La compañía asegura que GPT-5.5 no solo es más eficiente y veloz en la resolución de tareas en comparación con sus antecesores, sino que también es capaz de ofrecer resultados “de mayor calidad” con menos consumo de tokens y menos reintentos. “En el Índice de Codificación de Artificial Analysis, GPT-5.5 ofrece inteligencia de vanguardia a la mitad del costo de los modelos de codificación de última generación”, señala el equipo de desarrollo.
tareas de agentes, han comenzado a atraer a un mayor número de clientes empresariales.A esta competencia se suma DeepSeek, que recientemente presentó V4 Flash y V4 Pro, versiones preliminares de su nuevo modelo insignia.
Según la compañía china, el sistema alcanza un rendimiento de primer nivel en tareas de programación, razonamiento y codificación de agentes. El modelo, que opera con una ventana de contexto de hasta un millón de tokens, es capaz de gestionar bases de código y documentos de gran extensión con una sola instrucción. Esto es posible gracias a su capacidad de comprensión token a token y al uso de la técnica de Atención Dispersa (Sparse Attention), que permite identificar las partes más relevantes del texto para generar resúmenes inteligentes en tiempo real y mantener una visión amplia y detallada de la información.
DeepSeek afirma que su nuevo modelo de código abierto posee capacidades avanzadas en codificación de agentes y supera a la mayoría de los sistemas comparables, con la excepción de Gemini 3.1 Pro, en tareas de conocimiento general.
“V4 supera a todos los modelos abiertos actuales en matemáticas, ciencia, tecnología, ingeniería y codificación, rivalizando con los mejores modelos de código cerrado”, aseguró la compañía.
DeepSeek R1 generara un fuerte impacto en la industria de la IA. Este sistema ofrecía capacidades avanzadas de razonamiento —según los estándares de ese momento— a un costo considerablemente menor en comparación con otras soluciones desarrolladas por OpenAI, Anthropic o Meta.Esta ventaja se atribuyó a la metodología de entrenamiento del sistema, cuyo costo se estimó en alrededor de 6 millones de dólares, según algunos expertos. La cifra resulta significativamente inferior a los más de 60 millones de dólares que Meta destinó para entrenar su modelo Llama 3.1. Este ahorro en recursos computacionales permitió reducir de forma drástica los costos de acceso para los usuarios.
En ese contexto, el uso de DeepSeek R1 llegó a costar apenas una trigésima parte de lo que implicaba utilizar modelos como OpenAI o1, lo que contribuyó a democratizar el acceso a herramientas avanzadas de IA.
Ante esta creciente competencia, autoridades estadounidenses y empresas como Anthropic señalaron que DeepSeek podría haberse apoyado en tecnología y recursos desarrollados en Estados Unidos para alcanzar estos avances. Hasta el momento, la compañía china no ha revelado detalles sobre los costos de entrenamiento de V4 ni sobre la infraestructura empleada para su desarrollo.