Hinahamon ng Preview ng DeepSeek V4 ang Pinakamahuhusay na AI sa 1 Milyong Token na Konteksto at Napakababang Presyo

Papalapit na ang Bagong Karibal sa Hangganan ng AI

Naglabas ang Chinese artificial intelligence laboratory na DeepSeek ng mga preview na bersyon ng pinakaaabangang serye ng modelong V4, na nagtatampok ng dalawang variant na pinagsasama ang napakalaking saklaw at pambihirang episyensiya. Inilunsad noong Abril 24, 2026, ang DeepSeek-V4-Pro at DeepSeek-V4-Flash, ang pinakamapusok na pagtatangka ng kumpanya sa ngayon na hamunin ang pangingibabaw ng mga higanteng AI sa Amerika gaya ng OpenAI, Anthropic, at Google.

Dumating ang paglulunsad eksaktong isang taon matapos magdulot ng pagbagsak sa merkado na umabot sa trilyong dolyar ang reasoning model na R1 ng DeepSeek, nang ipakita nitong maaaring buuin ang mga AI na may kakayahang maihahambing sa pinakamahusay sa mundo sa maliit na bahagi lamang ng karaniwang gastos para sa mga nangungunang sistema. Ngayon, sa V4, ipinoposisyon ng DeepSeek ang sarili hindi lamang bilang mas murang alternatibo kundi bilang tunay na katunggali sa kakayahan, habang pinananatili ang radikal na estratehiya sa pagpepresyo na unang nagbigay-pansin sa startup na nakabase sa Hangzhou sa buong mundo.

May 1 milyong token na context window ang dalawang modelo, kaya nitong magproseso ng humigit-kumulang 15 hanggang 20 buong nobela sa iisang prompt, at gumagamit ang mga ito ng Mixture-of-Experts architecture na nag-a-activate lamang ng bahagi ng mga parameter habang isinasagawa ang inference. Kapansin-pansin, inilabas ng kumpanya ang mga modelo sa ilalim ng maluwag na lisensiyang MIT, na nagpapahintulot sa komersiyal na paggamit at pagbabago nang walang bayad sa lisensiya, alinsunod sa patuloy nitong pagsuporta sa open-weight AI development.

Teknikal na Arkitektura at Saklaw

Nagtatampok ang serye ng DeepSeek V4 ng dalawang magkakaibang configuration para sa iba't ibang gamit. Isa ang punong modelo, ang V4-Pro, sa pinakamalalaking open-weight model na inilabas, na may kabuuang 1.6 trilyong parameter at 49 bilyong aktibo sa bawat inference operation. Mas maliit ang V4-Flash, na may kabuuang 284 bilyong parameter at 13 bilyong aktibo; dinisenyo ito para sa mga application na sensitibo sa latency at paggamit sa mga consumer device.

Nakakamit ang episyensiya sa paggamit ng mga parameter sa pamamagitan ng Mixture-of-Experts architecture, na nagdidirekta sa bawat input token sa mga espesyalisadong sub-network sa halip na i-activate ang buong modelo. Napakamahal patakbuhin ng isang siksik na modelong may 1.6 trilyong parameter. Ngunit sa pagpapanatili sa antas ng mga aktibong parameter na halos kapantay ng nakaraang henerasyong V3.2 habang pinalalawak ang pool ng mga expert, nagkakaroon ang DeepSeek ng kapasidad para sa mas malalim na espesyalisasyon sa coding, matematika, at mga gawaing multilingual nang hindi katumbas na dinaragdagan ang pangangailangan sa compute.

Pagtawid sa Hadlang ng Mahabang Konteksto

Sentro ng arkitektura ng V4 ang tinatawag ng DeepSeek na Hybrid Attention Architecture, na pinagsasama ang mga mekanismo ng Compressed Sparse Attention at Heavily Compressed Attention. Tinutugunan ng inobasyong ito ang isang matagal nang hamon sa malalaking language model: ang paghina ng kakayahang kumuha ng impormasyon habang humahaba ang konteksto.

Hirap ang karaniwang transformer attention sa problemang "karayom sa bunton ng dayami," kung saan lalong nagiging mahirap hanapin ang partikular na impormasyong nakabaon sa mahahabang dokumento. Ayon sa DeepSeek, nakakamit ng pamamaraan nito ang 97% na katumpakan sa mga benchmark sa pagkuha ng impormasyon mula sa isang milyong token, kumpara sa 84.2% para sa mga karaniwang mekanismo ng attention. Sa gayon, nalulutas nito ang paghina ng kakayahang kumuha ng impormasyon na matagal nang suliranin ng mga modelong may mahabang konteksto.

Sa praktika, nangangahulugan ito na maaasahang mapoproseso ng modelo ang buong codebase, malawak na koleksiyon ng mga legal na dokumento, o mga taon ng kasaysayan ng pag-uusap nang hindi nakakalimutan ang partikular na detalye. Para sa mga developer na gumagawa ng retrieval-augmented generation system, maaari nitong bawasan o alisin ang pangangailangan sa masalimuot na estratehiya sa paghahati-hati ng teksto at mga panlabas na vector database.

Mga Resulta sa Benchmark: Kakayahang Malapit sa Pinakamahusay

Ayon sa mga independiyenteng pagsusuri at sariling ulat ng DeepSeek, nakakamit ng modelong V4-Pro ang antas ng pagganap na halos katapat na ng mga pinakaabanteng closed-source system. Sa benchmark na SWE-bench Verified, na sumusubok sa kakayahan ng modelo na lutasin ang mga totoong isyu sa GitHub mula sa aktuwal na open-source project, iniulat na nakakuha ang V4-Pro ng humigit-kumulang 80.6%. Halos kapantay ito ng 80.8% ng Claude Opus 4.6 at mas mataas kaysa sa maraming naunang rekord ng mga open-source model.

Lalo namang mahusay ang V4-Pro sa mga benchmark ng pangangatwirang matematikal. Iniulat na nakakuha ito ng 95.2% sa HMMT 2026 at 89.8% sa IMOAnswerBench, kaya nalampasan nito ang Claude Opus 4.6 sa huli, bagaman bahagyang nahuli ito sa GPT-5.4. Sa mga pagsusuri sa competitive programming batay sa rating ng Codeforces, nakakuha ang V4-Pro ng 3206, mas mataas kaysa sa GPT-5.4 (3168) at Gemini 3.1 Pro (3052).

Gayunman, maingat ang sariling pagtataya ng DeepSeek tungkol sa pangkalahatang antas ng mga modelo nito kumpara sa pinakamahusay sa industriya. Kinikilala ng kumpanya na sa mga gawaing nangangailangan ng pangkalahatang kaalaman at pangangatwiran, nahuhuli ang V4-Pro sa Gemini 3.1 Pro ng Google nang humigit-kumulang 3 hanggang 6 na buwan ng pag-unlad. Ipinahihiwatig nito na bagaman lumiit ang agwat, hindi pa naaabot ang ganap na pagkakapantay sa mga pinakaabanteng closed system.

Sa pagpapalawak ng mga reasoning token, mas mahusay ang DeepSeek-V4-Pro-Max kaysa sa GPT-5.2 at Gemini-3.0-Pro sa mga karaniwang benchmark ng pangangatwiran. Gayunman, bahagya itong nahuhuli sa GPT-5.4 at Gemini-3.1-Pro, na nagpapahiwatig na ang pag-unlad nito ay nasa humigit-kumulang 3 hanggang 6 na buwan sa likod ng mga pinakahuling nangungunang modelo.

Nananatiling kahanga-hanga ang pagiging kompetitibo ng V4-Flash sa kabila ng mas maliit nitong saklaw: nakakuha ito ng 86.2% sa MMLU-Pro kumpara sa 87.5% ng V4-Pro, at 91.6% sa LiveCodeBench kumpara sa 93.5% ng Pro. Ipinahihiwatig ng episyensiyang ito na maaaring sapat ang kakayahan ng Flash para sa maraming application, sa malaking bawas sa gastos sa pagpapatakbo.

Radikal na Pagpepresyo at Pagyanig sa Ekonomiya

Marahil ang pinakanakagagambalang bahagi ng paglabas ng V4 ay ang estratehiya nito sa pagpepresyo, na nagpapatuloy sa nakagawian ng DeepSeek na mag-alok nang mas mura nang maraming ulit kaysa sa mga katunggali sa Kanluran. Nakatakda ang presyo ng modelong V4-Flash sa $0.14 kada isang milyong input token at $0.28 kada isang milyong output token. Mas mura pa ito kaysa sa GPT-5.4 Nano ng OpenAI ($0.20/$1.25) at Gemini 3.1 Flash-Lite ($0.25/$1.50).

Ang punong modelong V4-Pro ay nagkakahalaga ng $1.74 kada isang milyong input token at $3.48 kada isang milyong output token. Mas mataas man ito kaysa sa Flash, malaki pa rin ang agwat ng presyo nito sa mga katumbas na nangungunang modelo. Nagkakahalaga ang Claude Opus 4.6 ng $5 kada isang milyong input token at $25 kada isang milyong output token, habang $2.50 ang input at $15 ang output kada isang milyong token ng GPT-5.4. Sa gayon, nag-aalok ang punong modelo ng DeepSeek ng kahalintulad na resulta sa benchmark sa humigit-kumulang 50% hanggang 80% na mas mababang gastos.

Nagiging posible ang agresibong pagpepresyo dahil sa malalaking pagbuti sa episyensiya ng arkitektura ng modelo. Ayon sa DeepSeek, sa mga sitwasyong may kontekstong isang milyong token, 27% lamang ng floating-point operations na kinailangan ng naunang V3.2 ang ginagamit ng V4-Pro, at 10% lamang ng laki ng key-value cache nito. Mas malaki pa ang episyensiya ng V4-Flash: 10% ng FLOPs at 7% ng laki ng KV cache ng V3.2 ang ginagamit nito.

Ayon sa mga analyst sa industriya, maaari nitong itulak ang mas malawak na pagbabago sa merkado. Nang ilunsad ang modelong R1 ng DeepSeek sa halagang humigit-kumulang 90% na mas mababa kaysa sa mga katulad na alok ng OpenAI, tumugon ang mga katunggali sa pamamagitan ng pagbubukas ng mga advanced model sa mga gumagamit ng libreng tier at pagsasaayos ng sarili nilang mga presyo. Maaaring maulit ang ganitong dinamika habang nagtatakda ang V4 ng mga bagong batayan sa gastos para sa AI inference na parehong mataas ang pagganap at abot-kaya.

Kalayaan sa Hardware at Imprastraktura ng Pagsasanay

May mahalagang implikasyon sa geopolitika at teknolohiya ang imprastraktura ng pagsasanay ng V4. Karamihan sa mga nangungunang AI model ay pangunahing binuo gamit ang mga pinakaabanteng GPU ng Nvidia, ngunit iniulat na sinanay ng DeepSeek ang V4 gamit ang pinagsamang AI accelerator na Huawei Ascend 910B at chip na Cambricon MLU. Isinagawa naman ang beripikasyon sa NPU platform na Ascend ng Huawei.

Malaki ang implikasyon ng pag-unlad na ito sa pandaigdigang merkado ng AI hardware. Dahil sa mga paghihigpit ng U.S. sa pag-export na naglilimita sa pag-access ng China sa mga chip na may pinakamataas na pagganap ng Nvidia, ipinakita ng DeepSeek na posibleng bumuo ng AI sa nangungunang antas gamit ang mga chip na gawa sa China. Kung mapapatunayan ng independiyenteng pagsusuri ang mga pahayag tungkol sa benchmark ng modelo, mapatutunayan nitong maaasahang alternatibo sa Nvidia ang Huawei at Cambricon para sa malakihang pagsasanay ng AI, na posibleng magpabilis sa pagkakaiba-iba ng mga supply chain ng AI hardware.

Sinabi ni Wei Sun, punong AI analyst sa Counterpoint Research, na maaaring magkaroon ng malaking implikasyon sa mga layunin ng Beijing para sa kasarinlan sa AI ang kakayahan ng V4 na direktang tumakbo sa mga lokal na chip ng China.

Sa huli, mapabibilis din nito ang pandaigdigang pag-unlad ng AI.

Pagpapatakbo sa Consumer Hardware

Sa kabila ng napakaraming parameter nito, binigyang-diin ng DeepSeek na kayang patakbuhin sa consumer hardware ang mga quantized na bersyon ng V4. Ayon sa kumpanya, maaaring patakbuhin ang V4-Flash sa iisang Nvidia RTX 5090 na may 32GB na VRAM gamit ang INT4 quantization, o sa dalawang RTX 4090 na may kabuuang 48GB na VRAM gamit ang INT8 precision. Dahil 865GB ang buong weights ng Pro model, nakatuon ito sa mga GPU cluster na binubuo ng maraming node para sa full-precision inference, ngunit maaari rin nitong suportahan ang mga estratehiya ng streaming deployment.

Kabaligtaran ito ng mga closed-source na nangungunang modelo, na nangangailangan ng API access at imprastraktura ng data center. Para sa mga developer na nag-aalala tungkol sa pagkapribado ng datos, latency, o mahuhulaang gastos sa pagpapatakbo, malaking pagbabago sa praktikal na ekonomiya ng AI deployment ang kakayahang magpatakbo nang sarili ng modelong nasa antas ng isang trilyong parameter sa hardware na mabibili sa merkado.

Epekto sa Merkado at Estratehikong Posisyon

Lalong pinatindi ng paglabas ng V4 ang kompetisyon hindi lamang sa pagitan ng mga developer ng AI sa China at Amerika kundi pati sa loob ng merkado ng China. Mula nang makamit ng R1 ng DeepSeek ang malaking tagumpay, pinabilis ng mga lokal na katunggali, kabilang ang Qwen ng Alibaba, ByteDance, at Moonshot AI, ang paglabas ng sarili nilang mga modelo. Agad na naapektuhan ng pinakabagong anunsiyo ng DeepSeek ang presyo ng sapi ng mga katunggali: kapwa bumagsak nang humigit-kumulang 8% sa Hong Kong trading ang MiniMax at Zhipu matapos ang anunsiyo ng V4.

Kasabay ng paglabas ng modelo, iniulat na naghahanap ang DeepSeek ng panlabas na pondo sa unang pagkakataon. Target nitong makalikom ng hindi bababa sa $300 milyon sa halagang lampas $10 bilyon; ayon naman sa ilang ulat, maaaring umabot sa $20 bilyon ang pagtataya sa halaga ng kumpanya kung magbunga ang mga pag-uusap nito sa Tencent at Alibaba. Ipinakikita nito ang estratehikong pagbabago mula sa dating pag-asa ng kumpanya sa parent nitong hedge fund na High-Flyer Capital Management lamang.

Gayunman, nahaharap ang kumpanya sa agarang limitasyon sa imprastraktura. Nagbabala ang DeepSeek na limitado sa ngayon ang kapasidad ng serbisyo para sa Pro tier dahil kulang ang high-end compute. Inaasahan lamang ang malaking pagbaba ng presyo matapos maipatupad nang malawakan ang mga "supernode" na Huawei Ascend 950 sa ikalawang kalahati ng 2026.

Nagaganap din ang paglabas na ito sa gitna ng tumitinding tensiyong geopolitikal tungkol sa pag-unlad ng AI. Kamakailan ay inakusahan ng White House ang China ng pang-industriyang antas ng pagnanakaw ng intellectual property sa AI. Buong-tanggol itong itinanggi ng Ministri ng Ugnayang Panlabas ng Beijing at tinawag na walang batayang pag-atake sa teknolohikal na pag-unlad ng China. Kabaligtaran ng mga estratehiyang lalong nagiging sarado ng maraming nangungunang laboratoryo sa Kanluran ang patuloy na pagsuporta ng DeepSeek sa open-source release sa ilalim ng mga lisensiyang Apache 2.0 at MIT. Dahil dito, ipinoposisyon nito ang sarili bilang pangunahing tagapagtaguyod ng open-weight AI development.

Buod

• Naglabas ang DeepSeek ng mga preview na bersyon ng V4-Pro (1.6T na parameter, 49B na aktibo) at V4-Flash (284B na parameter, 13B na aktibo), na kapwa may 1 milyong token na context window
• Inilabas ang dalawang modelo sa ilalim ng mga open-source license (MIT/Apache 2.0), na nagpapahintulot sa komersiyal na paggamit at pagbabago nang walang bayad
• May resulta ang V4-Pro sa mga benchmark na maihahambing sa Claude Opus 4.6 at GPT-5.4 sa mga gawaing coding habang mas mura nang 50-80%
• Nakatakda sa $0.28 kada isang milyong output token ang presyo ng V4-Flash, kaya ito ang pinakamurang opsiyon sa mga mahusay na maliit na modelo, at mas mura pa sa GPT-5.4 Nano ng OpenAI
• Sinanay ang mga modelo gamit ang hardware na hindi mula sa Nvidia (mga chip ng Huawei Ascend at Cambricon), na nagpapakitang may maaasahang alternatibo sa mga American AI chip
• Binabawasan ng mga inobasyon sa arkitektura, kabilang ang Hybrid Attention Architecture, nang hanggang 90% ang pangangailangan sa computation kumpara sa mga modelo ng nakaraang henerasyon
• Maaaring patakbuhin ang mga quantized na bersyon sa consumer hardware, kabilang ang iisang RTX 5090 o dalawang RTX 4090
• Kinikilala ng DeepSeek na nahuhuli ang mga modelo nito nang humigit-kumulang 3 hanggang 6 na buwan sa mga nangungunang sistemang abanse sa lahat ng aspekto sa mga gawaing nangangailangan ng pangkalahatang kaalaman
• Lalong pinatindi ng paglabas ng mga modelo ang presyur sa presyo sa industriya ng AI at pinabilis ang kompetisyon sa sektor ng AI sa loob ng China