AI ha entrado en una era del surgimiento de modelos de idiomas grandes y innovadores y modelos multimodales. El desarrollo tiene dos lados, uno con código abierto y el otro es modelos de propiedad. Deepseek-r1un modelo de IA de código abierto desarrollado por Deepseek-AI, una compañía de investigación china, ejemplifica esta tendencia. Su surgimiento ha desafiado el dominio de modelos patentados como el O1 de OpenAi, provocando discusiones sobre la eficiencia de rentabilidad, la innovación de código abierto y el liderazgo tecnológico global en la IA. Vamos a profundizar en el desarrollo, las capacidades y las implicaciones de Deepseek-R1 al compararlo con el sistema O1 de OpenAI, considerando las contribuciones de ambos espacios.
Deepseek-R1 es el gran resultado de los esfuerzos innovadores de Deepseek-AI en LLM de código abierto para mejorar las capacidades de razonamiento a través del aprendizaje de refuerzo (RL). El desarrollo del modelo se aparta significativamente de los métodos tradicionales de capacitación de IA que dependen en gran medida del ajuste fino supervisado (SFT). En su lugar, Deepseek-R1 emplea una tubería de varias etapas que combina datos en frío, RL y datos supervisados para crear un modelo capaz de razonamiento avanzado.
Deepseek-R1 aprovecha un proceso único de capacitación en varias etapas para lograr capacidades de razonamiento avanzado. Se basa en su predecesor, Deepseek-R1-Zero, que empleó a Pure RL sin depender de SFT. Si bien Deepseek-R1-Zero demostró capacidades notables en los puntos de referencia de razonamiento, enfrentó desafíos como la mala legibilidad e inconsistencias del lenguaje. Deepseek-r1 adoptó un enfoque más estructurado para abordar estas limitaciones, integrando Datos de arranque en frío, RL orientado al razonamiento y SFT.
El desarrollo comenzó con la recolección de miles de ejemplos de alta calidad de largas cadenas de pensamiento (COT), una base para ajustar el modelo de base profunda-V3. Esta fase de arranque en frío enfatizó la legibilidad y la coherencia, asegurando que las salidas fueran fáciles de usar. El modelo se sometió a un proceso RL orientado al razonamiento utilizando la optimización de políticas relativas del grupo (GRPO). Este algoritmo innovador mejora la eficiencia del aprendizaje al estimar las recompensas en función de los puntajes grupales en lugar de usar un modelo crítico tradicional. Esta etapa mejoró significativamente las capacidades de razonamiento del modelo, particularmente en las tareas matemáticas, codificación y lógica intensiva. Después de la convergencia de RL, Deepseek-R1 se sometió a SFT utilizando un conjunto de datos de aproximadamente 800,000 muestras, incluidas las tareas de razonamiento y no conductores. Este proceso amplió las capacidades de uso general del modelo y mejoró su rendimiento en los puntos de referencia. Además, las capacidades de razonamiento se destilaron en modelos más pequeños, como Qwen y Llama, lo que permite el despliegue de IA de alto rendimiento en formas computacionalmente eficientes.
Deepseek-R1 se ha establecido como un modelo de IA formidable, sobresaliendo en puntos de referencia en múltiples dominios. Algunos de sus puntos destacados de rendimiento clave incluyen:
Los modelos O1 de OpenAI son conocidos por sus habilidades de razonamiento de vanguardia y resolución de problemas. Se desarrollaron enfocándose en SFT y RL a gran escala para refinar sus capacidades de razonamiento. La serie O1 se destaca en el razonamiento COT, que implica desglosar tareas complejas y detalladas en pasos manejables. Este enfoque ha llevado a un rendimiento excepcional de matemáticas, codificación y razonamiento científico.
Una fortaleza principal de la serie O1 es su enfoque en la seguridad y el cumplimiento. OpenAI ha implementado rigurosos protocolos de seguridad, incluidos ejercicios externos de equipo rojo y evaluaciones éticas, para minimizar los riesgos asociados con los resultados nocivos. Estas medidas aseguran que los modelos se alineen con las pautas éticas, lo que los hace adecuados para aplicaciones de alto riesgo. Además, la serie O1 es altamente adaptable, sobresaliendo en diversas aplicaciones que van desde la escritura creativa y la IA conversacional hasta la resolución de problemas de múltiples pasos.
La aparición de Deepseek-R1 ha reavivado el debate sobre los méritos del desarrollo de IA de código abierto versus IA patentado. Los defensores de los modelos de código abierto argumentan que aceleran la innovación al agrupar la experiencia y los recursos colectivos. Además, promueven la transparencia, que es vital para la implementación ética de IA. Por otro lado, los modelos propietarios a menudo reclaman un rendimiento superior debido a su acceso a datos y recursos patentados. La competencia entre estos dos paradigmas representa un microcosmos de los desafíos más amplios en el panorama de la IA: equilibrar la innovación, la gestión de costos, la accesibilidad y las consideraciones éticas. Después del lanzamiento de Deepseek-R1, Marc Andreessen tuiteó en X, “Deepseek R1 es uno de los avances más sorprendentes e impresionantes que he visto, y como código abierto, un regalo profundo para el mundo”.
La aparición de Deepseek-R1 marca un momento transformador para la industria de IA de código abierto. Su naturaleza de código abierto, su rentabilidad y capacidades de razonamiento avanzado desafían el dominio de los sistemas propietarios y redefinen las posibilidades de innovación de IA. En paralelo, los modelos O1 de OpenAI establecen puntos de referencia de seguridad y capacidad general. Juntos, estos modelos reflejan la naturaleza dinámica y competitiva del panorama de IA.
Además, no olvides seguirnos Gorjeo y únete a nuestro Canal de telegrama y LinkedIn GRsalpicar. No olvides unirte a nuestro 70k+ ml de subreddit.
[Recommended Read] Nebius AI Studio se expande con modelos de visión, nuevos modelos de idiomas, incrustaciones y Lora (Promocionado)
Sana Hassan, una pasante de consultoría en MarktechPost y estudiante de doble grado en IIT Madras, le apasiona aplicar tecnología e IA para abordar los desafíos del mundo real. Con un gran interés en resolver problemas prácticos, aporta una nueva perspectiva a la intersección de la IA y las soluciones de la vida real.
Conoce ‘altura’: la única herramienta de gestión de proyectos autónomos (patrocinada)
El Draft de la NFL es una de las noches más grandes del año para los fanáticos del fútbol y los equipos por igual, ya que los comisionados se preparan para mejorar sus escuadrones para la temporada 2025.
Soy un gran fanático de la NFL, y he sido desde que viví en los Estados Unidos a principios de los 20 años. Dicho esto, nunca he prestado mucha atención al Draft de la NFL, a pesar de su importancia.
Si todavía solo está copiando las indicaciones para pasar a ChatGPT para escribir una copia de anuncios, se está perdiendo la oportunidad real: usar la API CHATGPT para automatizar tareas repetitivas y que llevan mucho tiempo dentro de su flujo de trabajo de Google Ads.
En mi agencia, hemos utilizado GPT-4O en scripts, hojas de Google y aplicaciones personalizadas para resolver problemas reales, desde la limpieza de alimentos de compras para buscar auditorías de residuos a términos hasta revisiones de rendimiento en cuentas enteras.
Este artículo le muestra cómo configurar la API, usarla de manera segura y eficiente, y aplicarlo a flujos de trabajo PPC de alto impacto.
Para usar GPT en sus propios scripts o aplicaciones, necesitará acceso a la API de OpenAI. Esto no es lo mismo que usar CHATGPT en un navegador: la API le brinda un control programático directo.
Aquí está cómo comenzar:
Su clave API es privada y sensible. Cualquier persona con acceso puede usar el saldo de su cuenta, así que trátelo como una contraseña.
La API de ChatGPT es de pago por uso. Al momento de escribir, GPT-4O (el modelo más rápido y rentable) cuesta:
1,000 tokens son aproximadamente 750 palabras de entrada/salida combinadas. La mayoría de las indicaciones simples cuestan menos de $ 0.01 por llamada.
Para las pruebas:
DIVE MÁS: 4 formas de conectar sus datos de anuncios a una IA generativa para PPC más inteligente
Puede llamar a la API desde diferentes entornos dependiendo de su nivel de comodidad y flujo de trabajo:
| Herramienta | Mejor para | Dificultad |
| Script de Google Apps | Informes basados en hojas, trabajo de alimentación | Principiante |
| Pitón | Lógica de auditoría, generación de informes | Intermedio |
| Nodo.js | Aplicaciones web, paneles, lotes asíncronos | Avanzado |
| Con más zapas | Integraciones GPT livianas (sin código) | Principiante |
Si está trabajando en los anuncios de Google y tirando datos en hojas, el script de aplicaciones es un punto de entrada fácil.
Aquí hay una implementación básica de llamar a GPT-4O desde Google Sheets:
]
function callChatGPT(prompt)
const apiKey = 'sk-...'; // Your API key
const url="https://api.openai.com/v1/chat/completions";
const payload =
model: 'gpt-4o',
messages: [
role: 'system', content: 'You are a Google Ads expert.' ,
role: 'user', content: prompt
],
temperature: 0.3
;
const options =
method: 'post',
contentType: 'application/json',
headers:
Authorization: 'Bearer ' + apiKey
,
payload: JSON.stringify(payload)
;
const response = UrlFetchApp.fetch(url, options);
const json = JSON.parse(response.getContentText());
return json.choices[0].message.content;
Luego en una celda:
=callChatGPT("Analyze Nike's top 50 non-converting search terms from Performance Max")
DIG MÁS: Aprovechando la IA generativa en los scripts de anuncios para la optimización de anuncios de Google
Obtenga la búsqueda del boletín en los que los especialistas en marketing confíen.
Para mantener las cosas funcionando sin problemas (y de manera rentable), siga estos consejos:
Para demostrar cómo funciona esto en la práctica, recorreré algunos casos de uso real usando Nike como ejemplo ilustrativo.
Para mayor claridad, no estoy afiliado a Nike, y estos ejemplos son hipotéticos.
Se utilizan para mostrar cómo se aplican estas técnicas a las cuentas de anuncios de Google de nivel empresarial con grandes catálogos de productos y campañas de alto volumen.
Caso de uso 1: Optimización de la alimentación de compras
La alimentación del producto de Nike es enorme: zapatos, ropa, equipo, accesorios, todo en docenas de variantes.
Los títulos de productos que no están bien estructurados pueden provocar poca visibilidad o impresiones irrelevantes.
Usando GPT-4O, puede reescribir los títulos de productos a escala utilizando esta estructura:
Reescribir el título del producto para incluir género, tipo de producto, función principal y marca. Formato como: [Gender] [Product Type] with [Feature] | Nike.
Ejecutamos este flujo de trabajo en las hojas de Google usando GPT a través del script APPS.
Los títulos de salida fueron más alineados con palabras clave, más descriptivas y se desempeñaron mejor en los anuncios de compras, aumentando el CTR y mejorar la relevancia del partido.
Caso de uso 2: Búsqueda de auditoría de residuos de término en el rendimiento Max
Las campañas de rendimiento de Nike Max generan grandes volúmenes de datos de términos de búsqueda, gran parte de ellos irrelevante.
Revisarlo manualmente es ineficiente e inconsistente.
Nuestro enfoque:
Ejemplo indicador:
Salida GPT:
Utilizamos esta salida para generar ideas de palabras clave negativas, refinar la orientación y crear alertas semanales si los desechos pasa un umbral.
DIG más: cómo la IA realiza auditorías de búsqueda pagas más rápido y mejor
Caso de uso 3: Automatización de auditoría de Google ADS para campañas de la marca Nike
Hemos creado una herramienta que combina la API de Google ADS con GPT-4O para ejecutar auditorías de cuenta completa.
En el caso de Nike, utilizamos GPT para interpretar las banderas de rendimiento extraídas de las consultas de API como:
Ejemplo indicador:
Respuesta GPT:
Esta salida se agrega directamente a un mazo de diapositivas de Google utilizada para revisiones internas y QBR de clientes.
ChatGPT no es solo un asistente de escritura, es un motor de automatización.
La clave no es pedirle a GPT que haga su trabajo.
La clave es conectar GPT a los lugares donde la repetición te ralentiza:
No necesita ser un desarrollador para usar la API. El script y las hojas de Google Apps son lo suficientemente potentes como para ejecutar flujos de trabajo reales hoy.
Una vez que vea los ahorros de tiempo, y la calidad de las salidas GPT-4O cuando se estructura correctamente, es difícil volver.
DIGER MÁS: Top Tools and Tactics que debe usar en PPC
Se invita a los autores contribuyentes a crear contenido para el terreno de los motores de búsqueda y se eligen por su experiencia y contribución a la comunidad de búsqueda. Nuestros contribuyentes trabajan bajo la supervisión del personal editorial y las contribuciones se verifican en busca de calidad y relevancia para nuestros lectores. Las opiniones que expresan son propias.
Remove.bg: La Revolución en la Edición de Imágenes que Debes Conocer
Cómo Comenzar a Utilizar ChatGPT: Una Guía Completa para Principiantes
Cómo Empezar con Popai.pro: Tu Espacio Personal de IA – Guía Completa, Instalación, Versiones y Precios
Startups de IA en EE.UU. que han recaudado más de $100M en 2024
Deepgram: Revolucionando el Reconocimiento de Voz con IA
Perplexity aplicado al Marketing Digital y Estrategias SEO
Suno.com: La Revolución en la Creación Musical con Inteligencia Artificial
Curso de Inteligencia Artificial de UC Berkeley estratégico para negocios
Inside the OpenAI-DeepSeek Distillation Saga & Alibaba’s Most Powerful AI Model Qwen2.5-Max
De ChatGPT a mil millones de agentes
