DeepSeek V4 Flash: IA de Frontera por una Fracción del Precio

Todo sobre DeepSeek V4 Flash: arquitectura, benchmarks, precios y casos de uso reales

Quieres un rendimiento de IA de primer nivel sin la factura de primer nivel, y ese es exactamente el hueco que DeepSeek V4 Flash vino a cubrir. DeepSeek-V4-Flash es un modelo Mixture-of-Experts con 284.000 millones de parámetros totales y 13.000 millones activados, con soporte para un contexto de un millón de tokens. La versión oficial 0731 se lanza a aproximadamente 0,14 $ por millón de tokens de entrada y 0,28 $ por millón de tokens de salida, una fracción de lo que cobran los modelos cerrados. Ten en cuenta que sus puntuaciones son sólidas en pruebas estándar, pero la consistencia en el mundo real varía según la carga de trabajo.

Esta guía repasa la arquitectura, los benchmarks, los precios, las comparativas con la competencia y las opciones de despliegue, pensada para ser útil tanto si eres desarrollador como si eres quien toma las decisiones. También cubre la forma más inteligente de pagar suscripciones de IA como Claude, ChatGPT y Gemini sin perder dinero en comisiones de cambio de divisa.

¿Pagas ChatGPT, Claude o Gemini cada mes mientras pruebas los últimos modelos? Bleap cobra un 0% de comisión de cambio de divisa en tus suscripciones en USD y te da un 20% de cashback fijo en Claude, ChatGPT y Gemini, con una Mastercard autocustodiada y sin suscripción propia. (El 20% de cashback aplica solo a Claude, ChatGPT y Gemini.) Consigue la tarjeta Bleap →

1. ¿Qué es DeepSeek V4 Flash? Resumen y contexto de lanzamiento

DeepSeek V4 Flash es el hermano más pequeño y centrado en la eficiencia dentro de la familia DeepSeek V4. DeepSeek-V4-Flash es un modelo Mixture-of-Experts disperso de 284.000 millones de parámetros, con solo 13.000 millones de parámetros activos por pasada, y es el hermano menor de DeepSeek-V4-Pro (1,6 billones en total, 49.000 millones activos), con la misma ventana de contexto nativa de 1 millón de tokens y los mismos tres modos de esfuerzo de razonamiento.

Apareció por primera vez como versión preliminar en abril de 2026, y más adelante recibió una actualización oficial. La versión titulada DeepSeek-V4-Flash-0731 es la versión oficial del modelo Flash más pequeño de la familia V4, y sustituye a la versión preliminar publicada en abril. El sentido del posicionamiento ""Flash"" es sencillo: resolver el clásico dilema entre velocidad y coste frente a calidad para desarrolladores, empresas e investigadores que gestionan cargas de trabajo de gran volumen. Se publica bajo licencia MIT.

2. Arquitectura e innovaciones estructurales

La arquitectura MoE de DeepSeek explicada

Mixture-of-Experts significa que el modelo contiene muchas subredes especializadas (""expertos""), pero solo unas pocas se activan para cada fragmento de entrada. El número de parámetros que realmente se ejecutan durante cada pasada de inferencia se expresa en miles de millones, y en los modelos MoE un mecanismo de enrutamiento selecciona un subconjunto de expertos por token, lo que da como resultado menos parámetros activos que totales. Esa diferencia entre los 284.000 millones totales y los 13.000 millones activos es la razón por la que Flash resulta tan económico de ejecutar: obtienes el conocimiento de un modelo grande con el coste de inferencia de uno mucho más pequeño.

Principales cambios de diseño frente a versiones anteriores de DeepSeek

El cambio arquitectónico más destacado es una pila de atención completamente reconstruida. DeepSeek-V4 combina Compressed Sparse Attention (CSA) y Heavily Compressed Attention (HCA) en un mecanismo de atención híbrido para mejorar drásticamente la eficiencia en contextos largos. También hay una mejora en la estabilidad: las Manifold-Constrained Hyper-Connections (mHC) refuerzan las conexiones residuales convencionales, mejorando la estabilidad de la propagación de la señal a través de las capas sin sacrificar la capacidad expresiva del modelo. La ganancia en eficiencia es real: la combinación híbrida de CSA y HCA junto con mHC alcanza el 27% de los FLOPs de inferencia por token de V3.2 y el 10% de la caché KV de V3.2 con un contexto de 1M.

3. Ventana de contexto de un millón de tokens y avances en eficiencia

El contexto de 1M de tokens es un estándar, no un extra premium. La ventana de contexto de 1M de V4 es el límite base por defecto en todas las llamadas a la API de V4, no un nivel premium, y amplía 8 veces el límite de 128K de V3.2 sin ningún recargo por llamada. En la práctica, esto permite trabajar con bases de código enteras, documentos legales extensos y sesiones agénticas prolongadas en un único prompt.

Lo que hace que esto sea utilizable a gran escala es la relación entre rendimiento y coste. A las tarifas de V4-Flash, las entradas de 1M de tokens resultan económicamente viables incluso con un volumen moderado. Esto abre la puerta a revisiones de código con múltiples archivos, análisis de contratos y síntesis de investigaciones extensas sin que el coste se dispare cada vez que llenas la ventana. Esta ventana es un techo al que aspirar cuando realmente lo necesitas, no un objetivo que perseguir en cada llamada.

4. Optimizaciones de la capacidad de los agentes

El rendimiento de los agentes es lo más destacado de la actualización 0731. La capacidad de los agentes es la gran noticia: DeepSeek informa que la versión oficial de V4-Flash supera considerablemente a V4-Pro-Preview en nueve pruebas de referencia para agentes, con el mismo modelo pero un nuevo post-entrenamiento, manteniendo exactamente la misma estructura y tamaño que V4-Flash-Preview. También admite de forma nativa el uso estructurado de herramientas. V4 Flash es compatible de forma nativa con la Responses API y está adaptado para Codex, además de admitir salida en JSON, llamadas a herramientas y finalización con prefijo de chat.

Las tareas de largo alcance se benefician de un cambio en la forma de gestionar el contexto. Durante las tareas agénticas que implican el uso de herramientas, el modelo conserva todo su historial de razonamiento en el contexto a lo largo de cada ronda, incluso entre distintos mensajes del usuario, en lugar de descartarlo como hacía DeepSeek-V3.2.

5. Resultados de los benchmarks: ¿cómo rinde realmente DeepSeek V4 Flash?

Rendimiento del modelo base

Los agregadores independientes sitúan a Flash muy por encima de su categoría de tamaño. DeepSeek V4 Flash 0731 obtiene 52 puntos en el Artificial Analysis Intelligence Index, quedando muy por encima de la media entre otros modelos de código abierto de tamaño similar (mediana de 26). En pruebas concretas, obtiene un 90,8% en GPQA Diamond, un 69,1% en el Coding Index y un 51,8% en el Intelligence Index.

• Intelligence Index: 52 (razonamiento, esfuerzo máximo)
• GPQA Diamond: 90,8%
• Coding Index: 69,1%
• Velocidad de salida: 129,9 tokens por segundo según la API de DeepSeek, muy por encima de la mediana de 69,8 t/s para modelos de código abierto similares.

Rendimiento del modelo DeepSeek Instruct

El checkpoint 0731 ajustado para instrucciones rinde por encima de lo esperado en tareas profesionales. En GDPval-AA v2, una comparación directa en tareas laborales de finanzas, derecho, sanidad y otras profesiones, DeepSeek-V4-Flash-0731 configurado en razonamiento máximo logró 1.558 Elo, el segundo mejor resultado entre los modelos de código abierto, por detrás de Kimi K3 y por delante de GLM-5.2. Una advertencia honesta de quienes lo han probado a fondo: los modelos parecen estar en parte ""optimizados para benchmarks"", potentes en pruebas estándar pero menos consistentes en el uso práctico. Prueba siempre con tu propia carga de trabajo antes de decidirte.

¿Estás probando DeepSeek, GPT y Claude en paralelo para encontrar tu combinación ideal? Mientras comparas modelos, Bleap hace que pagar por los que decidas mantener sea más barato: 0% de comisiones de cambio de divisa en suscripciones en USD, además de un 20% de cashback fijo en Claude, ChatGPT y Gemini. Consigue la tarjeta Bleap →

6. DeepSeek V4 Flash frente a los principales competidores de IA

Una breve nota sobre imparcialidad: las propias comparativas de DeepSeek se centraron en rivales concretos. DeepSeek posicionó V4 frente a Gemini 3.1 Pro y GPT-5.4 en varios benchmarks de razonamiento y programación, y no hizo ninguna afirmación frente a Claude Opus, ya que Opus se lanzó después de V4, así que cualquier comparación del tipo ""V4 supera a Opus"" proviene de terceros.

DeepSeek V4 Flash frente a GPT-4o

La victoria más clara para Flash es el coste. Con aproximadamente 0,14 $ por entrada y 0,28 $ por salida por millón de tokens, se queda muy por debajo de los modelos cerrados premium, razón por la que es tan popular para programación de alto volumen y RAG. GPT-4o sigue destacando en resultados conversacionales pulidos de propósito general y en un soporte multimodal más maduro, terrenos donde Flash se centra principalmente en texto.

DeepSeek V4 Flash frente a Claude Opus

Claude Opus sigue siendo un referente en fidelidad a las instrucciones y consistencia de razonamiento en tareas complejas. El argumento a favor de Flash es su ventana de 1 millón de tokens a un precio muy asequible, lo que lo hace muy atractivo para flujos de trabajo con documentos largos, donde usar Opus resultaría mucho más caro por ejecución. Para tareas críticas donde la precisión es esencial, muchos equipos siguen prefiriendo Opus; para escalar y ajustar el presupuesto, Flash gana.

DeepSeek V4 Flash frente a Gemini Flash

Ambos son modelos centrados en velocidad y eficiencia, así que esta comparación es la más ajustada. DeepSeek V4 Flash compite con fuerza en tokens por segundo y precio, y sus pesos abiertos permiten un despliegue local que el modelo de Gemini Flash, disponible solo por API, no ofrece. La ventaja de Gemini Flash está en el ecosistema multimodal de Google y sus herramientas integradas.

Los precios son orientativos y varían según el proveedor y el modo de razonamiento. Consulta siempre la tarifa vigente.

7. DeepSeek V4 Flash vs. DeepSeek V4 Pro: ¿Cuál deberías usar?

Ambos comparten la misma ventana de contexto y los mismos modos de razonamiento; la diferencia está en la escala y el precio. En cargas de trabajo mixtas habituales, Flash resulta aproximadamente 3 veces más económico de principio a fin que Pro, y solo deberías pasar a V4-Pro en aquellas llamadas donde Flash falle de forma comprobable: razonamiento en varios pasos, problemas de matemáticas competitivas o code-golf, planificación de agentes a largo plazo, y sesiones de codificación con mucha autodepuración.

Un patrón por defecto inteligente: envía primero todas las llamadas a Flash, y vuelve a ejecutarlas en Pro solo cuando una comprobación de confianza, un modelo de evaluación o un voto negativo del usuario indique que la respuesta no es suficiente.

• Elige Flash para: inferencia de alto rendimiento, cargas de trabajo sensibles al coste, aplicaciones en tiempo real y basadas en agentes.
• Elige Pro para: el razonamiento en varios pasos más complejo, la investigación y las tareas que requieren la máxima precisión.

8. Acceso a la API, precios y funcionalidades compatibles

El precio es donde Flash es difícil de superar. DeepSeek V4 Flash cuesta 0,14 $ por millón de tokens de entrada y 0,28 $ por millón de tokens de salida. La caché de contexto reduce drásticamente los costes por repetición: en DeepSeek V4 Flash 0731, la entrada en caché baja a 0,003 $ por millón de tokens. El ID del modelo y los endpoints se mantuvieron estables tras la actualización. El ID del modelo al que se puede llamar sigue siendo deepseek-v4-flash, y admite modos de razonamiento y sin razonamiento, la Responses API, una ventana de contexto de 1M de tokens y hasta 384K tokens de salida.

Para la integración, la API de DeepSeek admite dos formatos: compatible con OpenAI en la URL base predeterminada y compatible con Anthropic en api.deepseek.com/anthropic. Una nota a tener en cuenta para los compradores empresariales: DeepSeek afirma que planea un aumento significativo de precios en su API en general en un futuro próximo, aunque todavía no ha publicado nuevas tarifas ni una fecha de entrada en vigor, así que por ahora sigue vigente la tarifa actual.

9. Ejecutar DeepSeek V4 Flash en local

Cuantización GGUF y requisitos de hardware

Flash es el miembro de la familia que realmente se puede alojar uno mismo, pero sigue siendo una bestia. Calcula unos 170-175 GB de VRAM total en FP4+FP8 nativo (2× H200 o 4× A100 de 80GB), o unos 90-100 GB en INT4 de la comunidad, mientras que V4 Pro necesita más de 1 TB de VRAM y es un trabajo propio de un clúster de centro de datos. Las herramientas locales han madurado: la rama principal de llama.cpp añadió soporte para V4 en el pull request 24162, con una actualización en julio que corrigió las cachés KV cuantizadas, mientras que Ollama solo incluye deepseek-v4-flash como etiqueta en la nube, y las vías realmente locales son la rama principal de llama.cpp y Unsloth Studio. Para la mayoría de usuarios, Q4KM ofrece el mejor equilibrio entre calidad y consumo de VRAM, con Q8_0 para una calidad casi sin pérdidas si tienes memoria de sobra, y cuantizaciones más pequeñas solo cuando la memoria anda muy ajustada.

Decodificación especulativa y ajuste de rendimiento

Flash viene con un módulo de aceleración integrado. El checkpoint publicado incluye adjunto el módulo de decodificación especulativa, DeepSeek-V4-Flash-DSpark. Ese módulo opcional eleva el checkpoint a 304 000 millones de parámetros. En equipos de desarrollo con una sola GPU, dependerás de la cuantización para que los pesos quepan en memoria, mientras que los nodos multi-GPU con paralelismo de expertos desbloquean el contexto completo de 1M de tokens además de mayor concurrencia en el servicio.

10. Ajuste fino y opciones de implementación flexibles

Ajuste fino de DeepSeek V4 Flash

Como los pesos son abiertos, tú mismo los ajustas en lugar de recurrir a un servicio alojado. La documentación pública de la API de DeepSeek no describe actualmente un endpoint propio de ajuste fino gestionado, así que el ajuste fino se aplica a los checkpoints de pesos abiertos, al entrenamiento autogestionado o a plataformas de terceros. Dado su tamaño, V4-Flash es demasiado grande para los flujos de trabajo habituales de ajuste fino completo, y QLoRA suele ser el mejor punto de partida cuando la memoria de la GPU es limitada, ya que combina cuantización de 4 bits con adaptadores LoRA. Entre las herramientas disponibles están NVIDIA NeMo AutoModel, ms-swift, Axolotl y Unsloth. Recurre al ajuste fino solo cuando el prompting y la recuperación de información realmente se queden cortos en cuestiones de estilo, formato o decisiones específicas del dominio.

Implementación serverless frente a bajo demanda

El acceso serverless (API) es la forma más rápida y económica de empezar, sin necesidad de GPU alguna. La implementación dedicada bajo demanda te ofrece una latencia constante y control sobre los datos, aunque a un coste fijo más elevado. La regla general es: usa la API alojada hasta que la latencia predecible, el cumplimiento normativo o la economía del volumen justifiquen ejecutar tu propio nodo.

11. Casos de uso reales: dónde DeepSeek V4 Flash cambia las reglas del juego

• Desarrollo de software: generación, revisión y depuración de código en repositorios enteros.
• Atención al cliente: chatbots de baja latencia respaldados por grandes bases de conocimiento.
• Inteligencia documental: análisis de contratos, revisión de cumplimiento normativo y resumen de informes con contexto de 1M.
• Educación y tutorías: asistentes de aprendizaje personalizados para sesiones largas.
• Flujos de datos: extracción estructurada y clasificación a gran volumen y bajo coste.
• Productividad personal: preguntas y respuestas sobre documentos extensos, síntesis de investigación y ayuda para redactar.

¿Usas la API de DeepSeek pero sigues pagando aparte por ChatGPT o Claude? Con Bleap consigues un 0% de comisiones de cambio de divisa en tu facturación de IA en USD y un 20% de cashback fijo en Claude, ChatGPT y Gemini, sin ninguna suscripción mensual propia. Consigue la tarjeta Bleap →

Preguntas frecuentes

¿Cómo se comparan los benchmarks de DeepSeek V4 Flash con los de GPT-4o?

DeepSeek V4 Flash obtiene un 90,8% en GPQA Diamond y 51,8 en el Intelligence Index. Su mayor ventaja frente a modelos cerrados premium como GPT-4o está en el coste por token; GPT-4o, por su parte, suele seguir liderando en calidad de salida general y soporte multimodal.

¿Cuánto cuesta la API de DeepSeek V4 Flash?

DeepSeek V4 Flash cuesta 0,14 $ por millón de tokens de entrada y 0,28 $ por millón de tokens de salida. El uso de caché ayuda aún más: la entrada en caché baja a 0,003 $ por millón de tokens en la versión 0731.

¿Puedo ejecutar DeepSeek V4 Flash en local usando cuantización GGUF?

Sí. Las vías realmente locales son la rama principal de llama.cpp y Unsloth Studio, con la versión de 4 bits UD-Q4KXL, un archivo de 155 GB, que requiere unos 162 GB de memoria combinada. Q4KM es el equilibrio recomendado para la mayoría de configuraciones.

¿Cuál es la diferencia entre DeepSeek V4 Flash y DeepSeek V4 Pro?

Flash es el nivel más pequeño, rápido y económico. En cargas de trabajo mixtas habituales, Flash resulta aproximadamente 3 veces más barato de extremo a extremo que Pro. Usa Pro solo para el razonamiento más complejo, matemáticas avanzadas y planificación a largo plazo.

¿DeepSeek V4 Flash admite fine-tuning?

Sí, a través de entrenamiento con pesos abiertos, no mediante un endpoint alojado. QLoRA suele ser el mejor punto de partida cuando la memoria de la GPU es limitada, ya que combina la cuantización de 4 bits con adaptadores LoRA. Herramientas como NeMo AutoModel, Unsloth y Axolotl son puntos de partida habituales.

¿Qué es la arquitectura MoE de DeepSeek y por qué es importante?

Mixture-of-Experts dirige cada token a través de solo unas pocas subredes. Un mecanismo de enrutamiento selecciona un subconjunto de expertos por token, lo que resulta en menos parámetros activos que totales. Con 13B activos de 284B, obtienes el conocimiento de un modelo grande al coste de inferencia de uno pequeño.

Conclusión y puntos clave

DeepSeek V4 Flash ofrece una inteligencia casi de vanguardia a una fracción del coste, combinando una ventana de contexto de 1M de tokens con un despliegue flexible vía API, local o con ajuste fino. Es la mejor opción para cargas de trabajo de alto rendimiento, sensibles al coste y alojadas localmente, y su diseño centrado en la eficiencia mantiene a DeepSeek firmemente en la carrera de los modelos de peso abierto. Explora la API o prueba una build local Q4KM para comprobar el rendimiento por ti mismo.

Sea cual sea la herramienta de IA que elijas, paga de forma inteligente. Con Bleap te ahorras las comisiones de cambio de divisa en las suscripciones en USD, y en Claude, ChatGPT y Gemini obtienes un 20% de cashback fijo en cada renovación, todo ello con una Mastercard autocustodiada y sin cuota mensual. Consigue la tarjeta Bleap →