DeepSeek: mode Cerca vs Pensament Profund (R1)

Si t'interessa saber quan convé que DeepSeek navegui per la web i quan val la pena que es prengui el seu temps per raonar, aquí trobaràs una guia completa i molt pràctica. Al llarg del text veuràs com funcionen les seves dues grans maneres, el de cerca a Internet i el de pensament profund , a més d'un repàs als seus models, trucs útils i les maneres d'usar-lo a mòbil, web o al teu propi PC.

DeepSeek ha irromput amb força com a alternativa oberta i gratuïta davant d'altres gegants. No només ofereix un chatbot accessible per a qualsevol, també permet córrer els models en local i activar una manera de raonament pas a pas (DeepThink R1) per a preguntes difícils. En aquestes línies condensem tot el que necessites per esprémer-ho, amb un focus clar en la comparativa entre els seus modes de cerca i de pensament profund.

Mode Cerca vs Pensament Profund: en què es diferencien

La vista general és senzilla: quan actives l'opció Buscar, obligues la IA a consultar la web i citar fonts, com ara la cerca semàntica ; quan actives Pensament profund (R1), el sistema dedica més còmput a desglossar la teva petició i resoldre-la amb lògica de múltiples passes. A la pràctica, tots dos no es combinen alhora: el pensament profund no funciona al costat de la cerca online , però sí amb documents que adjuntis.

El mode de cerca és útil per a contingut canviant (notícies, dades en temps real, pàgines recents) i, quan funciona correctament, presenta enllaços i context actualitzat . Això sí, no sempre encerta; diversos usuaris han observat que de vegades falla o no troba allò esperat, per la qual cosa convé revisar-ho.

El pensament profund, per la seva banda, utilitza el model de raonament R1. Aquesta manera imita un procés humà: analitza, contrasta hipòtesis i pren decisions pas a pas. Veuràs que, abans de la resposta final, l'eina mostra la cadena de raonament, sovint en anglès (encara que de vegades pensa en espanyol). Es pot activar en qualsevol moment del xat i no té cost addicional al servei oficial actual.

En resum operatiu: utilitza Cerca per a informació viva i verificable a la xarxa; utilitza Pensament profund quan t'enfrontes a reptes complexos de lògica, matemàtiques, programació o anàlisi , on el model necessita “aturar-se a pensar”.

Què és DeepSeek i per què està en boca de tothom

DeepSeek és el nom de la companyia xinesa i també del mateix chatbot. La firma ha optat per obrir el codi dels seus models, cosa que descol·loca la competència i redueix la barrera d'entrada per a investigadors, empreses i usuaris. La transparència, la possibilitat d'ús local i la gratuïtat del chatbot són els seus grans reclams davant d'opcions de pagament i més tancades.

La casa treballa en dues línies principals: un model de propòsit general (V3) i un model de raonament (R1). V3 conversa amb soltesa i redacta molt bé; R1 destaca quan la dificultat puja i cal filar fi amb lògica, matemàtiques o desenvolupament. Tots dos estan disponibles a l'app ia la web , i R1 s'activa mitjançant el botó de pensament profund (DeepThink).

Comparat amb altres gegants, DeepSeek respon directe i al gra, encara que pots demanar explicacions llargues o adaptades al teu nivell. En el pla econòmic i operatiu, s'han publicat xifres cridaneres sobre cost d'entrenament i preu per tokens, però convé matisar-les: alguns analistes assenyalen que la xifra real de l'entrenament no és pública , així que pren-ho com a orientatiu.

Així funciona el pensament profund (DeepThink R1)

R1 neix d'un enfocament molt particular: aprenentatge per reforç a gran escala, amb etapes prèvies on el model genera i avalua les traces d'inferència (R1‑Zero). Aquest mètode potencia la seva capacitat d' autoanalitzar passos de raonament i autocorregir-se , millorant molt en àrees com a matemàtiques, lògica i codi.

Quan activeu el botó de pensament profund, R1 es pren més temps abans de tornar el resultat final. Durant aquest lapse genera una cadena de pensament visible, gairebé com una conversa amb si mateix, en què explora vies i descarta errors. La sensació és semblant al nostre «sistema 2» (pensar a poc a poc) de què parla Kahneman: deliberació abans de respondre.

Una actualització assenyalada de l'ecosistema R1, identificada a la documentació com a R1‑0528, apunta millores de rendiment i estabilitat: més profunditat en el raonament, increment de tokens disponibles per problema, menys al·lucinacions i millor suport per a sortides estructurades (JSON i trucades a funcions). En proves públiques, s'han reportat avenços en benchmarks exigents , destacant especialment en matemàtiques i programació.

Punts molt pràctics que has de recordar sobre aquesta manera: no cal obrir un xat nou per fer-lo servir; pots activar-ho quan vulguis i demanar-li «pensa-ho millor». A més, funciona molt bé amb documents adjunts per a anàlisi profunda, però no es combina amb la cerca a Internet.

El mode de cerca a Internet: quan fer-lo servir i què esperar

La cerca a DeepSeek s'activa marcant l'opció Cerca just sota el camp de text. Llavors l'assistent rastreja continguts web, aporta enllaços i cita informació recent. És especialment útil per actualitzar dades o contrastar fonts quan la vostra pregunta no es resol amb coneixement estàtic del model.

Tot i així, convé entrar amb expectatives realistes: hi ha casos en què l'eina no completa la cerca o no troba resultats satisfactoris. En aquests escenaris, és bona idea replantejar la consulta amb més context o preguntar de manera més concreta, fins i tot demanant que resumeixi primer i ampliï després.

Un truc útil és combinar fases: comença amb Cerca per obtenir enllaços i panoràmica actual, ia continuació desactiva la cerca i activa Pensament profund perquè R1 organitzi la informació, detecti contradiccions i proposi conclusions més sòlides sobre el material ja reunit.

Recorda, a més, que la cerca en línia no s'aplica quan puges fitxers. Si el vostre cas gira al voltant d'un PDF , un DOCX o un full de càlcul, R1 pot raonar directament sobre el contingut adjunt sense sortir a Internet.

V3 o R1: quin model triar per a cada tasca

DeepSeek‑V3 és el teu comodí per a converses naturals, redacció, traducció i tasques generals de llenguatge. Si el que vols és fluïdesa i estil, és una elecció segura. En canvi, quan la situació exigeix ​​deduccions encadenades, lògica o programació , el model R1 brilla pel procés de pensament estructurat.

En comparatives de comunitat i laboratoris independents s'ha vist V3 competir bé amb models propietaris en redacció i R1 igualar o superar referències occidentals en matemàtiques i codi en certes proves, i en articles sobre la millor IA per a cada tasca . A més, s'han compartit números que apunten a costos operatius molt baixos, tant en entrenament com a tokens. Com assenyalàvem abans, hi ha afirmacions que no es poden verificar del tot , però la tendència a l'eficiència és clara.

Si dubtes, una estratègia conservadora és començar amb V3 per a un primer esborrany o una explicació base i després demanar a R1 que pensi sobre aquesta sortida, buscant errors lògics, buits argumentals o millores d'estructura . Aquesta combinació acostuma a donar resultats molt sòlids.

Puja arxius, fes servir OCR i deixa que la IA treballi per tu

Al mòbil ia la web pots adjuntar documents. DeepSeek extreu i analitza'n el contingut per respondre les teves preguntes. Amb imatges, ara com ara el suport es basa en OCR: extreu el text embegut, però no fa una comprensió visual completa del contingut . Això podria canviar amb l'arribada i la integració de models multimodals, però de moment aquesta és la limitació.

Per aprofitar-ho de debò, planteja objectius clars: «Resumeix el document en cinc claus», «Contrasta els arguments i suggereix millores» o «Detecta possibles errors de càlcul». Si vols elevar el llistó, activa R1 i demana un raonament pas a pas sobre la informació del fitxer.

Si treballeu amb Excel o CSV, l'assistent us pot ajudar a preparar consultes, transformar dades i desglossar resultats. És útil demanar-li que expliqui quina fórmula ha triat i per què , així entendràs el criteri i podràs replicar-ho.

Si treballeu amb Excel o CSV, l'assistent us pot ajudar a preparar consultes, transformar dades i desglossar resultats. És útil demanar-li que expliqui quina fórmula ha triat i per què.

Finalment, recorda que en adjuntar contingut sensible convé extremar precaucions. Més avall veuràs recomanacions de privadesa, una cosa especialment rellevant en entorns professionals o amb dades personals.

Edició, regeneració i organització de xats

DeepSeek permet editar els teus propis missatges: manteniu premut el text (en mòbil) o utilitzeu les opcions del xat per corregir un prompt que no va funcionar. La conversa ramifica a partir d'aquest punt per comparar respostes amb facilitat.

També podeu regenerar qualsevol sortida. Atès que el prompt original no canvia, el resultat sol ser semblant, però amb variacions que de vegades aporten matisos millors. Explorar versions és ideal quan cerques el to o l'estructura justa.

Pel que fa a organització, encara que avui no hi ha carpetes, reanomenar amb emojis funciona sorprenentment bé. Etiquetes visuals com 📚, 💼 o 🧪 ajuden a detectar xats destudi, treball o proves. A més, pots esborrar converses soltes o totes alhora des de paràmetres.

Si en algun moment decidiu tancar el vostre perfil, l'app ofereix una opció directa per eliminar el compte. El procés és simple, encara que la companyia pot conservar certes dades mínimes segons la política. És recomanable revisar-la abans si us preocupa la retenció d'informació.

Idiomes i interfície: web i mòbil

La versió web de DeepSeek està disponible en anglès i xinès, mentres que l'app mòbil ofereix més idiomes, inclòs espanyol. De fet, a regions bilingües hi ha suport per a basc i català a Android i iOS , i gallec a iOS. És una de les apps amb més idiomes disponibles que s'han vist últimament a iPhone.

Si preferiu no instal·lar res, el navegador us estalvia espai i us permet ancorar accés directe a l'escriptori. Totes les converses se sincronitzen, així que pots saltar del mòbil a l'ordinador sense perdre el fil. En moments d'alta demanda, és possible que veieu avisos de saturació o incidències puntuals.

Quatre maneres de fer servir DeepSeek: app, web, local i API

La manera més còmoda per a la majoria és l'app d'Android o iOS: ofereix tots els models i funcions sense quota. El servei web és pràcticament idèntic i et treu el compromís en qualsevol dispositiu amb navegador. Tots dos requereixen compte gratuït i guarden l'historial; si vols més detalls sobre l' app de DeepSeek a Android trobaràs comparatives específiques.

Si la privadesa és la teva prioritat, pots executar models en local amb eines com Ollama. Instal·lar R1 a Windows , macOS (Apple Silicon) o Linux és factible (consulta què es pot fer amb l' app de DeepSeek a Windows 11 ). La contrapartida és clara: no hi ha cerca a Internet i necessites bona potència per gaudir de tota la performance. A més, els models locals solen cometre més errors en dades concretes si no els portes tu.

Per integrar DeepSeek en productes propis, hi ha l'API oficial. S'han esmentat tarifes especialment baixes per milió de tokens de raonament i costos «des de 0,014 dòlars» per milió en algunes referències de l'ecosistema. El detall exacte depèn del proveïdor i del pla vigent . Plataformes com CometAPI ofereixen un accés unificat a múltiples models (inclòs deepseek‑r1‑0528), amb preus competitius i playground per a proves.

Consells pràctics: aconsegueix respostes millors

No et quedis amb la primera resposta si no et convenç. Demana una reformulació, exigeix ​​que enumeri supòsits i que verifiqui els passos un per un . Amb R1 actiu, aquesta insistència es tradueix en cadenes de raonament més útils i menys propenses a errors lògics.

Refina per etapes: sol·licita primer un esquema, després el desenvolupament, després la revisió crítica. En mode de cerca, demana que l'assistent distingeixi entre fets, opinió i especulació , i que ofereixi enllaços contrastats. Quan tanquis la cerca, activa R1 per a una anàlisi més profunda sobre el que s'ha trobat.

Si programes, aprofita'l com a assistent de codi: genera funcions, demana proves unitàries i sol·licita millores de complexitat, i compara'l amb guies sobre la millor IA per programar . Demana que justifiqui l'elecció d'estructures, patrons o algorismes . Si apareix un error, enganxa el stack trace i pregunta per hipòtesis de causa i solucions ordenades.

Per escriure millor, fes servir el reformulador: que simplifiqui, escurci o adapti el to. Si estudies, converteix el contingut en targetes de memòria o explicacions pas a pas. Dóna exemples concrets del que esperes i la IA et seguirà millor.

Integracions i ecosistema: GitMind i CometAPI

Algunes eines de tercers ja integren els models de DeepSeek. GitMind, per exemple, permet escollir V3 o R1 per a converses més fluides o centrades en raonament. Això facilita sessions de pluja d'idees, investigació i resolució de problemes amb el model idoni per a cada cas.

Al pla de desenvolupament, CometAPI unifica l'accés a més de 500 models en una sola interfície. El catàleg inclou l'endpoint deepseek‑r1‑0528, amb documentació i playground per a proves. Si busques anar ràpid, controlar costos i no casar-te amb un únic proveïdor, aquest tipus de passarel·la multi-model et pot estalviar molta feina.

Privadesa, censura i ús responsable

DeepSeek manté els seus servidors a la Xina. Per prudència, evita pujar documents corporatius, resultats mèdics o altra informació sensible si no executaràs el model en local. En entorns crítics, la via offline és la més segura perquè les dades mai no surten del teu equip.

A la versió en línia gratuïta poden existir límits temàtics coherents amb la normativa del país d'origen, especialment en qüestions polítiques i geopolítiques. Això no afecta els models descarregats i executats al vostre ordinador, on no s'apliquen aquestes restriccions . És un altre motiu per valorar lús local si la llibertat de consulta és clau en la teva activitat.

Rendiment, costos i avenços tècnics

La narrativa pública al voltant de DeepSeek ressalta dues idees: rendiment alt i costos molt baixos. S?han difós xifres que comparen preus per milió de tokens i pressupostos d?entrenament molt per sota d?altres cases. No tot es pot verificar al detall, però la combinació de bon exercici i obertura del codi ja és un fet, i explica bona part de l'impacte.

En l'evolució recent del raonament, R1‑0528 ha sumat millores tangibles: més profunditat de còmput per problema, reducció notable d'al·lucinacions en tasques com a resum o reescriptura, i un suport més sòlid per a sortides estructurades (JSON) i trucades a funcions, cosa que obre portes a integracions robustes.

També s'ha treballat en destil·lació cap a models més petits (per exemple, famílies de 8B paràmetres) amb rendiments propers a proves concretes de matemàtiques. Aquesta estratègia apropa capacitats de raonament a maquinari més modest, amb latències i costos factibles per a equips petits o desplegaments encastats.

Com a context històric, no és la primera vegada que veiem un salt qualitatiu a «pensar abans de respondre». AlphaGo ja ens va mostrar el 2016 com un sistema podia sorprendre amb decisions brillants després d'explorar l'espai de joc amb profunditat. R1 porta aquesta idea al llenguatge ia la resolució de problemes generals , democratitzant-la en un chatbot accessible i, a més, obert.

Amb tot això, la foto final és clara: si vols informació viva i traçable, fes servir el mode Cerca; si necessites arguments sòlids i cadenes lògiques, activa el pensament profund. Alterna tots dos segons ho requereixi la tasca i recolza't en arxius, edició de missatges i regeneracions per polir el resultat fins a deixar-lo a la teva mida.