DeepSeek V4 Pro supera a GPT-5.5 Pro en precisión

Metodología de evaluación y calidad del artículo

• Muchos comentaristas descartan la comparación del artículo como débil: solo 4 tareas, aparentemente ejecuciones únicas, sin rúbrica de puntuación clara, definición vaga de “precisión” y una IA (Grok) como juez.
• Varios lo califican de clickbait generado por IA, con lenguaje exagerado y poca reproducibilidad.
• Algunos sostienen que pruebas pequeñas y a medida como esta dicen muy poco frente a benchmarks más sistemáticos, o que al menos deberían informar múltiples ejecuciones y casos de prueba concretos.

Calidad del modelo: precisión frente a profundidad

• Varios desarrolladores informan que DeepSeek V4 Pro (y especialmente Flash) es “suficientemente bueno” o está cerca del nivel frontera para muchas tareas de programación, a menudo alrededor de calidad mid‑Opus / Sonnet.
• Los usuarios señalan que DeepSeek suele seguir bien los esquemas y las especificaciones estructuradas, pero puede ser más débil en la “visión global”, instrucciones vagas o razonamiento muy difícil, donde GPT-5.5 o los mejores modelos de Claude siguen ganando.
• Algunos recalcan que, para problemas complicados y de alto riesgo, siguen recurriendo a GPT/Claude unas pocas veces al mes.
• Otros se quejan de que todas las evaluaciones actuales (incluidos los chistes de pelícanos, DeepSWE, etc.) son ruidosas y a menudo se contradicen.

Costo, caché y rendimiento

• Hay un fuerte consenso en que la relación costo/rendimiento de DeepSeek es excepcional; varios describen ejecuciones órdenes de magnitud más baratas que GPT-5.5 Pro para grandes benchmarks.
• Se destaca repetidamente la caché agresiva del lado del servidor de DeepSeek; los usuarios reportan tasas de acierto de caché del 90%+ y costos efectivos de tokens extremadamente bajos.
• La latencia es mixta: algunos encuentran que Pro es demasiado lento para chat interactivo, pero Flash es rápido y receptivo; otros ven velocidades aceptables según el proveedor.

Flujos de trabajo, harnesses y modelos “suficientemente buenos”

• Muchos usan DeepSeek mediante harnesses de programación (Claude Code, OpenCode, Pi, Zed, etc.) y enfatizan que la estructura, las pruebas y la orquestación de agentes importan más que las pequeñas diferencias entre modelos.
• Un patrón común: usar modelos open‑weight más baratos para trabajo masivo/iterativo y reservar los modelos frontera caros para casos límite, planificación o revisión adversarial.
• Varios argumentan que, con harnesses sólidos, modelos más débiles más reintentos pueden superar a los caros en costo por tarea resuelta.

Privacidad, geopolítica y alojamiento

• A algunos les incomoda enviar datos a un laboratorio chino (y mencionan el PCCh, las sanciones, la censura de Tiananmen), mientras que otros desconfían igual de los laboratorios estadounidenses y prefieren open‑weights y autoalojamiento.
• Debate sobre si los precios bajos de DeepSeek están subvencionados (posiblemente para cuota de mercado/datos) o se explican por la arquitectura MoE, la compresión de atención, la electricidad barata y una fuerte optimización de bajo nivel; conclusión en el hilo: las afirmaciones de subsidio no están probadas.
• Autoalojar DeepSeek es posible, pero requiere mucho hardware; práctico sobre todo para organizaciones bien financiadas.

Temas meta

• Creciente cansancio con los titulares puntuales de “X supera a Y” y las actitudes de barra brava (“team DeepSeek” vs “team OpenAI/Claude”).
• Consenso emergente: los mejores modelos son todos muy potentes; la elección depende cada vez más del costo, las restricciones y el flujo de trabajo, más que de quién es “el mejor” en un número único.