La detección de paráfrasis es importante para una serie de aplicaciones, incluyendo la detección de plagio, la atribución de autoría, la respuesta a preguntas, la resumición de textos, la minería de textos en general, etc. En este artículo, ofrecemos una visión general del rendimiento de varios tipos de modelos basados en corpus, especialmente modelos de aprendizaje profundo (DL), con la tarea de detección de paráfrasis. Informamos los resultados de ocho modelos (LSI, TF-IDF, Word2Vec, Doc2Vec, GloVe, FastText, ELMO y USE) evaluados en tres corpus públicos diferentes: el Corpus de Paráfrasis de Microsoft Research, Clough y Stevenson y el Corpus de Paráfrasis de Webis Crowd 2011. A través de un gran número de experimentos, decidimos sobre los enfoques más apropiados para el preprocesamiento de textos: hiperparámetros, selección de submodelos, donde existan (por ejemplo, Skipgram vs. CBOW), medidas de distancia y umbral de similitud semántica/detección de paráfrasis. Nuestros hallazgos y los de otros investigadores que han utilizado modelos de aprendizaje profundo muestran que los modelos DL son muy competitivos con los enfoques tradicionales de vanguardia y tienen un potencial que debería desarrollarse más.