DeepSeek lanza V3.1, unificando V3 y R1 en un modelo de razonamiento híbrido con un aumento incremental de la inteligencia Aumento de la inteligencia incremental: Los resultados iniciales de la evaluación comparativa de DeepSeek V3.1 muestran un índice de inteligencia de análisis artificial de 60 en modo de razonamiento, frente a la puntuación de 59 de la R1. En el modo sin razonamiento, V3.1 logra una puntuación de 49, un aumento mayor con respecto a la puntuación anterior de V3 0324 de 44. Esto deja a la V3.1 (razonamiento) detrás de la última Qwen3 235B 2507 (razonamiento) de Alibaba: DeepSeek no ha recuperado el liderazgo. Razonamiento híbrido: @deepseek_ai ha pasado a un modelo de razonamiento híbrido por primera vez, que admite modos de razonamiento y no razonamiento. El cambio de DeepSeek a un modelo de razonamiento híbrido unificado imita el enfoque adoptado por OpenAI, Anthropic y Google. Es interesante notar, sin embargo, que Alibaba abandonó recientemente su enfoque híbrido que favorecían para Qwen3 con sus versiones separadas de Qwen3 2507 razonamiento y modelos de instrucciones. Llamada a funciones / uso de herramientas: mientras que DeepSeek afirma que se ha mejorado la llamada a funciones para el modelo, DeepSeek V3.1 no admite la llamada a funciones cuando está en modo de razonamiento. Es probable que esto limite sustancialmente su capacidad para admitir flujos de trabajo de agentes con requisitos de inteligencia, incluso en agentes de codificación. Uso de tokens: DeepSeek V3.1 obtiene una puntuación incrementalmente más alta en el modo de razonamiento que DeepSeek R1 y usa un poco menos de tokens en las evaluaciones que usamos para el Índice de Inteligencia de Análisis Artificial. En el modo sin razonamiento, utiliza un poco más de tokens que V3 0324, pero aún varias veces menos que en su propio modo de razonamiento. API: La API propia de DeepSeek ahora sirve el nuevo modelo DeepSeek V3.1 tanto en sus puntos finales de chat como de razonamiento, simplemente cambiando si el token de pensamiento final </think> se proporciona al modelo en la plantilla de chat para controlar si el modelo razonará. Arquitectura: DeepSeek V3.1 es arquitectónicamente idéntico a los modelos V3 y R1 anteriores, con 671 mil millones de parámetros totales y 37 mil millones de parámetros activos. Implicaciones: Aconsejamos precaución al hacer suposiciones sobre lo que implica este lanzamiento sobre el progreso de DeepSeek hacia un modelo futuro al que se hace referencia en los rumores como V4 o R2. Observamos que DeepSeek lanzó previamente el modelo final construido en su arquitectura V2 el 10 de diciembre de 2024, solo dos semanas antes del lanzamiento de V3.

Anunciando el Análisis Artificial de Razonamiento de Largo Contexto (AA-LCR), un nuevo estándar para evaluar el rendimiento en contextos largos a través de pruebas de capacidades de razonamiento en múltiples documentos largos (~100k tokens) El enfoque de AA-LCR es replicar el trabajo de conocimiento real y las tareas de razonamiento, probando capacidades críticas para las aplicaciones modernas de IA que abarcan el análisis de documentos, la comprensión de bases de código y flujos de trabajo complejos de múltiples pasos. AA-LCR consiste en 100 preguntas difíciles basadas en texto que requieren razonamiento a través de múltiples documentos del mundo real que representan ~100k tokens de entrada. Las preguntas están diseñadas de tal manera que las respuestas no se pueden encontrar directamente, sino que deben ser razonadas a partir de múltiples fuentes de información, con pruebas humanas que verifican que cada pregunta requiere una inferencia genuina en lugar de recuperación. Puntos clave: ➤ Los modelos líderes de hoy logran ~70% de precisión: los tres primeros lugares son para OpenAI o3 (69%), xAI Grok 4 (68%) y Qwen3 235B 2507 Thinking (67%) ➤👀 ¡También ya tenemos resultados de gpt-oss! 120B se desempeña cerca de o4-mini (alto), en línea con las afirmaciones de OpenAI sobre el rendimiento del modelo. Pronto seguiremos con un Índice de Inteligencia para los modelos. ➤ 100 preguntas difíciles basadas en texto que abarcan 7 categorías de documentos (Informes de Empresas, Informes de la Industria, Consultas Gubernamentales, Academia, Legal, Materiales de Marketing e Informes de Encuestas) ➤ ~100k tokens de entrada por pregunta, requiriendo que los modelos soporten una ventana de contexto mínima de 128K para puntuar en este estándar ➤ ~3M de tokens de entrada únicos en ~230 documentos para ejecutar el estándar (los tokens de salida varían típicamente según el modelo) ➤ El enlace al conjunto de datos en 🤗 @HuggingFace está abajo Estamos añadiendo AA-LCR al Índice de Inteligencia de Análisis Artificial, y llevando el número de versión a v2.2. El Índice de Inteligencia de Análisis Artificial v2.2 ahora incluye: MMLU-Pro, GPQA Diamond, AIME 2025, IFBench, LiveCodeBench, SciCode y AA-LCR. Todos los números están actualizados en el sitio ahora. Descubre qué modelos incluye el Índice de Inteligencia de Análisis Artificial v2.2 👇

Cerebras ha estado demostrando su capacidad para alojar grandes MoEs a velocidades muy altas esta semana, lanzando los puntos finales Qwen3 235B 2507 y Qwen3 Coder 480B a >1,500 tokens de salida/s ➤ @CerebrasSystems ahora ofrece puntos finales tanto para Qwen3 235B 2507 Razonamiento como No-razonamiento. Ambos modelos tienen un total de 235B parámetros con 22B activos. ➤ Qwen 3 235B 2507 Razonamiento ofrece una inteligencia comparable a o4-mini (alta) y DeepSeek R1 0528. La variante No-razonamiento ofrece una inteligencia comparable a Kimi K2 y muy por encima de GPT-4.1 y Llama 4 Maverick. ➤ Qwen3 Coder 480B tiene 480B parámetros totales con 35B activos. Este modelo es particularmente fuerte para la codificación agente y se puede utilizar en una variedad de herramientas de agentes de codificación, incluyendo la Qwen3-Coder CLI. Los lanzamientos de Cerebras representan la primera vez que este nivel de inteligencia ha estado accesible a estas velocidades de salida y tienen el potencial de desbloquear nuevos casos de uso, como usar un modelo de razonamiento para cada paso de un agente sin tener que esperar minutos.