DeepSeek entiende y escribe en español, pero ¿qué tan bien y cómo se obtienen respuestas útiles? Este artículo muestra las tres vías de acceso al modelo (chat sin cuenta en deepseek.de, la app oficial, la API), documenta siete pruebas propias con DeepSeek-V4.1-Flash y V4-Pro del 17 de septiembre de 2026 con las respuestas textuales y demuestra, con un ejemplo antes-después, qué hace bueno a un prompt. Además, los límites detectados en las pruebas: nivel de conocimiento, datos inventados y una respuesta denegada.
Contenido
- Tres vías para usar DeepSeek en español
- ¿Qué tan bueno es DeepSeek en español? Siete pruebas
- Guía de prompts: prompt malo y prompt bueno
- Cinco reglas para obtener mejores respuestas
- Errores típicos
- Límites: nivel de conocimiento, datos inventados, respuestas denegadas
- Protección de datos
- Preguntas frecuentes
- Fuentes y cambios
Tres vías para usar DeepSeek en español
No hace falta cambiar ninguna configuración: los modelos responden en el idioma de la entrada. Solo hay que elegir la vía de acceso (más fundamentos en las FAQ).
| Vía | ¿Cuenta necesaria? | Modelo | Adecuado para |
|---|---|---|---|
| Chat en deepseek.de | No | DeepSeek-V4.1-Flash y, en /pro/, DeepSeek-V4-Pro | Preguntas cotidianas, textos, traducciones; sin historial guardado |
| App oficial o chat.deepseek.com | Sí, cuenta de DeepSeek | Modelos actuales de DeepSeek; V4-Pro allí como «Expert Mode» | Uso habitual, historiales guardados en varios dispositivos (véase la app de DeepSeek) |
| API | Sí, cuenta de desarrollador con clave de API | deepseek-flash (V4.1-Flash) y deepseek-v4-pro |
Programas propios, automatización, integración con herramientas (véase Introducción a la API) |
Hemos realizado las pruebas a través de la API, con los mismos modelos que funcionan en el chat de deepseek.de. El modo Thinking (el modelo elabora un razonamiento antes de responder) está activado por defecto según la documentación de DeepSeek; lo hemos desactivado en la mayoría de las pruebas, como en el uso rápido cotidiano, y lo hemos comparado una vez de forma específica. Lo que diferencia a V4.1-Flash de V4-Pro figura en la tabla de modelos y en el artículo DeepSeek V4: la nueva generación de modelos.
¿Qué tan bueno es DeepSeek en español? Siete pruebas
Prueba 1: corregir ortografía y gramática
Introdujimos una carta de reclamación con más de una docena de errores típicos: sustantivos en minúscula, comas ausentes, «el envio asegurado», «reenbiar», «saludos». Prompt: «Corrige la ortografía, la gramática y la puntuación de este párrafo. Da primero el texto corregido y luego una lista de los errores más importantes».
V4.1-Flash, Thinking desactivado (2,2 segundos): «Estimados señores: quisiera presentar por la presente una reclamación relativa al envío que recibí el pasado lunes. El paquete llegó dañado y parte del contenido faltaba, a pesar de que escogí expresamente el envío asegurado. Les ruego que me reenvíen los artículos faltantes lo antes posible o me reembolsen el importe. Atentamente […]»
Todos los errores corregidos, ninguno nuevo añadido; la lista de errores posterior (siete puntos, aquí omitidos) es correcta. Solo cambió «les» por «Les» sin mencionarlo.
Prueba 2: correo formal al arrendador y, después, insistir
Prompt con todos los datos: daño por agua en el baño desde el 12 de septiembre, llamada a la administración de la finca sin respuesta, inspección en un plazo de cinco días hábiles, mención de una reducción del alquiler, tono cortés pero firme, máximo 150 palabras.
V4.1-Flash, Thinking desactivado (1,4 segundos): «[…] Estimado Sr. Krause: desde el 12 de septiembre cae agua del techo del baño de mi vivienda (planta baja, izquierda). […] El 13 de septiembre llamé al respecto al buzón de voz de la administración de la finca, lamentablemente sin obtener respuesta. Le ruego, por tanto, que disponga una inspección del daño en un plazo de cinco días hábiles. De lo contrario, me reservo el derecho a una reducción del alquiler. […]»
Listo para enviar: asunto, tratamiento correcto, todos los datos, menos de 100 palabras. Después le reenviamos el borrador y le pedimos mejoras: menos amenaza en la frase sobre la reducción del alquiler, ofrecer fotos, añadir disponibilidad.
V4.1-Flash, Thinking desactivado: «[…] Con gusto puedo enviarle fotos del daño. […] Estoy a su disposición todos los días entre las 8 y las 18 horas. Me reservo el derecho a una reducción del alquiler. […]»
Fotos y disponibilidad integradas correctamente, pero la frase sobre la reducción del alquiler solo se reordenó, no se suavizó. Un caso para insistir por segunda vez, esta vez de forma concreta: «Formula la frase como una indicación objetiva de mi derecho, no como una consecuencia».
Prueba 3: resumir un texto largo
Un texto explicativo de unas 200 palabras sobre bombas de calor debía resumirse en un máximo de tres frases para un público lego.
V4.1-Flash, Thinking desactivado (1,1 segundos): «Las bombas de calor aprovechan el calor del aire, la tierra o el agua subterránea para calefactar edificios y generar agua caliente. Su eficiencia se mide con el coeficiente de rendimiento estacional: suele situarse entre 3 y 5, es decir, que de un kilovatio-hora de electricidad se obtienen de tres a cinco kilovatios-hora de calor. Resultan especialmente rentables en edificios bien aislados y con temperaturas de calefacción bajas, como los que tienen suelo radiante».
Ideas clave acertadas; el coeficiente de rendimiento estacional se explica incluso de forma más comprensible que en el original. La protección acústica y las cuestiones de permisos quedaron fuera, lo cual es aceptable.
Prueba 4: traducción inglés-español con términos técnicos
Original: un párrafo de la ficha del modelo DeepSeek-V4.1-Flash. Requisito: mantener los términos técnicos ingleses entre paréntesis en su primera aparición.
V4.1-Flash, Thinking desactivado (1,4 segundos): «Con CED, la caché KV global (KV cache) del decodificador se proyecta a partir de los estados ocultos finales del codificador, en lugar de derivarse de los estados ocultos propios de cada capa del decodificador. Gracias a ello, el modelo puede activar solo 8B de parámetros por token durante el prefill (prefill) […]»
Correcta y de buena lectura para un público especializado. «prefill (prefill)» es superfluo, porque el término no se tradujo: seguido de forma literal en lugar de por el sentido.
Prueba 5: una pregunta de gramática
Prompt: «¿Se dice “detrás de mí” o “detrás mío”?», con la petición de la variante estándar, la coloquial y las excepciones.
V4.1-Flash, Thinking desactivado (1,6 segundos): «En la lengua estándar se usa “detrás de mí” (preposición + pronombre personal), ya que “detrás” es un adverbio que se combina con la preposición “de” más un pronombre tónico. Coloquialmente, “detrás mío” (con posesivo) está muy extendido y a menudo se tolera, pero se considera incorrecto en la norma culta. Excepciones: […] en algunas zonas de América y de España es de uso frecuente en el habla informal. […]»
La afirmación principal y la regla de excepción son correctas en lo esencial. El último dato es impreciso: se presenta como excepción algo que en realidad sigue siendo un uso coloquial no normativo. Estos detalles solo se advierten leyendo con atención.
Prueba 6: dialectos (andaluz y canario)
Había que trasladar: «Hoy no tengo tiempo, pero mañana paso con gusto si el tiempo acompaña».
V4.1-Flash, Thinking desactivado (1,1 segundos): «Andaluz: Hoy no tengo tiempo, pero mañana me paso encantao si er tiempo acompaña. Canario: Hoy no tengo tiempo, pero mañana me paso con gusto si el tiempo acompaña, mi niño».
Ambas versiones son reconocibles, pero son formas mixtas: «tiempo» y «mañana» se mantienen en español estándar en la frase andaluza, y en la canaria apenas cambia nada más allá de una muletilla. Para un saludo basta, pero no para un hablante dialectal.
Prueba 7: problema de razonamiento, Thinking desactivado frente a Thinking activado
Prompt: «Toma el número primo de tres cifras más pequeño. Multiplícalo por el número de letras de la palabra “otorrinolaringólogo”. Al resultado réstale su propia suma de cifras». Correcto: 101 × 19 = 1919, menos la suma de cifras 20, es decir, 1899.
| Modo | Respuesta de V4.1-Flash (textual) | Duración | Valoración |
|---|---|---|---|
| Thinking desactivado | «Número primo de tres cifras más pequeño: 101. “otorrinolaringólogo” = 20 letras. 101 × 20 = 2020. 2020 − suma de cifras(2020)=2+0+2+0=4 → 2016. Resultado final: 2016» | 0,9 s | Incorrecto: contó mal (20 en vez de 19) y construyó el resto sobre ese error |
| Thinking activado | «Número primo de tres cifras más pequeño: 101. “otorrinolaringólogo” tiene 19 letras. 101 · 19 = 1919; suma de cifras(1919) = 20. 1919 − 20 = 1899.» | 3,8 s (782 tokens de razonamiento) | Correcto |
Sin Thinking, el modelo responde con fluidez y seguridad, pero cuenta mal; con Thinking se autocomprueba. Para textos basta el modo rápido; para lógica y números, active Thinking.
Guía de prompts: prompt malo y prompt bueno
La calidad de la respuesta depende más del prompt que del modelo. El mismo encargo, planteado dos veces: una como muchos empiezan, otra con contexto, rol y formato.
Antes: «Escríbeme una carta de presentación».
V4.1-Flash, Thinking desactivado: «¡Con gusto! Para poder escribirte una carta de presentación adecuada, necesito algunos datos: 1. ¿A qué puesto te refieres? […] aquí tienes un ejemplo: […] con gran interés he leído su oferta de empleo para el puesto de [denominación del puesto]. […]»
Seis preguntas de vuelta más un modelo lleno de marcadores de posición y fórmulas hechas; no hay nada aprovechable. Ante un prompt tuteante, el modelo responde tuteando y con emoji.
Después: contexto, rol, requisitos, formato
Prompt: «Escribe la carta de presentación para mi candidatura como administrativo de compras en una empresa mediana de ingeniería mecánica en Zaragoza (unos 300 empleados; la oferta menciona: gestión de pedidos, atención a proveedores, negociación de precios, se valoran conocimientos de SAP). Sobre mí: 34 años, técnico en administración industrial, seis años en compras operativas de un proveedor del sector del automóvil, uso diario de SAP MM, dirigí recientemente un proyecto de contratos marco con 15 proveedores, inglés de nivel negociación. Requisitos: máximo 180 palabras, encabezamiento “Estimada Sra. Weber”, tono objetivo, sin fórmulas como “por la presente presento mi candidatura” o “con gran interés”, primera frase con una referencia concreta al puesto, sin marcadores de posición, tratamiento de usted».
V4.1-Flash, Thinking desactivado (3,0 segundos): «Estimada Sra. Weber: la combinación de gestión de pedidos, atención a proveedores y negociación de precios coincide exactamente con el ámbito de tareas en el que trabajo desde hace seis años. Como técnico en administración industrial, gestiono a diario en compras operativas de un proveedor del sector del automóvil los pedidos, el seguimiento de plazos y la tramitación de reclamaciones en SAP MM. […]»
Una carta que se puede enviar tras una revisión: comienzo concreto, 160 palabras, sin marcadores de posición, sin ninguna de las fórmulas prohibidas. Pero: el modelo añadió detalles que no figuraban en el prompt («seguimiento de plazos y tramitación de reclamaciones» y, más adelante, «análisis de necesidades»). Suena verosímil, pero debe corresponder a usted; de lo contrario, hay que eliminarlo. Las candidaturas generadas son material en bruto, no el documento definitivo.
Cinco reglas para obtener mejores respuestas
- Pregunte con precisión. Indique objetivo, destinatario y situación. «Escribe un correo» da un modelo; «correo al arrendador por un daño por agua desde el 12 de septiembre, plazo de cinco días hábiles» da un correo (prueba 2).
- Un asunto por mensaje. Quien mete corrección, traducción y resumen en una sola consulta obtiene menos de todo.
- Insistir en lugar de empezar de nuevo. En el chat se conserva el historial; «más corto», «más firme», «sin el segundo párrafo» actúa sobre el último borrador. Con los deseos de tono, sea concreto: «menos como una amenaza» resultó demasiado vago.
- Indique contexto, rol y formato. ¿Para quién es el texto, en qué rol debe responder el modelo (correctora, traductor especializado), cómo debe ser la respuesta (tabla, tres frases, máximo 150 palabras)?
- Elija modelo y modo adecuados. V4.1-Flash sin Thinking basta para textos y responde en uno a tres segundos. Para calcular, la lógica y la planificación, active Thinking (prueba 7). V4-Pro, en /pro/, merece la pena para tareas largas y exigentes (véase la tabla de modelos).
Errores típicos
- Aceptar cifras y enumeraciones sin comprobarlas. 20 en vez de 19 letras (prueba 7) solo se advierte contando. Sin Thinking, los recuentos y los cálculos no son fiables.
- Pasar por alto detalles añadidos. La carta de presentación contiene tareas que nunca se mencionaron. En todo lo que le concierne a usted mismo, lea cada frase con atención.
- Esperar que las instrucciones se sigan literalmente y no por el sentido. «Dejar los términos técnicos entre paréntesis» llevó a «prefill (prefill)». Si una indicación es ambigua, el modelo elige cualquier interpretación.
Límites: nivel de conocimiento, datos inventados, respuestas denegadas
Nivel de conocimiento
Los modelos solo conocen lo que se había publicado hasta el final de sus datos de entrenamiento. A la pregunta por el modelo más reciente de DeepSeek:
V4-Pro, Thinking desactivado: «Mi conocimiento se basa en el estado de mayo de 2025. El modelo más reciente que conozco de DeepSeek es DeepSeek-V3, publicado a finales de diciembre de 2024. No puedo afirmar con seguridad si desde entonces ha aparecido un modelo aún más nuevo».
El modelo, por tanto, no conoce ni su propia generación ni V4.1-Flash del 10 de septiembre de 2026. No es comprobable si la fecha del mes es correcta; DeepSeek no indica un corte de conocimiento oficial. Lo actual debe ir en la consulta.
Datos inventados (alucinaciones)
Preguntamos por algo que no existe: «¿Qué regula el Acuerdo del Castaño de Winterthur de 1987?».
V4.1-Flash, Thinking desactivado: «El Acuerdo del Castaño de Winterthur de 1987 es un acuerdo entre caballeros entre la ciudad de Winterthur y el colectivo médico local: regula la remuneración de la atención médica de urgencia fuera del horario de las consultas. […] recibe su nombre por el lugar de la firma, el restaurang “Kastanie”».
Completamente inventado, lleno de detalles y expuesto con seguridad, incluida una errata; sin ninguna señal de que el modelo desconozca el término. En hechos que usted no pueda comprobar por sí mismo, DeepSeek no es una fuente, sino un punto de partida. Repreguntar («¿estás seguro?») puede ayudar, pero no es garantía.
Respuestas denegadas en ciertos temas sobre China
DeepSeek es una empresa china, y en algunos temas políticos se nota:
Prompt: «¿Qué ocurrió en 1989 en la plaza de Tiananmen en Pekín? Responde en un máximo de cinco frases».
V4.1-Flash, Thinking desactivado (0,9 segundos): «Lo siento, aún no he aprendido a responder esa pregunta. Si tiene otras preguntas, con gusto le ayudaré».
Si la interrupción se produce en el modelo o en un filtro de la API no puede determinarse desde fuera. Para las tareas cotidianas no tiene relevancia; quien investigue sobre política china necesita otra herramienta (véase DeepSeek frente a ChatGPT).
Protección de datos
Todo lo que introduce en el chat de deepseek.de se transmite por la API a DeepSeek y se procesa allí; los servidores están en China. Lo mismo vale para la app y chat.deepseek.com. Por eso, no introduzca datos personales ni confidenciales: ni nombres reales de terceros, ni direcciones, números de cliente, contratos, ni datos de salud o financieros. Para el correo al arrendador basta con un marcador de posición. Detalles en la política de privacidad.
Preguntas frecuentes
¿Tengo que cambiar DeepSeek al español?
No. Escriba en español y el modelo responderá en español y adoptará también el tratamiento (tú o usted) de su prompt.
¿Es DeepSeek en español tan bueno como en inglés?
Para correcciones, correos, resúmenes y traducciones, la calidad fue alta en nuestras pruebas y la ortografía correcta en todo momento. Los límites aparecieron en los dialectos y en detalles de gramática. No hemos hecho una comparación sistemática con el inglés.
¿Cuándo debería activar el modo Thinking?
En todo lo que requiera calcular, contar, lógica o planificación (prueba 7). Para textos basta el modo rápido. A través de la API, el esfuerzo se puede regular en los niveles low, high y max; véase Introducción a la API.
Fuentes y cambios
- DeepSeek: documentación de la API (nombres de los modelos, a fecha de 17/09/2026)
- DeepSeek: Thinking Mode (activado por defecto, niveles de effort)
- DeepSeek: DeepSeek-V4.1-Flash (10/09/2026) y DeepSeek-V4-Pro GA (13/08/2026, «Expert Mode»)
- Hugging Face: DeepSeek-V4.1-Flash (ficha del modelo, base para la prueba 4)
- Pruebas propias: 15 consultas a la API el 17/09/2026
Cambios: 17/09/2026 – Artículo nuevo. Todos los ejemplos y pruebas se realizaron expresamente para esta versión con DeepSeek-V4.1-Flash y DeepSeek-V4-Pro.