Resultados de DeepSeek V4 Flash 0731 en ARC-AGI
El artículo presenta los resultados del benchmark ARC-AGI para el modelo DeepSeek V4 Flash 0731. Enlaza a la página oficial de resultados alojada por la organización ARC Prize.
DeepSeek lanza V4-Flash-0731, superando a V4-Pro a menor costo
DeepSeek ha lanzado DeepSeek-V4-Flash-0731, una versión actualizada de su modelo "Flash" más pequeño que supera al mayor DeepSeek-V4-Pro en benchmarks independientes. El lanzamiento utiliza un nuevo proceso de ajuste fino mientras mantiene la arquitectura original de Mezcla de Expertos con 284 mil millones de parámetros en total.
DeepSeek-V4 Flash 0731 vs GPT-5.6 Luna en DeepSWE: Costo y codificación
Una comparación de DeepSeek-V4 Flash 0731 y GPT-5.6 Luna en el benchmark DeepSWE revela que, aunque GPT-5.6 Luna es el ingeniero más fuerte, una estrategia en cascada que utiliza ambos modelos logra mayor precisión a menor costo.
Qwen 3.8 Max se clasifica como el mejor modelo general por delante de Opus 5 según Artificial Analysis
Artificial Analysis ha actualizado su índice agéntico para clasificar a Qwen 3.8 Max como el mejor modelo general, colocándolo por encima de Opus 5.
SciCode-Verified corrige defectos del benchmark para revelar la verdadera capacidad de codificación científica de los modelos
Los autores identifican que las puntuaciones estancadas en el benchmark SciCode provienen de defectos significativos en el instrumento de evaluación, más que de limitaciones en la capacidad del modelo. Una auditoría de expertos en el dominio de 65 problemas de prueba descubrió 263 defectos, con 192 que causaban que soluciones correctas fueran rechazadas erróneamente debido a problemas como respuestas doradas no reproducibles y tolerancias excesivamente ajustadas.
Alibaba anuncia Qwen3.8-Max con 2.4T parámetros y pesos abiertos próximamente
Alibaba ha anunciado Qwen3.8-Max como su nuevo modelo insignia, describiéndolo como una arquitectura dispersa de 2.4T parámetros centrada en trabajo agénico de largo alcance, codificación y razonamiento multimodal. La compañía confirmó que los pesos abiertos para Qwen3.8-Max se lanzarán la próxima semana junto con la variante de pesos abiertos Qwen3.8-27B.
Qwen 3.8 Max obtiene 1588 en el Debate Benchmark, frente a los 1462 de Qwen 3.7 Max
Qwen 3.8 Max alcanza una puntuación de 1588 en el Debate Benchmark, superando la puntuación de 1462 de Qwen 3.7 Max. Este benchmark evalúa qué tan bien los grandes modelos de lenguaje sostienen un argumento bajo oposición adversarial y multironda en diversos temas.
DeepSeek v4 flash lidera a los modelos de peso abierto en velocidad y costo en tareas agénticas
Una evaluación interna de modelos de peso abierto en tareas agénticas difíciles encontró que DeepSeek v4 flash era la opción más rápida y económica entre sus pares. La prueba involucró flujos de trabajo de larga duración en múltiples aplicaciones, evaluados mediante comprobaciones deterministas que requerían éxito total.
Qwen3.8-Max iguala a Kimi K3 y DeepSeek V4 Flash en benchmarks
Qwen3.8-Max (2.4T) es un nuevo modelo de pesos abiertos que tiene un rendimiento muy cercano al de Kimi K3 y DeepSeek V4 Flash en todas las categorías de benchmarks, mientras demuestra un desempeño superior en tareas de codificación y software.
Qwen 3.8-Max lanzado, ocupa el puesto #2 en Vision Arena
Se ha lanzado Qwen 3.8-Max y actualmente ocupa la posición #2 en el ranking de Vision Arena, solo por detrás de Claude Fable 5 Max.
DeepSeek-V4-Flash-0731 supera a Fable-5, Sol y Kimi-K3 en benchmark de ajedrez
El artículo anuncia que el modelo DeepSeek-V4-Flash-0731 ha superado a Fable-5, Sol y Kimi-K3 en un benchmark de ajedrez.
Levent Bulut evalúa la fiabilidad de las anotaciones de LLM en proyecciones objetivas
Levent Bulut publicó un benchmark de tres estudios que evalúa la fiabilidad de las anotaciones generadas por máquinas para un corpus narrativo turco, revelando discrepancias significativas entre los evaluadores automatizados y el juicio humano. El estudio probó seis características artesanales binarias en 120 y 100 escenas utilizando detectores basados en reglas y modelos como Gemini 2.5 Flash, Grok, ChatGPT 5.5 y Claude Fable 5 High.
DeepSeek-V4-Flash-0731 alcanza una puntuación de inteligencia de 50
El modelo DeepSeek-V4-Flash-0731 ha alcanzado una puntuación de índice de inteligencia de 50, una métrica que iguala el rendimiento de los principales modelos avanzados de marzo de 2026, que tenían una puntuación de 51.
DeepSeek v4 flash de pesos abiertos con 284B totales y 13B activos fuerza recortes de precios
Un meme traducido que circula en Reddit indica que un competidor tuvo que reducir sus precios en un 80% debido a la presión competitiva de DeepSeek v4 flash. Este modelo de pesos abiertos cuenta con 284 mil millones de parámetros totales y 13 mil millones de parámetros activos, ofreciendo métricas superiores de relación precio-rendimiento.
DeepSeek V4 Flash GA ocupa el mismo puesto que Sonnet 5 y Grok 4.5 en DeepSWE
DeepSeek afirma que su nuevo modelo de disponibilidad general, DeepSeek V4 Flash, alcanza una paridad de rendimiento con Anthropic's Sonnet 5 y xAI's Grok 4.5 en la prueba DeepSWE.
DeepSeek-V4-Flash-0731 supera a DeepSeek-V4-Pro-Preview en benchmarks
El modelo DeepSeek-V4-Flash-0731 ahora supera significativamente a DeepSeek-V4-Pro-Preview en varias pruebas de benchmark.
DeepSeek V4-Flash alcanza 50 en el Índice de ArtificialAnalysis
El nuevo modelo DeepSeek V4-Flash ha logrado una puntuación de 50 en el Índice de ArtificialAnalysis. Este resultado lo sitúa a solo un punto por debajo de GLM-5.2 y GPT-5.6 Luna.
DeepSeek-V4-Flash-0731 supera a GLM 5.2 al mismo costo
El modelo DeepSeek-V4-Flash-0731 supera a GLM 5.2 manteniendo el mismo precio que su predecesor.
Actualizaciones de DeepSeek V4 Flash con mejores puntuaciones en Terminal Bench y Toolathlon
DeepSeek ha actualizado su modelo V4 Flash, lanzando una nueva versión el 2026-07-31 que muestra ganancias significativas de rendimiento sobre la vista previa anterior. La actualización introduce resultados para varios nuevos benchmarks mientras mejora las puntuaciones en los existentes.
Kimi K3 supera a Opus 4.8 en la generación HTML con un solo ejemplo
Un usuario evaluó Kimi K3 frente a Claude Opus 4.8 ejecutando 34 prompts de un solo ejemplo y evaluando el HTML, capturas de pantalla y GIF resultantes utilizando Sonnet 4.6. La evaluación concluyó que Kimi K3 produjo mejores resultados que Opus 4.8.