DeepSeek ha sido entrenado con menos recursos que cualquier otro modelo de Inteligencia Artificial similar

Hay evidencia en los fragmentos de texto que sugieren que DeepSeek ha sido entrenado con menos recursos financieros que otros modelos similares. Se afirma que DeepSeek logró entrenar su modelo por aproximadamente $6 millones en dos meses, mientras que competidores como OpenAI han invertido más de $100 millones en el entrenamiento de sus modelos . Además, se menciona que DeepSeek afirma haber entrenado su modelo por poco más de $5.5 millones . Estos datos señalan una notable eficiencia en términos de costos de entrenamiento en comparación con otros modelos de Inteligencia Artificial (IA). También se indica que DeepSeek utiliza innovaciones como Multi-Head Latent Attention (MLA) y Mixture-of-Experts (MoE), que optimizan el procesamiento de datos y limitan los parámetros utilizados por consulta, lo que les permite aprovechar mejor sus aproximadamente 10,000 chips H100 . Se enfatiza que DeepSeek demuestra que un modelo de alto rendimiento puede existir sin grandes demandas de infraestructura . No se encuentran en los textos proporcionados datos específicos sobre las especificaciones exactas de hardware utilizadas para entrenar DeepSeek, más allá del número de chips H100 (~10,000) . Tampoco se ofrece información sobre la cantidad total de datos utilizados para entrenar el modelo, ni se especifica el tipo de datos empleados (texto, imágenes, audio, etc.). No se presenta una comparación detallada de la arquitectura de DeepSeek con la de otros modelos de IA de tamaño y capacidad similares, más allá de señalar que cuenta con hasta 671 mil millones de parámetros en sus versiones insignia y que compite con los modelos más avanzados a nivel mundial . No hay información sobre los tiempos de entrenamiento reportados para modelos similares ni estudios comparativos directos sobre el uso de recursos entre DeepSeek y otros modelos, salvo la mención de los costes de entrenamiento y la comparación con OpenAI. Tampoco se encuentra información que contradiga directamente la afirmación de que DeepSeek fue entrenado con menos recursos, y se resalta su eficiencia en el uso de recursos y costos en varias ocasiones . En base a los textos proporcionados, se puede concluir que existe evidencia que apoya la afirmación de que DeepSeek ha sido entrenado con menos recursos financieros que otros modelos similares, particularmente en cuanto a los costes de entrenamiento. Sin embargo, falta información detallada sobre otros aspectos como el hardware específico utilizado, el tipo y cantidad de datos, la arquitectura del modelo comparada con otros, y los tiempos de entrenamiento. Pese a estas limitaciones, la información disponible tiende a apoyar la afirmación original, ya que se hace énfasis en la eficiencia de DeepSeek en el uso de recursos. No se han encontrado datos que contradigan directamente la afirmación. Por lo tanto, se concluye que la afirmación es posiblemente verdadera, aunque con la salvedad de la falta de información detallada en algunos puntos. En consecuencia, la afirmación es probablemente verdadera.