DeepSeek V4 Pro (0813): para qué sirve de verdad (benchmark en español)

Su fuerte es Coding (#12 de 97 entre los que rinden el examen completo), y donde menos rinde es Razonamiento (7.93 contra 9.66). Cuesta $3.17 por cada 1.000 llamadas.

Nota de calidad8.41/10#14 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$3.17el 48º más caro de 97

Al mes, uso típico$4.7550 llamadas por día, todos los días

Velocidad58 tok/s63.0 s de espera media

⬡ Propietario ⚒ Puede usar herramientas ◈ Razona antes de responder ⌸ Le caben ~1.700 páginas a la vez

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 9.66 (+0.59 vs mediana)

Contenido 8.42 (+0.05 vs mediana)

Razonamiento 7.93 (-0.03 vs mediana)

Agentes 7.98 (+0.43 vs mediana)

Medido con 431 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 29 tareas medidas es 7.44. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

Precisión literal (hex, JWT, configs) — 8.84 (+1.40 contra su media). Decide: no equivocarse en un dato
JSON estructurado (extracción, schemas) — 8.81 (+1.37 contra su media). Decide: emitir JSON válido a la primera
Contenido startup (newsletter, actualidad) — 8.12 (+0.68 contra su media). Decide: escribir para una audiencia de negocio
Razonamiento general (lógica, decisiones) — 8.11 (+0.67 contra su media). Decide: razonar con varias piezas a la vez

Donde se cae

Noticias + SEO (artículos completos) — 6.29 (-1.15 contra su media). Decide: escribir un artículo publicable
Tool calling (llamada de funciones) — 6.32 (-1.12 contra su media). Decide: llamar bien las funciones
Razonamiento profundo (matemática, Fermi) — 6.38 (-1.06 contra su media). Decide: resolver un problema difícil sin atajos
Multi-turno (debugging, requisitos) — 6.55 (-0.89 contra su media). Decide: no perderse en una conversación larga

Si DeepSeek V4 Pro (0813) no te cierra

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

Modelo	Calidad	$/1k	Latencia	Por qué
Poolside Laguna XS 2.1 Más barato, calidad equivalente	8.26	$0.198	9.7 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 V4 Pro (0813) 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	431
Tool calling	7.53
Precio
Precio por millón · entrada	$0.660
Precio por millón · salida	$1.98
Rendimiento y límites
Latencia total media	63.0 s
Ventana de contexto	1.048.576

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a DeepSeek V4 Pro (0813) 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 V4 Pro (0813) Este modelo	8.41	$3.17
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 $3.17. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 1% más (8.48 contra 8.41) y cuesta 12 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 V4 Pro (0813) 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
Generación de código (Python. SQL. debug)	1.967	24.451	30.563 (piso)
Razonamiento profundo (matemática. Fermi)	5.761	20.346	25.432 (piso)
Gestión de tareas (action items. planes)	2.963	17.485	21.856 (piso)
Estrategia (pricing. planificación)	6.412	17.309	21.636 (piso)
Auditar números (detectar el error plantado)	3.016	15.242	19.052 (piso)
Decisiones de negocio (prioridades. plan)	4.967	14.899	18.623 (piso)
Tareas largas (sostener el hilo 8-12 turnos)	9.945	14.720	18.400 (piso)
Razonamiento general (lógica. decisiones)	5.355	9.247	11.558 (piso)
Contenido startup (newsletter. actualidad)	3.431	8.163	10.203
Presentaciones (slides. reportes)	6.266	7.405	9.256
Noticias + SEO (artículos completos)	5.343	7.382	9.227
Verificar un dato contra su fuente	211	7.377	9.221
Ventas en frío (cold email. campañas)	1.930	7.045	8.806
Anti-alucinación (citas. contexto)	755	6.817	8.521
OCR / extracción desde imágenes	1.785	6.430	8.037
Contenido genérico (blog. email. social)	987	6.186	7.732
Contenido con datos verificables (no inventar)	3.448	5.624	7.030
Creatividad (hooks. analogías. narrativa)	2.277	4.444	5.555
Traducción (es↔en)	571	4.099	5.123
Resúmenes y extracción de datos	3.957	3.957	4.946
JSON estructurado (extracción. schemas)	644	3.134	3.917
Seguir instrucciones al pie de la letra	727	3.088	3.860
Multi-turno (debugging. requisitos)	1.754	2.838	3.547
Orquestación (flujos de varios pasos)	1.289	2.205	2.756
Capacidades de agente (delegación. skills)	1.083	1.663	2.078
Tool calling (llamada de funciones)	278	928	1.160
Precisión literal (hex. JWT. configs)	138	793	991
No inventar herramientas (abstenerse cuando no hay)	276	536	670
Soporte al cliente (clasificar y responder)	320	415	518

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 V4 Pro (0813)

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 V4 Pro (0813) es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →