Hvad er DeepSeek V4 – og hvorfor betyder den noget?

DeepSeek V4 er ikke én enkelt model, men en ny familie af åbne modeller fra den kinesiske AI-virksomhed DeepSeek. Familien består af flagskibet V4-Pro og den mindre og hurtigere V4-Flash. Preview-versionerne blev lanceret den 24. april 2026. 1415

V4 har næppe samme evne til at overraske markedet som DeepSeek R1. Efter R1 forventer investorer, udviklere og virksomheder allerede, at kinesiske laboratorier kan levere stærke modeller til lave priser. Derfor handler V4’s betydning mindre om et pludseligt chok og mere om, hvordan AI kan bygges, distribueres og køre i praksis.

To modeller til to forskellige behov

DeepSeek beskriver V4-Pro som den tunge model til avanceret ræsonnering, programmering og AI-agenter. Den har 1,6 billioner parametre i alt, hvor 49 milliarder aktiveres for hvert token. V4-Flash har 284 milliarder parametre i alt, men aktiverer kun 13 milliarder ad gangen. Begge er Mixture-of-Experts-modeller og understøtter et kontekstvindue på én million tokens. 1410

I praksis betyder forskellen, at Pro er målrettet de mest krævende arbejdsopgaver, mens Flash skal levere lavere svartid og lavere omkostninger ved store mængder forespørgsler. Modellerne kan både tilgås gennem DeepSeeks API og hentes som modelvægte, i stedet for udelukkende at være tilgængelige som en lukket onlinetjeneste. 1415

Stærke påstande – men stadig en preview

DeepSeek siger, at V4-Pro kan måle sig med verdens førende lukkede modeller. Virksomheden fremhæver især resultater inden for ræsonnering, almen viden, matematik, naturvidenskab, kodning og agentopgaver. 1415

Det er dog vigtigt at skelne mellem virksomhedens egne benchmarkresultater og en bred, uafhængig vurdering. En preview-version kan se stærk ud på udvalgte tests uden nødvendigvis at være lige så god på virkelige arbejdsopgaver, komplekse kodebaser eller længerevarende agentforløb.

Én million tokens uden samme regning

Den lange kontekst er blandt V4’s mest interessante tekniske egenskaber. Et kontekstvindue på én million tokens kan gøre det muligt at arbejde med meget store kodebaser, omfattende forskningsmateriale eller lange samtaler i én og samme opgave. Som tommelfingerregel svarer det til hundredtusindvis af ord, afhængigt af tekstens sprog og format.

V4 bruger en hybrid opmærksomhedsarkitektur, der behandler den seneste information mere detaljeret, mens ældre information komprimeres til en mindre hukommelsesrepræsentation. Ifølge DeepSeek og Hugging Face kræver V4-Pro ved en kontekst på én million tokens 27 procent af V3.2’s beregningsarbejde pr. token og 10 procent af dens KV-cache-hukommelse. For V4-Flash er tallene angivet til henholdsvis 10 procent og 7 procent. 16

Hvis tallene holder på tværs af arbejdsbelastninger, kan det gøre store kodearkiver, lange dokumenter og vedvarende AI-agenter væsentligt billigere at køre.

Kodning og AI-agenter i centrum

DeepSeek har positioneret V4 som en model til programmering og værktøjsbrugende agenter. Den er blandt andet tænkt til udviklermiljøer som Claude Code, OpenClaw og CodeBuddy. 14

Det betyder ikke automatisk, at V4 er lige så god som Claude eller andre førende, lukkede modeller. Det betyder snarere, at udviklere får et billigere alternativ, som kan bruges via API eller i højere grad drives på egen infrastruktur. For virksomheder kan det være attraktivt, hvis de vil have mere kontrol over data, modeldrift og omkostninger.

Den geopolitiske dimension: Huawei frem for Nvidia

Den største strategiske nyhed er muligvis ikke selve benchmarkresultaterne. V4 er DeepSeeks første større model, der er tilpasset Huaweis Ascend-hardware frem for primært at være knyttet til Nvidias GPU’er. 23

Det er vigtigt i en tid, hvor USA’s eksportrestriktioner begrænser Kinas adgang til de mest avancerede amerikanske AI-chips. En stærk model, der fungerer effektivt på kinesisk hardware og software, kan være et skridt mod en mere selvforsynende kinesisk AI-sektor – fra chips og datacentre til modeller og udviklerværktøjer.

Men en model, der kan køre på Ascend, er ikke det samme som, at Nvidia er blevet erstattet. Nvidias fordel består ikke kun af selve GPU’erne, men også af sammenkoblingsteknologi, CUDA-platformen, optimerede biblioteker, udviklernes fortrolighed og en bred global cloud-infrastruktur.

De offentligt tilgængelige oplysninger fastslår heller ikke, hvor stor en del af den samlede træning af V4 der eventuelt foregik på kinesiske chips, i modsætning til optimering og inferens. Påstande om, at hele træningen foregik på indenlandsk hardware, bør derfor behandles som ubekræftede. 23

Kan Ascend 950 skabe en parallel AI-infrastruktur?

Reuters rapporterede, at efterspørgslen på Huaweis Ascend 950-chips steg kraftigt efter V4-lanceringen, og at store kinesiske internetvirksomheder forsøgte at sikre sig leverancer. 1

Hvis Huaweis systemer i supernode-skala kan levere tilstrækkelig ydeevne, softwareunderstøttelse, forsyningssikkerhed og en lavere samlet pris, kan de styrke de effektivitetsgevinster, V4 lægger op til. På længere sigt kan det bidrage til en parallel kinesisk AI-infrastruktur, der ikke er lige så afhængig af Nvidias hardware- og softwareøkosystem.

Det er dog en mulig strategisk udvikling – ikke et bevis på, at Nvidia-stackens globale dominans allerede er brudt.

Konklusion

DeepSeek R1 ændrede opfattelsen af, hvad et kinesisk AI-laboratorium kunne opnå med billig ræsonnering. V4 kan få en mere praktisk og langsigtet betydning: åbne modelvægte, lavere omkostninger ved meget lange kontekster, stærkt fokus på kodning og agenter samt en seriøs indsats for at få avanceret AI til at køre på kinesisk infrastruktur.

V4 er derfor måske ikke det næste globale chok. Men den kan blive et vigtigt tegn på, at kampen om AI ikke kun afgøres af, hvem der har den bedste model – men også af, hvem der kontrollerer chipsene, softwaren og måden, modellerne bliver brugt på.