DeepSeek V4 Official Release: What 121 Gray Tests Reveal About Coding Performance

Veredicto rápido

DeepSeek no ha confirmado públicamente que todo esto sea V4. Lo que sí tenemos es un volumen considerable de salidas presuntamente ligadas a un despliegue gradual, y de consistencia dudosa: 121 vídeos en Bilibili publicados por 53 creadores entre el 7 y el 19 de julio de 2026, más 40 sesiones compartidas de OpenCode y unos pocos proyectos descargables. Es suficiente para detectar patrones, pero no para fijar el model ID ni correr un benchmark controlado.

Bajo esa premisa, la conclusión es nítida: en los terrenos donde Kimi K3, GPT-5.6 y Fable 5.0 brillan más, V4 queda un punto por debajo, pero la diferencia ya es lo bastante pequeña como para que, en la mayoría de la programación del día a día, un desarrollador con el ojo puesto en el coste pueda usar V4 por defecto y reservar una suscripción ligera de gama alta para code review, bugs peliagudos y ese último 10 % de tareas largas en varios turnos.

Para la oleada más temprana de capturas y enlaces de chat, ver nuestro resumen de evidencias del despliegue gradual de DeepSeek V4.

Catálogo completo de fuentes evidencia clave

La evidencia original que respalda todas las conclusiones de este artículo, espejada del repositorio open source YunhaoFu/dsv4ga-news-gather. Tras expandir, puedes filtrar por creador, fecha o palabra clave. El título enlaza directamente al vídeo en Bilibili.

Qué nos dicen 121 pruebas

Los datos proceden del proyecto open source dsv4ga-news-gather, que indexa vídeos públicos de Bilibili y conserva título, creador, marca de tiempo, descripción, comentarios, sesiones compartidas y enlaces de descarga. La instantánea del 19 de julio queda más o menos así:

Dos sesgos importan más que cualquier cifra suelta. Sesgo de selección: la inmensa mayoría es "programación de deseos" — juegos de navegador, escenas 3D, animaciones SVG, juguetes con físicas y herramientas musicales. Así que este corpus prueba con fuerza la creación rápida de prototipos y de frontend, pero casi no dice nada sobre backend de producción, seguridad, mantenimiento de repositorios grandes o proyectos de ciclos de meses. Sesgo de transparencia: solo 3 de los diez primeros creadores compartieron prompts o logs de sesión. Que el título del vídeo diga "versión oficial" suele ser caza de vistas: el creador, por lo general, solo ha recibido presuntamente el despliegue gradual. En todo el texto lo expresamos como presunta versión de V4 en despliegue gradual.

En qué parece destacar V4

Las apps de una frase ya corren de verdad, no son solo para mirar

El patrón más marcado es la generación de implementaciones completas a partir de especificaciones breves. En el conjunto hay mundos voxel, shooters, juegos de ritmo, de supervivencia, escenas three.js, generadores de música y visualizaciones de ingeniería. Una demo representativa, un GTA en SVG, según se describe salió en una iteración principal + una ronda de fix de bugs, con sesión compartida incluida. Esto no es "entrega un juego con una frase"; es "el modelo elige la arquitectura, engancha los subsistemas suficientes para demostrar la idea y ya no se refugia en un mockup vacío".

3D, SVG y código de simulación ligera han mejorado

Escenas three.js, assets SVG propios, físicas de juego y simulaciones interactivas aparecen una y otra vez. Una web estilo CFD gas-líquido supuestamente usa PBF para el líquido y LBM para el gas, en dos turnos de diálogo. El propio creador advierte de que la aerodinámica no es realista y necesita más trabajo: ahí está exactamente la frontera entre "prototipo impresionante" y "herramienta de ingeniería fiable".

El precio quizá sea la verdadera portada

Las comparativas de la comunidad describen una y otra vez a V4 y a Kimi K3 como muy parecidos en proyectos reales. Si la API definitiva mantiene la ventaja de precios habitual en DeepSeek, "ofrecer capacidad casi frontera a precio de infraestructura" pesa más que ganar cualquier demo cara a cara. Consulta nuestra comparativa de precios de APIs de IA.

Dónde sigue tropezando V4

• Gusto y pulido. En composición de frontend y en textos largos, la comunidad suele preferir Kimi K3. Lo visual de V4 puede resultar espectacular, pero la calidad oscila mucho según el diseño del prompt.
• Límites de las instrucciones. En una demo piden al modelo que borre comentarios y, de paso, arregla un bug del juego. Esa proactividad es mágica en un juguete, pero en un repositorio real es un riesgo en la revisión. Hay que mirar cada diff: no confundas "corre" con "aprobado".
• Fiabilidad en turnos múltiples largos. Las sesiones siguen cayéndose, desviándose o acumulando deuda arquitectónica tras varios turnos. Que la primera vez sea fuerte no garantiza que la vigésima lo sea.
• Corrección física. Una simulación de fluidos o de gravedad que se ve bien no equivale a un CFD o una mecánica válidos. Visualmente correcto ≠ numéricamente correcto.
• Reproducibilidad. El enrutado del despliegue gradual parece inestable: es posible que usuarios distintos hayan dado con modelos, tiers o comportamientos de muestreo diferentes.
• Calidad de la evidencia. Muchos vídeos no incluyen el prompt completo, el identificador del modelo, el número de intentos fallidos, el consumo de tokens ni las ediciones manuales.

La descripción honrada es "generador de prototipos con un techo alto y capacidad real de programación"; no "un sénior que ya no necesita revisión".

V4 vs Kimi K3 vs GPT-5.6 vs Fable 5.0

No existe un benchmark controlado de los cuatro modelos. La tabla resume, a partir de la evidencia del despliegue gradual y los comentarios de usuarios, una orientación por flujo de trabajo; no es un ranking.

V4 vs Kimi K3: el material directo más fiable apunta a un pulso igualado. En frontend y texto K3 se ve mejor; V4 ofrece mejor relación calidad-precio y compite en implementación. Un vídeo comparativo acumula decenas de miles de reproducciones, pero ni los prompts ni las puntuaciones están estandarizados.

V4 vs GPT-5.6: comentarios sueltos sostienen que en ciertos proyectos web se reparten victorias y derrotas. Son inspiración para pruebas, no resultados de benchmark. La pregunta de verdad es: ¿puede V4 pasar la suite de tests de tu repo por menos dinero?

V4 vs Fable 5.0: las demos de juego impresionan y la comparación tienta, pero este corpus no basta para afirmar que V4 iguale a Fable en bases de código grandes, revisión de seguridad o ejecución automática prolongada. Hasta que pruebas reproducibles demuestren lo contrario, deja Fable 5.0 como opción de subida.

Recomendaciones prácticas

La configuración más barata que no se te vuelve en contra:

1. Que V4 haga el 80–90 %. Planificación, scaffolding, implementación, tests, documentación y fix de bugs rutinarios.
2. Verificación local. Lint, comprobación de tipos, tests unitarios y de integración, más revisión manual del diff. Innegociable.
3. Sube de nivel con evidencia. Cuando te atasques, manda el diff, los tests en rojo y el problema concreto a Kimi K3, GPT-5.6 o Fable 5.0; no reenvíes otro prompt vago igual.
4. Mantén una suscripción ligera de gama alta, no varias completas. Úsala como revisor y modelo de rescate, no como consumidor de tokens por defecto.

Esta configuración solo funciona cuando el segundo modelo recibe evidencia (diff, logs, tests fallidos). Preguntar a dos modelos la misma duda vaga, por lo general, solo duplica el coste y no mejora la fiabilidad.

Qué verificar en el lanzamiento oficial

La versión definitiva se juzga por su reproducibilidad, no por la demo del evento de presentación. Comprueba:

• el model ID exacto de la API, y si la web, la app y la API usan el mismo tier;
• la ventana de contexto, el límite de salida, el soporte de tool calling y de salida estructurada;
• el precio por token de entrada, de entrada en caché y de salida;
• los rate limits, el enrutado en hora pico y si los tiers "Pro/Flash/Max" se comportan de forma distinta;
• la edición a nivel de repo, la generación de tests y la adherencia a instrucciones;
• la probabilidad de reproducir la calidad del despliegue gradual con el mismo prompt;
• la licencia, la retención de datos y las opciones de despliegue.

Actualizaremos este artículo cuando DeepSeek publique la model card definitiva, la documentación de la API y los precios. Hasta entonces, cualquier afirmación sobre el modelo final es provisional.

Preguntas frecuentes

¿La versión oficial ya está disponible?

Este corpus documenta un enrutado presunto del despliegue gradual, no un lanzamiento confirmado. Que el título del vídeo diga "versión oficial" no equivale a una confirmación de DeepSeek.

¿Qué tal programa V4 en realidad?

La evidencia es más fuerte en prototipos web rápidos, juegos, SVG, three.js y fix de bugs iterativo; más débil en repositorios grandes de producción, código sensible a la seguridad y tareas automáticas de larga duración.

¿Es V4 mejor que Kimi K3?

No en todas las tareas. V4 parece estar a la par y puede salir mejor en relación calidad-precio; Kimi K3 suele ganar en pulido de frontend y en texto. Decide tras probar con los mismos prompts, el mismo runtime y los mismos tests de aceptación.

¿Debería darme de baja de las suscripciones de gama alta?

Para muchos, bajar a una única suscripción ligera de gama alta tiene más sentido que darse de baja de todo. Que V4 tire del volumen y reserva un modelo independiente para revisión y subidas de nivel.

¿Dónde ver las pruebas graduales originales?

Empieza por el índice en GitHub con los 121 vídeos. Casos representativos: test en profundidad de V4 frente a Kimi K3, comparativa de físicas 3D, test de Minecraft con visión de 8192 bloques, caso de fix de bug proactivo.