{"id":46893,"date":"2025-01-29T06:09:32","date_gmt":"2025-01-29T06:09:32","guid":{"rendered":"https:\/\/enfoquenoticioso.com\/tecnologia\/deepseek-hace-lo-mismo-que-los-modelos-mas-avanzados-de-openai-con-mucho-menos-recursos-la-clave-reinforcement-learning\/"},"modified":"2025-01-29T06:09:32","modified_gmt":"2025-01-29T06:09:32","slug":"deepseek-hace-lo-mismo-que-los-modelos-mas-avanzados-de-openai-con-mucho-menos-recursos-la-clave-reinforcement-learning","status":"publish","type":"post","link":"https:\/\/enfoquenoticioso.com\/?p=46893","title":{"rendered":"DeepSeek hace lo mismo que los modelos m\u00e1s avanzados de OpenAI con mucho menos recursos. La clave: \u00abreinforcement learning\u00bb"},"content":{"rendered":"<div>\n<p>El mundo entero est\u00e1 pregunt\u00e1ndose c\u00f3mo es posible que los modelos de IA de <a class=\"text-outboundlink\" href=\"https:\/\/www.xataka.com\/basics\/deepseek-que-como-funciona-que-opciones-tiene-esta-inteligencia-artificial\" data-vars-post-title=\"DeepSeek: qu\u00e9 es, c\u00f3mo funciona y qu\u00e9 opciones tiene esta inteligencia artificial\" data-vars-post-url=\"https:\/\/www.xataka.com\/basics\/deepseek-que-como-funciona-que-opciones-tiene-esta-inteligencia-artificial\" target=\"_blank\" rel=\"noopener\">DeepSeek<\/a> se hayan convertido de la noche a la ma\u00f1ana en los grandes protagonistas de la actualidad en el \u00e1mbito de la inteligencia artificial. La respuesta es relativamente sencilla. Estos modelos han logrado demostar que <strong>se puede hacer m\u00e1s con mucho menos<\/strong>.<\/p>\n<p><!-- BREAK 1 --> <\/p>\n<p>Tanto DeepSeek V3 como DeepSeek-R1 son comparables a GPT-4 o o1 de OpenAI respectivamente, pero se estima que su entrenamiento ha sido mucho menos costoso y su inferencia, desde luego, lo es: los precios de la API de DeepSeek son hasta 35 veces inferiores a los de OpenAI, pero eso hace que uno se pregunte c\u00f3mo es posible.<\/p>\n<p><!-- BREAK 2 --><\/p>\n<div class=\"article-asset article-asset-normal article-asset-center\">\n<div class=\"desvio-container\">\n<div class=\"desvio\">\n<div class=\"desvio-figure js-desvio-figure\">\n    <a href=\"https:\/\/www.xataka.com\/robotica-e-ia\/ia-china-deepseek-35-veces-barata-que-openai-tsunami-para-industria\" class=\"pivot-outboundlink\" data-vars-post-title=\"Sab\u00edamos que las Big Tech de EEUU ten\u00edan un problema con los costes de sus IA. DeepSeek acaba de mostrar hasta qu\u00e9 punto\" target=\"_blank\" rel=\"noopener\"><br \/>\n     <img loading=\"lazy\" decoding=\"async\" alt=\"Sab\u00edamos que las Big Tech de EEUU ten\u00edan un problema con los costes de sus IA. DeepSeek acaba de mostrar hasta qu\u00e9 punto\" width=\"375\" height=\"142\" src=\"https:\/\/i.blogs.es\/aa3d6a\/deep5\/375_142.jpeg\"\/><br \/>\n    <\/a>\n   <\/div>\n<\/p><\/div>\n<\/p><\/div>\n<\/div>\n<p>La respuesta es clara, y lo es porque tenemos a nuestra disposici\u00f3n los informes t\u00e9cnicos de estos modelos de IA. Precismente su estudio nos ha permitido aclarar <strong>cu\u00e1les son las t\u00e9cnicas<\/strong> que ha usado este laboratorio de I+D chino para llegar a desarrollar estos modelos tan eficientes y capaces.<\/p>\n<p><!-- BREAK 3 --> <\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_81 counter-hierarchy ez-toc-counter ez-toc-grey ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title\" style=\"cursor:inherit\">Tabla de Contenido<\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" aria-label=\"Alternar tabla de contenidos\"><span class=\"ez-toc-js-icon-con\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Toggle<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewBox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewBox=\"0 0 24 24\" version=\"1.2\" baseProfile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1 ' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/enfoquenoticioso.com\/?p=46893\/#Muchas_tecnicas_un_solo_objetivo_la_eficiencia\" >Muchas t\u00e9cnicas, un solo objetivo: la eficiencia<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/enfoquenoticioso.com\/?p=46893\/#Aprendizaje_por_refuerzo_y_%C2%ABdestilacion%C2%BB_como_claves\" >Aprendizaje por refuerzo y \u00abdestilaci\u00f3n\u00bb como claves<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Muchas_tecnicas_un_solo_objetivo_la_eficiencia\"><\/span>Muchas t\u00e9cnicas, un solo objetivo: la eficiencia<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Hay varias diferencias que hacen que el nuevo modelo de DeepSeek sea especialmente eficiente. Lo explican con detalle sus creadores en el detallado <a rel=\"noopener, noreferrer\" href=\"https:\/\/arxiv.org\/pdf\/2412.19437v1\" target=\"_blank\">informe t\u00e9cnico<\/a> que est\u00e1 disponible p\u00fablicamente. He aqu\u00ed las m\u00e1s relevantes:<\/p>\n<p><!-- BREAK 4 --><\/p>\n<ul>\n<li><strong>DeepSeekMoE <\/strong>(\u00abMixture of Experts\u00bb): en modelos como GPT-3.5 se activaba todo el modelo tanto en el entrenamiento como en la inferencia (cuando lo usamos). Sin embargo, no todos los componentes del modelo son necesarios para nuestras peticiones. La t\u00e9cnica MoE \u2013introducida ya con DeepSeek V2\u2013 precisamente divide el modelo en m\u00faltiples \u00abexpertos\u00bb y solo activa los que son necesarios seg\u00fan la petici\u00f3n. GPT-4 ya es un modelo MoE. Pero como dec\u00edamos, DeepSeekMoE iba incluso m\u00e1s all\u00e1 y diferenciaba entre expertos a\u00fan m\u00e1s especializados, adem\u00e1s de usar algunos expertos algo m\u00e1s generalistas que pod\u00edan aportar valor en ciertas peticiones. Gestionar todos esos expertos especializados o generalistas no solo beneficia a la inferencia, sino tambi\u00e9n a la fase de entrenamiento, haci\u00e9ndola m\u00e1s eficiente. Esta t\u00e9cnica es similar al llamado \u00abtest time scaling\u00bb que tambi\u00e9n ajusta el tama\u00f1o o complejidad de un modelo durante la eficiencia.<\/li>\n<li><strong>DeepSeekMLA<\/strong> (Multi-head Latent Attention): es otra mejora sustancial \u2013incluso m\u00e1s que la anterior, y tambi\u00e9n introducida con DeepSeek V2\u2013 que afecta a la forma en la que se gestiona la memoria en estos modelos. Normalmente es necesario cargar en memoria tanto el modelo como toda la ventana de contexto \u2013la que nos permite escribir prompts e incluir largos textos, por ejemplo\u2013. Las ventanas de contexto son especialmente costosas porque cada token requiere tanto una clave como su correspondiente valor. Con la mejora introducida con esta t\u00e9cnica, lo que se hac\u00eda posible era comprimir ese almac\u00e9n de claves y valores, reduciendo de forma dram\u00e1tica el uso de memoria durante la inferencia.<\/li>\n<li><strong>Auxiliary-Loss-Free Load Balancing<\/strong>: si imaginamos un modelo como una gran orquesta, cada m\u00fasico es un \u00abexperto\u00bb dentro del modelo. Para tocar una pieza compleja, no todos los m\u00fasicos son necesarios todo el tiempo. Tradicionalmente se usaban las llamadas \u00abp\u00e9rdidas auxiliares\u00bb para asegurarse de que todos los m\u00fasicos tocaban lo suficiente, pero estas p\u00e9rdidas pod\u00edan interferir con esa interpretaci\u00f3n de la pieza musical (el entrenamiento del modelo), lo que pod\u00eda degradar el rendimiento general. Con DeepSeek V3 el modelo es capaz de equilibrar el trabajo de cada experto de forma din\u00e1mica. Eso hace el entrenamiento m\u00e1s sencillo, directo y eficiente al eliminar las \u00abp\u00e9rdidas auxiliares\u00bb. Adem\u00e1s la eliminaci\u00f3n de interferencias permite al modelo aprender mejor y con menos recursos&#8230; y obtener mejores resultados.<\/li>\n<li><strong>Multi-token Prediction Training Objective<\/strong>: a menudo predecir la siguiente palabra depende de varias palabras anteriores o del contexto. Con esta t\u00e9cnica en lugar de predecir solo la siguiente palabra, el modelo aprende a predecir varias palabras a la vez. Eso hace que se generen textos m\u00e1s naturales y comprensibles y menos ambiguos, pero adem\u00e1s acelera el entrenamiento al reducir el n\u00famero de pasos necesarios para generar la secuencia completa de texto.<\/li>\n<li><strong>FP8 Mixed Precision Training<\/strong>: el uso de n\u00fameros FP8 permite reducir significativamente el consumo de memoria y acelera los c\u00e1lculos. Algunas partes cr\u00edticas del modelo siguen usando entrenamiento con FP32 para garantizar la precisi\u00f3n, pero hay otro beneficio adicional de FP8: se reduce el tama\u00f1o de los modelos. Otros modelos utilizan t\u00e9cnicas como la cuantizaci\u00f3n o la poda de par\u00e1metros. Aunque OpenAI no da datos sobre GPT-4 en este apartado, la suposici\u00f3n es que trabaja con BF16, m\u00e1s costoso en t\u00e9rminos de memoria. Aunque FP8 te\u00f3ricamente lleva a modelos menos precisos, se usan otras t\u00e9cnicas complementarias como Fine-Grained Quantization para reducir el impacto negativo de valores que se salen de lo com\u00fan, lo que hace posible un entrenamiento estable.<\/li>\n<li><strong>Cross-Node All-to-All Communication<\/strong>: durante el entrenamiento es necesario intercambiar informaci\u00f3n constantemente entre todos los nodos (computadoras) conectados en los centros de datos para el entrenamiento. Eso puede convertirse en un cuello de botella, pero estas nuevas t\u00e9cnicas de DeepSeek V3 inclyen protocolos de comunicaci\u00f3n eficientes, reducci\u00f3n del tr\u00e1fico de datos y sincronizaci\u00f3n eficiente para acelerar el entrenamiento y, una vez m\u00e1s, reducir los costes de ese proceso.<\/li>\n<\/ul>\n<h2><span class=\"ez-toc-section\" id=\"Aprendizaje_por_refuerzo_y_%C2%ABdestilacion%C2%BB_como_claves\"><\/span>Aprendizaje por refuerzo y \u00abdestilaci\u00f3n\u00bb como claves<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Pero es que adem\u00e1s de todas esas t\u00e9cnicas los responsables de DeepSeek V3 explican c\u00f3mo lo preentrenaron con 14,8 billones de tokens, proceso al cual sigui\u00f3 un Ajuste Supervisado (Supervised Fine-Tuning, SFT) y varias etapas de <strong>Aprendizaje por Refuerzo (Reinforcement Learning, RL)<\/strong>. La fase de SFT \u2013que s\u00ed se menciona en el informe de DeepSeek V3\u2013 se omiti\u00f3 por completo en el caso de DeepSeek-R1.<\/p>\n<p><!-- BREAK 5 --><\/p>\n<p>Sin embargo el aprendizaje por refuerzo es protagonista absoluto en el desarrollo de ambos modelos, sobre todo en el R1. La t\u00e9cnica es muy conocida en el \u00e1mbito de la inteligencia artificial, y es como si entren\u00e1ramos a un perro con premios y castigos. El modelo aprende a responder mejor al darle recompensas si lo hace bien. Con el tiempo, el modelo aprende a tomar acciones que maximizan la recompensa a largo plazo. En DeepSeek se utiliza el aprendizaje por refuerzo para descomponer problemas complejos en pasos m\u00e1s peque\u00f1os.<\/p>\n<p><!-- BREAK 6 --> <\/p>\n<p>En el <a rel=\"noopener, noreferrer\" href=\"https:\/\/arxiv.org\/pdf\/2501.12948\" target=\"_blank\">informe t\u00e9cnico de DeepSeek R1<\/a> se indica adem\u00e1s c\u00f3mo este modelo hace uso de las t\u00e9cnicas RL directamente sobre el modelo base, sin necesidad de un entrenamiento supervisado. Eso ahorra recursos de c\u00f3mputo.<\/p>\n<p><!-- BREAK 7 --><\/p>\n<p>Tambi\u00e9n entra en juego aqu\u00ed la llamada <strong>Cadena de Pensamiento (Chain-of-Thought)<\/strong>, tambi\u00e9n mencionada en el informe t\u00e9cnico. Con ello se refieren a la capacidad de un modelo de lenguaje para mostrar los pasos intermedios de su razonamiento. El modelo no solo proporciona una respuesta: tambi\u00e9n explica c\u00f3mo lleg\u00f3 a esa respuesta.<\/p>\n<p><!-- BREAK 8 --><\/p>\n<p>Eso no solo mejora la transparencia (sabemos \u00abqu\u00e9 est\u00e1 pensando la IA\u00bb), sino que permite identificar errores y mejorar la precisi\u00f3n. La combinaci\u00f3n de ambas t\u00e9cnicas hace que en la etapa de inferencia el comportamiento de DeepSeek sea especialmente notable.<\/p>\n<p><!-- BREAK 9 --><\/p>\n<div class=\"article-asset article-asset-normal article-asset-center\">\n<div class=\"desvio-container\">\n<div class=\"desvio\">\n<div class=\"desvio-figure js-desvio-figure\">\n    <a href=\"https:\/\/www.xataka.com\/robotica-e-ia\/no-modelos-ia-que-construyes-ellos-revolucion-silenciosa-deepseek\" class=\"pivot-outboundlink\" data-vars-post-title=\"No son los modelos IA, es lo que construyes con ellos: la revoluci\u00f3n silenciosa de DeepSeek \" target=\"_blank\" rel=\"noopener\"><br \/>\n     <img loading=\"lazy\" decoding=\"async\" alt=\"No son los modelos IA, es lo que construyes con ellos: la revoluci\u00f3n silenciosa de DeepSeek \" width=\"375\" height=\"142\" src=\"https:\/\/i.blogs.es\/3abe86\/deepseek-r1-d\/375_142.jpeg\"\/><br \/>\n    <\/a>\n   <\/div>\n<\/p><\/div>\n<\/p><\/div>\n<\/div>\n<p>En el caso de DeepSeek R1 hay otras t\u00e9cnicas que permiten tambi\u00e9n hacerlo especialmente eficiente. Entre ellas destaca la destilaci\u00f3n de los modelos. \u00bfEn que consiste ese proceso?<\/p>\n<p><!-- BREAK 10 --> <\/p>\n<p>La <strong>destilaci\u00f3n de modelos<\/strong> es como ense\u00f1ar a un \u00abmodelo alumno\u00bb m\u00e1s peque\u00f1o a comportarse como un \u00abmodelo profesor\u00bb m\u00e1s grande y avanzado. Se entrena a un modelo peque\u00f1o para que imite las capacidades y comportamiento de un modelo grande, pero con menos recursos computacionales. El objetivo es claro: que el modelo peque\u00f1o sea m\u00e1s r\u00e1pido y eficiente, pero igual de inteligente en tareas espec\u00edficas.<\/p>\n<p><!-- BREAK 11 --><\/p>\n<p>Los desarrolladores de DeepSeek-R1 destacan c\u00f3mo usaron modelos peque\u00f1os como Qwen (de 1.5B a 32B) o Llama 3.3 (8B y 70B-Instruct) usando 800.000 muestras filtradas con DeepSeek-R1. En esos modelos solo se uso aprendizaje supervisado y no aprendizaje por refuerzo porque quer\u00edan demostrar la efectividad de la t\u00e9cnica de destilado. Los resultados de ese proceso saltaron a la vista en los benchmarks publicados en ese informe t\u00e9cnico: aun siendo m\u00e1s peque\u00f1os que sus competidores, su comportamiento era mejor.<\/p>\n<p><!-- BREAK 12 --><\/p>\n<div class=\"article-asset-image article-asset-large article-asset-center\">\n<div class=\"asset-content\">\n<div class=\"caption-img \">\n                   <img class=\"\" height=\"734\" width=\"1614\" loading=\"lazy\" decoding=\"async\" sizes=\"auto, 100vw\" fetchpriority=\"high\" srcset=\"https:\/\/i.blogs.es\/0777a5\/captura-de-pantalla-2025-01-28-a-las-12.46.46\/450_1000.jpeg 450w, https:\/\/i.blogs.es\/0777a5\/captura-de-pantalla-2025-01-28-a-las-12.46.46\/650_1200.jpeg 681w,https:\/\/i.blogs.es\/0777a5\/captura-de-pantalla-2025-01-28-a-las-12.46.46\/1024_2000.jpeg 1024w, https:\/\/i.blogs.es\/0777a5\/captura-de-pantalla-2025-01-28-a-las-12.46.46\/1366_2000.jpeg 1366w\" src=\"https:\/\/i.blogs.es\/0777a5\/captura-de-pantalla-2025-01-28-a-las-12.46.46\/450_1000.jpeg\" alt=\"Captura De Pantalla 2025 01 28 A Las 12 46 46\"\/><br \/>\n   <img decoding=\"async\" alt=\"Captura De Pantalla 2025 01 28 A Las 12 46 46\" class=\"\" src=\"https:\/\/i.blogs.es\/0777a5\/captura-de-pantalla-2025-01-28-a-las-12.46.46\/450_1000.jpeg\"\/><\/p>\n<p>        <span>Varios benchmarks parecen dejar claro que el rendimiento de las variantes destiladas de DeepSeek R1 es superior al de sus competidores.<\/span>\n   <\/div>\n<\/p><\/div>\n<\/div>\n<p>Hay otras mejoras adicionales en este modelo, pero sin duda esas son las m\u00e1s importantes a la hora de lograr esa eficiencia y ese \u00abhacer m\u00e1s con menos\u00bb. La documentaci\u00f3n de DeepSeek es fant\u00e1stica y seguramente sea muy \u00fatil para que otros proyectos en este \u00e1mbito sigan evolucionando y mejorando, pero hoy por hoy una cosa est\u00e1 clara: el resultado de esas mejoras es espectacular, y los modelos de DeepSeek se comportan tan bien o mejor que sus competidores, como hemos podido comprobar <a class=\"text-outboundlink\" href=\"https:\/\/www.xataka.com\/robotica-e-ia\/he-probado-deepseek-v3-chat-deepseek-r1-razonamiento-openai-google-meta-tienen-aqui-rivales-formidables\" data-vars-post-title=\"He probado DeepSeek en la web y en mi Mac. ChatGPT, Claude y Gemini tienen un problem\u00f3n\" data-vars-post-url=\"https:\/\/www.xataka.com\/robotica-e-ia\/he-probado-deepseek-v3-chat-deepseek-r1-razonamiento-openai-google-meta-tienen-aqui-rivales-formidables\" target=\"_blank\" rel=\"noopener\">en nuestra extensa comparativa<\/a>.\u00a0<\/p>\n<p><!-- BREAK 13 --><\/p>\n<p>En Xataka | <a class=\"text-outboundlink\" href=\"https:\/\/www.xataka.com\/robotica-e-ia\/sanciones-han-sido-claves-deepseek-ha-tenido-que-tirar-puro-ingenio-rompiendo-paradigma-mejor-ia\" data-vars-post-title=\"Las sanciones han sido clave: DeepSeek ha tenido que tirar de puro ingenio, rompiendo el paradigma de &quot;m\u00e1s = mejor&quot; de la IA\" data-vars-post-url=\"https:\/\/www.xataka.com\/robotica-e-ia\/sanciones-han-sido-claves-deepseek-ha-tenido-que-tirar-puro-ingenio-rompiendo-paradigma-mejor-ia\" target=\"_blank\" rel=\"noopener\">Las sanciones han sido clave: DeepSeek ha tenido que tirar de puro ingenio, rompiendo el paradigma de \u00abm\u00e1s = mejor\u00bb de la IA<\/a><\/p>\n<\/p><\/div>\n<p><a href=\"https:\/\/www.xataka.com\/robotica-e-ia\/deepseek-hace-modelos-avanzados-openai-mucho-recursos-clave-reinforcement-learning\" class=\" target=\" title=\"DeepSeek hace lo mismo que los modelos m\u00e1s avanzados de OpenAI con mucho menos recursos. La clave: \" reinforcement target=\"_blank\" rel=\"noopener\">Ver fuente<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>El mundo entero est\u00e1 pregunt\u00e1ndose c\u00f3mo es posible que los modelos de IA de DeepSeek se hayan convertido de la noche a la ma\u00f1ana en los grandes protagonistas de la actualidad en el \u00e1mbito de la inteligencia artificial. La respuesta es relativamente sencilla. Estos modelos han logrado demostar que se puede hacer m\u00e1s con mucho [&hellip;]<\/p>\n","protected":false},"author":2,"featured_media":46894,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[9],"tags":[],"class_list":["post-46893","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-tecnologia"],"_links":{"self":[{"href":"https:\/\/enfoquenoticioso.com\/index.php?rest_route=\/wp\/v2\/posts\/46893","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/enfoquenoticioso.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/enfoquenoticioso.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/enfoquenoticioso.com\/index.php?rest_route=\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/enfoquenoticioso.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=46893"}],"version-history":[{"count":0,"href":"https:\/\/enfoquenoticioso.com\/index.php?rest_route=\/wp\/v2\/posts\/46893\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/enfoquenoticioso.com\/index.php?rest_route=\/wp\/v2\/media\/46894"}],"wp:attachment":[{"href":"https:\/\/enfoquenoticioso.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=46893"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/enfoquenoticioso.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=46893"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/enfoquenoticioso.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=46893"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}