DeepSeek en abierto: ¿qué se puede construir realmente con su ecosistema?

Por Turing Post · 31 de octubre de 2026.

Turing Post analiza que DeepSeek ha abierto mucho más que un modelo: pesos, un motor de inferencia, un arnés (harness) para agentes y las librerías que hay por debajo. Según el boletín, en conjunto permiten ver cómo se puede construir un sistema de agentes. La pregunta central es cuánto de ese sistema se puede usar de verdad y qué hace falta para ejecutarlo. El texto distingue entre los componentes abiertos y un servicio que funcione de extremo a extremo.

El planteamiento parte de que, al usar un modelo capaz como agente, surgen otras preguntas además de qué sabe hacer: quién puede ejecutarlo, cuánto cuesta y cómo se conecta a herramientas. El boletín señala que DeepSeek ha abierto un motor de inferencia, un arnés de agente y librerías que llegan hasta el movimiento de datos entre chips, de modo que se ve buena parte de la maquinaria que rodea al modelo. También pregunta qué sigue dependiendo de los servicios alojados de DeepSeek o de su infraestructura privada.

El índice del artículo incluye: el modelo DeepSeek-V4.1-Flash, DeepInfer, qué permite cambiar DeepSeek Harness, por qué merece atención una librería de protocolo, DeepSeek Elastic Compute como lugar donde pueden ejecutarse los agentes, qué sigue pasando por la API de DeepSeek, qué hay bajo el motor, dónde está la brecha al juntarlo todo y qué ha puesto DeepSeek en nuestras manos. Solo las dos primeras secciones y el arranque de la tercera son legibles en el correo; el resto queda tras el muro de pago (Premium).

El modelo: DeepSeek-V4.1-Flash. Según el boletín, llegó el 10 de septiembre de 2026 con razonamiento multimodal, programación y flujos de trabajo de agentes. DeepSeek indica que el modelo base rinde de forma comparable a V4-Pro-Base en varios benchmarks, con mejores resultados en algunas tareas y peores en otras. El 17 de octubre llegó la actualización V4.1-Flash-1017, y los pesos actualizados están disponibles con licencia MIT.

Un dato relevante para agentes es que la caché KV global del modelo ocupa 890 bytes por token, aproximadamente una cuarta parte de la de V4 Flash. Una caché menor puede facilitar mantener contextos largos durante una sesión. El propio boletín aclara que esto mide el estado KV global, no la huella de memoria de todo el modelo en ejecución.

Arquitectura: V4.1 Flash es un modelo multimodal de mezcla de expertos (MoE). Sus 552.000 millones de parámetros de backbone se combinan con 196.000 millones de parámetros Engram, un banco de memoria disperso de consulta aprendido durante el entrenamiento. Engram da al modelo acceso condicional a conocimiento externalizado sin inflar la caché KV activa, y es distinto del prompt o del historial de conversación del usuario.

Las 40 capas se dividen en un codificador causal de 20 capas y un decodificador de 20 capas. El estado KV global del decodificador se proyecta a partir de los estados finales del codificador, por lo que la mayoría de los tokens del prompt pueden evitar el cómputo completo del decodificador. Se usan 8.000 millones de parámetros activados por token en el prefill y 16.000 millones en la decodificación, aunque la atención local de ventana deslizante sigue requiriendo trabajo adicional.

V4.1 Flash usa además "bounded replay": reconstruye de forma aproximada el estado reciente de la ventana deslizante a partir de un sufijo corto. Se intercambia algo de recomputación por menores requisitos de almacenamiento persistente. El boletín advierte de que los errores de aproximación y de selección dispersa pueden causar problemas en casos no cubiertos por sus evaluaciones.

Compressed Sparse Attention 2 aborda otra fuente de duplicación: algunas capas crean estado KV global y seleccionan entradas relevantes, mientras otras reutilizan el estado, o el estado y la selección. Combinado con caché FP4 de baja precisión, así se reduce la huella KV global. Para los agentes, estas decisiones buscan recortar el coste acumulativo del contexto largo, aunque que compense depende de cómo se construya la infraestructura de servicio alrededor del modelo.

DeepInfer: según DeepSeek, es el framework de inferencia detrás de sus servicios en producción, y la versión pública admite por ahora inferencia offline. Incluye decodificación especulativa DSpark: un modelo borrador propone varios tokens y estimaciones de confianza ayudan a decidir cuántos merece la pena verificar; la aceleración depende en parte de cuántos tokens borrador se aceptan. La planificación asíncrona mantiene el acelerador ocupado mientras la CPU prepara el siguiente lote. El hardware soportado es GPUs NVIDIA SM100 y NPUs Huawei Ascend 950.

Con varios usuarios simultáneos aparecen más incógnitas: a dónde enviar cada petición y si se puede reutilizar contexto ya procesado. La versión pública deja a los desarrolladores el montaje del almacenamiento compartido de caché KV, el servicio separado de visión/prefill/decode y el balanceo de carga. El motor gestiona su estado KV interno, pero compartirlo y reutilizarlo en un servicio requiere más infraestructura.

La guía de despliegue de DeepSeek da una idea de la escala prevista: 64 GPUs para prefill más 64 para decodificación es la configuración eficiente mínima recomendada, aunque la guía también dice que se pueden desplegar una instancia de prefill y una de decodificación. La conclusión parcial es que DeepInfer permite inspeccionar y adaptar el motor, pero servir un agente de programación a usuarios exige un sistema de servicio a su alrededor. El boletín enlaza esto con la siguiente pregunta, cómo trabaja el agente con herramientas una vez el modelo está en marcha, que se aborda en la sección sobre DeepSeek Harness, ya tras el muro de pago.

El correo termina con la invitación a suscribirse a Premium para leer el resto y obtener un PDF del ecosistema DeepSeek, y enlaza un vídeo de YouTube sobre un modelo que aprende a leer sin tokenizador. El contenido del resto del artículo (Harness, la librería de protocolo, Elastic Compute, la API y las capas inferiores) no figura en el correo, por lo que no se resume aquí.