Por Canuto  

Una investigación liderada por especialistas de ByteDance advierte que la tecnología de ahorro de memoria de DeepSeek podría hacer que sus modelos pasen por alto información dependiendo de dónde aparece en un documento. El hallazgo también se observó en DeepSeek-V4, V4.1 y otros modelos comprimidos preentrenados por los investigadores, aunque el estudio aún no ha sido revisado por pares.
***

  • El estudio señala que los modelos podían ignorar información idéntica cuando aparecía en determinadas posiciones de un documento.
  • Un ejemplo citado indica que anteponer texto irrelevante a un mismo fragmento de código redujo la capacidad de DeepSeek para elegir la respuesta correcta.
  • Los autores reportaron el fenómeno en DeepSeek-V4, V4.1 y todos los modelos comprimidos que preentrenaron; el trabajo todavía no había pasado por revisión por pares, según el reporte.

DeepSeek enfrenta dudas sobre la precisión de sus modelos de IA

Una investigación vincula el ahorro de memoria en modelos de DeepSeek con posibles fallas para recuperar información según su posición en documentos extensos. El estudio, que aún no cuenta con revisión por pares, también reportó el fenómeno en DeepSeek-V4, V4.1 y otros modelos comprimidos preentrenados por sus autores.

Un posible costo de reducir el uso de memoria

La investigación plantea un problema para una de las apuestas tecnológicas de DeepSeek: disminuir los costos de operación mediante un uso más eficiente de los recursos. Según informó South China Morning Post, el trabajo encontró que reducir la memoria necesaria para procesar entradas largas podría afectar la fiabilidad con que los modelos identifican datos relevantes.

El punto central no es que el modelo carezca necesariamente de la información solicitada, sino que podría no atenderla con la misma consistencia en todos los casos. Los investigadores observaron que la posibilidad de pasar por alto un dato variaba según la posición que ocupaba dentro del documento, una limitación que importa cuando una consulta depende de detalles repartidos en un contexto extenso.

Para ilustrar el problema, el estudio describió una prueba con un fragmento de código informático: añadir texto irrelevante antes de ese mismo fragmento redujo la capacidad de DeepSeek para escoger la respuesta correcta. El ejemplo apunta a que cambios en la organización del contexto pueden alterar el resultado, aunque el contenido esencial de la tarea permanezca igual.

El hallazgo pone de relieve una tensión habitual en el desarrollo de sistemas de inteligencia artificial: optimizar el consumo de recursos no garantiza, por sí solo, que todas las respuestas conserven el mismo nivel de exactitud. En este caso, los autores relacionan el posible costo de la eficiencia con la recuperación de información, pero la información publicada no cuantifica cuánto cae el rendimiento ni con qué frecuencia ocurren los errores.

El alcance de los resultados todavía está por establecerse

El artículo fue dirigido por investigadores de ByteDance y contó con coautores afiliados a la Universidad de Princeton, la Universidad de Stanford y la Universidad de California, Berkeley. South China Morning Post informó que el trabajo se publicó a finales de septiembre de 2026 y que todavía no había sido sometido a revisión por pares.

Ese estado no invalida automáticamente los resultados, pero sí aconseja distinguir entre una observación de investigación y una conclusión consolidada por evaluación independiente. La revisión por pares permite que otros especialistas examinen métodos y argumentos; hasta que ocurra, el reporte debe leerse como una señal que requiere más comprobaciones, no como evidencia definitiva de que todos los modelos de DeepSeek presentan el mismo problema en el uso cotidiano.

Los autores afirmaron que el fenómeno aparece en DeepSeek-V4 y V4.1, así como en todos los modelos comprimidos que preentrenaron. La afirmación describe los sistemas incluidos en su propio trabajo y no equivale a una evaluación de cada producto, versión o escenario de uso de DeepSeek; la información publicada tampoco detalla qué pruebas específicas determinaron la frecuencia o severidad de los errores.

Para quienes desarrollan o utilizan herramientas de IA, la advertencia sugiere que conviene evaluar no solo el costo o la velocidad, sino también la estabilidad de las respuestas cuando cambia la posición de la información en una entrada larga. Sin resultados adicionales no es posible concluir qué efecto práctico tendría el fenómeno para usuarios, empresas o clientes de DeepSeek, pero el estudio plantea preguntas sobre la fiabilidad de sus modelos.

La eficiencia y la precisión, dos métricas que deben evaluarse juntas

Los modelos de inteligencia artificial procesan instrucciones y documentos que pueden contener muchos datos, por lo que el uso de memoria es un aspecto relevante de su diseño. La investigación se concentra en una consecuencia posible de reducir ese requerimiento: que el sistema no trate de manera uniforme la información según el lugar en que aparece, un matiz distinto de afirmar que el modelo siempre responde mal o que no puede trabajar con entradas largas.

La prueba descrita con código también ayuda a entender por qué una variación aparentemente menor puede ser importante. Si insertar material sin relación modifica la selección de una respuesta, los resultados pueden depender no solo de qué información recibe el sistema, sino también de cómo se presenta; aun así, la fuente no ofrece una medida general que permita trasladar ese ejemplo a todas las tareas o tipos de documentos.

El trabajo plantea dudas sobre una posible relación entre el uso más eficiente de recursos y la recuperación de información, pero no presenta datos de costos comparativos ni demuestra que las ventajas económicas desaparezcan. Por ello, eficiencia y precisión deben tratarse como dimensiones relacionadas, pero no intercambiables.

El siguiente paso será determinar si otros análisis reproducen el efecto y delimitan en qué condiciones se manifiesta, algo que no puede darse por resuelto con los datos disponibles. Por ahora, la conclusión atribuible a los investigadores es más acotada: en los modelos que examinaron, la posición de la información podía afectar la selección de respuestas, y el patrón también apareció en sus versiones comprimidas de DeepSeek.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados