МОДЕЛИ
DeepSeek V4: Крупнейшая открытая модель Китая с контекстом на 1 миллион токенов
Китайская лаборатория искусственного интеллекта DeepSeek запускает свою долгожданную серию V4 — модель Mixture-of-Experts с 1,6 трлн параметров, которая обходит по цене все западные передовые модели, при этом соответствуя им по большинству бенчмарков.
Майкл С ·
Китайская ИИ-лаборатория DeepSeek вернулась со своим самым амбициозным релизом на сегодняшний день. On April 24, 2026 года, представила DeepSeek-V4-Pro и DeepSeek-V4-Flash — две предварительные модели, которые вместе составляют первый выпуск долгожданной серии V4. Обе модели открыты под разрешительной лицензией MIT, продолжая традицию DeepSeek выпускать мощные модели, которые широкое исследовательское сообщество может свободно использовать и развивать.
Главная характеристика — масштаб. DeepSeek-V4-Pro — это модель типа Mixture-of-Experts (MoE) с 1,6 триллионами параметров в сумме, из которых 49 миллиардов активны на каждом шаге инференса. Это делает её крупнейшей моделью с открытыми весами, когда-либо выпущенной, обгоняя Kimi K2.6 от Moonshot AI (1,1 трлн) и GLM-5.1 (754 млрд), и более чем в два раза превышая размер версии V3.2 от DeepSeek (685 млрд). Младшая версия, DeepSeek-V4-Flash, имеет в сумме 284 миллиарда параметров, из которых активны 13 миллиардов — более практичный размер для исследователей и разработчиков, которые хотят запускать модель локально.
Миллион токенов для всех
Обе модели V4 поддерживают контекстное окно на 1 миллион токенов — возможность, которая до недавнего времени была исключительно в распоряжении серий Gemini моделей Gemini и OpenAI от Google. Для разработчиков, создающих приложения, которым необходимо обрабатывать целые кодовые базы, объемные юридические документы или большие исследовательские корпуса за один проход, такая длина контекста является преобразующей. Инновации в области эффективности OpenAI означают, что даже при контексте на 1 миллион токенов вычислительные затраты на токен значительно ниже, чем у конкурирующих моделей.
История об эффективности, пожалуй, самый замечательный аспект V4. Согласно технической статье, опубликованной вместе с моделями, DeepSeek-V4-Pro в сценарии работы с контекстом в 1 миллион токенов использует лишь 27% FLOPs на один токен от DeepSeek-V3.2 и всего 10% размера KV-кэша. DeepSeek-V4-Flash продвигает это еще дальше, достигая 10% FLOPs и 7% KV-кэша версии V3.2 в том же сценарии. Это не просто постепенные улучшения — они представляют собой фундаментальное переосмысление того, как большие модели обрабатывают длинные контексты.
Эталонная производительность: почти на грани
Согласно самостоятельно представленным бенчмаркам DeepSeek, V4-Pro сопоставим с GPT-5.2 и Gemini-3.0-Pro по стандартным тестам на рассуждение, хотя в статье признается, что показатели «немного уступают GPT-5.4 и Gemini-3.1-Pro, что указывает на траекторию развития, отстающую от передовых моделей примерно на 3–6 месяцев». Для большинства практических приложений этот разрыв вряд ли имеет значение — а ценовая разница более чем компенсирует это.
Модели доступны через API на собственной платформе DeepSeek и через OpenRouter, при этом Flash стоит $0,14 за 1 млн входных и $0,28 за 1 млн выходных запросов, а Pro — $1,74 за 1 млн входных и $3,48 за 1 млн выходных запросов. Для справки, DeepSeek стоит $5 за 1 млн входных и $30 за 1 млн выходных запросов. GPT-5.5 Pro обеспечивает сопоставимую производительность примерно за треть стоимости входных и за девятую часть стоимости выходных запросов.
Геополитическое измерение этого выпуска не следует упускать из виду. DeepSeek разработала V4 на чипах Ascend в условиях экспортных ограничений США на поставки передовых полупроводников в Китай. Сообщается, что модели оптимизированы для эффективной работы на оборудовании Huawei — альтернативе ставшим дефицитными графическим процессорам NVIDIA H100/H200. Если DeepSeek сможет и дальше соответствовать уровню передовых западных моделей, работая в таких условиях, это поставит принципиальные вопросы об эффективности экспортного контроля как инструмента конкурентной политики в сфере ИИ.