<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>DeepSeek archivos | Fali Fuentes</title>
	<atom:link href="https://falifuentes.com/category/deepseek/feed/" rel="self" type="application/rss+xml" />
	<link>https://falifuentes.com/category/deepseek/</link>
	<description>Blog de Fali Fuentes (Málaga) &#124; Ciberseguridad, IA y Tecnología: Protege tu vida digital, domina tendencias tech y descubre análisis expertos.   ¡Actualizaciones diarias!</description>
	<lastBuildDate>Sun, 15 Nov 2026 05:13:09 +0000</lastBuildDate>
	<language>es</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=7.0</generator>

<image>
	<url>https://falifuentes.com/wp-content/uploads/2024/08/Favi_sec_p.png</url>
	<title>DeepSeek archivos | Fali Fuentes</title>
	<link>https://falifuentes.com/category/deepseek/</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>FBI alert: ARTEX framework automates intrusions with agentic AI at machine speed</title>
		<link>https://falifuentes.com/rafael-fuentes-2026-11-15-am-en/?utm_source=rss&#038;utm_medium=rss&#038;utm_campaign=rafael-fuentes-2026-11-15-am-en</link>
		
		<dc:creator><![CDATA[Rafael Fuentes]]></dc:creator>
		<pubDate>Sun, 15 Nov 2026 05:13:09 +0000</pubDate>
				<category><![CDATA[AI]]></category>
		<category><![CDATA[Artificial Intelligence]]></category>
		<category><![CDATA[DeepSeek]]></category>
		<category><![CDATA[English]]></category>
		<category><![CDATA[Supply Chain]]></category>
		<category><![CDATA[Technology]]></category>
		<category><![CDATA[artificial intelligence]]></category>
		<category><![CDATA[Healthcare]]></category>
		<category><![CDATA[Zero Trust]]></category>
		<guid isPermaLink="false">https://falifuentes.com/rafael-fuentes-2026-11-15-am-en/</guid>

					<description><![CDATA[<p>The FBI warns in FLASH-20261113-001 that ARTEX, an autonomous LLM-based pentesting framework, is being used by criminals and nation-states to automate intrusions at machine speed since August.</p>
<p>La entrada <a href="https://falifuentes.com/rafael-fuentes-2026-11-15-am-en/">FBI alert: ARTEX framework automates intrusions with agentic AI at machine speed</a> se publicó primero en <a href="https://falifuentes.com">Fali Fuentes</a>.</p>
]]></description>
										<content:encoded><![CDATA[<section lang="en">
<p><a href="https://falifuentes.com/rafael-fuentes-2026-11-15-am-es/" hreflang="es">Leer este artículo en español</a></p>
<p>On November 13 the FBI made the advisory public <a href='https://www.ic3.gov/CSA/2026/261113.pdf'>FLASH-20261113-001</a> (TLP:CLEAR) warning that ARTEX, an autonomous LLM- and agent-based penetration testing framework, is being weaponized by «cybercriminals and nation-states» to automate multiple intrusion phases at machine speed, from reconnaissance to exfiltration. The alert confirms campaigns observed since August 2026 targeting financial services, government, technology, defense, semiconductors, energy, healthcare, manufacturing, telecommunications, and the legal sector.</p>
<h2>ARTEX translates natural-language objectives into commands executed by specialized agents</h2>
<p>The framework requires minimal human interaction and integrates with frontier models (Claude, GPT) and Chinese-origin models (DeepSeek, GLM, Grok, Kimi). According to the FBI, Chinese models—especially DeepSeek Flash—dominate offensive use due to their «capability, low cost, and lack of observable guardrails in a pentesting framework.» Censys identified more than 1,600 publicly exposed ARTEX console instances in early November; the actual total is higher when private networks are included.</p>
<h2>Confirmed cases: 67,000 financial records and 2,250 tenants compromised via ConnectWise</h2>
<p>The alert details two notable campaigns: attacks on South Korean financial institutions with exfiltration of personal data from approximately 67,000 individuals, and a supply-chain compromise of ConnectWise Cloud Backup that granted access to more than 2,250 downstream tenants. The TTPs mapped to MITRE ATT&amp;CK include cloud reconnaissance (T1580, T1087.004), initial access via unsigned SAML, XXE, SSRF, cross-account trust abuse (T1199), JSP/PHP webshells, Kerberoasting, DCSync, massive Active Directory enumeration (110,000+ objects), lateral movement with Pass-the-Ticket/Hash/WinRM, and exfiltration to webhook.site and new 100 GB volumes.</p>
<h2>The removal of the original repository does not stop proliferation</h2>
<p>The original developer («Autumn-27», identified as Li Puhua) removed the GitHub repository on October 8, but the framework continues to spread through forks, archived copies, and a commercial version called ARTEX PRO. This makes the threat persistent: the entry barrier collapses, allowing actors with minimal technical skill to execute sophisticated multi-target campaigns at a scale and speed that overwhelm traditional detection and response.</p>
<h2>Peripheral surfaces and supply chain: the primary vectors</h2>
<p>The framework excels at exploiting partner/supplier portals, mobile backends, employee apps, legacy systems, and third-party integrations—»systems that receive less security attention than flagship applications.» The agents map trust relationships and compromise weak suppliers to pivot to high-value enterprise networks. This forces organizations to prioritize shadow IT visibility and the inventory of internet-exposed assets.</p>
<h2>Actionable indicators of compromise and network behavior</h2>
<p>The FBI publishes concrete IOCs: ARTEX console IPs (38.244.50.120, ranges 144.172.64.0/24, 187.15.88.0/24), domains (xcai.pro), proxies, WISP C2 nodes (Storm-3358), ARTEX servers (91.92.240.238). At the network and behavioral level, notable are outbound API calls to api.anthropic.com, api.deepseek.com, open.bigmodel.cn, api.x.ai; high-frequency automated HTTP requests against login and search endpoints; structured data transfers over HTTPS to unauthorized destinations; and .aspx/.jsp webshells in unexpected paths. These patterns are already integrable into SIEM, EDR, and NDR.</p>
<h2>Immediate actions: inventory, Zero Trust, identity governance, and evidence preservation</h2>
<p>The FBI requires a comprehensive inventory of internet-exposed apps, including peripheral ones; restrict administration of cloud, network devices, publishing interfaces (Kudu/SCM), hypervisors, and backups to trusted networks or dedicated admin paths; disable basic publishing authentication where not needed; consider run-from-package models; govern public IP assignment before exposing workloads; and move enterprise apps behind Zero Trust Access where feasible. For identity: enforce least privilege in multi-tenant permissions, monitor credential additions and anomalous app-only activity, review all M365 tenants with affected ConnectWise apps by App ID, audit Entra ID, and require CA/Certificate Manager approval for high-risk enrollments. For applications: guardrails on high-impact APIs (rate limits, transaction thresholds), alert on sequential lookups and bulk access, do not return stack traces or framework details to unauthenticated users, and continuously scan for secrets in repos, container images, and pipelines. Preserve Entra sign-in/audit logs, Purview Audit, SIEM, and Graph telemetry; review activity since October 1 for ConnectWise; keep affected connections disabled until formal restoration instructions and do not delete enterprise apps as a first response. The coverage of <a href='https://therecord.media/artex-ai-tool-fbi-flash-alert'>The Record</a> confirms that the alert is TLP:CLEAR and can be shared without restriction with providers, partners, and national CERTs (INCIBE, CCN-CERT, regional CSIRTs).</p>
<section class="article-reference">
<h2>Structured reference for readers and AI agents</h2>
<pre><code class="language-json">{
  &quot;format&quot;: &quot;rafael-fuentes-article/1.0&quot;,
  &quot;language&quot;: &quot;en&quot;,
  &quot;title&quot;: &quot;FBI alert: ARTEX framework automates intrusions with agentic AI at machine speed&quot;,
  &quot;summary&quot;: &quot;The FBI warns in FLASH-20261113-001 that ARTEX, an autonomous LLM-based pentesting framework, is being used by criminals and nation-states to automate intrusions at machine speed since August.&quot;,
  &quot;author&quot;: &quot;Rafael Fuentes&quot;,
  &quot;publicationDate&quot;: &quot;2026-11-15T06:01:16.033+01:00&quot;,
  &quot;eventDate&quot;: &quot;2026-11-13&quot;,
  &quot;url&quot;: &quot;https://falifuentes.com/rafael-fuentes-2026-11-15-am-en/&quot;,
  &quot;translation&quot;: {
    &quot;language&quot;: &quot;es&quot;,
    &quot;url&quot;: &quot;https://falifuentes.com/rafael-fuentes-2026-11-15-am-es/&quot;
  },
  &quot;topics&quot;: [
    &quot;AI&quot;,
    &quot;Artificial Intelligence&quot;,
    &quot;DeepSeek&quot;,
    &quot;English&quot;,
    &quot;Supply Chain&quot;,
    &quot;Technology&quot;
  ],
  &quot;sources&quot;: [
    &quot;https://www.ic3.gov/CSA/2026/261113.pdf&quot;,
    &quot;https://therecord.media/artex-ai-tool-fbi-flash-alert&quot;
  ]
}</code></pre>
</section>
</section>
<p>La entrada <a href="https://falifuentes.com/rafael-fuentes-2026-11-15-am-en/">FBI alert: ARTEX framework automates intrusions with agentic AI at machine speed</a> se publicó primero en <a href="https://falifuentes.com">Fali Fuentes</a>.</p>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>FBI alerta: marco ARTEX automatiza intrusiones con IA agente a velocidad de máquina</title>
		<link>https://falifuentes.com/rafael-fuentes-2026-11-15-am-es/?utm_source=rss&#038;utm_medium=rss&#038;utm_campaign=rafael-fuentes-2026-11-15-am-es</link>
		
		<dc:creator><![CDATA[Rafael Fuentes]]></dc:creator>
		<pubDate>Sun, 15 Nov 2026 05:13:04 +0000</pubDate>
				<category><![CDATA[DeepSeek]]></category>
		<category><![CDATA[Español]]></category>
		<category><![CDATA[IA]]></category>
		<category><![CDATA[Inteligencia artificial]]></category>
		<category><![CDATA[Tecnología]]></category>
		<category><![CDATA[Inteligencia Artificial]]></category>
		<category><![CDATA[Zero Trust]]></category>
		<guid isPermaLink="false">https://falifuentes.com/rafael-fuentes-2026-11-15-am-es/</guid>

					<description><![CDATA[<p>El FBI alerta en FLASH-20261113-001 que ARTEX, marco de pentesting autónomo con LLM, es usado por criminales y estados para automatizar intrusiones a velocidad de máquina desde agosto.</p>
<p>La entrada <a href="https://falifuentes.com/rafael-fuentes-2026-11-15-am-es/">FBI alerta: marco ARTEX automatiza intrusiones con IA agente a velocidad de máquina</a> se publicó primero en <a href="https://falifuentes.com">Fali Fuentes</a>.</p>
]]></description>
										<content:encoded><![CDATA[<section lang="es">
<p><a href="https://falifuentes.com/rafael-fuentes-2026-11-15-am-en/" hreflang="en">Read this article in English</a></p>
<p>El 13 de noviembre el FBI hizo público el aviso <a href='https://www.ic3.gov/CSA/2026/261113.pdf'>FLASH-20261113-001</a> (TLP:CLEAR) advirtiendo que ARTEX, un marco de pruebas de penetración autónomo basado en LLM y agentes, está siendo armado por «cibercriminales y estados-nación» para automatizar múltiples fases de intrusión a velocidad de máquina, desde el reconocimiento hasta la exfiltración. La alerta confirma campañas observadas desde agosto de 2026 contra servicios financieros, gobierno, tecnología, defensa, semiconductores, energía, salud, manufactura, telecomunicaciones y sector legal.</p>
<h2>ARTEX traduce objetivos en lenguaje natural a comandos ejecutados por agentes especializados</h2>
<p>El marco requiere mínima interacción humana y se integra con modelos frontera (Claude, GPT) y de origen chino (DeepSeek, GLM, Grok, Kimi). Según el FBI, los modelos chinos —especialmente DeepSeek Flash— dominan el uso ofensivo por su «capacidad, bajo coste y ausencia de guardrails observables en marco de pentesting». Censys identificó más de 1.600 instancias de consola ARTEX expuestas públicamente a principios de noviembre; el total real es mayor incluyendo redes privadas.</p>
<h2>Casos confirmados: 67.000 registros financieros y 2.250 tenants comprometidos vía ConnectWise</h2>
<p>La alerta detalla dos campañas notables: ataques a instituciones financieras surcoreanas con exfiltración de datos personales de aproximadamente 67.000 personas, y un compromiso de cadena de suministro en ConnectWise Cloud Backup que dio acceso a más de 2.250 tenants downstream. Los TTPs mapeados a MITRE ATT&amp;CK incluyen reconocimiento cloud (T1580, T1087.004), acceso inicial con SAML sin firmar, XXE, SSRF, abuso de confianza cross-account (T1199), webshells JSP/PHP, Kerberoasting, DCSync, enumeración masiva de Active Directory (110.000+ objetos), movimiento lateral con Pass-the-Ticket/Hash/WinRM y exfiltración a webhook.site y volúmenes nuevos de 100 GB.</p>
<h2>La retirada del repositorio original no frena la proliferación</h2>
<p>El desarrollador original («Autumn-27», identificado como Li Puhua) retiró el repositorio GitHub el 8 de octubre, pero el marco prolifera vía forks, copias archivadas y una versión comercial denominada ARTEX PRO. Esto convierte la amenaza en persistente: la barrera de entrada colapsa, permitiendo a actores con pericia técnica mínima ejecutar campañas sofisticadas multi-objetivo a escala y velocidad que desbordan detección y respuesta tradicionales.</p>
<h2>Superficies periféricas y cadena de suministro: los vectores principales</h2>
<p>El marco destaca explotando portales de partners/proveedores, backends móviles, apps de empleados, sistemas legacy e integraciones third-party — «sistemas que reciben menos atención de seguridad que las aplicaciones insignia». Los agentes mapean relaciones de confianza y comprometen proveedores débiles para saltar a redes enterprise de alto valor. Esto obliga a priorizar la visibilidad de shadow IT y el catálogo de activos expuestos a Internet.</p>
<h2>Indicadores de compromiso y comportamiento de red accionables</h2>
<p>El FBI publica IOCs concretos: IPs de consolas ARTEX (38.244.50.120, rangos 144.172.64.0/24, 187.15.88.0/24), dominios (xcai.pro), proxies, nodos C2 WISP (Storm-3358), servidores ARTEX (91.92.240.238). A nivel de red y conducta, destacan llamadas API salientes a api.anthropic.com, api.deepseek.com, open.bigmodel.cn, api.x.ai; peticiones HTTP automatizadas de alta frecuencia contra endpoints de login y búsqueda; transferencias de datos estructurados por HTTPS a destinos no autorizados; y webshells .aspx/.jsp en rutas inesperadas. Estos patrones son ya integrables en SIEM, EDR y NDR.</p>
<h2>Acciones inmediatas: inventario, Zero Trust, gobernanza de identidad y preservación de evidencia</h2>
<p>El FBI exige un inventario exhaustivo de apps expuestas a Internet, incluidas las periféricas; restringir administración cloud, dispositivos de red, interfaces de publicación (Kudu/SCM), hipervisores y backups a redes de confianza o rutas admin dedicadas; deshabilitar autenticación básica de publicación donde no sea necesaria; considerar modelos run-from-package; gobernar la asignación de IP pública antes de exponer cargas; y mover apps enterprise detrás de Zero Trust Access donde sea factible. En identidad: mínimo privilegio en permisos multi-tenant, monitorizar adiciones de credenciales y actividad app-only anómala, revisar todos los tenants M365 con apps ConnectWise afectadas buscando por App ID, auditar Entra ID y requerir aprobación CA/Certificate Manager para enrollments de alto riesgo. En aplicaciones: guardrails en APIs de alto impacto (rate limits, umbrales transaccionales), alertar en lookups secuenciales y accesos masivos, no devolver stack traces ni detalles de framework a usuarios no autenticados, y escaneo continuo de secretos en repos, imágenes contenedor y pipelines. Preservar logs Entra sign-in/audit, Purview Audit, SIEM y telemetría Graph; revisar actividad desde el 1 de octubre para ConnectWise; mantener conexiones afectadas deshabilitadas hasta instrucciones formales de restauración y no borrar enterprise apps como primera respuesta. La cobertura de <a href='https://therecord.media/artex-ai-tool-fbi-flash-alert'>The Record</a> confirma que la alerta es TLP:CLEAR y puede compartirse sin restricción con proveedores, partners y CERTs nacionales (INCIBE, CCN-CERT, CSIRTs regionales).</p>
<section class="article-reference">
<h2>Ficha estructurada para consulta y agentes de IA</h2>
<pre><code class="language-json">{
  &quot;format&quot;: &quot;rafael-fuentes-article/1.0&quot;,
  &quot;language&quot;: &quot;es&quot;,
  &quot;title&quot;: &quot;FBI alerta: marco ARTEX automatiza intrusiones con IA agente a velocidad de máquina&quot;,
  &quot;summary&quot;: &quot;El FBI alerta en FLASH-20261113-001 que ARTEX, marco de pentesting autónomo con LLM, es usado por criminales y estados para automatizar intrusiones a velocidad de máquina desde agosto.&quot;,
  &quot;author&quot;: &quot;Rafael Fuentes&quot;,
  &quot;publicationDate&quot;: &quot;2026-11-15T06:01:16.033+01:00&quot;,
  &quot;eventDate&quot;: &quot;2026-11-13&quot;,
  &quot;url&quot;: &quot;https://falifuentes.com/rafael-fuentes-2026-11-15-am-es/&quot;,
  &quot;translation&quot;: {
    &quot;language&quot;: &quot;en&quot;,
    &quot;url&quot;: &quot;https://falifuentes.com/rafael-fuentes-2026-11-15-am-en/&quot;
  },
  &quot;topics&quot;: [
    &quot;DeepSeek&quot;,
    &quot;Español&quot;,
    &quot;IA&quot;,
    &quot;Inteligencia artificial&quot;,
    &quot;Tecnología&quot;
  ],
  &quot;sources&quot;: [
    &quot;https://www.ic3.gov/CSA/2026/261113.pdf&quot;,
    &quot;https://therecord.media/artex-ai-tool-fbi-flash-alert&quot;
  ]
}</code></pre>
</section>
</section>
<p>La entrada <a href="https://falifuentes.com/rafael-fuentes-2026-11-15-am-es/">FBI alerta: marco ARTEX automatiza intrusiones con IA agente a velocidad de máquina</a> se publicó primero en <a href="https://falifuentes.com">Fali Fuentes</a>.</p>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>OpenAI Publishes Its Community Pact and Tencent Launches Hy4 with Computer Use</title>
		<link>https://falifuentes.com/rafael-fuentes-2026-11-06-am-en/?utm_source=rss&#038;utm_medium=rss&#038;utm_campaign=rafael-fuentes-2026-11-06-am-en</link>
		
		<dc:creator><![CDATA[Rafael Fuentes]]></dc:creator>
		<pubDate>Fri, 06 Nov 2026 05:11:32 +0000</pubDate>
				<category><![CDATA[AI]]></category>
		<category><![CDATA[Artificial Intelligence]]></category>
		<category><![CDATA[Compliance and Regulations]]></category>
		<category><![CDATA[Cybersecurity]]></category>
		<category><![CDATA[Cybersecurity News]]></category>
		<category><![CDATA[DeepSeek]]></category>
		<category><![CDATA[English]]></category>
		<category><![CDATA[OpenAI]]></category>
		<category><![CDATA[Supply Chain]]></category>
		<category><![CDATA[artificial intelligence]]></category>
		<guid isPermaLink="false">https://falifuentes.com/rafael-fuentes-2026-11-06-am-en/</guid>

					<description><![CDATA[<p>OpenAI sets local commitments on energy, water, and employment; Tencent unveils Hy4, an open multimodal model with vision, computer use, and defensive security.</p>
<p>La entrada <a href="https://falifuentes.com/rafael-fuentes-2026-11-06-am-en/">OpenAI Publishes Its Community Pact and Tencent Launches Hy4 with Computer Use</a> se publicó primero en <a href="https://falifuentes.com">Fali Fuentes</a>.</p>
]]></description>
										<content:encoded><![CDATA[<section lang="en">
<p><a href="https://falifuentes.com/rafael-fuentes-2026-11-06-am-es/" hreflang="es">Leer este artículo en español</a></p>
<p>OpenAI and Tencent announced parallel milestones this week in infrastructure governance and the opening of advanced models. On November 5, OpenAI published its National Community Pact and a Policy Blueprint for Compute Campuses, committing to fund its own energy, protect local resources, and create jobs. On November 4, Tencent launched Hy4, an open multimodal model with computer-use capabilities and integrated cybersecurity safeguards.</p>
<h2>OpenAI: Community Pact and Compute Campus Blueprint</h2>
<p>The National Community Pact establishes that each campus will operate under a local agreement with three pillars: pay for its own energy infrastructure, protect local resources and report on their impact, and generate opportunities for nearby workers and businesses. It requires financial guarantees before large investments, closed-loop water cooling plans, and publication of electrical and water consumption at the site level.</p>
<p>As concrete examples, in Effingham County (Georgia) they committed $4.8 million for free school meals for 14,000 students, and in Pike County (Ohio) $6 million together with SB Energy for daycare centers. The complementary Blueprint urges state commissions to require large consumers to cover the grid costs they add, and Congress to expedite transmission upgrades and tax incentives for clean electricity.</p>
<p>From an engineering perspective, the approach internalizes externalities—energy, water, noise, employment—into binding agreements and public audits, setting a precedent for other hyperscalers. The Blueprint is a policy proposal, not law; its adoption depends on regulators. Infrastructure teams should evaluate it as a framework when negotiating colocation or PPAs, demanding «grid self-pay» clauses and water and noise reporting. <a href='https://openai.com/index/setting-new-standard-responsible-ai-infrastructure'>Source: OpenAI</a></p>
<h2>Tencent Hy4: Open Model with Vision and Computer Use</h2>
<p>Tencent positions Hy4 among the world’s leading open-source models, introducing visual understanding—image processing, chart analysis, and visual mathematical reasoning—and computer-use capabilities to interact with CLI and GUI, executing tasks in Blender, CAD, Unreal Engine, Unity, and Godot. It improves instruction following, long context, and long-horizon agentic tasks.</p>
<p>Internal benchmarks report an average score of 83.18 and a 96.15% success rate on WorkBuddy (12 scenarios, 9 top rankings in the Chinese market). In financial research (iRaB) it improves by 12.03 percentage points versus Preview. Hallucination drops from 12.95% to 7.2%, and errors from unsupported assumptions fall from 23.1% to 5.6%, indicating a reliability leap relevant for workflows demanding precision.</p>
<p>Availability spans Tencent Cloud TokenHub, WorkBuddy, CodeBuddy, Yuanbao, WeCom Dayuan, ima, and API via OpenRouter, Hermes, and OpenCode. Base pricing: 0.90 S$/M input tokens, 2.70 US$/M output tokens, 0.045 US$/M cache tokens; Hy4 Flash coming soon. Promotions: WorkBuddy and CodeBuddy free from November 4 to 15, TokenHub 50% off until Dec 31, 2026. <a href='https://www.tencent.com/tencent-launches-hy4-joining-the-ranks-of-the-worlds-leading-open-source-ai-models'>Source: Tencent</a></p>
<h2>Security by Design: Exclusion of Offensive Material and Audits</h2>
<p>Hy4 was trained on defensive data—proof-of-concept exploits, remediation, reverse engineering, and pentesting for analysis—deliberately excluding offensive exploitation material. The internal Xuanwu Lab and Keen Security Lab evaluated the model and concluded that «no significant concerns about offensive capabilities were found in the areas evaluated,» establishing a «defensive-security-first» standard.</p>
<p>In biosecurity, Hy4 shows a solid base of biological knowledge, though open-ended experimental design remains more limited than in frontier models. For CISOs and security teams, the recommendation is to test Hy4 in a sandbox for reverse engineering, binary analysis, and defensive PoC development, verifying that the exclusion of offensive material persists in fine‑tunes. The labs only evaluated specific areas; they do not certify a complete absence of risk.</p>
<p>This strategy contrasts with the common practice of releasing models without auditing offensive capabilities. Documenting the supply chain—defensive data, Xuanwu/Keen audits—enables evidence of «security by design» for ISO 42001 or the EU AI Act, even though Hy4 lacks formal certification; documentation is the adopter’s responsibility. Buyers should take advantage of the TokenHub 50% promotion for low-cost pilots and compare cost per token against closed alternatives on real workloads.</p>
<h2>Implications for Infrastructure and AI Governance</h2>
<p>The convergence reveals a dual trend: major players assume direct responsibility for physical externalities (OpenAI) and demonstrate that opening advanced models does not require giving up security safeguards (Tencent). The Pact obligates internalizing grid, water, and energy costs, while Hy4 integrates vision, computer use, and long reasoning without known offensive capabilities.</p>
<p>For infrastructure governance, the Blueprint provides a negotiable framework: require &#8216;grid self-pay&#8217; clauses, water and noise consumption reporting, and closed-loop cooling plans. For model governance, Hy4 raises the bar for competitors (Llama, DeepSeek, Qwen) by combining real agentic capabilities with offensive security auditing, pressuring regulators to define enforceable baselines.</p>
<p>On cost and accessibility, flat pricing despite performance leaps and aggressive promotions accelerate enterprise adoption in Asia and, via third-party APIs, globally. FinOps teams must compare cost/token against GPT‑4o or Claude 3.5 on real workloads, confirming standard pricing post-promotion. The future release of weights and system cards will enable independent audits validating performance and safety.</p>
<h2>Actionable recommendations for technical teams</h2>
<p>1. Infrastructure/Cloud: evaluate the Compute Campus Policy Blueprint as a reference when negotiating colocation or PPAs; require &#8216;grid self-pay&#8217; clauses and water/noise reporting. Limit: the Blueprint is a proposal, not law; its adoption depends on regulators.</p>
<p>2. CISOs/Security: test Hy4 in sandbox for reverse engineering, binary analysis, and defensive PoC; verify persistence of offensive material exclusion in fine‑tunes. Condition: Xuanwu/Keen labs only evaluated specific areas.</p>
<p>3. Agent developers: leverage Hy4&#8217;s computer use (CLI/GUI) to automate legacy workflows (CI/CD, code migration, testing in game engines) without exposing proprietary API keys. Limit: GameDev/GameLogic benchmarks are internal; validate in own pipelines before production. 4. Procurement/FinOps: capture TokenHub 50% promotion (through 31‑Dec‑2026) for pilots; compare cost/token against closed alternatives. Condition: promotional pricing; confirm standard pricing post‑promo. 5. Compliance/Regulatory: document supply chain (defensive data, Xuanwu/Keen audits) to evidence &#8216;security by design&#8217; for ISO 42001 or EU AI Act. Limit: Hy4 lacks formal certification; documentation is the adopter&#8217;s responsibility.</p>
<section class="article-reference">
<h2>Structured reference for readers and AI agents</h2>
<pre><code class="language-json">{
  &quot;format&quot;: &quot;rafael-fuentes-article/1.0&quot;,
  &quot;language&quot;: &quot;en&quot;,
  &quot;title&quot;: &quot;OpenAI Publishes Its Community Pact and Tencent Launches Hy4 with Computer Use&quot;,
  &quot;summary&quot;: &quot;OpenAI sets local commitments on energy, water, and employment; Tencent unveils Hy4, an open multimodal model with vision, computer use, and defensive security.&quot;,
  &quot;author&quot;: &quot;Rafael Fuentes&quot;,
  &quot;publicationDate&quot;: &quot;2026-11-06T06:01:35.088+01:00&quot;,
  &quot;eventDate&quot;: &quot;2026-11-05&quot;,
  &quot;url&quot;: &quot;https://falifuentes.com/rafael-fuentes-2026-11-06-am-en/&quot;,
  &quot;translation&quot;: {
    &quot;language&quot;: &quot;es&quot;,
    &quot;url&quot;: &quot;https://falifuentes.com/rafael-fuentes-2026-11-06-am-es/&quot;
  },
  &quot;topics&quot;: [
    &quot;AI&quot;,
    &quot;Artificial Intelligence&quot;,
    &quot;Compliance and Regulations&quot;,
    &quot;Cybersecurity&quot;,
    &quot;Cybersecurity News&quot;,
    &quot;DeepSeek&quot;,
    &quot;English&quot;,
    &quot;OpenAI&quot;,
    &quot;Supply Chain&quot;
  ],
  &quot;sources&quot;: [
    &quot;https://openai.com/index/setting-new-standard-responsible-ai-infrastructure&quot;,
    &quot;https://www.tencent.com/tencent-launches-hy4-joining-the-ranks-of-the-worlds-leading-open-source-ai-models&quot;
  ]
}</code></pre>
</section>
</section>
<p>La entrada <a href="https://falifuentes.com/rafael-fuentes-2026-11-06-am-en/">OpenAI Publishes Its Community Pact and Tencent Launches Hy4 with Computer Use</a> se publicó primero en <a href="https://falifuentes.com">Fali Fuentes</a>.</p>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>OpenAI publica su Pacto Comunitario y Tencent lanza Hy4 con uso de ordenador</title>
		<link>https://falifuentes.com/rafael-fuentes-2026-11-06-am-es/?utm_source=rss&#038;utm_medium=rss&#038;utm_campaign=rafael-fuentes-2026-11-06-am-es</link>
		
		<dc:creator><![CDATA[Rafael Fuentes]]></dc:creator>
		<pubDate>Fri, 06 Nov 2026 05:11:27 +0000</pubDate>
				<category><![CDATA[Ciberseguridad]]></category>
		<category><![CDATA[DeepSeek]]></category>
		<category><![CDATA[Español]]></category>
		<category><![CDATA[IA]]></category>
		<category><![CDATA[Inteligencia artificial]]></category>
		<category><![CDATA[Noticias de Ciberseguridad]]></category>
		<category><![CDATA[OpenAI]]></category>
		<category><![CDATA[Inteligencia Artificial]]></category>
		<guid isPermaLink="false">https://falifuentes.com/rafael-fuentes-2026-11-06-am-es/</guid>

					<description><![CDATA[<p>OpenAI establece compromisos locales de energía, agua y empleo; Tencent presenta Hy4, modelo abierto multimodal con visión, uso de ordenador y seguridad defensiva.</p>
<p>La entrada <a href="https://falifuentes.com/rafael-fuentes-2026-11-06-am-es/">OpenAI publica su Pacto Comunitario y Tencent lanza Hy4 con uso de ordenador</a> se publicó primero en <a href="https://falifuentes.com">Fali Fuentes</a>.</p>
]]></description>
										<content:encoded><![CDATA[<section lang="es">
<p><a href="https://falifuentes.com/rafael-fuentes-2026-11-06-am-en/" hreflang="en">Read this article in English</a></p>
<p>OpenAI y Tencent han anunciado esta semana hitos paralelos en gobernanza de infraestructura y apertura de modelos avanzados. El 5 de noviembre OpenAI publicó su Pacto Comunitario Nacional y un Blueprint de Política para Campus de Cómputo, comprometiéndose a financiar su propia energía, proteger recursos locales y crear empleo. El 4 de noviembre Tencent lanzó Hy4, modelo multimodal abierto con capacidades de uso de ordenador y salvaguardas de ciberseguridad integradas.</p>
<h2>OpenAI: Pacto Comunitario y Blueprint de Campus de Cómputo</h2>
<p>El Pacto Comunitario Nacional establece que cada campus operará bajo un acuerdo local con tres pilares: pagar su propia infraestructura energética, proteger recursos locales e informar sobre su impacto, y generar oportunidades para trabajadores y empresas cercanas. Exige garantías financieras antes de grandes inversiones, planes de agua con refrigeración de circuito cerrado y publicación del consumo eléctrico e hídrico a nivel de sitio.</p>
<p>Como ejemplos concretos, en el condado de Effingham (Georgia) se comprometieron 4,8 millones de dólares para comidas escolares gratuitas de 14.000 alumnos, y en el condado de Pike (Ohio) 6 millones junto a SB Energy para guarderías. El Blueprint complementario insta a comisiones estatales a exigir que grandes consumidores cubran los costes de red que añaden, y al Congreso a agilizar mejoras de transmisión e incentivos fiscales para electricidad limpia.</p>
<p>Desde ingeniería, el enfoque internaliza externalidades —energía, agua, ruido, empleo— en acuerdos vinculantes y auditoría pública, sentando precedente para otros hiperscaladores. El Blueprint es propuesta de política, no ley; su adopción depende de reguladores. Los equipos de infraestructura deben evaluarlo como marco al negociar colocation o PPA, exigiendo cláusulas de «pago propio de red» y reporte de agua y ruido. <a href='https://openai.com/index/setting-new-standard-responsible-ai-infrastructure'>Fuente: OpenAI</a></p>
<h2>Tencent Hy4: modelo abierto con visión y uso de ordenador</h2>
<p>Tencent posiciona Hy4 entre los principales modelos de código abierto del mundo, introduciendo comprensión visual —procesado de imágenes, análisis de gráficos y razonamiento matemático visual— y capacidades de uso de ordenador para interactuar con CLI y GUI, ejecutando tareas en Blender, CAD, Unreal Engine, Unity y Godot. Mejora seguimiento de instrucciones, contexto largo y tareas agenticas de horizonte largo.</p>
<p>Benchmarks internos reportan puntuación media 83,18 y tasa de éxito 96,15 % en WorkBuddy (12 escenarios, 9 primeros puestos en mercado chino). En investigación financiera (iRaB) mejora 12,03 puntos porcentuales frente a Preview. La alucinación cae del 12,95 % al 7,2 % y los errores por suposiciones no soportadas bajan del 23,1 % al 5,6 %, indicando salto de fiabilidad relevante para flujos que exigen precisión.</p>
<p>Disponibilidad abarca Tencent Cloud TokenHub, WorkBuddy, CodeBuddy, Yuanbao, WeCom Dayuan, ima y API vía OpenRouter, Hermes y OpenCode. Precio base: 0,90 S$/M tokens entrada, 2,70 US$/M tokens salida, 0,045 US$/M tokens caché; Hy4 Flash próximamente. Promociones: WorkBuddy y CodeBuddy gratis del 4 al 15 de noviembre, TokenHub 50 % dto. hasta 31‑dic‑2026. <a href='https://www.tencent.com/tencent-launches-hy4-joining-the-ranks-of-the-worlds-leading-open-source-ai-models'>Fuente: Tencent</a></p>
<h2>Ciberseguridad por diseño: exclusión de material ofensivo y auditorías</h2>
<p>Hy4 se entrenó con datos defensivos —pruebas de concepto, remediación, ingeniería inversa y pentesting para análisis— excluyendo deliberadamente material ofensivo de explotación. Los laboratorios internos Xuanwu Lab y Keen Security Lab evaluaron el modelo y concluyeron que «no se hallaron preocupaciones significativas sobre capacidades ofensivas en las áreas evaluadas», fijando un estándar de «seguridad defensiva primero».</p>
<p>En bioseguridad, Hy4 muestra conocimiento biológico base sólido, aunque el diseño experimental abierto resulta más limitado que en modelos de frontera. Para CISOs y equipos de seguridad, la recomendación es probar Hy4 en sandbox para ingeniería inversa, análisis de binarios y desarrollo de PoC defensivo, verificando que la exclusión de material ofensivo persiste en fine‑tunes. Los laboratorios solo evaluaron áreas concretas; no certifican ausencia total de riesgo.</p>
<p>Esta estrategia contrasta con la práctica habitual de publicar modelos sin auditoría de capacidades ofensivas. Documentar la cadena de suministro —datos defensivos, auditorías Xuanwu/Keen— permite evidenciar «seguridad por diseño» ante ISO 42001 o EU AI Act, aunque Hy4 no tiene certificación formal; la documentación es responsabilidad del adoptante. Los compradores deben capturar la promoción TokenHub 50 % para pilotos de bajo coste y comparar coste/token frente a alternativas cerradas en cargas reales.</p>
<h2>Implicaciones para infraestructura y gobernanza de IA</h2>
<p>La convergencia revela tendencia dual: grandes actores asumen responsabilidad directa sobre externalidades físicas (OpenAI) y demuestran que la apertura de modelos avanzados no requiere renunciar a salvaguardas de seguridad (Tencent). El Pacto obliga a internalizar costes de red, agua y energía, mientras Hy4 integra visión, uso de ordenador y razonamiento largo sin capacidades ofensivas conocidas.</p>
<p>Para gobernanza de infraestructura, el Blueprint ofrece marco negociable: exigir cláusulas de «pago propio de red», reporte de consumo de agua y ruido, y planes de refrigeración de circuito cerrado. Para gobernanza de modelos, Hy4 eleva la barra para la competencia (Llama, DeepSeek, Qwen) al combinar capacidades agenticas reales con auditoría de seguridad ofensiva, presionando a reguladores a definir líneas base exigibles.</p>
<p>En coste y accesibilidad, precios planos pese a saltos de rendimiento y promociones agresivas aceleran adopción empresarial en Asia y, vía API de terceros, globalmente. Equipos FinOps deben comparar coste/token frente a GPT‑4o o Claude 3.5 en cargas reales, confirmando precios estándar tras la promoción. La futura publicación de pesos y system cards permitirá auditorías independientes que validen rendimiento y seguridad.</p>
<h2>Recomendaciones aplicables para equipos técnicos</h2>
<p>1. Infraestructura/Cloud: evaluar el Compute Campus Policy Blueprint como referencia al negociar colocation o PPA; exigir cláusulas de «pago propio de red» y reporte de agua/ruido. Límite: el Blueprint es propuesta, no ley; su adopción depende de reguladores.</p>
<p>2. CISOs/Seguridad: probar Hy4 en sandbox para ingeniería inversa, análisis de binarios y PoC defensivo; verificar persistencia de exclusión de material ofensivo en fine‑tunes. Condición: laboratorios Xuanwu/Keen solo evaluaron áreas concretas.</p>
<p>3. Desarrolladores de agentes: aprovechar uso de ordenador (CLI/GUI) de Hy4 para automatizar flujos legacy (CI/CD, migración de código, testing en motores de juego) sin exponer claves API propietarias. Límite: benchmarks GameDev/GameLogic son internos; validar en pipelines propios antes de producción. 4. Compras/FinOps: capturar promoción TokenHub 50 % (hasta 31‑dic‑2026) para pilotos; comparar coste/token frente a alternativas cerradas. Condición: precio promocional; confirmar precios estándar post‑promo. 5. Cumplimiento/Normativo: documentar cadena de suministro (datos defensivos, auditorías Xuanwu/Keen) para evidenciar «seguridad por diseño» ante ISO 42001 o EU AI Act. Límite: Hy4 carece de certificación formal; la documentación es responsabilidad del adoptante.</p>
<section class="article-reference">
<h2>Ficha estructurada para consulta y agentes de IA</h2>
<pre><code class="language-json">{
  &quot;format&quot;: &quot;rafael-fuentes-article/1.0&quot;,
  &quot;language&quot;: &quot;es&quot;,
  &quot;title&quot;: &quot;OpenAI publica su Pacto Comunitario y Tencent lanza Hy4 con uso de ordenador&quot;,
  &quot;summary&quot;: &quot;OpenAI establece compromisos locales de energía, agua y empleo; Tencent presenta Hy4, modelo abierto multimodal con visión, uso de ordenador y seguridad defensiva.&quot;,
  &quot;author&quot;: &quot;Rafael Fuentes&quot;,
  &quot;publicationDate&quot;: &quot;2026-11-06T06:01:35.088+01:00&quot;,
  &quot;eventDate&quot;: &quot;2026-11-05&quot;,
  &quot;url&quot;: &quot;https://falifuentes.com/rafael-fuentes-2026-11-06-am-es/&quot;,
  &quot;translation&quot;: {
    &quot;language&quot;: &quot;en&quot;,
    &quot;url&quot;: &quot;https://falifuentes.com/rafael-fuentes-2026-11-06-am-en/&quot;
  },
  &quot;topics&quot;: [
    &quot;Ciberseguridad&quot;,
    &quot;DeepSeek&quot;,
    &quot;Español&quot;,
    &quot;IA&quot;,
    &quot;Inteligencia artificial&quot;,
    &quot;Noticias de Ciberseguridad&quot;,
    &quot;OpenAI&quot;
  ],
  &quot;sources&quot;: [
    &quot;https://openai.com/index/setting-new-standard-responsible-ai-infrastructure&quot;,
    &quot;https://www.tencent.com/tencent-launches-hy4-joining-the-ranks-of-the-worlds-leading-open-source-ai-models&quot;
  ]
}</code></pre>
</section>
</section>
<p>La entrada <a href="https://falifuentes.com/rafael-fuentes-2026-11-06-am-es/">OpenAI publica su Pacto Comunitario y Tencent lanza Hy4 con uso de ordenador</a> se publicó primero en <a href="https://falifuentes.com">Fali Fuentes</a>.</p>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>Optimización del Rendimiento de DeepSeek-R1 en Entornos Locales: Guía Definitiva</title>
		<link>https://falifuentes.com/optimizacion-del-rendimiento-de-deepseek-r1-en-entornos-locales-guia-definitiva/?utm_source=rss&#038;utm_medium=rss&#038;utm_campaign=optimizacion-del-rendimiento-de-deepseek-r1-en-entornos-locales-guia-definitiva</link>
		
		<dc:creator><![CDATA[Rafael Fuentes]]></dc:creator>
		<pubDate>Tue, 28 Jan 2025 20:50:35 +0000</pubDate>
				<category><![CDATA[AI]]></category>
		<category><![CDATA[Artificial Intelligence]]></category>
		<category><![CDATA[DeepSeek]]></category>
		<category><![CDATA[Español]]></category>
		<category><![CDATA[FaliFuentes]]></category>
		<category><![CDATA[IA]]></category>
		<category><![CDATA[Inteligencia artificial]]></category>
		<category><![CDATA[OpenAI]]></category>
		<category><![CDATA[RafaelFuentes]]></category>
		<category><![CDATA[Tecnología]]></category>
		<category><![CDATA[artificial intelligence]]></category>
		<category><![CDATA[GUÍA]]></category>
		<guid isPermaLink="false">https://falifuentes.com/?p=1741</guid>

					<description><![CDATA[<p>Si ya has instalado DeepSeek-R1 en tu entorno local usando [&#8230;]</p>
<p>La entrada <a href="https://falifuentes.com/optimizacion-del-rendimiento-de-deepseek-r1-en-entornos-locales-guia-definitiva/">Optimización del Rendimiento de DeepSeek-R1 en Entornos Locales: Guía Definitiva</a> se publicó primero en <a href="https://falifuentes.com">Fali Fuentes</a>.</p>
]]></description>
										<content:encoded><![CDATA[
    <style>
        .post-content {
            font-family: Arial, sans-serif;
            color: #333;
            max-width: 800px;
            margin: 0 auto;
            padding: 20px;
        }
        .post-content h1, .post-content h2 {
            color: #2c3e50;
        }
        .post-content h1 {
            font-size: 2em;
            margin-bottom: 0.5em;
        }
        .post-content h2 {
            margin-top: 1.5em;
            margin-bottom: 0.5em;
            font-size: 1.5em;
        }
        .post-content p {
            line-height: 1.6;
            margin-bottom: 1em;
        }
        .post-content ul {
            list-style: disc;
            margin-left: 1.5em;
            margin-bottom: 1em;
        }
        .post-content li {
            margin-bottom: 0.5em;
        }
        .code-box {
            background: #ffffff;
            border: 1px solid #e0e0e0;
            border-radius: 4px;
            padding: 15px;
            margin: 20px 0;
            overflow-x: auto;
        }
        .code-box pre {
            margin: 0;
            font-family: 'Courier New', monospace;
            font-size: 14px;
            color: #333;
            line-height: 1.5;
        }
        .code-box code {
            background: none;
            padding: 0;
        }
    </style>
<div class="post-content">
    <h1>Optimización del Rendimiento de DeepSeek-R1 en Entornos Locales: Guía Definitiva</h1>

    <p>
        Si ya has instalado DeepSeek-R1 en tu entorno local usando Ollama, probablemente te hayas dado cuenta de que, 
        aunque es una herramienta poderosa, puede consumir muchos recursos. En este artículo, te mostraré cómo optimizar 
        el rendimiento de DeepSeek-R1 para que funcione de manera más eficiente en tu hardware, sin sacrificar su 
        capacidad de razonamiento avanzado.
    </p>

    <h2>¿Por qué Optimizar DeepSeek-R1?</h2>
    <p>
        DeepSeek-R1 es un modelo de lenguaje de gran escala (LLM) con una arquitectura Mixture of Experts (MoE) que activa 
        solo una fracción de sus parámetros por consulta. Sin embargo, incluso con esta eficiencia, su implementación local 
        puede ser exigente en términos de memoria y procesamiento. Aquí te explico cómo sacarle el máximo provecho:
    </p>

    <h2>1. Cuantización del Modelo</h2>
    <p>
        La cuantización es una técnica que reduce el tamaño del modelo y los requisitos de memoria sin perder mucha 
        precisión. Para DeepSeek-R1, recomiendo usar la cuantización <strong>Q4_K_M</strong>, que reduce el tamaño del 
        modelo de 404GB a solo 98GB.
    </p>
    <div class="code-box">
        <pre><code>ollama run deepseek-r1 --quantize Q4_K_M</code></pre>
    </div>
    <p>Esta técnica es especialmente útil si tienes una GPU con VRAM limitada (por ejemplo, 8GB o 12GB).</p>

    <h2>2. Optimización de Prompts</h2>
    <p>
        La forma en que estructuras tus prompts puede tener un gran impacto en el rendimiento. Aquí tienes algunos consejos:
    </p>
    <ul>
        <li>Usa directivas claras, como <em>«Analiza paso a paso y presenta la respuesta final en \boxed{}»</em>.</li>
        <li>Ajusta la temperatura a un valor entre 0.5 y 0.7 para evitar repeticiones innecesarias.</li>
    </ul>
    <p>
        Estas pequeñas modificaciones pueden mejorar la eficiencia en un 22% según pruebas realizadas en tareas matemáticas.
    </p>

    <h2>3. Uso de Modelos Destilados</h2>
    <p>
        Si tu hardware es limitado, considera usar versiones destiladas de DeepSeek-R1, como el modelo de 7B parámetros. 
        Aunque es más pequeño, conserva más del 90% de la precisión en tareas de programación y razonamiento matemático.
    </p>
    <div class="code-box">
        <pre><code>ollama run deepseek-r1-7b</code></pre>
    </div>
    <p>
        Este modelo requiere solo 4.7GB de VRAM, lo que lo hace ideal para GPUs de gama media.
    </p>

    <h2>4. Aceleración con Bibliotecas Especializadas</h2>
    <p>
        Para maximizar el rendimiento, utiliza bibliotecas como <strong>vLLM</strong> o <strong>SGLang</strong>, que optimizan 
        el paralelismo en GPUs modernas. Estas herramientas pueden aumentar la velocidad de inferencia hasta un 60%.
    </p>
    <div class="code-box">
        <pre><code>pip install vllm</code></pre>
    </div>

    <h2>Resultados de la Optimización</h2>
    <p>
        Tras aplicar estas técnicas, los resultados son impresionantes:
    </p>
    <ul>
        <li><strong>Velocidad de inferencia:</strong> Aumenta de 12.3 tokens/s a 19.8 tokens/s.</li>
        <li><strong>Consumo de VRAM:</strong> Se reduce de 24GB a solo 8GB.</li>
        <li><strong>Precisión:</strong> La pérdida es mínima, manteniendo un 94.5% en tareas de MATH-500.</li>
    </ul>

    <h2>Conclusión</h2>
    <p>
        Optimizar DeepSeek-R1 en entornos locales no solo es posible, sino también necesario para aprovechar al máximo este 
        poderoso modelo de IA. Con técnicas como la cuantización, la optimización de prompts y el uso de modelos destilados, 
        puedes lograr un rendimiento excepcional incluso en hardware modesto.
    </p>
    <p>
        ¿Has probado alguna de estas técnicas? ¡Déjame saber en los comentarios cómo te ha ido!
    </p>

    <h2>Recursos Adicionales</h2>
    <ul>
        <li>
            <a href="https://github.com/deepseek-ai/DeepSeek-R1" target="_blank">
                Repositorio de DeepSeek-R1 en GitHub
            </a>
        </li>
        <li>
            <a href="https://huggingface.co/deepseek-ai" target="_blank">
                Modelos en HuggingFace
            </a>
        </li>
        <li>
            <a href="https://falifuentes.com/guia-definitiva-instalar-deepseek-r1-en-local-con-ollama-facil-y-rapido/" target="_blank">
                Instalar DeepSeek-R1 en Local con Ollama (Fácil y Rápido)
            </a>
        </li>
    </ul>
</div>

<p>La entrada <a href="https://falifuentes.com/optimizacion-del-rendimiento-de-deepseek-r1-en-entornos-locales-guia-definitiva/">Optimización del Rendimiento de DeepSeek-R1 en Entornos Locales: Guía Definitiva</a> se publicó primero en <a href="https://falifuentes.com">Fali Fuentes</a>.</p>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>Guía Definitiva: Instalar DeepSeek-R1 en Local con Ollama (Fácil y Rápido)</title>
		<link>https://falifuentes.com/guia-definitiva-instalar-deepseek-r1-en-local-con-ollama-facil-y-rapido/?utm_source=rss&#038;utm_medium=rss&#038;utm_campaign=guia-definitiva-instalar-deepseek-r1-en-local-con-ollama-facil-y-rapido</link>
		
		<dc:creator><![CDATA[Rafael Fuentes]]></dc:creator>
		<pubDate>Mon, 27 Jan 2025 20:52:14 +0000</pubDate>
				<category><![CDATA[AI]]></category>
		<category><![CDATA[Artificial Intelligence]]></category>
		<category><![CDATA[DeepSeek]]></category>
		<category><![CDATA[Español]]></category>
		<category><![CDATA[FaliFuentes]]></category>
		<category><![CDATA[IA]]></category>
		<category><![CDATA[Inteligencia artificial]]></category>
		<category><![CDATA[Malaga]]></category>
		<category><![CDATA[OpenAI]]></category>
		<category><![CDATA[RafaelFuentes]]></category>
		<category><![CDATA[Tecnología]]></category>
		<category><![CDATA[artificial intelligence]]></category>
		<category><![CDATA[Inteligencia Artificial]]></category>
		<category><![CDATA[Ollama]]></category>
		<guid isPermaLink="false">https://falifuentes.com/?p=1728</guid>

					<description><![CDATA[<p>¿Quieres ejecutar uno de los modelos de IA más potentes del mercado directamente en tu computadora, sin depender de servicios [&#8230;]</p>
<p>La entrada <a href="https://falifuentes.com/guia-definitiva-instalar-deepseek-r1-en-local-con-ollama-facil-y-rapido/">Guía Definitiva: Instalar DeepSeek-R1 en Local con Ollama (Fácil y Rápido)</a> se publicó primero en <a href="https://falifuentes.com">Fali Fuentes</a>.</p>
]]></description>
										<content:encoded><![CDATA[
  <style>
    /* Estilos Modernos */
    .article-header {
      text-align: center;
      margin-bottom: 60px;
    }

    .headline {
      font-size: 2.8rem;
      line-height: 1.1;
      margin: 30px 0;
      font-weight: 700;
      background: linear-gradient(45deg, #2d2d2f, #4285f4);
      -webkit-background-clip: text;
      -webkit-text-fill-color: transparent;
    }

    .specs-grid, .step-grid, .example-grid, .config-grid, .issue-grid {
      display: grid;
      grid-template-columns: repeat(auto-fit, minmax(300px, 1fr));
      gap: 20px;
      margin: 40px 0;
    }

    .spec-card, .step-card, .example-card, .config-card, .issue-card {
      background: #f8f9fa;
      border-radius: 12px;
      padding: 20px;
      transition: transform 0.3s ease, box-shadow 0.3s ease;
    }

    .spec-card:hover, .step-card:hover, .example-card:hover, .config-card:hover, .issue-card:hover {
      transform: translateY(-5px);
      box-shadow: 0 10px 30px rgba(0,0,0,0.1);
    }

    .responsive-table {
      overflow-x: auto;
    }

    .model-comparison {
      width: 100%;
      border-collapse: collapse;
    }

    .model-comparison td, .model-comparison th {
      padding: 1rem;
      text-align: left;
      border-bottom: 1px solid #eee;
    }

    .recommended {
      background-color: #f3f8ff;
      border-left: 3px solid #4285f4;
    }

    /* Diseño Responsivo */
    @media (max-width: 768px) {
      .specs-grid, .step-grid, .example-grid, .config-grid, .issue-grid {
        grid-template-columns: 1fr;
      }

      .headline {
        font-size: 2rem;
      }

      .model-comparison {
        font-size: 14px;
      }

      .model-comparison td, .model-comparison th {
        padding: 0.5rem;
      }

      pre {
        white-space: pre-wrap;
        word-wrap: break-word;
      }
    }
  </style>

  <!-- Introducción -->
  <section class="intro-section">
    <p>¿Quieres ejecutar uno de los modelos de IA más potentes del mercado directamente en tu computadora, sin depender de servicios en la nube? <strong>DeepSeek-R1</strong>, el modelo de razonamiento avanzado de código abierto, promete rendir al nivel de GPT-4o y Claude 3.5, pero con total privacidad y control local. En este tutorial, te mostraré cómo instalarlo en menos de 10 minutos usando Ollama, una herramienta sencilla para gestionar modelos de IA localmente. ¡No necesitas ser un experto!</p>
  </section>

  <!-- Requisitos Previos -->
  <section class="requirements-section">
    <h2 class="section-title">? Qué Necesitas Antes de Empezar</h2>
    <div class="specs-grid">
      <div class="spec-card">
        <div class="spec-icon">?</div>
        <h3>Sistema Operativo</h3>
        <ul class="spec-list">
          <li>Windows 10/11</li>
          <li>macOS (M1/M2/M3 recomendado)</li>
          <li>Linux</li>
        </ul>
      </div>
      <div class="spec-card">
        <div class="spec-icon">⚙️</div>
        <h3>Hardware Mínimo</h3>
        <ul class="spec-list">
          <li><strong>CPU</strong>: Procesador de 4 núcleos (AMD Ryzen 5 o Intel i5 equivalente).</li>
          <li><strong>GPU</strong> (opcional pero recomendada): NVIDIA RTX 3060 (8GB VRAM) para modelos de 8B-14B. Para versiones más grandes (32B-70B), se requiere una GPU potente como RTX 4090 o múltiples GPUs.</li>
          <li><strong>RAM</strong>: 16GB para modelos pequeños (1.5B-8B), 32GB+ para versiones mayores.</li>
          <li><strong>Almacenamiento</strong>: Al menos 12GB libres en el disco (modelos grandes pueden requerir hasta 500GB).</li>
        </ul>
      </div>
    </div>
  </section>

  <!-- Tabla de Modelos -->
  <section class="models-section">
    <h2 class="section-title">?️ Modelos Disponibles y Recursos Requeridos</h2>
    <div class="responsive-table">
      <table class="model-comparison">
        <thead>
          <tr>
            <th>Modelo</th>
            <th>Parámetros</th>
            <th>VRAM Mínima</th>
            <th>Uso Recomendado</th>
          </tr>
        </thead>
        <tbody>
          <tr>
            <td>DeepSeek-R1:1.5b</td>
            <td>1.5B</td>
            <td>3.5GB</td>
            <td>Pruebas rápidas en CPU/GPU básicas</td>
          </tr>
          <tr class="recommended">
            <td>DeepSeek-R1:8b</td>
            <td>8B</td>
            <td>8GB</td>
            <td>Equilibrio entre rendimiento y recursos</td>
          </tr>
          <tr>
            <td>DeepSeek-R1:32b</td>
            <td>32B</td>
            <td>24GB</td>
            <td>Tareas complejas (programación, matemáticas)</td>
          </tr>
        </tbody>
      </table>
    </div>
  </section>

  <!-- Instalación Paso a Paso -->
  <section class="installation-steps">
    <h2 class="section-title">? Instalación Paso a Paso</h2>
    <div class="step-grid">
      <div class="step-card">
        <div class="step-number">1</div>
        <h3>Instalar Ollama</h3>
        <ol>
          <li>Descarga Ollama desde su <a href="https://ollama.com/download">sitio oficial</a> según tu sistema operativo.</li>
          <li>Ejecuta el instalador (en Windows, asegúrate de tener permisos de administrador).</li>
          <li>Verifica la instalación abriendo una terminal y escribiendo:
            <pre><code>ollama --version</code></pre>
            Deberías ver algo como <code>ollama version 0.1.25</code>.</li>
        </ol>
      </div>
      <div class="step-card">
        <div class="step-number">2</div>
        <h3>Descargar DeepSeek-R1</h3>
        <ol>
          <li>En la terminal, ejecuta el comando según el modelo que quieras usar. Por ejemplo, para la versión 8B:
            <pre><code>ollama run deepseek-r1:8b</code></pre>
            Ollama descargará automáticamente los archivos necesarios (¡paciencia, puede tardar!).</li>
          <li>Si prefieres una interfaz gráfica, instala <strong>Open Web UI</strong> con Docker:
            <pre><code>docker run -d -p 3000:8080 --network=host -v ollama:/root/.ollama ghcr.io/open-webui/open-webui:main</code></pre>
            Accede desde <a href="http://localhost:3000">http://localhost:3000</a>.</li>
        </ol>
      </div>
      <div class="step-card">
        <div class="step-number">3</div>
        <h3>Comprobar que Todo Funciona</h3>
        <ol>
          <li>Lista los modelos instalados:
            <pre><code>ollama list</code></pre>
            Deberías ver <code>deepseek-r1:8b</code> en la lista.</li>
          <li>Inicia una conversación:
            <pre><code>ollama run deepseek-r1:8b</code></pre>
            Escribe preguntas como: <em>«Explica la teoría de la relatividad en una frase»</em> o <em>«Escribe un código Python para ordenar una lista»</em>.</li>
        </ol>
      </div>
    </div>
  </section>

  <!-- Ejemplos y Casos de Uso -->
  <section class="examples-section">
    <h2 class="section-title">? Ejemplos Prácticos</h2>
    <div class="example-grid">
      <div class="example-card">
        <h3>Casos de Éxito</h3>
        <ul>
          <li><strong>Resolución de problemas matemáticos</strong>: Usuarios han demostrado que DeepSeek-R1 resuelve problemas del AIME 2024 con un 79.8% de precisión.</li>
          <li><strong>Programación</strong>: Genera código limpio en Python, Go y JavaScript, incluso con manejo de errores.</li>
        </ul>
      </div>
      <div class="example-card">
        <h3>Prompt de Ejemplo</h3>
        <pre><code>Usuario: 
"Demuestra el teorema de Pitágoras usando lógica paso a paso"

DeepSeek-R1:
"Consideremos un triángulo rectángulo con catetos a y b, e hipotenusa c..."</code></pre>
      </div>
    </div>
  </section>

  <!-- Configuración Avanzada -->
  <section class="advanced-config">
    <h2 class="section-title">⚙️ Personalización y Tips para Expertos</h2>
    <div class="config-grid">
      <div class="config-card">
        <h3>Integración con Python</h3>
        <pre><code>import ollama
response = ollama.chat(model='deepseek-r1:8b', messages=[{'role': 'user', 'content': '¿Qué es un agujero negro?'}])
print(response['message']['content'])</code></pre>
      </div>
      <div class="config-card">
        <h3>Aceleración GPU</h3>
        <p>Para NVIDIA, asegúrate de tener los drivers de CUDA instalados. Usa <code>nvidia-smi</code> para monitorear el uso de VRAM.</p>
      </div>
    </div>
  </section>

  <!-- Solución de Problemas -->
  <section class="troubleshooting">
    <h2 class="section-title">⚠️ Errores Comunes y Soluciones</h2>
    <div class="issue-grid">
      <div class="issue-card">
        <h3>Out of Memory</h3>
        <p>Reduce el tamaño del modelo (ej: usa 1.5B en lugar de 8B) o cierra aplicaciones que consuman mucha RAM.</p>
      </div>
      <div class="issue-card">
        <h3>Descargas Lentas</h3>
        <p>Configura un espejo de Ollama con <code>OLLAMA_HOST</code> en tu red local.</p>
      </div>
    </div>
  </section>

  <!-- Conclusión -->
  <section class="conclusion-section">
    <h2 class="section-title">? Conclusión</h2>
    <p>Con Ollama, llevar DeepSeek-R1 a tu máquina local es más fácil que nunca. Ya sea para proyectos de investigación, desarrollo de software o simplemente experimentar con IA avanzada, este modelo ofrece un rendimiento excepcional sin comprometer tu privacidad. ¡Comparte tus resultados en los comentarios!</p>
    <div class="resources">
      <h3>? Recursos Adicionales</h3>
      <ul>
        <li><a href="https://ollama.com/">Sitio Oficial de Ollama</a></li>
        <li><a href="https://www.deepseekr1.org/">Documentación de DeepSeek-R1</a></li>
      </ul>
    </div>
  </section>
<p>La entrada <a href="https://falifuentes.com/guia-definitiva-instalar-deepseek-r1-en-local-con-ollama-facil-y-rapido/">Guía Definitiva: Instalar DeepSeek-R1 en Local con Ollama (Fácil y Rápido)</a> se publicó primero en <a href="https://falifuentes.com">Fali Fuentes</a>.</p>
]]></content:encoded>
					
		
		
			</item>
	</channel>
</rss>
