Cuando se dice que un modelo de IA es "barato", la frase puede referirse a tres cuentas distintas: cuánto costó entrenar el modelo, cuánto cuesta cada respuesta que genera y cuánto cuesta, al final, entregar una tarea completa. DeepSeek lanzó V4.1-Flash en septiembre de 2026 afirmando que la nueva arquitectura reduce costos y precios. En las dos páginas consultadas — lanzamiento y precios — encontramos precios de uso, pero no una cifra monetaria de entrenamiento. Separar las tres cuentas evita comparar cosas que no se pueden comparar.
Esa es la pregunta del diario #8 de XMACNA, un video en portugués titulado "DeepSeek 4.1: barato para treinar ou para usar?" ("¿barato de entrenar o de usar?"), publicado en YouTube el 21 de octubre de 2026. El video plantea la cuestión; este artículo ordena el razonamiento con las cifras públicas de la propia DeepSeek, para que pueda aplicar el mismo método a cualquier modelo.
Tres cuentas que suelen mezclarse
Costo de entrenamiento. Es lo que el desarrollador gasta para crear el modelo: cómputo, datos, equipo y las rondas de ajuste posteriores al preentrenamiento. Lo paga el fabricante. Para quien usa el modelo por API, aparece solo de forma indirecta, incluido en el precio que la empresa decide cobrar.
Costo de inferencia. Es el costo de poner el modelo a trabajar: cada vez que lee un texto y escribe una respuesta, consume cómputo. En las API, esa cuenta llega al cliente como precio por token. Un token es un fragmento de texto, que puede ser una palabra, un número o un signo de puntuación.
Costo entregado por tarea. Es la cuenta que importa a quien opera: cuánto cuesta resolver una consulta de un cliente, resumir un contrato o clasificar un pedido de principio a fin. Incluye los tokens, pero también los reintentos, las herramientas consultadas, la revisión humana y la infraestructura alrededor.
Las tres cuentas se relacionan, pero ninguna sustituye a las otras. Un modelo puede haber sido caro de entrenar y barato de usar, o barato por token y caro por tarea, si se equivoca mucho y exige retrabajo.
Qué publicó DeepSeek sobre V4.1-Flash
En su página de lanzamiento, fechada el 10 de septiembre de 2026, DeepSeek describe V4.1-Flash como un modelo con arquitectura MoE (mixture of experts) y 552 mil millones de parámetros en total. Según la empresa, solo una parte se activa en cada token: 8 mil millones al leer la entrada y 16 mil millones al generar la salida. En la API, el modelo se llama `deepseek-flash`.
La idea del MoE, en términos simples, es dividir el modelo en bloques especializados y activar solo algunos en cada paso. Eso tiende a reducir el cómputo necesario para generar cada respuesta. DeepSeek afirma que la arquitectura hace el modelo más eficiente y que traslada el ahorro a precios de API más bajos. Son afirmaciones de la propia empresa.
Aquí hay una precaución importante. Los parámetros activos por token hablan del trabajo hecho en cada respuesta. No informan cuánto costó entrenar el modelo ni permiten comparar directamente entrenamiento y uso.
Qué muestra la tabla de precios
La página de modelos y precios de DeepSeek, consultada el 21 de octubre de 2026, lista DeepSeek-V4.1-Flash-1017 con estos valores, en dólares por millón de tokens:
| Tipo de token | Fuera de pico | Pico |
|---|---|---|
| Entrada con acierto de caché | US$ 0,003 | US$ 0,006 |
| Entrada sin acierto de caché | US$ 0,15 | US$ 0,30 |
| Salida | US$ 0,60 | US$ 1,20 |
Tres detalles cambian la cuenta:
- Entrada y salida tienen precios distintos. El texto que el modelo escribe cuesta más que el texto que lee.
- La caché abarata la entrada repetida. Cuando parte de la entrada ya se procesó antes y se reutiliza, se cobra con la tarifa de acierto de caché, mucho más baja.
- El horario cuenta. El pico va de 01h a 04h y de 06h a 10h UTC, de lunes a viernes, salvo feriados chinos. Fuera de esos horarios, la tarifa es la mitad.
La misma página indica que el uso del modelo se cobra como el número de tokens multiplicado por el precio y que la empresa puede ajustar sus precios. Las API de Search y Fetch, de búsqueda y consulta, tienen tarifas propias y se cobran por solicitud exitosa. Hay una excepción temporal: cuando la API de DeepSeek se usa a través de DeepSeek Harness, Claude Code o Codex, las llamadas a herramientas del lado del servidor a Search y Fetch son gratuitas por ahora, y la página prevé el cobro por solicitud a partir del 1 de noviembre de 2026, a las 00h de Pekín (16h UTC del 31 de octubre). La excepción vale solo para esas llamadas, no para todo uso directo de Search y Fetch. Antes de decidir, consulte la página actual.
Una cuenta ilustrativa
Imagine un volumen de 1 millón de tokens de entrada sin caché y 1 millón de tokens de salida. Con los precios de arriba, la cuenta queda en US$ 0,15 + US$ 0,60 = US$ 0,75 fuera de pico, o US$ 0,30 + US$ 1,20 = US$ 1,50 en pico.
Esta aritmética sirve para mostrar cómo funciona la tabla, no para estimar el costo típico de un uso real. No incluye infraestructura, implementación, herramientas, impuestos ni la opción de ejecutar el modelo en servidores propios, que cambia el precio por token por el costo de hardware y operación.
¿Y el costo de entrenamiento?
En los dos documentos de DeepSeek usados en este artículo, la página de lanzamiento y la tabla de precios, no encontramos el costo monetario de entrenamiento de V4.1-Flash. La página de lanzamiento menciona nuevos métodos de preentrenamiento y aprendizaje por refuerzo a mayor escala, pero no da cifras. Por eso, esas fuentes no ofrecen una base pública suficiente para decir si el modelo fue barato de entrenar ni para comparar ese número con el precio de uso de la API.
Para una empresa que contrata el modelo por API, esa ausencia pesa menos de lo que parece. El costo de entrenamiento es del fabricante. Lo que entra en su factura es la inferencia, y lo que entra en su resultado es el costo por tarea.
Por qué el precio por token no es el costo por tarea
El mismo precio por token puede generar cuentas muy distintas, porque cada tarea usa los tokens de una manera. Vea dos tareas hipotéticas en V4.1-Flash, con la tarifa fuera de pico y mil ejecuciones de cada una:
| Tarea hipotética | Tokens por ejecución | Costo de 1.000 ejecuciones |
|---|---|---|
| A: leer un documento largo y devolver una clasificación corta (20.000 tokens de entrada sin caché, 500 de salida) | 20.500 | US$ 3,30 |
| B: leer un pedido corto y escribir una respuesta larga (1.000 tokens de entrada sin caché, 4.000 de salida) | 5.000 | US$ 2,55 |
| A, con 18.000 de los 20.000 tokens de entrada aprovechados de la caché | 20.500 | cerca de US$ 0,65 |
La tarea B usa cerca de cuatro veces menos tokens que la A y, aun así, cuesta más de tres cuartos de lo que cuesta la A, porque la salida es la línea más cara de la tabla. A su vez, la tarea A se vuelve cerca de cinco veces más barata cuando la entrada repetida viene de la caché. Los volúmenes son inventados para mostrar el mecanismo; solo los precios vienen de DeepSeek.
Fuera de la tabla, otros factores mueven la cuenta:
- El tamaño del contexto. Cuanto más texto tiene que leer el modelo en cada pedido, más cara resulta cada solicitud. AWS hace esa observación en un artículo técnico de febrero de 2026 sobre su propio servicio de inferencia; en la tabla de DeepSeek, eso aparece como más tokens de entrada cobrados.
- La urgencia. No toda tarea necesita una respuesta inmediata. Al lanzar una API de procesamiento por lotes, en abril de 2025, Cloudflare puso como ejemplo resúmenes de muchos documentos que pueden esperar. En DeepSeek, el equivalente es llevar el trabajo flexible fuera del pico, cuando la tarifa baja a la mitad. Eso no significa que procesar por lotes sea siempre más barato con cualquier proveedor.
- Quién opera la infraestructura. Usar una API gestionada y alojar el propio modelo son cuentas distintas: en una se paga por token; en la otra, por servidores, energía y equipo. Google Cloud describe esas dos opciones, para sus propios productos, en un post de febrero de 2025. En una guía de marzo de 2025, la empresa dice que su servicio gestionado puede ahorrar horas de gestión y evitar pagar por GPU ociosas, mientras que las máquinas virtuales con acceso directo al hardware dan control total; la propia guía advierte que no todo consejo sirve para todos los casos.
- El cambio de modelo. Migrar a un modelo más barato también cuesta. En un texto de MIT Sloan de enero de 2026, uno de los autores de un estudio sobre modelos abiertos recuerda que las empresas construyen procesos alrededor del modelo que ya usan y que el cambio no es trivial.
Costo entregado por tarea: la cuenta que importa
El precio por token es solo el comienzo. Una forma práctica de llegar al costo por tarea:
- Elija una tarea real y repetitiva, como responder la pregunta de un cliente o extraer datos de un documento.
- Mida los tokens de una muestra: cuánto entra, cuánto sale y cuánto se puede aprovechar de la caché.
- Cuente los reintentos y los fallos. Una respuesta incorrecta que hay que rehacer añade costo; registre también los tokens, las herramientas y la revisión de cada reintento.
- Sume lo que hay alrededor: herramientas consultadas, tiempo de revisión humana, integración con sus sistemas.
- Divida por el número de tareas completadas con calidad, no por el número de llamadas.
Aquí es donde los modelos baratos por token pueden ganar o perder. Un modelo que cuesta menos por millón de tokens, pero acierta menos, puede salir más caro por tarea resuelta. La comparación justa se hace con tareas iguales y criterios definidos de antemano, como mostramos en Prueba ciega de IA: elija modelos con evidencia. El mismo razonamiento sobre costo operativo aparece en GPT-5.6 y el costo operativo de la IA.
V4.1-Flash también forma parte de una disputa más amplia entre modelos abiertos y cerrados, tema de La nueva carrera de los modelos abiertos cambió el poder en la IA. La página de lanzamiento remite a una página del modelo en Hugging Face y dice que DeepSeek trabajará con la comunidad de código abierto en el soporte a la inferencia.
Tres preguntas antes de elegir un modelo por el precio
- ¿Qué cuenta se está anunciando? El precio de una API es costo de uso, no de entrenamiento.
- ¿Cuál es su patrón de uso? Mucho texto de entrada repetido favorece la caché; las respuestas largas pesan en la línea de salida; las tareas que pueden esperar aprovechan el horario fuera de pico.
- ¿Cuánto cuesta una tarea completada? Solo ese número permite comparar modelos con honestidad.
Para una visión general de lo que entra en el presupuesto de IA de una empresa, vea la guía sobre cuánto cuesta la IA para una empresa.
Vea el diario
El diario #8, "DeepSeek 4.1: barato para treinar ou para usar?" (YouTube, ID `lToEm9nslIU`), está en el canal de XMACNA en YouTube, en portugués. El video plantea la pregunta; este artículo detalla el método y las fuentes.
Preguntas frecuentes
¿El precio de la API de DeepSeek muestra cuánto costó entrenar el modelo?
No. La tabla de precios muestra el costo de uso, cobrado por token. En los documentos de DeepSeek usados aquí, la página de lanzamiento y la tabla de precios, no encontramos el costo monetario de entrenamiento de V4.1-Flash, así que esas fuentes no ofrecen una base pública para comparar ambos.
¿Qué significa tener 552 mil millones de parámetros, pero solo 8 mil millones o 16 mil millones activos?
Según DeepSeek, V4.1-Flash usa una arquitectura MoE: el modelo tiene 552 mil millones de parámetros en total, pero activa 8 mil millones por token en la entrada y 16 mil millones en la salida. Eso describe el cómputo de cada respuesta, no el costo de entrenamiento.
¿Cuánto cuestan 1 millón de tokens de entrada sin caché más 1 millón de salida en V4.1-Flash?
Según la tabla consultada el 21 de octubre de 2026, 1 millón de tokens de entrada sin caché más 1 millón de tokens de salida suman US$ 0,75 fuera de pico o US$ 1,50 en pico. Es una cuenta ilustrativa: no incluye infraestructura, implementación, herramientas ni impuestos, y los precios pueden cambiar.
¿Cómo comparar el costo de dos modelos de IA para mi empresa?
Ejecute ambos en la misma tarea real, con los mismos criterios de calidad, y divida el gasto total por el número de tareas completadas correctamente. El precio por token por sí solo no muestra cuánto lee y escribe la tarea, cuánto aprovecha de la caché, ni el retrabajo, las herramientas y la revisión humana.
Próximo paso
Si su empresa quiere entender cuánto costaría poner la IA a trabajar en un proceso real, el diagnóstico gratuito de XMACNA sugiere un punto de partida a partir de las respuestas al formulario.