DeepSeek R1 (reasoning): para qué sirve de verdad (benchmark en español)

Su fuerte es Coding (#28 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.97 contra 9.21). Cuesta $3.96 por cada 1.000 llamadas.

Nota de calidad8.45/10#22 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$3.96el 42º más caro de 97

Al mes, uso típico$5.9450 llamadas por día, todos los días

Velocidad22 tok/s121.4 s de espera media

⬡ Open source · MIT ⚒ Puede usar herramientas ◈ Razona antes de responder ⌸ Le caben ~270 páginas a la vez ⛨ Cae ante instrucciones ocultas · 1.0/10

Dónde está parado, pilar por pilar

La nota de la derecha es sobre 10. La barra compara contra los demás modelos del ranking, no contra el cero: entre el mejor y el peor de esta lista hay poco más de un punto, así que en escala 0-10 se verían todas iguales. La marca vertical es la mediana — quedar por debajo acá no es una mala nota, es estar en el promedio de un grupo muy parejo.

Coding 9.21 (+0.13 vs mediana)

Contenido 8.80 (+0.42 vs mediana)

Razonamiento 8.47 (+0.52 vs mediana)

Agentes 7.97 (+0.43 vs mediana)

Medido con 158 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 32 tareas medidas es 7.12. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

JSON estructurado (extracción, schemas) — 8.41 (+1.29 contra su media). Decide: emitir JSON válido a la primera
Gestión de tareas (action items, planes) — 7.99 (+0.87 contra su media). Decide: convertir una conversación en tareas
Contenido startup (newsletter, actualidad) — 7.99 (+0.87 contra su media). Decide: escribir para una audiencia de negocio
Aguja en el pajar (contexto largo en español) — 7.98 (+0.86 contra su media). Decide: encontrar un dato dentro de un contexto enorme

Donde se cae

Resistencia a prompt injection — 1.90 (-5.22 contra su media). Decide: resistir una fuga de datos
Anti-alucinación (citas, contexto) — 6.30 (-0.82 contra su media). Decide: no inventar cuando no sabe
Contenido con datos verificables (no inventar) — 6.37 (-0.75 contra su media). Decide: escribir sin caer en la trampa del brief
No inventar herramientas (abstenerse cuando no hay) — 6.44 (-0.68 contra su media). Decide: no inventar herramientas que no existen

Si DeepSeek R1 (reasoning) no te cierra

Alternativas elegidas por contraste con este modelo, no por ranking general.

Modelo	Calidad	$/1k	Latencia	Por qué
Qwen 3.7 Flash Más barato, calidad equivalente	8.49	$0.204	28.5 s	misma nota o mejor, menos plata por llamada
GPT-5.6 Luna Mejor nota, precio parecido	8.52	$0.930	10.6 s	hasta 30% más caro, pero rinde más
Gemini 3.5 Flash Lite Responde antes	8.23	$3.84	4.6 s	al menos 40% menos de espera, sin caer de nota

La ficha: DeepSeek R1 (reasoning) en números

Todo esto sale de runs propios, guardados y auditables. La latencia es la total de respuesta, no el time-to-first-token.

Calidad medida
Runs que puntúan	158
Tool calling	4.23
Resistencia a prompt injection	1.00
Precio
Precio por millón · entrada	$0.700
Precio por millón · salida	$2.50
Rendimiento y límites
Latencia total media	121.4 s
Ventana de contexto	163.840
Contexto útil medido	64.000

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a DeepSeek R1 (reasoning) para ser el mejor: es cuánta calidad extra estás comprando, y a cuántas veces el precio. Eso es lo que decide si conviene.

Modelo	Calidad	$/1.000 llamadas
DeepSeek R1 (reasoning) Este modelo	8.45	$3.96
GPT-5.6 Luna El de más calidad medida	8.52	$0.930
Claude Opus 4.8 El frontier más caro del top 10	8.48	$39.00

GPT-5.6 Luna (el techo medido) rinde 1% más y además es más barato: $0.930 contra $3.96. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 0% más (8.48 contra 8.45) y cuesta 10 veces más por llamada.

Los tres salen de las mismas 29 tareas, el mismo juez y los mismos límites. Los benchmarks del fabricante miden otra cosa —y están enlazados más abajo.

Cuánto `max_tokens` darle, por tarea

Si tu nodo o tu script queda por debajo de esto, DeepSeek R1 (reasoning) no falla: entrega de menos — y quien lo consume lo lee como que no había nada que reportar. Es el modo de falla más caro que hay, porque se parece a que todo salió bien.

⚠️ Este modelo razona, y los tokens de razonamiento salen del mismo presupuesto: pide bastante más que uno que no razona para escribir la misma respuesta. Es el motivo exacto por el que un max_tokens heredado de otro modelo lo corta.

Tarea	Mediana	Peor caso medido	max_tokens sugerido
Tareas largas (sostener el hilo 8-12 turnos)	5.949	16.783	20.978 (piso)
Razonamiento profundo (matemática. Fermi)	5.942	12.370	15.462 (piso)
Razonamiento general (lógica. decisiones)	4.923	12.025	15.031 (piso)
Gestión de tareas (action items. planes)	752	6.482	8.102
OCR / extracción desde imágenes	3.433	6.352	7.940
Noticias + SEO (artículos completos)	1.630	6.191	7.738
Generación de código (Python. SQL. debug)	3.022	6.175	7.718
Orquestación (flujos de varios pasos)	1.076	6.045	7.556
Estrategia (pricing. planificación)	2.113	5.753	7.191
Multi-turno (debugging. requisitos)	1.206	5.487	6.858
JSON estructurado (extracción. schemas)	551	5.270	6.587
Contenido startup (newsletter. actualidad)	1.984	4.210	5.262
Presentaciones (slides. reportes)	4.033	4.033	5.041
Ventas en frío (cold email. campañas)	1.050	3.983	4.978
Capacidades de agente (delegación. skills)	2.530	3.855	4.818
Soporte al cliente (clasificar y responder)	3.034	3.350	4.187
Verificar un dato contra su fuente	576	3.304	4.130
Integridad de idioma (no mezclar idiomas)	1.610	2.669	3.336
Creatividad (hooks. analogías. narrativa)	760	2.104	2.630
Auditar números (detectar el error plantado)	1.279	2.055	2.568
Decisiones de negocio (prioridades. plan)	1.579	2.040	2.550
No inventar herramientas (abstenerse cuando no hay)	707	1.933	2.416
Contenido con datos verificables (no inventar)	1.005	1.832	2.290
Anti-alucinación (citas. contexto)	827	1.776	2.220
Contenido genérico (blog. email. social)	1.021	1.591	1.988
Seguir instrucciones al pie de la letra	897	1.510	1.887
Traducción (es↔en)	571	1.344	1.680
Resúmenes y extracción de datos	951	951	1.188
Aguja en el pajar (contexto largo en español)	393	766	957
Tool calling (llamada de funciones)	451	636	795
Resistencia a prompt injection	366	470	587
Precisión literal (hex. JWT. configs)	237	452	565

Las marcadas (piso) tocaron el techo del propio examen (8.192): ahí la respuesta se cortó, así que el número dice «al menos esto», no «esto exactamente». Dar más aire en esas.

Los números oficiales de DeepSeek R1 (reasoning)

Acá no los repetimos, y es a propósito. MMLU, GPQA, SWE-bench y la tabla del lanzamiento las publica quien hizo el modelo, con más recursos y antes que nadie: ese enlace es mejor que cualquier copia nuestra, y no envejece.

Ficha en OpenRouter — precio vigente, proveedores que lo sirven y límites de contexto

Lo que sí medimos acá es lo otro: qué pasa cuando este modelo tiene que decidir algo de un negocio chico, en español y a un precio que se pueda pagar. Verificar un dato antes de publicarlo, emitir el JSON que espera un workflow, llamar la herramienta correcta. Eso no está en la tarjeta del fabricante.

¿Es el mejor para TU caso?

Filtra por presupuesto, calidad mínima y tipo de tarea. En 30 segundos sabes si DeepSeek R1 (reasoning) es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →