publicó en Hugging Face LFM2.5-24B-A2B, un modelo de pesos abiertos solo de razonamiento, con ventana de contexto de 131K tokens y entrenamiento…
Por qué importaPara equipos que quieran agentes locales con privacidad, un modelo abierto de su tamaño que cumpla con llamadas a herramientas podría reducir costes…
Tu opinión
Te hemos enviado un correo para confirmar tu dirección. El comentario se procesará cuando pulses el enlace.
Gracias. Tu comentario se publicará cuando lo revise el equipo (los primeros comentarios de cada persona se moderan).
Comentario publicado. Gracias por participar.
No se puede comentar aquí.
Indica un nombre (de 2 a 60 caracteres).
El correo no parece válido.
El comentario debe tener entre 10 y 2.000 caracteres.
Demasiados enlaces en el comentario.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
Has alcanzado el límite diario de comentarios.
Demasiados comentarios seguidos. Espera un rato.
No se ha podido enviar el correo de confirmación. Inténtalo de nuevo en unos minutos.