DeepSeek-R1 es un modelo Mixture-of-Experts (MoE) con 671 mil millones de parámetros, de los cuales 37 mil millones se activan por token. Fue entrenado mediante aprendizaje por refuerzo a gran escala, con un enfoque en capacidades de razonamiento. Incorpora dos etapas de RL para descubrir patrones de razonamiento mejorados y alinearse con las preferencias humanas, además de dos etapas de SFT para desarrollar habilidades de razonamiento y no razonamiento. El modelo logra un rendimiento comparable a OpenAI-o1 en tareas de matemáticas, programación y razonamiento.
LLaMA 4 Scout es un modelo de 17 mil millones de parámetros que utiliza una arquitectura Mixture-of-Experts con 16 expertos activos, posicionándose como el mejor modelo multimodal en su categoría. Supera constantemente a competidores como Gemma 3, Gemini 2.0 Flash-Lite y Mistral 3.1 en una amplia gama de tareas de evaluación. A pesar de su rendimiento, LLaMA 4 Scout es increíblemente eficiente: puede ejecutarse en una sola GPU NVIDIA H100 con cuantización Int4. También cuenta con una ventana de contexto líder en la industria de 10 millones de tokens y es nativamente multimodal, lo que le permite procesar texto, imágenes y video de forma fluida para aplicaciones avanzadas del mundo real.
| DeepSeek-R1 | Llama 4 Scout | |
|---|---|---|
Sitio Web
| ||
Proveedor
| ||
Chat
| ||
Fecha de Lanzamiento
| ||
Modalidades
| texto | texto imágenes video |
Proveedores de API
| DeepSeek, HuggingFace | Meta AI, Hugging Face, Fireworks, Together, DeepInfra |
Fecha de Corte de Conocimiento
| Desconocido | 2025-04 |
Código Abierto
| Sí | Sí (Fuente) |
Costo de Entrada
| $0.55 por millón de tokens | No disponible |
Costo de Salida
| $2.19 por millón de tokens | No disponible |
MMLU
| 90.8% Pass@1 Fuente | No disponible |
MMLU-Pro
| 84% EM Fuente | 74.3% Reasoning & Knowledge Fuente |
MMMU
| - | 69.4% Image Reasoning Fuente |
HellaSwag
| - | No disponible |
HumanEval
| - | No disponible |
MATH
| - | No disponible |
GPQA
| 71.5% Pass@1 Fuente | 57.2% Diamond Fuente |
IFEval
| 83.3% Prompt Strict Fuente | No disponible |
SimpleQA
| - | - |
AIME 2024 | - | - |
AIME 2025 | - | - |
Aider Polyglot
| - | - |
LiveCodeBench v5
| - | - |
Global MMLU (Lite)
| - | - |
MathVista
| - | - |
Aplicación Móvil | - | |
MathArena | ||
| Puntuación media | 82% | - |
AIME 2025 Prueba basada en problemas del concurso de matemáticas (American Invitational Mathematics Examination),destinada a evaluar las habilidades matemáticas de los modelos. | 89% | - |
HMMT February 2025 Prueba basada en problemas del Harvard-MIT Mathematics Tournament, febrero de 2025, destinada a evaluar las habilidades matemáticas de los modelos. | 77% | - |
BRUMO 2025 | 92% | - |
SMT 2025 Prueba basada en problemas del Stanford Math Tournament, 2025, destinada a evaluar las habilidades matemáticas de los modelos. | 83% | - |
CMIMC 2025 Prueba basada en problemas de la Olimpiada Matemática Canadiense, 2025, destinada a evaluar las habilidades matemáticas de los modelos. | 69% | - |
Compare AI. Test. Benchmarks. Chatbots Móviles, Sketch
Copyright © 2026 All Right Reserved.
Comentarios (1)
Jacquie
27 Enero 2026Digiturk paketler icinden size en uygun uyeligi kolayca secebilirsiniz. https://digiturkpaketler.com/kampanyalar