PulseFlow Tecnologia
← Insights
·5 min de lectura·analisis-de-mercado·deepseek·kimi-k2·eficiencia
PulseFlow Tecnologia

El impacto de DeepSeek y Kimi en la presión por eficiencia

El detalle que más importa en los lanzamientos de DeepSeek-R1 y Kimi K2 no es la puntuación en el benchmark - es el precio y la arquitectura detrás de él. Ambos modelos muestran, de formas distintas, que la capacidad de frontera se puede entregar gastando mucho menos, y eso presiona directamente el margen de quien cobra precio de modelo cerrado.

DeepSeek-R1: paridad de capacidad a una fracción del costo

DeepSeek-R1 entrega "performance on par with OpenAI-o1" en matemáticas, código y razonamiento, pero cobra $0,14 por millón de tokens de entrada en caché - una fracción de lo que cobraban los modelos cerrados de referencia cuando se lanzó R1. La licencia MIT permite destilar y comercializar libremente, y la propia OpenAI ya permite "API outputs... for fine-tuning & distillation" - un reconocimiento indirecto de que competir solo en capacidad bruta ya no basta cuando un competidor entrega resultados equivalentes por una décima parte del precio.

Kimi K2: eficiencia por arquitectura, no solo por precio

Kimi K2 ataca el problema del costo desde otro ángulo: la arquitectura. Es un modelo MoE con 1 billón de parámetros totales, pero solo 32 mil millones activados por token - la mayor parte de la capacidad queda "apagada" en cada inferencia, lo que reduce el costo computacional sin renunciar a la capacidad agregada. Preentrenado en 15,5 billones de tokens "con cero inestabilidad de entrenamiento", alcanza 53,7% en LiveCodeBench y 69,6% en AIME 2024, competitivo con modelos cerrados de referencia, bajo una licencia MIT modificada.

Llama 3.1: Meta subsidia el ecosistema para presionar el mercado

Meta no vende acceso a Llama 3.1 405B por token - distribuye los pesos y deja que más de 25 socios (AWS, NVIDIA, Google Cloud, Databricks) monetizen la infraestructura alrededor. Esa es otra forma de presión por eficiencia: al eliminar el costo de licenciamiento del modelo en sí, Meta obliga a los competidores que cobran por token a competir en un mercado donde la alternativa "de frontera" es gratuita para ejecutar.

Qué presiona esto en la práctica

Tres modelos, tres estrategias de costo distintas - precio agresivo por token (DeepSeek), eficiencia arquitectónica vía MoE disperso (Kimi K2), y distribución gratuita de pesos (Llama) - pero el efecto de mercado es el mismo: cualquier proveedor que cobra una prima significativa por capacidad de modelo, sin diferenciación clara en la capa de ejecución (gobernanza, herramientas, integración), queda expuesto. La presión no es hipotética - es la razón por la que la propia OpenAI lanzó gpt-oss bajo Apache 2.0 poco después de estos movimientos.

Fuentes