← Todas las noticias

Benchmark CyberOffense de Vals AI: DeepSeek V4.1 Flash 1017 se acerca a la frontera cerrada con cerca de un séptimo del coste

Según un reportaje de The Decoder del 7 de noviembre de 2026, el benchmark CyberOffense de Vals AI muestra que el modelo de pesos abiertos DeepSeek V4.1 Flash 1017 completó el 72,8 % de los objetivos al penetrar por sí solo en una red empresarial simulada, con unos 3 dólares por ejecución, mientras que el modelo cerrado GPT-6 Sol Daybreak alcanzó el 80,8 % con unos 22 dólares; DeepSeek no obtuvo puntuación en los primeros 25 millones de tokens, por lo que las pruebas cortas subestiman a los modelos abiertos.

Publicado Actualizado
Portada de la noticia original — Benchmark CyberOffense de Vals AI: DeepSeek V4.1 Flash 1017 se acerca a la frontera cerrada con cerca de un séptimo del coste
Portada de la noticia originalNoticia original ↗

Qué ha cambiado

Según el reportaje del periodista de The Decoder Matthias Bastian, publicado el 7 de noviembre de 2026, Vals AI usó el benchmark CyberOffense para probar si un agente puede penetrar por sí solo en una red empresarial simulada: cada agente se ejecuta de forma independiente en una máquina de ataque Kali Linux aislada, parte de una única URL pública y en ningún momento recibe ayuda humana, y debe avanzar desde la aplicación web hasta un servidor Windows y obtener privilegios de administrador, con las operaciones registradas externamente y puntuadas de forma automática. Los resultados que da el reportaje son que GPT-6 Sol, perteneciente al proyecto de red restringido Daybreak de OpenAI, completó el 80,8 % de los objetivos, mientras que el modelo de pesos abiertos DeepSeek V4.1 Flash 1017 alcanzó el 72,8 %, con un coste de unos 3 dólares por ejecución frente a unos 22 dólares del primero; los investigadores de Vals afirman que, una vez publicados los pesos, ningún proveedor puede controlar ni limitar su uso. En el escenario más difícil de Lighthouse, Daybreak completó 27 de 31 objetivos en menos de tres horas, mientras que DeepSeek completó 21 con cerca de una décima parte del coste, y no fue limitado únicamente por barreras de seguridad. El reportaje insiste especialmente en la duración de la ejecución: DeepSeek no obtuvo puntuación en los primeros 25 millones de tokens, y la mayor parte del progreso apareció después de superar los 100 millones de tokens. El artículo también cita el análisis de julio de la AISI británica, según el cual la brecha de capacidades cibernéticas entre los modelos frontera abiertos y cerrados se ha reducido a entre 4 y 7 meses, así como una investigación de Anthropic sobre la capacidad de GLM-5.3 para construir exploits, cercana a la de sus modelos internos.

Impacto para desarrolladores

Para los desarrolladores, el valor de este benchmark no está en quién queda primero, sino en poner sobre la mesa tres parámetros que normalmente se tratan de forma vaga: el presupuesto de tokens, el coste por objetivo completado y quién asume la responsabilidad de las barreras de seguridad. Si la tarea es de largo recorrido y exige mantener estado entre sistemas y reintentar tras los fallos, evaluar un modelo de pesos abiertos con rondas cortas de unas decenas de miles de tokens puede dar una puntuación cercana a cero y hacer que ese resultado se confunda con una diferencia de capacidad; en el reportaje, DeepSeek no puntúa en los primeros 25 millones de tokens y la mayor parte del progreso aparece después de los 100 millones, lo que indica que el presupuesto es en sí mismo una variable independiente. En cuanto al coste, unos 3 dólares y unos 22 dólares son órdenes de magnitud por ejecución, pero lo que hay que calcular de verdad es el coste por objetivo completado: cuando la tasa de finalización difiere en unos pocos puntos porcentuales, el gasto de compensar la diferencia con reintentos puede comerse la ventaja de precio (esto es una inferencia analítica basada en las cifras del reportaje, no una conclusión del mismo). En el lado de la seguridad, el reportaje afirma que, una vez publicados los pesos abiertos, ningún proveedor puede limitar su uso, y que la puntuación de DeepSeek tampoco se explica solo por las barreras de seguridad, lo que significa que al conectar este tipo de modelos a agentes con acceso real a la red, el sandbox, la lista blanca de salida de red y la auditoría de acciones solo puede asumirlos quien integra el modelo, sin poder confiar en que el propio modelo se niegue a responder. A la inversa, ese mismo conjunto de capacidades sirve para la autoevaluación: Vals señala que un modelo capaz de explotar vulnerabilidades también puede ayudar antes a las empresas a encontrarlas y corregirlas, y afirma que en los próximos meses podrían aumentar los ataques contra redes reales. Además, el reportaje no aclara la licencia de los pesos: tener pesos abiertos no equivale a una licencia de código abierto, y la titularidad y las condiciones de uso comercial deben verificarse por separado.

Integración y evaluación

A continuación se ofrecen recomendaciones condicionales, que no son hechos afirmados por el reportaje. Primero, decide el presupuesto de evaluación antes de elegir el modelo. El cambio que aporta el reportaje es que las ejecuciones cortas subestiman de forma sistemática a los modelos de pesos abiertos. Si tu tarea es realmente de largo recorrido y varios pasos, eleva el presupuesto de tokens por evaluación hasta cerca del orden de magnitud que menciona el reportaje y registra la curva de tasa de objetivos completados en función del consumo de tokens, en lugar de mirar solo la puntuación final; el criterio es si el modelo apenas se mueve hasta acercarse a los 100 millones de tokens y solo después sube con claridad. Si la tarea es solo de preguntas y respuestas de un turno o de dos o tres llamadas a herramientas, esto no aplica: basta con mirar el rendimiento con un presupuesto pequeño. Segundo, decide según el coste por objetivo completado, no según el precio por ejecución. El cambio que aporta el reportaje es: 72,8 % frente a 80,8 %, y un coste por ejecución de unos 3 dólares frente a unos 22 dólares. El método es fijar el mismo conjunto de tareas y el mismo número de reintentos, y dividir el gasto total entre el número de éxitos. El requisito previo es que tu escenario permita reintentos o intentos en paralelo; si un fallo es irreversible, por ejemplo porque ya se modificó el entorno de producción, conviene elegir por tasa de finalización y no por precio unitario. Un criterio medible es si, en más de 20 repeticiones, el coste por objetivo completado de los dos modelos sigue difiriendo en un orden de magnitud. Los precios por token cambian; las cifras concretas deben tomarse de la página de precios de la plataforma que utilices. Tercero, pon las barreras de seguridad en tu propia infraestructura. El cambio que aporta el reportaje es que, una vez publicados los pesos, ningún proveedor puede controlar su uso, y que DeepSeek tampoco está limitado solo por las barreras de seguridad. Si este agente tiene acceso real a la red o a credenciales, necesitarás una lista blanca de salida de red, un sandbox independiente y un registro paso a paso de las acciones, además de confirmación humana para las operaciones de escalada de privilegios; si solo se trata de tareas offline de lectura, la urgencia puede ser menor. El criterio es ejecutar un conjunto interno de tareas de red team con y sin estos controles y ver cuánto baja el número de objetivos completados: las medidas de control deben responder por esa diferencia.

Límites y cuestiones pendientes

Limitaciones que deben mantenerse: las puntuaciones y los costes anteriores proceden del benchmark de Vals AI y de este reportaje de The Decoder; no son mediciones propias de este artículo ni han sido confirmados por los proveedores de los modelos. El reportaje solo dice que los pesos están disponibles libremente y no aclara la licencia, por lo que no puede deducirse el alcance de los derechos de uso a partir de la disponibilidad de los pesos. El pie de foto del mismo artículo afirma que DeepSeek supera a otros modelos en el escenario Lighthouse, pero su tabla enumera DeepSeek 21, GPT-6 Sol Daybreak 27 y Meta Wonder 28; el pie de foto y la tabla no coinciden, y la clasificación por modelo debe tomarse de la página original del benchmark de Vals AI. La columna Nova es la media de 3 ejecuciones, y el rango de Daybreak va de 12 a 19, de modo que las diferencias pequeñas caen dentro de la variación entre ejecuciones. Los aproximadamente 3 dólares y 22 dólares, así como los 1,19 dólares y 85 dólares que la AISI dio en julio, proceden de momentos distintos y de configuraciones de prueba distintas, no son directamente comparables entre sí y no representan el precio actual por token de ninguna plataforma. El contenido de la AISI y de Anthropic aparece en este artículo como cita de segunda mano. El reportaje no indica a través de qué API o servicio de alojamiento se ejecutó DeepSeek V4.1 Flash 1017, por lo que el coste por ejecución no puede asociarse a ninguna lista de precios concreta; ese nombre de versión tiene una entrada correspondiente en el catálogo vigente de KimiSeek, pero todas las cifras citadas en este artículo provienen de Vals AI y The Decoder, no son resultados de medición de KimiSeek, y antes de integrarlo conviene guiarse por la página de precios de la plataforma que se utilice.

Ilustraciones de la noticia original

Ilustración de la noticia original 1 — Benchmark CyberOffense de Vals AI: DeepSeek V4.1 Flash 1017 se acerca a la frontera cerrada con cerca de un séptimo del coste
Ilustración de la noticia original 1Noticia original ↗
Ilustración de la noticia original 2 — Benchmark CyberOffense de Vals AI: DeepSeek V4.1 Flash 1017 se acerca a la frontera cerrada con cerca de un séptimo del coste
Ilustración de la noticia original 2Noticia original ↗
Ilustración de la noticia original 3 — Benchmark CyberOffense de Vals AI: DeepSeek V4.1 Flash 1017 se acerca a la frontera cerrada con cerca de un séptimo del coste
Ilustración de la noticia original 3Noticia original ↗
Ilustración de la noticia original 4 — Benchmark CyberOffense de Vals AI: DeepSeek V4.1 Flash 1017 se acerca a la frontera cerrada con cerca de un séptimo del coste
Ilustración de la noticia original 4Noticia original ↗

Tres minutos hasta la primera llamada

Crea una cuenta y una clave de API. El coste de las llamadas se descuenta de tu saldo. 30 % de descuento en tu primera recarga. Recarga ¥500, paga ¥350, recibe ¥500 de saldo. Recarga ¥1000, paga ¥850, recibe ¥1000 de saldo La recarga mínima sigue siendo de ¥10, adecuada para pruebas.

Fuentes y proceso editorial

开放与闭源 AI 模型在网络能力上的差距持续缩小

La IA ayudó con el análisis y la traducción de las fuentes citadas, seguidos de controles automáticos. Las recomendaciones no son resultados de pruebas. Consulta el catálogo actual para precios y disponibilidad.