DeepSeek-R1
Etapa 5 · IA generativa, razonamiento y agentes (2022–2026) › Alineamiento y razonamiento
- Linaje
- Símbolos y lógica
- Tipo
- Implementación
Quién
DeepSeek
Qué ocurrió
La empresa china DeepSeek publica DeepSeek-R1, un modelo de razonamiento con pesos abiertos y licencia MIT. Su aplicación supera a ChatGPT como la más descargada de la App Store de Estados Unidos, y el 27 de enero las acciones de Nvidia caen un 17 %.
Qué aportó
Reproduce el paradigma de los modelos que razonan con pesos abiertos. Su variante R1-Zero muestra que el razonamiento puede surgir del aprendizaje por refuerzo puro.
Desarrollo
DeepSeek, con sede en Hangzhou, se había fundado en julio de 2023 de la mano de Liang Wenfeng y estaba financiada por High-Flyer, un fondo de inversión chino. En 2021 Liang ya compraba GPU de Nvidia en grandes cantidades, y llegó a reunir 10.000 A100 antes de que Estados Unidos restringiera la venta de esos chips a China.
El 20 de enero de 2025 publicó R1, construido sobre su modelo DeepSeek-V3, con los pesos disponibles bajo licencia MIT. El artículo presentaba dos modelos. El primero, R1-Zero, se entrenó solo con aprendizaje por refuerzo, sin ejemplos de razonamiento escritos por personas: al premiar únicamente las respuestas correctas en problemas verificables de matemáticas y programación, el modelo desarrolló por sí mismo conductas como revisar su trabajo, comprobar resultados o cambiar de estrategia. Pero sus textos eran poco legibles y mezclaban idiomas. R1, el modelo publicado para el uso, partía de unos miles de ejemplos de razonamientos largos y alternaba después fases de refuerzo y de ajuste supervisado. El artículo mostraba además que los patrones de razonamiento de un modelo grande servían para mejorar otros más pequeños.
La reacción fue inmediata. El 27 de enero su aplicación superó a ChatGPT como la gratuita más descargada de la App Store en Estados Unidos, y las acciones de Nvidia cayeron un 17 %, una pérdida de 589.000 millones de dólares en bolsa, la mayor de un solo día en Estados Unidos. Parte del impacto vino de una cifra: unos 5,6 millones de dólares, que DeepSeek había dado como coste de la última ejecución de entrenamiento de V3, no de todo el desarrollo.
El artículo se publicó después en Nature. R1 mostró que un laboratorio chino, con un modelo abierto, podía situarse muy cerca de los mejores modelos estadounidenses de razonamiento.
Nivel técnico
R1-Zero se entrenó con GRPO, una variante de PPO que no necesita un modelo aparte para estimar el valor. Para cada problema, el modelo escribe un grupo de respuestas; cada una se puntúa con reglas, por si acierta y por si respeta el formato que separa el razonamiento de la respuesta, y su ventaja es lo que su nota supera a la media del grupo.
Con solo eso, la precisión de R1-Zero en los problemas del AIME de 2024 subió del 15,6 % al 71,0 %, y sus respuestas se hicieron cada vez más largas.
R1 siguió cuatro fases: ajuste con unos miles de razonamientos largos y legibles, refuerzo como el de R1-Zero con un premio extra por no mezclar idiomas, ajuste con unas 800.000 muestras elegidas entre las respuestas del propio modelo y otro refuerzo para tareas generales. Con esas 800.000 muestras se ajustaron modelos Qwen y Llama de 1.500 a 70.000 millones de parámetros.
En comparación
| Aspecto | R1-Zero | R1 |
|---|---|---|
| Punto de partida | DeepSeek-V3 sin ajustar | DeepSeek-V3 ajustado con miles de razonamientos escritos |
| Entrenamiento | Solo aprendizaje por refuerzo | Refuerzo y ajuste supervisado alternados |
| Textos | Poco legibles y con idiomas mezclados | Legibles |
| Para qué | Mostrar que el refuerzo basta | Uso público |
Malentendidos frecuentes
Se suele decir: DeepSeek entrenó un modelo de razonamiento puntero por 5,6 millones de dólares.
En realidad: Esa cifra es la que DeepSeek dio para la última ejecución de entrenamiento de V3, el modelo base, y no incluye la investigación, los ensayos previos ni el refuerzo que convirtió V3 en R1.
Viene de
OpenAI o1 (12 de septiembre de 2024)
Herencia sin relación directa demostrada
Mismo paradigma; no hay dependencia directa documentada
DeepSeek-V3 (26 de diciembre de 2024)
Influencia directa documentada
R1-Zero y R1 se entrenan a partir de DeepSeek-V3-Base (apartado 2)
Lleva a
DeepSeek V4 (24 de abril de 2026)
Herencia sin relación directa demostrada
V4 es el siguiente gran modelo del mismo laboratorio, con la misma licencia MIT y la misma estrategia de precio bajo
Qwen3 (29 de abril de 2025), Kimi K2 (11 de julio de 2025)
Herencia sin relación directa demostrada
Tras R1, otros laboratorios chinos publican modelos abiertos de frontera con licencias permisivas
Hilos que pasan por aquí
- Del razonamiento pedido al razonamiento entrenado (paso 6 de 9)
- China y los chips (paso 3 de 6)
Bibliografía
Fuente original
Estudios y contexto
Cómo citar
«DeepSeek-R1». En La historia de la IA, revisión del 13 de noviembre de 2026. https://thehistoryofai.com/es/hito/deepseek-r1
Última revisión de esta ficha: 13 de noviembre de 2026.