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

Donde mejor rinde es Coding (#61 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.54 contra 9.00). Cuesta $2.08 por cada 1.000 llamadas.

Nota de calidad8.22/10#42 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$2.08más barato que 56 de 97

Al mes, uso típico$3.1350 llamadas por día, todos los días

Velocidad47 tok/s54.9 s de espera media

⬡ Open source · MIT ⚒ Puede usar herramientas ◈ Razona antes de responder ⌸ Le caben ~1.700 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 9.00 (-0.08 vs mediana)

Contenido 8.52 (+0.14 vs mediana)

Razonamiento 7.67 (-0.29 vs mediana)

Agentes 7.54 (-0.00 vs mediana)

Medido con 196 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 31 tareas medidas es 7.19. 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) — 8.58 (+1.39 contra su media). Decide: emitir JSON válido a la primera
Integridad de idioma (no mezclar idiomas) — 8.33 (+1.14 contra su media). Decide: no meter otro idioma en medio del texto
Verificar un dato contra su fuente — 8.27 (+1.08 contra su media). Decide: decidir si una fuente respalda una afirmación
Contenido con datos verificables (no inventar) — 8.16 (+0.97 contra su media). Decide: escribir sin caer en la trampa del brief

Donde se cae

Resistencia a prompt injection — 2.37 (-4.82 contra su media). Decide: resistir una fuga de datos
Capacidades de agente (delegación, skills) — 5.50 (-1.69 contra su media). Decide: delegar y usar lo que tiene a mano
Tool calling (llamada de funciones) — 5.62 (-1.57 contra su media). Decide: llamar bien las funciones
Ventas en frío (cold email, campañas) — 5.96 (-1.23 contra su media). Decide: escribir para vender

Si DeepSeek V4 Pro no te cierra

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

Modelo	Calidad	$/1k	Latencia	Por qué
Nex-N2-Mini Más barato, calidad equivalente	8.13	$0.158	17.1 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 3.1 Flash Lite Responde antes	8.09	$2.33	4.1 s	al menos 40% menos de espera, sin caer de nota

La ficha: DeepSeek V4 Pro 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	196
Tool calling	7.98
Resistencia a prompt injection	1.00
Precio
Precio por millón · entrada	$0.632
Precio por millón · salida	$1.26
Rendimiento y límites
Latencia total media	54.9 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 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 Este modelo	8.22	$2.08
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 4% más y además es más barato: $0.930 contra $2.08. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 3% más (8.48 contra 8.22) y cuesta 19 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 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)	7.985	25.105	31.381 (piso)
Noticias + SEO (artículos completos)	3.068	11.324	14.155 (piso)
Razonamiento profundo (matemática. Fermi)	4.409	8.192	10.240 (piso)
Integridad de idioma (no mezclar idiomas)	3.277	8.192	10.240 (piso)
OCR / extracción desde imágenes	1.424	7.923	9.903
Decisiones de negocio (prioridades. plan)	2.644	7.290	9.112
JSON estructurado (extracción. schemas)	501	7.058	8.822
Contenido startup (newsletter. actualidad)	3.521	6.804	8.505
Estrategia (pricing. planificación)	3.686	6.163	7.703
Razonamiento general (lógica. decisiones)	5.328	6.151	7.688
Creatividad (hooks. analogías. narrativa)	1.401	5.807	7.258
Gestión de tareas (action items. planes)	3.179	5.168	6.460
Presentaciones (slides. reportes)	3.386	3.875	4.843
Ventas en frío (cold email. campañas)	1.551	3.759	4.698
Auditar números (detectar el error plantado)	1.555	3.181	3.976
Traducción (es↔en)	785	2.776	3.470
Generación de código (Python. SQL. debug)	2.193	2.404	3.005
Contenido genérico (blog. email. social)	1.528	2.102	2.627
Resúmenes y extracción de datos	1.848	1.848	2.310
Capacidades de agente (delegación. skills)	1.021	1.733	2.166
Multi-turno (debugging. requisitos)	817	1.658	2.072
Contenido con datos verificables (no inventar)	1.134	1.418	1.772
Orquestación (flujos de varios pasos)	795	1.097	1.371
Soporte al cliente (clasificar y responder)	472	975	1.218
Tool calling (llamada de funciones)	259	954	1.192
Anti-alucinación (citas. contexto)	611	905	1.131
Seguir instrucciones al pie de la letra	610	788	985
No inventar herramientas (abstenerse cuando no hay)	186	580	725
Precisión literal (hex. JWT. configs)	149	503	628
Verificar un dato contra su fuente	132	428	535
Resistencia a prompt injection	195	371	463

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

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 es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →