DeepSeek y Qwen para la tesis en 2026: ¿sirven los modelos abiertos?

En enero de 2026, DeepSeek-R1 sacudió el mercado de la IA al demostrar que un modelo de código abierto entrenado con una fracción del presupuesto de GPT-4 podía alcanzar resultados comparables en benchmarks de razonamiento. Para los estudiantes universitarios con presupuesto ajustado, la pregunta inmediata fue: ¿sirve DeepSeek para tesis universitaria? ¿Y qué hay de Qwen, el modelo abierto de Alibaba que compite en la misma categoría? Esta comparativa analiza ambos modelos con criterios académicos concretos, no con benchmarks de laboratorio.

La respuesta corta es que sí sirven, con condiciones específicas. La respuesta larga requiere entender qué hacen bien, en qué fallan y cuándo compensa usarlos en lugar de —o junto a— herramientas especializadas como Tesify.

Tabla comparativa: DeepSeek vs Qwen vs modelos de referencia 2026

DeepSeek en 2026: qué versión usar y para qué

DeepSeek ofrece en 2026 dos modelos principales de interés para estudiantes: DeepSeek-V3, un modelo conversacional de propósito general con capacidades multilingües sólidas, y DeepSeek-R1, un modelo de razonamiento que expone su cadena de pensamiento antes de dar la respuesta final. La distinción es importante para el uso académico.

DeepSeek-V3 es la opción cotidiana: responde rápido, escribe bien en español y puede ayudar a reformular párrafos, generar esquemas de capítulos, reescribir secciones con un tono más formal o revisar la coherencia de un argumento. En tareas de redacción académica general, su calidad es comparable a GPT-4o para un estudiante de grado.

DeepSeek-R1 brilla en problemas que requieren razonamiento paso a paso: interpretación de resultados estadísticos, resolución de problemas matemáticos, depuración de código en Python o R para el análisis de datos. Su “cadena de pensamiento” visible —los pasos intermedios antes de la respuesta— es pedagógicamente interesante porque te permite ver cómo razona el modelo y detectar si se equivoca en algún paso. Para trabajar con análisis estadísticos de tu TFG, el artículo correlación de Pearson vs Spearman en el TFG y el de ANOVA de un factor: ejemplo e interpretación ofrecen el contexto estadístico en el que puedes pedir ayuda a DeepSeek-R1.

La interfaz web de DeepSeek.com es gratuita y no requiere registro para consultas básicas. La API tiene uno de los precios más bajos del mercado, lo que la hace atractiva para desarrolladores que construyen herramientas académicas sobre ella.

Qwen en 2026: el modelo abierto de Alibaba

Qwen (pronunciado “chuen”) es la familia de modelos de lenguaje de Alibaba, distribuida bajo licencia Apache 2.0 desde su versión 2.5. En 2026, Qwen2.5 ha consolidado su posición como uno de los mejores modelos abiertos para tareas de comprensión y generación de texto largo, con una ventana de contexto de 128K tokens que permite procesar documentos académicos extensos de una sola vez.

Para el uso en TFG y tesis, Qwen destaca especialmente en síntesis de documentos largos: si le proporcionas el texto completo de varios artículos académicos (dentro del límite de contexto), puede comparar enfoques metodológicos, identificar contradicciones entre estudios y extraer las conclusiones principales con bastante fiabilidad. Esta capacidad lo sitúa en un punto intermedio entre un modelo de chat genérico y herramientas especializadas como NotebookLM.

Qwen también tiene buenos resultados en tareas multilingües con énfasis en chino y español, lo que es relevante si tu tesis trabaja con literatura académica en ambos idiomas o si necesitas traducir fragmentos de artículos para incorporarlos a tu marco teórico. Si te estás planteando qué herramienta elegir para cada fase de tu trabajo, el artículo sobre software estadístico para estudiantes de TFG según cuota de uso en 2026 complementa esta comparativa con datos reales sobre adopción entre universitarios españoles.

Casos de uso reales en TFG y tesis

Estos son los casos donde los modelos abiertos aportan valor real en el proceso de elaboración de un TFG o tesis, basados en el uso habitual reportado por estudiantes:

• Reescribir párrafos con nivel académico: Pegar un párrafo escrito de forma informal y pedir una reformulación con vocabulario académico. DeepSeek y Qwen hacen esto bien.
• Generar un esquema inicial de un capítulo: Dada la pregunta de investigación y los objetivos, pedir una estructura propuesta para el capítulo de metodología o discusión. Útil como punto de partida, no como producto final.
• Depurar código de análisis estadístico: Si tienes un error en R o Python que procesa tus datos, DeepSeek-R1 tiene muy buena capacidad de identificar el problema y proponer solución.
• Traducir fragmentos de artículos: Para incorporar citas de artículos en inglés a tu texto. Hay que verificar la precisión terminológica en el campo específico.
• Reformular la conclusión o discusión: Para eliminar repeticiones o mejorar la cohesión de un capítulo ya redactado.

Limitaciones académicas que importan

Hay tres limitaciones críticas que debes tener claras antes de incorporar DeepSeek o Qwen a tu flujo de trabajo académico.

1. No generan citas bibliográficas fiables. Todos los LLMs de propósito general —DeepSeek, Qwen, GPT, Claude— alucinan referencias bibliográficas con regularidad: inventan autores, títulos plausibles o DOI inexistentes. Esta limitación es estructural, no una versión con bug: los modelos aprenden a predecir texto probable, y las referencias académicas tienen patrones predecibles que el modelo puede imitar aunque la referencia no exista. Para citas, usa siempre Zotero, Mendeley o Tesify. El blog académico Universo Abierto analiza en detalle estas recomendaciones para el uso ético de la IA generativa en escritura académica, con orientaciones específicas sobre transparencia y verificación.

2. No conocen el contexto institucional español. Las normativas específicas de la ANECA, los reglamentos de TFG de cada universidad, los plazos de defensa o los criterios de evaluación de la CRUE son información que estos modelos conocen de forma superficial o desactualizada. Para cuestiones de procedimiento académico español, consulta siempre las fuentes institucionales directas.

3. No verifican sus propias afirmaciones. Si preguntas “¿qué dice el autor X sobre el concepto Y?”, el modelo generará una respuesta plausible basada en su entrenamiento, que puede ser incorrecta o imprecisa. Toda afirmación sobre el contenido de fuentes académicas debe verificarse en el texto original. Más información sobre cómo citar correctamente el contenido generado por IA en el artículo de Citar contenido de Inteligencia Artificial (GMedrano TIC, 2026).

Estas limitaciones también se aplican a GPT-4o y Claude Sonnet, no son exclusivas de los modelos abiertos. La diferencia está en que herramientas especializadas como Tesify están diseñadas para mitigar estas limitaciones dentro de un flujo académico controlado. El artículo sobre cómo demostrar que no usaste IA si te acusan en falso explica también la importancia de mantener un registro de las herramientas usadas durante la redacción.

Privacidad y datos sensibles

El uso de DeepSeek.com o Qwen.ai como interfaces web implica enviar tus textos a servidores externos en China (DeepSeek AI con sede en Hangzhou; Alibaba Cloud). Esto plantea consideraciones de privacidad que son especialmente relevantes si tu TFG trabaja con:

• Datos personales de participantes en estudios (entrevistas, cuestionarios con información identificable)
• Información confidencial cedida por una empresa o institución colaboradora
• Datos de salud o datos especialmente sensibles bajo LOPDGDD
• Propiedad intelectual en desarrollo (patentes, innovaciones tecnológicas)

Para este tipo de contenido, la alternativa segura es ejecutar el modelo localmente (ver siguiente sección) o usar plataformas con procesamiento de datos en la UE y compromisos RGPD explícitos. El marco sobre la IA en la educación superior analizado por Juan Domingo Farnós plantea también estos dilemas desde la perspectiva de la gobernanza universitaria.

Para textos de redacción académica genérica sin datos personales (reformular la introducción, mejorar el estilo del marco teórico), el riesgo es comparable al de cualquier servicio web de terceros.

Cómo instalar DeepSeek o Qwen en local

Ejecutar estos modelos en tu propio ordenador —sin enviar datos a ningún servidor externo— es posible gracias a herramientas como Ollama o LM Studio. Ambas son gratuitas, de código abierto y funcionan en Windows, Mac y Linux.

Con Ollama, la instalación de DeepSeek-R1 de 7B parámetros (la versión más ligera con capacidad de razonamiento) requiere un solo comando en terminal: ollama run deepseek-r1:7b. Para Qwen2.5 de 7B: ollama run qwen2.5:7b. Estos modelos ligeros funcionan sin GPU dedicada en la mayoría de ordenadores modernos, aunque con velocidad de respuesta más lenta que la versión web.

Para calidad académica aceptable se recomienda la versión de 14B parámetros como mínimo, que requiere al menos 10 GB de VRAM o RAM unificada. Los MacBook Pro con chips M3 Pro/Max o M4 con 18-36 GB de memoria unificada ejecutan estas versiones con buena fluidez.

Preguntas frecuentes