Strategi Tiga Jalur DeepSeek: Merekrut Pakar Distilasi dari Tsinghua, Pendanaan $7,4 Miliar, dan Persiapan Rilis V4

Waktu perekrutan ini sangat strategis. Laporan teknis V3 DeepSeek sudah menjelaskan distilasi kemampuan penalaran dari model seri R1 ^A. Metodologi MiniLLM milik Gu—yang menggunakan reverse KL divergence untuk distilasi generatif—bisa langsung meningkatkan efisiensi dan struktur biaya model-model DeepSeek di masa depan.

2. Pendanaan $7,4 Miliar dengan Valuasi $52–$59 Miliar

DeepSeek menutup putaran pendanaan eksternal pertamanya pada 16 Juni 2026, mengumpulkan sekitar $7,4 miliar (50 miliar yuan) dengan valuasi pasca-pendanaan $52 hingga $59 miliar ^RFF. Putaran ini menjadikan DeepSeek sebagai startup AI paling bernilai di China ^F.

Ketentuan utama kesepakatan:

• Tencent berinvestasi sekitar $1,4 miliar (10 miliar yuan) sebagai investor jangkar ^RF
• CATL, produsen baterai kendaraan listrik terbesar dunia, berinvestasi sekitar $700 juta (5 miliar yuan) ^RF
• Pendiri Liang Wenfeng menyetor sekitar $2,85 miliar (20 miliar yuan) dari modal pribadinya, tetap memegang kendali ^RF
• Kurang dari sepuluh investor institusi berpartisipasi ^F

Dana segar ini menjadi modal untuk merekrut talenta top seperti Gu, mendanai komputasi masif yang diperlukan untuk pelatihan model sebesar V4 (model MoE 1,6T parameter), dan mempertahankan harga API yang jauh di bawah OpenAI dan Anthropic ^NO.

3. Model V4: Pratinjau Sudah Dirilis, Versi Penuh Hadir Pertengahan Juli 2026

DeepSeek merilis model pratinjau V4—dengan bobot terbuka di bawah lisensi MIT dan Apache 2.0—pada 22–24 April 2026 ^RDA. Laporan Tencent News menyebutkan bahwa "V4 正式版" (versi resmi/final) akan diluncurkan pada pertengahan Juli 2026 ^N.

Keluarga V4 terdiri dari dua varian Mixture-of-Experts ^RHA:

• V4-Pro — 1,6 triliun parameter total, 49 miliar aktif per token, dengan jendela konteks 1 juta token
• V4-Flash — 284 miliar parameter total, 13 miliar aktif, juga dengan konteks 1 juta token

Keduanya dirilis dengan bobot terbuka di Hugging Face dan titik akhir API dengan harga yang jauh lebih murah dibanding model AS—sekitar 1/34 dari biaya input Claude Opus 4.7 ^CHA.

4. CAISI NIST Konfirmasi V4 sebagai Model AI China Terbaik—Namun Masih Tertinggal

Pada 1 Mei 2026, Pusat Standar dan Inovasi AI (CAISI) di bawah NIST pemerintah AS menerbitkan evaluasi yang menyatakan: "DeepSeek V4 adalah model AI PRC (China) paling canggih yang pernah dievaluasi CAISI hingga saat ini" di berbagai domain seperti cyber, rekayasa perangkat lunak, sains alam, dan penalaran abstrak ^N. Bloomberg secara independen melaporkan temuan yang sama ^B.

Namun, evaluasi CAISI juga mencatat bahwa V4-Pro tertinggal sekitar delapan bulan dari model AS terdepan dalam tolok ukur penalaran dan matematika ^NBG. Dalam perkiraan skor Elo, V4 Pro mencetak sekitar 800, sementara GPT-5.5 mencapai 1260 ^IL.

Ini adalah nuansa penting: status sebagai "model China paling canggih" mengonfirmasi kepemimpinan DeepSeek di dalam negeri, tetapi juga secara terbuka mengukur jarak dengan OpenAI dan Anthropic.

Bagaimana Semuanya Menjadi Satu Strategi yang Koheren

Ketiga langkah ini saling terkait dan memperkuat satu sama lain:

• Perekrutan Gu Yuxian menyuntikkan keahlian distilasi kelas dunia tepat saat DeepSeek meluncurkan V4—sebuah model yang sudah menggunakan teknik distilasi. Metode Gu bisa langsung meningkatkan efisiensi dan struktur biaya model-model masa depan, membantu DeepSeek berbuat lebih banyak dengan komputasi yang lebih sedikit.

• Pendanaan $7,4 miliar menyediakan dana perang untuk merekrut talenta seperti Gu secara agresif, mendanai komputasi masif untuk pelatihan skala V4, dan mempertahankan harga API yang jauh di bawah pesaing AS.

• Rilis penuh V4 adalah kendaraan produk yang harus membuktikan bahwa DeepSeek bisa menutup celah ~8 bulan yang diidentifikasi NIST. Ini adalah demonstrasi publik bahwa strategi tersebut berhasil.

Intinya

DeepSeek berlomba memampatkan siklus riset dan pengembangannya dengan secara simultan menyuntikkan modal, mengakuisisi bakat distilasi top, dan mendorong V4 ke produksi—semua bertujuan menutup kesenjangan yang terukur dengan model AS secepat mungkin. Apakah strategi tiga jalur ini akan berhasil tergantung pada seberapa cepat inovasi algoritmik dapat mengkompensasi keterbatasan perangkat keras, dan apakah generasi model berikutnya bisa mempersempit celah delapan bulan tersebut.