Conclusiones clave
- El DeepSeek-R1 completo es un modelo Mixture-of-Experts de 671B (~37B activos por token) que necesita ~376–404 GB en Q4: no puedes ejecutarlo en casa.
- Un "distill" es un modelo independiente y más pequeño (base Qwen2.5 o Llama 3) ajustado con ~800K trazas de razonamiento generadas por el R1 completo.
- La destilación CONSERVA el comportamiento de razonamiento: cadena de pensamiento explícita, autoverificación y reflexión.
- La destilación PIERDE capacidad bruta y amplitud: el modelo completo resuelve los problemas más difíciles de forma más fiable y sabe más.
- Para matemáticas y lógica locales cotidianas la brecha es pequeña; se ensancha en tareas de dificultad de frontera y de conocimiento amplio.
- Una base más fuerte reduce la brecha: DeepSeek-R1-0528-Qwen3-8B lidera los modelos abiertos de 8B en AIME 2024.
- Ejecuta cualquier distill a temperatura 0.6 sin prompt de sistema.
- DeepSeek-V3 es un modelo de chat; DeepSeek-R1 es un modelo de razonamiento: no los confundas.
Por qué se confunde DeepSeek-R1 con sus distills
**Cuando escribes ollama run deepseek-r1:14b, no estás ejecutando una versión más pequeña de DeepSeek-R1: estás ejecutando Qwen2.5 14B enseñado a imitar el razonamiento de R1.** El nombre "DeepSeek-R1-Distill-Qwen-14B" es preciso pero fácil de malinterpretar: la parte "DeepSeek-R1" describe de dónde viene el razonamiento, y la parte "Qwen-14B" es el modelo real que corre en tu GPU.
Esto importa porque las expectativas siguen al nombre. La gente supone que un distill es "R1, pero más pequeño y un poco peor". Está más cerca de "un modelo abierto capaz que aprendió a pensar como R1". Ese enfoque predice el comportamiento que verás realmente: excelente estructura de razonamiento, huecos ocasionales en conocimiento bruto o en fiabilidad de los casos más difíciles.
Para la realidad de hardware detrás de por qué el modelo completo está fuera de alcance en casa, consulta Requisitos de hardware local de DeepSeek V3: V3 es el modelo de chat hermano con la misma huella de clase 671B.
📍 En una frase
Un distill de DeepSeek-R1 es un modelo pequeño existente (Qwen2.5 o Llama 3) ajustado para imitar el razonamiento del R1 completo, no una copia reducida del propio R1.
💬 En términos simples
Piensa en el R1 completo como un matemático experto y en un distill como un estudiante brillante que estudió las soluciones resueltas del maestro. El estudiante razona igual pero no sabe todo lo que sabe el maestro.
¿Qué es el DeepSeek-R1 671B completo?
El DeepSeek-R1 completo es un modelo Mixture-of-Experts (MoE) de 671 mil millones de parámetros que activa unos 37B parámetros por token y necesita unos 376–404 GB de VRAM en Q4: solo hardware de centro de datos. Es el modelo que genera el razonamiento de alta calidad que los distills aprenden a imitar.
MoE significa que el modelo enruta cada token a través de un pequeño subconjunto de subredes "expertas", de modo que solo ~37B de los 671B parámetros se activan por token. Eso abarata la inferencia frente a un modelo denso de 671B, pero cada uno de los 671B parámetros debe seguir residiendo en memoria, por lo que no cabe en hardware de consumo.
Existe una compilación Unsloth de 1.58 bits (IQ1_S, ~131 GB) que técnicamente funciona, pero a unos 0.3 tokens por segundo es una curiosidad, no una configuración local utilizable. En la práctica, el R1 completo vive en la nube y los distills viven en tu equipo.
¿Cómo funciona la destilación de DeepSeek-R1?
DeepSeek generó unas 800.000 muestras de razonamiento con el R1 completo y luego ajustó modelos base abiertos existentes —Qwen2.5 (1.5B, 7B, 14B, 32B) y Llama 3 (8B, 70B)— con esas muestras. Los modelos base aprenden a reproducir el patrón de razonamiento paso a paso de R1 sin contener nunca los parámetros de R1.
Esto es ajuste fino supervisado sobre trazas de razonamiento de alta calidad, no aprendizaje por refuerzo en los modelos pequeños. Los distills heredan la *forma* del pensamiento de R1 —cuándo expandir una cadena de pensamiento, cuándo retroceder, cuándo verificar— superpuesta a lo que el modelo base ya sabía.
Por eso la elección de la base importa tanto. Un distill es tan conocedor como su base, más la disciplina de razonamiento copiada de R1. Una base débil con grandes trazas de razonamiento aún topa con un techo de capacidad bruta.
📍 En una frase
DeepSeek ajustó los modelos base Qwen2.5 y Llama 3 con ~800.000 muestras de razonamiento generadas por el R1 completo, transfiriendo su estilo de razonamiento a modelos pequeños.
¿Qué conserva la destilación?
La destilación transfiere de forma fiable los tres comportamientos que hacen de R1 un razonador fuerte: cadena de pensamiento, autoverificación y reflexión. Sobreviven porque son patrones de generación de tokens, y los patrones son justo lo que el ajuste fino supervisado copia bien.
- Cadena de pensamiento: el distill escribe los pasos intermedios antes de la respuesta final, el núcleo de su fuerza en matemáticas y lógica.
- Autoverificación: comprueba sus propios resultados intermedios y detecta errores en medio del razonamiento, no solo al final.
- Reflexión: retrocede y reconsidera cuando un camino parece erróneo, en lugar de aferrarse al primer intento.
- Resultado: un distill de 7B obtiene 55.5% en AIME 2024, matemáticas de competición que ningún modelo de chat del mismo tamaño alcanza.
¿Qué pierde la destilación?
La destilación no puede transferir la capacidad bruta, la amplitud de conocimiento ni la fiabilidad del modelo 671B completo en los problemas más difíciles: una base pequeña simplemente tiene menos espacio para almacenar y combinar información. Cuanto más pequeño el distill, mayor es esta brecha.
| Capacidad | R1 671B completo | Distill 32B | Distill 7B |
|---|---|---|---|
| Estructura de razonamiento (CoT, reflexión) | Referencia | Muy cercano | Cercano |
| Fiabilidad en los problemas más difíciles | La más alta | Fuerte | Moderada |
| Amplitud de conocimiento del mundo | La más alta | Buena | Limitada |
| Problemas largos con múltiples restricciones | La mejor | Buena | Se degrada |
| Funciona en hardware de consumo | No | Sí (24 GB) | Sí (8 GB) |
Las clasificaciones son orientativas, no exactas por benchmark: la brecha es pequeña en tareas de razonamiento comunes y crece en trabajo de dificultad de frontera o de conocimiento amplio.
¿Importa la brecha para tu caso de uso?
Para la mayoría del razonamiento local la brecha es lo bastante pequeña para ignorarla; solo se vuelve decisiva en problemas de dificultad de frontera o tareas que requieren amplio conocimiento del mundo. Decide por caso de uso, no persiguiendo el modelo más grande.
¿Es suficiente un distill?
Use a local LLM if:
- •Matemáticas escolares y de competición, acertijos de lógica, planificación paso a paso → un distill sobra (32B para holgura, 14B para la mayoría)
- •Razonamiento privado/sin conexión donde los datos no pueden salir de tu equipo → un distill es la única opción, y buena
- •Control de costes frente a una API alojada → un distill local elimina por completo el coste por token
Use a cloud model if:
- •Matemáticas de investigación o demostraciones en la frontera del campo → el R1 completo alojado es más fiable
- •Tareas que requieren conocimiento del mundo amplio y actual → gana un modelo más grande o una configuración aumentada con búsqueda
- •Necesitas la única respuesta más fiable sin importar el coste → compara con modelos de frontera vía PromptQuorum
Quick decision:
- →Si dudas, ejecuta el distill de 32B y escala al R1 alojado solo cuando claramente le cueste.
- →Una base más grande gana a un tamaño más grande en el extremo pequeño: mira R1-0528-Qwen3-8B abajo.
R1-0528-Qwen3-8B: una mejor base reduce la brecha
DeepSeek-R1-0528-Qwen3-8B muestra que una base más fuerte reduce la brecha de destilación: construido sobre Qwen3 8B con razonamiento del R1-0528 actualizado, lidera los modelos abiertos de 8B en AIME 2024 y puntúa unos 10 puntos por encima del Qwen3 8B base. Misma clase de tamaño que el distill 8B original, con un razonamiento notablemente mejor, porque la base es mejor y la fuente de razonamiento es más nueva.
La lección para elegir un distill: en el extremo pequeño, prefiere el modelo con la base más fuerte y nueva antes que un distill más antiguo del mismo número de parámetros. La capacidad por gigabyte sube más rápido por mejores bases que por tamaño bruto.
Consejo de config: temperatura 0.6 y sin prompt de sistema
Ejecuta cada distill de DeepSeek-R1 a temperatura 0.6 (0.5–0.7 es seguro) sin prompt de sistema: pon todas las instrucciones en el prompt de usuario. Esto evita el modo de fallo de repetición e incoherencia al que es propensa la familia R1 cuando se le da un prompt de sistema o una temperatura cercana a 0 o por encima de ~0.8.
Si comparas un distill con el R1 completo alojado y el distill entra en bucle o se desvía, corrige la configuración antes de concluir que el distill es débil: unos malos ajustes de muestreo enmascaran su calidad real.
Preguntas frecuentes
¿Es un distill de DeepSeek-R1 el mismo modelo que DeepSeek-R1, solo que más pequeño?
No. Un distill es un modelo base distinto (Qwen2.5 o Llama 3) ajustado para imitar el razonamiento de R1 con ~800K muestras. Conserva el estilo de razonamiento de R1 pero no contiene ninguno de sus parámetros.
¿Qué conserva exactamente la destilación del R1 completo?
El comportamiento de razonamiento: cadena de pensamiento, autoverificación y reflexión. Son patrones de generación de tokens que el ajuste fino supervisado transfiere de forma fiable, por eso un distill de 7B alcanza 55.5% en AIME 2024.
¿Qué pierde un distill frente al R1 671B completo?
Capacidad bruta, amplitud de conocimiento del mundo y fiabilidad en los problemas más difíciles. Cuanto más pequeño el distill, mayor la brecha, aunque sigue siendo pequeña en tareas de razonamiento comunes.
¿Por qué no puedo ejecutar el DeepSeek-R1 671B completo en casa?
Necesita ~376–404 GB de VRAM en Q4 porque los 671B parámetros deben residir todos en memoria aunque solo ~37B se activen por token. Eso es hardware de centro de datos. Una compilación de 1.58 bits corre a ~0.3 tok/s: una curiosidad, no utilizable.
¿Importa la brecha para el uso cotidiano?
Normalmente no. Para matemáticas escolares y de competición, lógica y planificación de varios pasos, un distill de 14B o 32B sobra. La brecha importa en problemas de dificultad de frontera o tareas que requieren conocimiento amplio y actual.
¿Qué distill está más cerca del R1 completo?
El distill de 70B es el más fuerte de los seis y el más cercano en capacidad bruta, pero necesita GPU dual. El de 32B es la mejor opción de una sola GPU y supera a OpenAI o1-mini en varios benchmarks de razonamiento.
¿Por qué R1-0528-Qwen3-8B es mejor que el distill 8B original?
Usa una base Qwen3 8B más fuerte y razonamiento del R1-0528 actualizado, por lo que lidera los modelos abiertos de 8B en AIME 2024: unos 10 puntos por encima del Qwen3 8B base con el mismo tamaño.
¿Es DeepSeek-V3 un distill de R1?
No. DeepSeek-V3 es un modelo de chat MoE de 671B independiente, no un modelo de razonamiento ni un distill. R1 es el modelo de razonamiento; los distills imitan a R1, no a V3.
Registro de cambios
- Publicado el 19-06-2026. Próxima revisión prevista para el 19-06-2027 (nivel de frescura anual: explicación perdurable con datos de modelos anclados al año).
- Cubre el R1 671B completo frente a los seis distills oficiales y DeepSeek-R1-0528-Qwen3-8B. Solo comparación interna de razonamiento; las comparaciones de código entre modelos están en la guía de código.