Què és DeepSeek i què designa el nom
DeepSeek designa una empresa de recerca en intel·ligència artificial, les seves famílies de models i un servei conversacional. L’aplicació permet treballar amb instruccions i materials; l’API integra models en altres programes; els pesos publicats permeten desplegaments propis. Són formes d’accés diferents: una funció del repositori no ha d’estar disponible necessàriament en cada conversa de l’aplicació.
Els seus models generen respostes a partir del context mitjançant predicció de tokens. El preentrenament aprèn patrons i l’ajust posterior orienta el seguiment d’instruccions. Aquesta fitxa distingeix la història tècnica, les capacitats documentades el 8 de novembre de 2026 i els usos de SST proposats per Sabentis.
Documentació de referència: Identity and model training disclosure · DeepSeek API models and pricing.
Origen, direcció i finançament
Liang Wenfeng va impulsar DeepSeek el 2023 des de l’entorn del fons quantitatiu High-Flyer, a Hangzhou. La recerca va aprofitar experiència prèvia en aprenentatge automàtic i infraestructura de còmput. Reuters va documentar aquesta trajectòria: no va ser un projecte aparegut sense inversió prèvia quan es va popularitzar R1.
El juny de 2026, TechRadar va informar d’un primer finançament extern d’uns 7.400 milions de dòlars, que valorava l’empresa per damunt de 50.000 milions, i d’una campanya de contractació. Són xifres periodístiques atribuïdes, no comptes auditats en aquesta fitxa. L’aspiració declarada de desenvolupar intel·ligència artificial general tampoc no acredita haver-la assolit.
Documentació de referència: Reuters: High-Flyer, the AI quant fund behind China's DeepSeek · TechRadar: DeepSeek hiring and financing, June 2026.
De Coder i LLM a Math i V2
- Coder, 2023: models orientats a programació, amb variants de mides diferents i entrenament centrat en codi. La publicació distingeix la llicència del codi de la dels models.
- DeepSeek-LLM: les variants Base i Chat de 7.000 i 67.000 milions de paràmetres van organitzar l’oferta de llenguatge general, amb una presència especial de l’anglès i el xinès.
- DeepSeekMoE i Math: la primera línia va investigar experts compartits i seleccionats; la segona va partir de Coder per entrenar capacitats matemàtiques mitjançant etapes diferents, inclosa l’optimització per reforç.
- V2, maig de 2024: va combinar barreja d’experts i Multi-head Latent Attention, amb 236.000 milions de paràmetres totals i 21.000 milions d’actius per token. V2.5 va continuar la convergència entre conversa i programació.
Aquesta evolució explica per què «DeepSeek» no identifica un únic model estable. Canvien l’entrenament, l’arquitectura i la manera d’accedir a cada generació.
Documentació de referència: DeepSeek-Coder repository · DeepSeek-LLM repository · DeepSeekMoE repository · DeepSeekMath repository · DeepSeek-V2 repository · DeepSeek API change log.
Barreja d'experts, atenció i V3
Una barreja d’experts, o MoE, distribueix part del càlcul entre blocs especialitzats de la xarxa. L’encaminament en selecciona només alguns per a cada token. «Expert» és un terme matemàtic: no representa una persona ni acredita especialització professional en prevenció.
L’atenció latent de V2 comprimeix informació utilitzada per mantenir el context. V3, publicat el desembre de 2024, va ampliar l’escala a 671.000 milions de paràmetres, amb 37.000 milions d’actius per token, i va incorporar canvis en l’equilibri de càrrega i la predicció de diversos tokens. Mida total, càlcul actiu i memòria necessària són mesures diferents; no convé convertir-ne cap en una classificació automàtica de qualitat.
Documentació de referència: DeepSeekMoE repository · DeepSeek-V2 repository · DeepSeek-V3 repository.
Infraestructura i debat sobre el cost
L’informe de V3 va estimar 5,576 milions de dòlars per a l’entrenament descrit, suposant un lloguer de dos dòlars per hora de GPU H800. Aquesta xifra no equival al cost complet de crear DeepSeek: no resumeix totes les investigacions, instal·lacions, personal i experiments previs.
La recerca Fire-Flyer AI-HPC descriu un disseny conjunt de maquinari i programari, amb HFReduce per a comunicacions, HaiScale per a entrenament distribuït, 3FS per a fitxers i HAI-Platform per a gestió. L’eficiència inclou coordinació i moviment de dades, a més del model.
Per a una organització, el cost útil es calcula per treball acceptat: preparació, inferència, revisió, correccions, allotjament i manteniment. Un preu baix per token pot perdre rellevància si obliga a refer bona part del resultat.
Documentació de referència: DeepSeek-V3 Technical Report · Fire-Flyer AI-HPC research.
R1 i l'evolució de 2025
R1-Zero va investigar aprenentatge per reforç sense ajust supervisat inicial, amb problemes de llegibilitat. R1 va afegir preparació i ajust; els seus destil·lats basats en Qwen i Llama són variants diferents, no còpies idèntiques del model gran.
R1 es va llançar el 20 de gener de 2025 i es va actualitzar al maig. V3.1 va arribar a l’agost, Terminus al setembre i V3.2 al desembre. V3.2 va desenvolupar atenció dispersa, entrenament per reforç i tasques sintètiques per a l’ús d’eines; Speciale va prioritzar raonament amb més còmput.
Els resultats de concursos i proves publicats pel fabricant descriuen aquests protocols. No demostren que una resposta sobre una instal·lació concreta sigui correcta.
Documentació de referència: DeepSeek-R1 repository · DeepSeek API change log · DeepSeek-V3.2 technical report.
V4 i V4.1: canvis d'arquitectura el 2026
V4 va aparèixer en versió preliminar l’abril de 2026, amb Pro i Flash i context d’un milió de tokens. El disseny combinava mecanismes de compressió d’atenció, mHC i optimització Muon.
V4.1-Flash va introduir al setembre una arquitectura causal de codificador i descodificador i entrada visual nativa. La seva atenció CSA2 selecciona informació del context i Engram incorpora recuperació mitjançant taules de tokens. Aquesta «memòria» arquitectònica no és una llibreta de records personals de l’usuari. La versió Flash consultada correspon a l’actualització del 17 d’octubre.
Una finestra extensa augmenta el material que es pot enviar; no garanteix detectar cada excepció amagada dins d’aquest material.
Documentació de referència: DeepSeek-V4-Pro model card · DeepSeek-V4.1-Flash model card · DeepSeek API change log.
Aplicació, API i desplegament propi
L’API identifica deepseek-flash amb V4.1-Flash-1017 i deepseek-v4-pro amb V4-Pro-0813. Només Flash admet visió. Pro continua disponible malgrat l’anunci previ de retirada.
La facturació distingeix tokens d’entrada, memòria cau i sortida, a més de sol·licituds Search/Fetch. Abans de pressupostar, cal consultar les tarifes i mesurar el flux real.
R1 i V4 es van publicar amb llicència MIT. Cal comprovar el model concret, els seus components i les condicions de variants derivades. Descarregar pesos no proporciona per si sol servidors, suport, registres, control d’accés ni un servei empresarial acabat.
Documentació de referència: DeepSeek API models and pricing · DeepSeek-R1 repository · DeepSeek-V4-Pro model card · DeepSeek API change log.
Què aporta el mode de raonament
L’API permet activar o desactivar el mode de raonament i ajustar-ne l’esforç. Està actiu per defecte. En converses amb eines, la documentació exigeix conservar i reenviar el contingut de raonament segons el protocol; ignorar aquest requisit pot trencar la integració.
En una tasca editorial, convé demanar primer les condicions i contradiccions detectades i després la proposta. Una explicació extensa pot ajudar a inspeccionar el resultat, però no constitueix una demostració independent. El criteri és si la resposta conserva les dades, identifica allò desconegut i permet reproduir les comprovacions.
Documentació de referència: DeepSeek thinking mode.
Imatges, documents i famílies multimodals
Flash admet imatges juntament amb text i pot descriure-les o llegir gràfics. L’API ofereix entrada mitjançant URL, dades codificades o fitxers carregats, amb límits i redimensionament. Una foto petita pot perdre justament el detall que importa per interpretar un senyal.
DeepSeek-VL2 és una línia específica de comprensió visual, OCR i documents. Janus, JanusFlow i Janus-Pro investiguen comprensió i generació d’imatges; la publicació de Janus-Pro el gener de 2025 no significa que totes aquestes funcions estiguin integrades en l’aplicació conversacional actual.
En SST, una imatge pot servir per preparar preguntes d’una sessió. No s’ha de transformar una observació visual incompleta en una certificació de l’estat d’una màquina o de l’exposició d’una persona.
Documentació de referència: DeepSeek vision guide · Janus repository · DeepSeek-VL2 repository.
Cerca, fonts i respostes comprovables
Search retorna resultats web estructurats; Fetch recupera una pàgina en Markdown. Aquests serveis permeten construir cerques i sistemes que recuperen documents abans de respondre. Cercar, recuperar i generar són operacions diferents: una cerca satisfactòria pot acabar en una conclusió mal interpretada.
Per investigar un tema preventiu, el flux proposat conserva títol, enllaç, data i fragment que avala cada afirmació. Es revisa la pàgina original i se separa allò que diu de la interpretació. Una referència inexistent, una norma derogada o una recomanació per a un altre sector s’ha d’excloure, encara que el text generat resulti convincent.
Documentació de referència: DeepSeek Search and Fetch.
Codi, demostració formal i agents
DeepSeek-Prover-V2 treballa en demostració formal amb Lean 4. Aquest àmbit exigeix proves verificables per un sistema formal i és diferent d’una explicació matemàtica en llenguatge quotidià.
DeepSeek Harness és un entorn d’agents amb arquitectura de complements Cordis i llicència MIT. La interfície permet triar un espai de treball; l’agent pot llegir i modificar fitxers, executar ordres i delegar tasques. Les confirmacions depenen de la política de permisos activa.
Per a prototips de SST, convé utilitzar un repositori aïllat i dades fictícies. Una funció que calcula correctament amb tres exemples pot fallar amb valors buits, unitats diferents o registres duplicats. L’acceptació ha d’incloure aquests casos abans de connectar cap dada operativa.
Documentació de referència: DeepSeek-Prover-V2 repository · DeepSeek Harness repository · DeepSeek Harness: Web UI guide.
Privacitat, ubicació i drets d'ús
La política de febrer de 2026 situa el processament i l’emmagatzematge de dades a la Xina i indica que el servei no està dissenyat per rebre dades personals sensibles, incloses les de salut. També preveu controls d’exclusió de l’ús de dades per a la millora del model.
Els termes de març de 2026 distingeixen drets sobre entrades i sortides, adverteixen que les respostes poden no ser úniques i que els enllaços compartits permeten accés a qui els rebi. Una aplicació de tercers pot aplicar, a més, condicions pròpies.
En prevenció, treure el nom no basta si hi queden empresa, lloc de treball, torn i detalls que identifiquen algú. La proposta de treball utilitza situacions inventades o material autoritzat i minimitzat. L’allotjament propi canvia qui gestiona les dades, però exigeix comprovar registres, còpies, extensions i connexions sortints.
Documentació de referència: DeepSeek privacy policy · DeepSeek terms of use.
Incident de seguretat i actuacions sobre dades
Wiz va comunicar el gener de 2025 una base ClickHouse accessible sense autenticació que exposava registres, converses i claus de DeepSeek. Segons l’informe, l’exposició es va tancar després d’avisar l’empresa. L’incident documenta aquell problema; no prova que totes les instal·lacions actuals continuïn afectades.
La PIPC sud-coreana va publicar l’abril de 2025 recomanacions sobre transferències internacionals, dades enviades a Volcano i transparència. D’altra banda, el Garante italià va ordenar el 30 de gener de 2025 limitar el tractament de dades de persones situades a Itàlia.
Són actuacions diferents, amb autoritats, dates i objectes diferents. No s’han de resumir com una única prohibició mundial ni com una validació posterior de tots els usos.
Documentació de referència: Wiz: exposed DeepSeek database · PIPC: DeepSeek examination results · Garante: decision of 30 January 2025.
Restriccions institucionals: l'abast importa
L’avís nord-americà del 20 d’octubre de 2026 exclou productes DeepSeek d’adquisicions i sistemes d’agències federals civils i inclou implementacions de tercers. El seu àmbit no equival a prohibir que qualsevol particular utilitzi el producte.
La directriu de Victòria, publicada el febrer de 2025 després de l’actuació federal australiana, estableix restriccions governamentals i preveu condicions específiques per a models locals inspeccionables. Els detalls d’una institució no es poden extrapolar a una altra.
AGCM va tancar la investigació sobre informació de fiabilitat amb compromisos, sense constatar infracció. Aquesta actuació és diferent de la del Garante.
La decisió de compra ha de partir del país, sector, contracte i política aplicables al desplegament real. Aquesta fitxa descriu decisions documentades; no resol l’autorització de cada organització.
Documentació de referència: US Federal Register: DeepSeek removal order notice · Victoria: direction on DeepSeek · AGCM: commitments on hallucination disclosures.
Recepció pública i competència internacional
L’atenció a R1 va desbordar l’àmbit tècnic. El 27 de gener de 2025 va coincidir amb una forta venda d’accions tecnològiques: Nvidia va caure gairebé un 17 %. VOA va recollir posicions contraposades sobre eficiència i controls nord-americans d’exportació de xips. L’episodi va situar DeepSeek en el debat sobre competència tecnològica entre la Xina i els Estats Units.
Una reacció borsària expressa expectatives d’inversors, no una mesura de precisió. De la mateixa manera, un model descarregable permet examinar aspectes que un servei tancat no exposa, però no revela necessàriament tot el seu corpus d’entrenament. Convé valorar obertura, rendiment i governança per separat.
Documentació de referència: VOA: China's DeepSeek AI rattles Wall Street, but questions remain.
Censura, destil·lació i recepció crítica
Qiu, Zhou i Ferrara van analitzar 646 preguntes políticament sensibles i van documentar omissions i reformulacions entre raonament i resposta. L’estudi avala examinar moderació i biaix en els models avaluats; no permet assignar automàticament el mateix comportament a totes les versions posteriors.
El setembre de 2026, Anthropic va atribuir a DeepSeek una campanya d’extracció de raonament i redirecció de determinades sol·licituds cap a Claude. Són al·legacions del proveïdor basades en la seva investigació, no una sentència judicial ni una comprovació de Sabentis.
La recepció internacional va combinar interès per l’eficiència i els models descarregables amb dubtes sobre costos, controls i procedència de dades. La comparació útil exigeix identificar versió, allotjament, data i tasca. Els titulars de mercat no substitueixen una avaluació de qualitat en el treball que es vol fer.
Documentació de referència: Qiu, Zhou and Ferrara: Information Suppression in Large Language Models · Anthropic: September 2026 threat intelligence report.
Relació amb la seguretat i salut en el treball
Els usos següents són propostes editorials de Sabentis, no resultats demostrats del fabricant. DeepSeek pot intervenir en tasques de preparació lingüística o tècnica quan existeix una font controlada i algú pot revisar-ne el resultat.
- Formació: convertir un procediment autoritzat en preguntes, situacions i respostes justificades. El benefici buscat és disposar de maneres diferents d’explicar una mateixa regla, conservant-ne el significat.
- Preparació documental: localitzar ambigüitats entre dues instruccions aportades. Es demana una llista de discrepàncies amb el fragment original, sense resoldre per intuïció quina ha de prevaler.
- Suport a l’anàlisi: redactar una fórmula o un petit script sobre una taula fictícia. Es comproven denominadors, períodes, unitats i casos buits abans de reutilitzar-lo.
No s’hi deleguen decisions sobre aptitud, diagnòstic, autorització de treballs o mesures preventives crítiques. La utilitat de l’eina és preparar material inspeccionable, no conferir autoritat a un text generat.
Documentació de referència: Identity and model training disclosure · DeepSeek vision guide · DeepSeek Search and Fetch.
Cas hipotètic: preparar una sessió sobre ordre i neteja
Un equip vol preparar una conversa de deu minuts sobre una àrea d’emmagatzematge. Parteix d’una descripció inventada: queden embalatges al costat d’una zona de pas; en acabar el torn, dues persones interpreten de manera diferent qui retira el material. S’aporta, a més, un procediment fictici amb tres regles i un responsable definit.
L’entrada evita noms, fotografies identificables, plànols i dades d’accidents. L’encàrrec demana sis preguntes obertes i tres situacions de decisió, indicant per a cadascuna la regla utilitzada. S’hi afegeix una instrucció editorial concreta: quan falti informació, formular una pregunta; no completar el procediment amb obligacions suposades.
El resultat esperat és un esborrany de conversa, no una nova instrucció de treball. Aquesta distinció permet comprovar-lo sense introduir accidentalment una regla que ningú no ha aprovat.
Documentació de referència: Identity and model training disclosure.
Desenvolupament i revisió de l'exercici
- Extreure regles: demanar que enumeri les tres regles aportades i les reprodueixi com a referències breus, sense ampliar-les. Comparar-les amb el document abans de generar activitats.
- Crear situacions: sol·licitar una escena amb informació suficient, una altra amb una dada absent i una altra amb una contradicció. Així es comprova si reconeix incertesa en lloc de donar sempre una resposta tancada.
- Revisar propostes: comprovar que cap resposta atribueix culpes a una persona, inventa una sanció o introdueix equips i substàncies que no apareixen al cas.
- Adaptar el llenguatge: preparar ES, CA i EN amb el mateix glossari. Un revisor bilingüe ha de verificar-ne el sentit abans d’utilitzar les traduccions amb treballadors.
- Preparar la sessió: seleccionar tres preguntes útils, desar la versió revisada i retirar qualsevol pregunta la resposta de la qual depengui d’una regla inexistent.
Si el model proposa «retirar sempre immediatament» quan la instrucció exigeix avisar un responsable, l’esborrany falla encara que la frase sembli prudent. La revisió comprova fidelitat al cas, no només correcció gramatical.
Documentació de referència: DeepSeek thinking mode.
Què demostraria que el material és útil
L’acceptació proposada exigeix que cada resposta es vinculi a una regla present, que les dades absents continuïn assenyalades i que les tres traduccions mantinguin responsabilitats i condicions. Es registra què s’ha corregit i per què. No s’assignen percentatges de millora sense mesurar-los.
En una prova posterior, una persona aliena a la redacció podria explicar què faria en cada escena i localitzar la regla corresponent. Si necessita endevinar allò que falta, es revisa l’exercici. Si comprèn el text però la situació real funciona d’una altra manera, es corregeix primer la font amb el responsable competent.
Aquest cas no s’ha executat ni validat amb treballadors. El seu valor és oferir un procediment reproduïble per avaluar un esborrany abans de convertir-lo en material formatiu.
Quan triar-lo i amb què complementar-lo
DeepSeek mereix avaluació quan interessen els seus models accessibles per API, la recerca publicada o un desplegament propi que l’equip pugui mantenir. Per a una tasca ocasional, cal valorar si preparar la integració costa més que revisar manualment un text breu.
Una comparació amb ChatGPT pot utilitzar la mateixa instrucció, fonts i criteris d’acceptació, sense declarar vencedor per una sola resposta. Per treballar sobre una col·lecció documental, la fitxa de NotebookLM ajuda a estudiar un altre enfocament. Els càlculs reproduïbles es poden mantenir a Excel, deixant a la IA l’explicació o la proposta de fórmula.
La selecció ha de documentar qualitat, temps de revisió, cost complet, tractament de dades i facilitat per abandonar l’eina conservant els materials útils.
Documentació de referència: DeepSeek Harness: Web UI guide.
Preguntes freqüents
R1 continua sent el nom del servei actual?
R1 és una família històrica important. Per a una integració actual cal comprovar l’identificador i la versió servida; conservar un nom antic en un programa no garanteix utilitzar aquell model.
Un model descarregat ofereix privacitat automàticament?
No. L’avaluació ha d’abastar l’entorn que l’executa, els seus registres, connexions i usuaris. El control local només és efectiu si tota aquesta cadena està configurada i mantinguda.
Pot elaborar una avaluació de riscos completa?
Pot ajudar a estructurar preguntes i esborranys amb informació autoritzada. L’observació del treball, la selecció de mètodes i la validació de conclusions requereixen coneixement del context i responsabilitat professional. Generar un document extens no acredita aquesta competència.
Documentació de referència: DeepSeek API models and pricing · DeepSeek-R1 repository · DeepSeek privacy policy.
