DeepSeek V4 Flash: Model MoE 284 Miliar Parameter, Lisensi MIT, dan Harga Mulai US$0,14

Pada saat yang sama, DeepSeek mulai mengundang pengembang proyek open source untuk mengikuti uji beta tertutup DeepSeek Harness—kerangka kerja yang dirancang agar model bahasa besar dapat beroperasi sebagai agen AI, termasuk mengelola konteks, memanggil alat, dan menyelesaikan tugas secara lebih mandiri .

Apa itu DeepSeek V4 Flash?

V4 Flash adalah varian efisiensi dalam keluarga DeepSeek V4. Model ini ditujukan untuk kebutuhan yang membutuhkan biaya rendah, latensi relatif cepat, dan volume permintaan tinggi—misalnya percakapan, ekstraksi informasi, klasifikasi, bantuan pemrograman, serta alur kerja agen.

Arsitektur MoE memungkinkan model memiliki kumpulan “pakar” yang sangat besar tanpa harus mengaktifkan seluruh parameter untuk setiap token. Dengan demikian, V4 Flash memiliki akses ke kapasitas total 284 miliar parameter, tetapi beban komputasi per token lebih terukur karena hanya sekitar 13 miliar parameter yang digunakan .

Catatan: total parameter repositori dapat mencapai 304 miliar jika modul draft DSpark untuk speculative decoding turut dihitung .

Rilis produksi dan lisensi MIT

Keluarga DeepSeek V4 pertama kali hadir sebagai versi pratinjau pada April 2026. Versi produksi V4-Flash-0731 yang dirilis pada 31 Juli menggantikan versi pratinjau tersebut. Menurut catatan rilis, ukuran dan arsitekturnya tidak berubah secara mendasar; peningkatan kemampuan terutama berasal dari proses re-post-training .

Bobot model tersedia melalui platform seperti Hugging Face, sehingga pengembang dan perusahaan dapat mengunduhnya untuk menjalankan model di infrastruktur sendiri. Lisensi MIT juga mengizinkan penggunaan komersial, modifikasi, dan distribusi tanpa biaya royalti .

Namun, lisensi perangkat lunak tidak menghilangkan kebutuhan infrastruktur. Ukuran bobot dan kebutuhan memori untuk konteks 1 juta token tetap membuat penerapan lokal skala penuh membutuhkan perangkat keras kelas pusat data. Pada konfigurasi FP8, bobot model saja diperkirakan membutuhkan sekitar 284 GB memori, sementara konfigurasi yang direkomendasikan untuk konteks penuh 1 juta token adalah empat GPU NVIDIA H200 SXM5 dengan total VRAM 564 GB .

Bagaimana V4 Flash menangani konteks 1 juta token?

Kemampuan membaca konteks hingga 1 juta token ditopang oleh arsitektur perhatian hibrida yang menggabungkan Compressed Sparse Attention (CSA) dan Heavily Compressed Attention (HCA).

• Compressed Sparse Attention (CSA) memampatkan entri key-value hingga 4:1 sepanjang urutan. Setelah itu, Lightning Indexer dalam presisi FP4 memilih hingga 512 blok terkompresi yang paling relevan untuk setiap kueri. Pendekatan ini mengurangi jumlah komputasi perhatian yang harus dilakukan .
• Heavily Compressed Attention (HCA) menggunakan rasio kompresi 128:1 untuk menangani riwayat konteks yang sangat panjang. Jalur ini bersifat padat dan tidak menggunakan pemilihan blok jarang seperti CSA .

Lapisan perhatian tersebut digunakan secara bergantian. Lapisan genap mulai dari lapisan kedua memakai CSA, sedangkan lapisan ganjil mulai dari lapisan ketiga memakai HCA. Di samping itu, tersedia jendela geser yang selalu mempertahankan 128 token terbaru agar model tetap peka terhadap informasi paling mutakhir .

FP4 dan FP8: mengurangi jejak memori

V4 Flash menggunakan presisi campuran untuk menekan kebutuhan penyimpanan dan memori saat inferensi:

• Bobot para pakar MoE disimpan dalam format FP4, termasuk MXFP4.
• Parameter perhatian, normalisasi, router, dan pakar bersama tetap menggunakan FP8.
• NVIDIA juga menyediakan varian NVFP4, yaitu nvidia/DeepSeek-V4-Flash-NVFP4 .

Dalam praktiknya, presisi campuran ini membantu mengurangi jejak model dibandingkan checkpoint yang sepenuhnya menggunakan FP8. Meski begitu, “13 miliar parameter aktif” tidak berarti model dapat dijalankan dengan kebutuhan memori setara model 13 miliar parameter biasa. Seluruh kumpulan bobot pakar tetap perlu tersedia ketika model dioperasikan.

Pengaturan tingkat penalaran

DeepSeek V4 Flash menyediakan parameter reasoning_effort yang memungkinkan pengembang menukar kecepatan dengan kedalaman penalaran. Tiga mode yang tersedia adalah:

• Non-think: respons cepat dan intuitif untuk tugas rutin atau keputusan berisiko rendah.
• Think High: penalaran lebih deliberatif untuk pemecahan masalah, analisis logis, dan perencanaan.
• Think Max: tingkat upaya penalaran paling tinggi, dengan konfigurasi pelatihan dan prompt sistem khusus .

Pengaturan ini memberi pengembang kontrol yang lebih praktis. Permintaan sederhana tidak harus selalu melewati mode penalaran paling mahal, sementara tugas pemrograman atau perencanaan bertahap dapat diberi anggaran penalaran yang lebih besar .

Harga API: US$0,14 per 1 juta token input

Harga resmi yang tercantum untuk DeepSeek V4 Flash adalah:

Input yang berasal dari prompt atau awalan yang sudah tersimpan dalam cache mendapatkan potongan sekitar 98 persen dibandingkan harga cache miss . Struktur harga ini sangat menarik untuk aplikasi dengan prompt sistem yang berulang, percakapan berskala besar, atau pipeline agen yang mengirimkan konteks serupa berkali-kali.

Sejumlah laporan menyebut V4 Flash sebagai salah satu API kelas frontier termurah yang tersedia. Berdasarkan perbandingan yang dikutip sumber-sumber tersebut, harga output US$0,28 per 1 juta token sekitar 54 kali lebih rendah daripada Sonnet 4.6 dan 107 kali lebih rendah daripada GPT-5.5 . Perbandingan itu bergantung pada harga model-model pembanding yang berlaku pada saat penghitungan.

Kemampuan coding dan agen

Versi produksi V4-Flash-0731 dilaporkan memperoleh peningkatan besar dalam tugas agen dan pemrograman melalui re-post-training, bukan perubahan arsitektur . Catatan pembaruan resmi mencantumkan skor berikut:

• Terminal Bench 2.1: 82,7
• NL2Repo: 54,2
• Benchmark agen lainnya: 76,7

Catatan rilis menyatakan bahwa versi ini mencapai tingkat yang sebanding dengan V4-Pro pada benchmark agen dan coding . Artinya, perbedaan antara varian “Pro” dan “Flash” tidak lagi sesederhana anggapan bahwa Pro selalu unggul untuk semua tugas. Untuk beban kerja agen berkecepatan tinggi, V4 Flash berupaya menawarkan kombinasi biaya dan performa yang lebih menarik .

Meski demikian, skor SWE-bench spesifik untuk V4-Flash-0731 tidak ditemukan secara independen dalam sumber yang ditinjau. Karena itu, klaim performa sebaiknya dibaca berdasarkan benchmark yang benar-benar disebutkan, bukan digeneralisasi ke semua ukuran kemampuan pemrograman .

DeepSeek Harness: lapisan untuk membangun agen AI

DeepSeek Harness merupakan proyek terpisah yang berfokus pada eksekusi agen. Jika model bahasa berperan sebagai “otak” yang menghasilkan keputusan dan respons, harness dapat dipahami sebagai lapisan orkestrasi yang membantu mengatur konteks, menjalankan langkah-langkah, dan memanggil alat eksternal.

Nama DeepSeek Harness pertama kali muncul dalam catatan perubahan V4-Flash-0731 dengan keterangan “akan segera dirilis” . Pada 1 Agustus 2026, DeepSeek mulai merekrut pengembang proyek open source untuk uji beta tertutup. Peserta diminta memiliki pengalaman dengan proyek terkait Agent Harness serta menyertakan ID GitHub dan karya open source yang mewakili .

Tim Harness disebut dibentuk pada Maret 2026 ketika Cui Tianyi bergabung dengan DeepSeek untuk membangunnya dari awal . Sumber yang tersedia belum mengonfirmasi secara independen seluruh rincian pekerjaan Cui sebelumnya, sehingga informasi tersebut perlu diperlakukan dengan hati-hati. DeepSeek juga belum mengumumkan tanggal rilis publik Harness .

Mengapa perkembangan ini penting?

DeepSeek sedang mendorong dua hal sekaligus: model yang murah dan kapabel, serta perangkat lunak yang membuat model dapat bertindak sebagai agen. Lisensi MIT membuka peluang bagi perusahaan untuk menyesuaikan dan menjalankan bobot model sendiri, sedangkan harga API yang sangat rendah menurunkan biaya untuk eksperimen dan operasi berskala besar.

Strategi ini sejalan dengan posisi DeepSeek yang kerap dikaitkan dengan upaya membangun model berkemampuan tinggi dengan biaya serendah mungkin sebagai bagian dari jalur menuju kecerdasan umum buatan (AGI) . Namun, kutipan langsung dari CEO Liang Wenfeng mengenai strategi AGI tersebut belum terverifikasi dalam kumpulan sumber yang ditinjau.

Di China, DeepSeek berhadapan dengan Alibaba melalui seri Qwen, ByteDance melalui Doubao, serta Moonshot AI, MiniMax, dan Z.AI . Keunikan V4 terletak pada kombinasi bobot terbuka, lisensi MIT, konteks 1 juta token, dan harga API yang rendah. Sejumlah laporan juga menyebut persiapan IPO DeepSeek, tetapi belum ada kepastian mengenai jadwal, penjamin emisi, atau detail pengajuan .

Kesimpulan

DeepSeek V4 Flash bukan hanya model besar dengan angka parameter yang mencolok. Daya tarik utamanya terletak pada kombinasi arsitektur MoE, konteks 1 juta token, perhatian terkompresi, pengaturan tingkat penalaran, lisensi MIT, dan biaya API yang sangat rendah.

Bagi pengembang, model ini menawarkan pilihan untuk membangun aplikasi coding, ekstraksi, dan agen dengan biaya operasional minimal. Bagi perusahaan, bobot terbuka memungkinkan kontrol lebih besar atas penerapan dan penyesuaian model—meski kebutuhan perangkat keras untuk menjalankan konfigurasi penuh tetap tinggi. Sementara itu, DeepSeek Harness menunjukkan bahwa persaingan berikutnya tidak hanya terjadi pada model, tetapi juga pada lapisan perangkat lunak yang membuat AI mampu menyelesaikan tugas secara mandiri.