# DeepInfer: DeepSeek abre el motor que ejecuta su IA

> DeepSeek publica DeepInfer, su motor de inferencia. Qué incluye el código abierto, qué muestran sus benchmarks y qué hardware hace falta para usarlo.


Publicado: 2026-10-20. Fuente original: [DeepSeek · anuncio de DeepInfer](https://x.com/deepseek_ai/status/2112476496283775135).

**DeepSeek publicó el 20 de octubre DeepInfer, el motor de inferencia que utiliza para servir DeepSeek-V4.1-Flash a gran escala.** El código está disponible bajo licencia Apache 2.0 en su [repositorio oficial](https://github.com/deepseek-ai/DeepInfer). La empresa también publicó benchmarks y detalles de su despliegue.

Hay una pregunta interesante detrás del anuncio: **¿cuánto ayuda abrir el motor si ejecutarlo con eficiencia sigue requiriendo infraestructura considerable?** Para responderla, conviene mirar tanto el código que puedes descargar como las condiciones que acompañan a los números.

## ¿Qué es DeepInfer y para qué sirve?

La inferencia es el proceso con el que un modelo ya entrenado genera una respuesta. DeepInfer organiza ese trabajo: reparte cálculos, coordina solicitudes y utiliza kernels optimizados, pequeñas rutinas que aprovechan el hardware. Su objetivo es atender más solicitudes manteniendo baja la espera del usuario.

Según el [README de esta versión](https://github.com/deepseek-ai/DeepInfer/blob/774ce244b87cc0eb8d4b94ab9f5de2ab22049f01/README.md), el modelo compatible es **DeepSeek-V4.1-Flash**, con soporte para **GPU NVIDIA SM100** y **NPU Huawei Ascend 950**. El lanzamiento permite estudiar y adaptar el motor que lo ejecuta; las capacidades del modelo y el rendimiento del servicio son preguntas diferentes.

## ¿Qué incluye el código abierto de DeepInfer?

La publicación entrega el núcleo de ejecución y ejemplos de inferencia offline. El propio README identifica las piezas adicionales necesarias para construir un servicio completo:

| Área | Estado de esta publicación |
| --- | --- |
| Motor, kernels y ejecución distribuida | **Incluidos** |
| DSpark, planificación asíncrona y salidas estructuradas | **Incluidos** |
| Sistema de caché KV | Requiere implementación adicional |
| Separación de visión, prefill y decode | Requiere integración; buena parte del soporte del motor ya existe |
| Balanceo entre réplicas | Requiere implementación adicional |

La caché KV reutiliza cálculos de contexto anteriores; el balanceador reparte solicitudes. Son piezas importantes cuando muchas personas usan el servicio a la vez. Por eso, tener el motor disponible no equivale a descargar una réplica completa del servicio de DeepSeek.

## Benchmarks de DeepInfer: qué muestran las cifras

DeepSeek publica pruebas de procesamiento del contexto inicial (*prefill*) con **4 GPU SM100** y de generación de la respuesta (*decode*) con **64 GPU SM100**. Cada prueba usa un único dominio de interconexión de alta velocidad, según su [metodología y script de reproducción](https://github.com/deepseek-ai/DeepInfer/blob/774ce244b87cc0eb8d4b94ab9f5de2ab22049f01/README.md#performance-benchmarks).

Este es su gráfico original de generación. El eje horizontal representa velocidad por usuario; el vertical, rendimiento agregado por GPU. Las etiquetas de los puntos indican solicitudes por rank de paralelismo de datos.

![Gráfico oficial de DeepSeek: al aumentar solicitudes por rank, crece el rendimiento agregado y disminuye la velocidad por usuario. Configuración EP64/DP64, contexto de 131.072 tokens y 64 GPU SM100.](/news/deepinfer/decode-pareto.png)

*Imagen oficial completa de DeepSeek. Decode con 64 GPU SM100; EP64/DP64, contexto de 131.072 tokens y nextn=3 fijo. No es una prueba de HeyMark.*

[Abrir el gráfico a tamaño completo](/news/deepinfer/decode-pareto.png). La curva muestra una decisión práctica: atender más trabajo simultáneo puede aumentar el total generado por GPU mientras cada usuario recibe tokens más despacio. **Un número de rendimiento aislado no describe toda la experiencia.**

### Prueba a cambiar la carga de DSpark

DSpark genera tokens candidatos y después los verifica. DeepSeek compara verificar siempre cinco candidatos con elegir una cantidad dinámica. Su [Q&A técnico](https://github.com/deepseek-ai/DeepInfer/blob/774ce244b87cc0eb8d4b94ab9f5de2ab22049f01/doc/inference_deployment_qa.md) publica las siguientes **estimaciones de rendimiento a partir de datos EP64/DP64**. Son un experimento distinto del gráfico anterior.

Toca una concurrencia. Con 16 secuencias por rank, la variante dinámica pierde ligeramente; con 96, gana un 11 %. Cerca del punto operativo que describe la empresa, unas 60 secuencias por rank, la tabla estima **+5,4 %**. La carga importa.

### DSpark: la carga cambia el resultado

Estimaciones de DeepSeek a partir de datos EP64/DP64. Unidad: tokens/s/rank. Concurrencia: secuencias/rank. Verificación fija de 5 tokens frente a longitud dinámica.

| Concurrencia | Fija (5) | Dinámica | Variación |
| --- | --- | --- | --- |
| 16 | **4891** | 4816 | -1,5% |
| 32 | 8964 | **9111** | +1,6% |
| 48 | 12.032 | **12.467** | +3,6% |
| 60 | 13.730 | **14.466** | +5,4% |
| 72 | 14.962 | **15.961** | +6,7% |
| 96 | 16.817 | **18.660** | +11,0% |

El cambio va de −1,5% a +11,0% según la carga. No es una medición de HeyMark, una rebaja de precio ni una puntuación de calidad del modelo.

[DeepSeek · Q&A](https://github.com/deepseek-ai/DeepInfer/blob/774ce244b87cc0eb8d4b94ab9f5de2ab22049f01/doc/inference_deployment_qa.md)

## ¿Qué hardware necesitas para usar DeepInfer?

El repositorio pide Linux, GCC 13 o superior y Python 3.12, además de CUDA 13 para NVIDIA o CANN 9.2 para Ascend. Es una publicación dirigida a equipos que operan infraestructura de IA.

En su Q&A, DeepSeek recomienda **64 GPU para prefill y otras 64 para decode** como la unidad más pequeña que considera **eficiente** en ese diseño de producción. Son **128 GPU en total**. La recomendación describe eficiencia a escala: **no establece un mínimo universal para arrancar cualquier ejemplo**.

Si solo utilizas un chatbot o una herramienta creativa, este lanzamiento te ayuda a entender cómo se sirve el modelo. Para aprovechar directamente el código hace falta un equipo capaz de integrar y operar esa infraestructura.

## ¿Es gratis? ¿Bajará el precio de la API?

La licencia Apache 2.0 permite usar y modificar el código bajo sus términos. **Ejecutarlo sigue teniendo costos** de hardware, energía y operación. El anuncio expresa la intención de reducir el costo de cómputo y el consumo energético; no comunica una nueva tarifa de API que podamos aplicar a tu factura.

El aporte inmediato es acceso al motor, a decisiones de arquitectura y a resultados que otros equipos pueden intentar reproducir. Una reducción de precio para el usuario dependerá de cómo se use ese trabajo y de las tarifas que publique cada proveedor.

## El anuncio original de DeepSeek

[DeepSeek · publicación original del 20 de octubre de 2026](https://x.com/deepseek_ai/status/2112476496283775135)

> Introducing DeepInfer, our in-house inference framework, now fully open source!

DeepSeek presenta el motor que utiliza con V4.1-Flash y enlaza el código. El README detalla el alcance de esta versión y las piezas pendientes de integración.

**¿Deberían OpenAI y Anthropic abrir también sus motores de producción?** Hay algo concreto que discutir: cuánto valor aporta poder inspeccionar y adaptar el software, y cuánto de ese valor llega a quienes no pueden operar un clúster.

<small>Revisión editorial: 20 de octubre de 2026. Fuentes técnicas fijadas al commit 774ce244b87cc0eb8d4b94ab9f5de2ab22049f01. Benchmarks y estimaciones atribuidos a DeepSeek; no ejecutamos pruebas propias. Portada: composición editorial de HeyMark con el avatar oficial de DeepSeek en GitHub. Gráfico interior: original del repositorio.</small>

## Planifica el próximo post en HeyMark.

Guarda la idea, revisa el texto con tu equipo y mira cómo le fue después en las cuentas que conectaste.

[Empezar gratis](https://app.heymark.ai) · [Ver cómo funciona](https://heymark.ai/es/#product)

## Recursos para desarrolladores y agentes

- [Documentación MCP de HeyMark](https://heymark.ai/es/mcp/)
- [llms.txt](https://heymark.ai/llms.txt)
- [Contenido completo del sitio para modelos de lenguaje](https://heymark.ai/llms-full.txt)
- Endpoint del protocolo MCP: `POST https://mcp.heymark.ai`
- Metadatos OAuth del recurso protegido: [/.well-known/oauth-protected-resource](https://mcp.heymark.ai/.well-known/oauth-protected-resource)
- MCP server card: [/server-card](https://mcp.heymark.ai/server-card)