Al evaluar DeepSeek V4, la clave es no mezclar dos planos distintos: lo que está confirmado oficialmente y lo que procede de análisis externos, artículos técnicos o filtraciones. La documentación oficial de la API de DeepSeek incluye una entrada llamada «DeepSeek-V4 Preview Release» fechada el 24 de abril de 2026.[13] Eso permite afirmar que V4 entró en fase de vista previa. Lo que no permite, por sí solo, es coronarlo ya como el mejor modelo de IA disponible.
Veredicto rápido: muy fuerte sobre el papel, pero aún con cautela
DeepSeek V4 parece estar muy cerca de la categoría de los modelos de frontera. En artículos externos se repiten tres posibles puntos fuertes: rendimiento en programación, manejo de contextos muy largos y buena relación entre precio y capacidad.[1][
4][
6][
9]
Aun así, decir que ha superado de forma clara y general a los modelos superiores más recientes de GPT o Gemini sería precipitado. Algunas cifras llamativas, especialmente en benchmarks de desarrollo de software como SWE-bench, proceden de filtraciones no verificadas o incluso puestas en duda.[1][
5][
8]
La lectura más prudente es esta: DeepSeek V4 apunta alto, probablemente será muy competitivo, pero todavía está en una fase en la que hace falta validación independiente y pruebas en casos reales.
Qué está confirmado: hay preview oficial
El dato más sólido es la publicación de «DeepSeek-V4 Preview Release» en la sección de noticias de la documentación oficial de la API de DeepSeek, con fecha del 24 de abril de 2026.[13]
Ese punto importa porque, hasta pocos días antes, varias publicaciones seguían describiendo V4 como no lanzado formalmente. Kili Technology señalaba a mediados de marzo de 2026 que V4 aún no había sido publicado oficialmente, y Tokenmix informaba el 21 de abril de 2026 de que seguía sin lanzarse pese a varias ventanas previstas.[3][
5]
Por eso, lo más razonable no es hablar todavía de una versión final ampliamente estabilizada, sino de una evaluación temprana tras la llegada de la preview.
Pixverse describió la preview del 24 de abril como una versión con contexto de hasta 1 millón de tokens y acceso por API mediante deepseek-v4-pro y deepseek-v4-flash.[4] Aun así, antes de integrarlo en un producto conviene revisar la documentación oficial, porque la disponibilidad, los límites y las condiciones reales de uso pueden variar según el entorno.[
13]
Dónde podría destacar DeepSeek V4
1. Programación y tareas de desarrollo
La programación es uno de los terrenos donde más expectativas ha generado DeepSeek V4. NXCode lo presenta como un modelo potencialmente basado en una arquitectura MoE de gran escala, con contexto de hasta 1 millón de tokens y métricas de código muy fuertes, pero también advierte que las afirmaciones de benchmark no están verificadas.[1]
Overchat, por su parte, recoge una supuesta filtración en X con resultados de SWE-bench Verified muy favorables para V4. Sin embargo, el mismo material incluía una puntuación de AIME 2026 con elementos sospechosos, y fue señalado por notas de la comunidad como probablemente falso.[8] En otras palabras: hay motivos para seguir de cerca su rendimiento en código, pero no para tomar una filtración como base única de una decisión técnica.
2. Contexto largo
Varios artículos externos mencionan que DeepSeek V4 podría trabajar con contextos de hasta 1 millón de tokens.[1][
4][
5] Si ese límite se mantiene con buena calidad en uso real, sería relevante para analizar bases de código extensas, documentación técnica, contratos, expedientes internos o sistemas RAG, es decir, recuperación aumentada con generación.
Pero aquí hay una trampa habitual: aceptar mucho texto no equivale automáticamente a razonar bien sobre todo ese texto. Un modelo puede tener una ventana enorme y aun así perder detalles, citar mal una sección o no encontrar la información importante. SitePoint también evita dar cifras concretas sin resultados publicados y sitúa las áreas esperadas de fortaleza de V4 en programación, generación multilingüe, recuperación de información en contexto largo y razonamiento estructurado.[9]
3. Eficiencia de coste
La eficiencia económica es otra razón por la que DeepSeek V4 está atrayendo atención. Simon Willison lo describe como un modelo casi en la frontera de capacidades, pero disponible a una fracción del precio.[6]
Ahora bien, el coste real no se mide solo por el precio por token. Para una empresa o un equipo de desarrollo importan también la latencia, los reintentos, los fallos, la calidad de salida y el número total de tokens cuando se usan prompts largos. Un modelo barato por millón de tokens puede dejar de serlo si obliga a repetir llamadas o si produce respuestas que requieren mucha corrección humana.
Cómo queda frente a GPT y Gemini
La comparación más sólida por ahora no es «DeepSeek V4 ya ganó», sino «DeepSeek V4 está muy cerca de la primera línea».
Según la lectura recogida por Simon Willison, DeepSeek-V4-Pro-Max, con una configuración de tokens de razonamiento ampliada, supera a GPT-5.2 y Gemini-3.0-Pro en benchmarks estándar de razonamiento, pero queda ligeramente por debajo de GPT-5.4 y Gemini-3.1-Pro.[6] Si se toma esa comparación como referencia, V4 no estaría descolgado: estaría siguiendo de cerca a los modelos punteros, quizá con algunos meses de diferencia respecto a la frontera más reciente.[
6]
Eso es una posición muy fuerte. Pero no es lo mismo que demostrar superioridad global en todos los idiomas, tareas, productos y cargas de trabajo.
Cómo leer la calidad de la evidencia
| Tipo de información | Cómo usarla en una decisión |
|---|---|
| Documentación oficial de la API con la preview de V4 | Sirve como base para confirmar que existe una vista previa pública.[ |
| Artículos que resumen la preview del 24 de abril | Son útiles como orientación, pero las condiciones finales deben verificarse en la documentación oficial.[ |
| Comparativas y análisis de terceros | Ayudan a formular hipótesis sobre rendimiento, pero no deben generalizarse a todos los casos de uso.[ |
| Benchmarks filtrados | Deben tratarse con cautela: algunos no están verificados y otros han sido cuestionados.[ |
El mayor riesgo al evaluar DeepSeek V4 es quedarse solo con la cifra más espectacular y concluir que ya es el mejor del mundo. Los benchmarks de programación son valiosos, pero una cifra no reproducida por terceros debe considerarse provisional.[1][
8]
Si vas a probarlo, qué deberías medir
Para equipos que estén considerando DeepSeek V4 como candidato de producción, lo más sensato es empezar con una prueba pequeña y cercana al trabajo real. Una tabla de benchmarks puede orientar, pero no sustituye una prueba con tus propios datos, repositorios y flujos.
- Corrección de código: medir si resuelve errores reales, genera tests útiles y reduce el retrabajo en repositorios propios.
- RAG con documentos largos: comprobar si encuentra la sección correcta, responde con fundamento y no inventa detalles en especificaciones, manuales o documentación interna.
- Flujos con agentes: evaluar planificación en varios pasos, uso de herramientas, recuperación ante fallos y consistencia entre ejecuciones.
- Tareas multilingües: probar resúmenes, documentación técnica, atención al cliente y adaptación de tono en varios idiomas. SitePoint incluye la generación multilingüe entre las áreas donde V4 podría destacar.[
9]
- Coste y velocidad reales: medir precio total, latencia, tasa de reintentos, fallos y coste de prompts largos, no solo la tarifa por token.
Evaluación provisional
DeepSeek V4 es un modelo importante porque su preview está confirmada oficialmente.[13] Si las capacidades destacadas por artículos externos —contexto largo, fuerza en programación y eficiencia de coste— se sostienen en pruebas reales, puede convertirse en una opción muy potente para asistentes de desarrollo, sistemas RAG y agentes.[
1][
4][
6][
9]
Pero todavía no conviene hablar de victoria definitiva. Las afirmaciones más llamativas sobre benchmarks mezclan datos no verificados y filtraciones discutidas.[1][
5][
8] La conclusión razonable, por ahora, es que DeepSeek V4 parece muy capaz y probablemente competitivo con modelos de frontera, pero aún no hay base suficiente para llamarlo el mejor modelo del mundo. Antes de adoptarlo en producción, hay que medir rendimiento, coste y estabilidad con tareas propias.
