DeepSeek V4 Flashin 8 biljoonan tokenin päivä näyttää, miksi AI-agentit muuttavat mallien taloutta

OpenCoden raportoima 8 biljoonan tokenin päivä ei kerro vain yhden mallin suosiosta. Se kertoo, että tekoälytyön perusyksikkö on muuttumassa. Kehittäjät eivät enää osta pelkkää vastausta kysymykseen, vaan agenttisilmukkaa: agentti lukee koodivaraston, tekee suunnitelman, muokkaa tiedostoja, ajaa ohjelman tai testit, tarkistaa virheet ja yrittää uudelleen.

OpenCode ilmoitti DeepSeek V4 Flashin käsitelleen 1. elokuuta 8 biljoonaa tokenia. Määrä jakautui 5 biljoonaan ilmaiskokeilujen tokeniin ja 3 biljoonaan maksullisen Go-tarjouksen kautta käytettyyn tokeniin. Erillään tästä OpenRouterin 27.7.–2.8. julkaistu viikkolistaus sijoitti V4 Flashin 7,22 biljoonaan tokeniin koko viikon aikana kyseisellä alustalla. Luvut ovat alustojen itse raportoimia, eivät riippumattomasti auditoitu mittaus kaikesta mallikäytöstä. Ne kuitenkin havainnollistavat, kuinka suuriksi agenttityön volyymit voivat kasvaa. 202329

Miksi agentit kuluttavat niin paljon tokeneita?

Yksittäinen chat-kysymys sisältää tavallisesti lyhyen syötteen ja rajatun vastauksen. Koodausagentin työmuisti on paljon suurempi: mukana voi olla lähdekoodia, terminaalitulosteita, testien virheilmoituksia, aiempia päätöksiä, tuotettuja korjauksia ja toistuvia työkalukutsuja. Tehtävän aikana agentti voi joutua palaamaan samaan kontekstiin yhä uudelleen.

OpenCoden V4 Flashista julkaisemien tietojen mukaan yhdessä istunnossa käytetään keskimäärin noin 12 miljoonaa tokenia, ja syötetokenien välimuistiosuma on 95 %. Nämä luvut eivät todista, että jokainen istunto olisi täysin itsenäinen koodausprojekti. Ne sopivat silti kuvaan pitkästä, iteratiivisesta työstä paremmin kuin tavanomaisesta lyhyestä keskustelusta. 25

Käyttäjä ei lopulta arvosta tokenien määrää. Hän arvostaa yhdistettyä koodimuutosta, läpi mennyttä testipakettia, toimivaa prototyyppiä tai oikein hoidettua työvaihetta. Siksi käyttökelpoinen arviointikaava on:

Kustannus hyväksyttyä tehtävää kohti = mallin ja työkalusilmukan kokonaiskustannus ÷ todennäköisyys, että tehtävä täyttää vaaditun tason.

Laskelmassa ovat mukana myös epäonnistuneet yritykset, uudelleenajot, ihmisen tekemä tarkistus, viiveet ja virheiden korjaaminen – ei vain API-hinnaston syöte- ja tulostehinta.

Halpa tokeni tekee uusista yrityksistä järkeviä

V4 Flashin julkaistuksi ensikäden hinnaksi on raportoitu 0,14 dollaria miljoonalta syötetokenilta ja 0,28 dollaria miljoonalta tulostokenilta. 12 Tällaisella hinnoittelulla kehittäjä voi taloudellisesti sallia enemmän iterointia, enemmän säilytettyä kontekstia ja enemmän automaattista testausta kuin selvästi kalliimmalla mallilla.

Tämä ei tarkoita, että halvin malli olisi aina paras. Pieni laatuerotus voi kuitenkin jäädä suuren kustannuseron varjoon, kun agentti tarvitsee useita kierroksia rutiinitehtävän loppuun saattamiseksi.

Yhdessä vertailussa Artificial Analysis Intelligence Index v4.1 antoi V4 Flash Maxille pistemäärän 50 ja Claude Opus 4.8 Maxille 56. Koko arviointisarjan ajamisen mallikustannukseksi raportoitiin vastaavasti 72,02 dollaria ja 3 752,55 dollaria. Ero kustannuksissa on suuri, vaikka piste-ero on kuusi. Kyse on kuitenkin arviointivertailusta, ei lupauksesta samanlaisesta luotettavuudesta todellisessa työssä. 16

Vaikeissa tai seurauksiltaan merkittävissä tehtävissä premium-malli voi silti olla halvempi hyväksyttyä lopputulosta kohti, jos se vähentää olennaisesti epäonnistumisia, valvonnan tarvetta tai uusintatyötä. Johtopäätös ei siis ole, että kaikkialla pitäisi käyttää halvinta mallia, vaan että työ kannattaa ohjata mallille kokonaiskustannuksen perusteella.

”DeepSeekin tapporaja” kohdistuu ennen kaikkea keskitasoon

Ilmausta ”DeepSeek kill line” kannattaa pitää markkinametaforana. Se kuvaa painetta malleihin, jotka ovat matalan hinnan, lähes kärkitasoisen vaihtoehdon rinnalla selvästi kalliimpia mutta eivät tuota selvästi parempaa lopputulosta.

Kolme mallitasoa reagoivat eri tavoin:

• Halvat reititys- ja luokittelumallit säilyvät hyödyllisinä luokittelussa, tiedon poiminnassa, lyhyissä muunnoksissa ja suuren volyymin esikarsinnassa. Näissä nopeus ja alhaisin yksikköhinta painavat usein kehittynyttä päättelyä enemmän.
• Kalleimmat huippumallit säilyttävät roolinsa vaikeimmissa tehtävissä: pitkän aikajänteen päättelyssä, poikkeuksellista luotettavuutta vaativissa tilanteissa, multimodaalisessa työssä, hallintavaatimuksissa ja tapauksissa, joissa ihmistarkistus on kallista.
• Keskitason mallit joutuvat tiukimpaan testiin. Jos ne maksavat olennaisesti enemmän kuin Flash, niiden pitää osoittaa parempi tehtävien valmistumisaste, viive, työkalujen käyttö, integraatiot, tuki tai yritystason hallinta – pelkkä pieni benchmark-etu ei välttämättä riitä.

Matalan kustannuksen agenttimalli voi siis nousta tavallisen työn oletustekijäksi, kun taas premium-malleista tulee vaikeiden tapausten eskalointiasiantuntijoita. Keskiluokan on pystyttävä osoittamaan, että se pienentää tehtävän kokonaiskustannusta.

Miten V4 Flash tavoittelee agenttimittakaavan taloutta?

DeepSeek V4 Flash on asiantuntijaseosmalli eli MoE-malli (mixture of experts). Siinä on 284 miljardia parametria, mutta kutakin tokenia kohden aktivoidaan noin 13 miljardia parametria. Malli tukee myös miljoonan tokenin konteksti-ikkunaa. 17 Rakenne erottaa mallin kokonaiskapasiteetin siitä laskennasta, jota yhden tokenin tuottaminen käytännössä vaatii.

Tehokkuus syntyy useasta osasta:

• MoE-reititys: jokaiselle tokenille aktivoidaan vain osa asiantuntijoista. Tämä pienentää aktiivista laskentaa verrattuna tiheään malliin, jossa kaikki parametrit ovat käytössä joka kerta. 17
• Hybrid attention -mekanismi: V4-perhe yhdistää Compressed Sparse Attentionin (CSA) ja Heavily Compressed Attentionin (HCA). Niiden tarkoitus on pienentää hyvin pitkien kontekstien huomio- ja muistikuormaa. 1733
• Pienempi välimuistikuorma: NVIDIA kuvaa V4-perheen huomioinnovaatioiden tavoittelevan viitatussa vertailussa 73 prosentin vähennystä tokenikohtaisiin inferenssilaskentoihin ja 90 prosentin vähennystä KV-välimuistin muistikuormaan verrattuna DeepSeek-V3.2:een. 33
• Välimuistitietoiset työnkulut: kun agentti lähettää toistuvasti päällekkäistä koodivarasto- ja työkalukontekstia, välimuistin uudelleenkäyttö vaikuttaa olennaisesti todellisiin kustannuksiin. OpenCoden raportoima 95 prosentin välimuistisuhde osoittaa, miksi tämä yksityiskohta on merkittävä. 25

Kyse ei ole vain teknisistä ominaisuuksista. Ne ratkaisevat, onko taloudellisesti mahdollista antaa agentin tutkia suurta koodikantaa, käyttää työkaluja ja toipua virheistä useita kertoja ennen vastauksen tai muutoksen valmistumista.

Uusi rintama: kyvykkyys, luotettavuus ja lisäiteroinnin hinta

Benchmarkit ovat edelleen tärkeitä, mutta agenttien kohdalla ne eivät yksin riitä. Käytännöllinen vertailu on kolmen tekijän tasapaino:

1. Kyvykkyys: pystyykö malli ratkaisemaan kyseisen tehtäväluokan?
2. Luotettavuus: kuinka usein se tuottaa hyväksyttävän lopputuloksen ilman kallista puuttumista?
3. Lisäiteroinnin rajakustannus: kuinka edullista on tehdä vielä yksi työkalukutsu, korjaus, testiajo tai palautumisyritys?

Raportoitu 8 biljoonan tokenin päivä tekee viimeisestä tekijästä näkyvän. Kun agentit korvaavat kertaluonteisia kyselyjä, tokenien käyttö voi kasvaa kertaluokkia. Mallit, jotka tekevät pitkästä kontekstista ja uusista yrityksistä edullisia, voivat nousta laajojen ja toistuvien agenttityökuormien oletusvalinnaksi – vaikka kyvykkäämpi huippumalli olisi yhä parempi vaikeimmissa tapauksissa. 202533