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.
OpenAI o4-mini es el modelo más reciente y ligero de la serie o, diseñado para un razonamiento eficiente y capaz en tareas tanto de texto como visuales. Optimizado para velocidad y rendimiento, destaca en generación de código y comprensión basada en imágenes, manteniendo un equilibrio entre latencia y profundidad de razonamiento. El modelo admite una ventana de contexto de 200.000 tokens con hasta 100.000 tokens de salida, lo que lo hace ideal para interacciones extensas y de alto volumen. Procesa entradas tanto de texto como de imágenes y produce salidas textuales con capacidades avanzadas de razonamiento. Gracias a su arquitectura compacta y rendimiento versátil, o4-mini es perfecto para una amplia gama de aplicaciones del mundo real que requieren inteligencia rápida y rentable.
| DeepSeek-R1 | o4-mini | |
|---|---|---|
Sitio Web
| ||
Proveedor
| ||
Chat
| ||
Fecha de Lanzamiento
| ||
Modalidades
| texto | texto imágenes |
Proveedores de API
| DeepSeek, HuggingFace | OpenAI API |
Fecha de Corte de Conocimiento
| Desconocido | - |
Código Abierto
| Sí | No |
Costo de Entrada
| $0.55 por millón de tokens | $1.10 por millón de tokens |
Costo de Salida
| $2.19 por millón de tokens | $4.40 por millón de tokens |
MMLU
| 90.8% Pass@1 Fuente | fort |
MMLU-Pro
| 84% EM Fuente | - |
MMMU
| - | 81.6% Fuente |
HellaSwag
| - | - |
HumanEval
| - | 14.28% Fuente |
MATH
| - | - |
GPQA
| 71.5% Pass@1 Fuente | 81.4% Fuente |
IFEval
| 83.3% Prompt Strict Fuente | - |
SimpleQA
| - | - |
AIME 2024 | - | 93.4% Fuente |
AIME 2025 | - | 92.7% Fuente |
Aider Polyglot
| - | - |
LiveCodeBench v5
| - | - |
Global MMLU (Lite)
| - | - |
MathVista
| - | - |
Aplicación Móvil | ||
MathArena | ||
| Puntuación media | 82% | 87% |
AIME 2025 Prueba basada en problemas del concurso de matemáticas (American Invitational Mathematics Examination),destinada a evaluar las habilidades matemáticas de los modelos. | 89% | 92% |
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% | 83% |
BRUMO 2025 | 92% | 87% |
SMT 2025 Prueba basada en problemas del Stanford Math Tournament, 2025, destinada a evaluar las habilidades matemáticas de los modelos. | 83% | 89% |
CMIMC 2025 Prueba basada en problemas de la Olimpiada Matemática Canadiense, 2025, destinada a evaluar las habilidades matemáticas de los modelos. | 69% | 84% |
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