딥시크 V4, ‘또 하나의 AI 모델’ 이상인 이유

한눈에 보는 딥시크 V4

딥시크 V4는 중국 AI 기업 딥시크가 2026년 4월 24일 프리뷰로 공개한 오픈 웨이트 대규모 언어 모델군입니다. 하나의 모델이라기보다 성격이 다른 두 제품으로 구성됩니다. 고난도 추론과 코딩을 겨냥한 V4-Pro, 그리고 속도와 비용 효율을 앞세운 V4-Flash입니다. 1415

다만 V4가 이전의 R1처럼 전 세계 AI 시장을 갑자기 뒤흔들 가능성은 상대적으로 낮습니다. 이제 시장은 중국 연구소도 강력하면서 저렴한 모델을 만들 수 있다는 사실을 어느 정도 예상하고 있기 때문입니다. V4의 더 큰 의미는 경쟁력 있는 모델을 공개하는 데 그치지 않고, 중국이 통제할 수 있는 AI 소프트웨어·반도체 생태계와 연결될 수 있는 실용적 경로를 제시했다는 데 있습니다. 1415

무엇이 공개됐나

딥시크가 공개한 모델의 사양은 다음과 같습니다.

• V4-Pro: 총 1조 6,000억 개 파라미터, 토큰당 활성 파라미터 490억 개
• V4-Flash: 총 2,840억 개 파라미터, 토큰당 활성 파라미터 130억 개
• 공통 사양: 혼합 전문가(MoE) 구조, 최대 100만 토큰 문맥 창, 오픈 웨이트

MoE 구조는 모델 전체의 모든 파라미터를 매번 동시에 사용하는 대신, 입력에 필요한 일부 전문가 네트워크만 활성화하는 방식입니다. 따라서 전체 모델 규모가 매우 크더라도 실제 추론 단계에서 사용하는 연산량을 줄일 수 있습니다. 1410

두 모델은 폐쇄형 클라우드 서비스에서만 제공되는 것이 아니라, 가중치를 내려받아 직접 운영하거나 API를 통해 호출할 수 있도록 공개됐습니다. 이는 기업과 개발자가 자체 인프라, 사설 클라우드 또는 외부 API 중 사용 환경에 맞는 방식을 선택할 수 있다는 뜻입니다. 1415

Pro와 Flash는 어떻게 다른가

V4-Pro는 딥시크의 주력 모델입니다. 복잡한 추론, 소프트웨어 개발, 도구를 사용하는 AI 에이전트 작업, 고난도 지식 업무를 겨냥합니다. 딥시크는 Pro가 세계 최고 수준의 폐쇄형 모델과 경쟁할 수 있다고 주장하며, 추론·지식·코딩·에이전트 관련 벤치마크 성과를 강조했습니다. 1415

V4-Flash는 더 적은 파라미터를 토큰마다 활성화하는 경량 모델입니다. 응답 지연과 비용을 낮추는 데 초점을 맞춰, 대량의 요청을 처리하는 고객센터·검색·개발 도구 같은 서비스에 적합한 선택지로 제시됐습니다. 이름 그대로 최고 성능보다는 빠른 처리와 경제성을 중시하는 제품입니다.

딥시크가 공개한 가격도 이런 구분을 반영합니다. 외부 정리 자료에 따르면 API 기준 V4-Flash는 입력 100만 토큰당 0.14달러, 출력 100만 토큰당 0.28달러이며, V4-Pro는 입력 1.74달러, 출력 3.48달러 수준으로 제시됐습니다. 다만 프리뷰 단계의 가격과 실제 서비스 비용은 변동될 수 있습니다. 814

성능 주장은 어디까지 믿어야 하나

딥시크는 V4-Pro가 주요 폐쇄형 모델에 근접한 성능을 내며, 오픈 모델 가운데 수학·과학·코딩 추론과 에이전트 코딩에서 높은 수준을 보인다고 밝혔습니다. 1415

그러나 이 수치는 기본적으로 출시 기업이 제시한 프리뷰 단계의 벤치마크 주장입니다. 특정 시험에서 높은 점수를 받았다는 사실이 실제 기업 업무, 긴 코드 저장소, 복잡한 도구 호출, 장시간 에이전트 실행에서의 전반적인 우위를 의미하지는 않습니다. 다양한 독립 평가와 실사용 검증이 쌓이기 전까지는 ‘최첨단 모델과 동급’이라는 표현을 성능 확정판이 아니라 딥시크의 주장으로 보는 편이 안전합니다. 1415

100만 토큰 문맥 창이 중요한 이유

V4의 가장 실용적인 특징 중 하나는 두 모델 모두 100만 토큰의 문맥을 지원한다는 점입니다. 토큰은 AI가 텍스트를 처리하는 기본 단위로, 100만 토큰이면 대규모 소프트웨어 코드베이스나 방대한 연구 문서를 한 번에 다룰 수 있는 수준입니다. 1015

문제는 긴 문맥을 지원하는 것 자체보다, 이를 얼마나 저렴하게 처리할 수 있느냐입니다. 딥시크 V4는 최근 정보는 비교적 자세히 처리하고 오래된 정보는 더 작은 메모리 표현으로 압축하는 하이브리드·선택적 어텐션 설계를 사용합니다. 공개 자료에 따르면 100만 토큰 문맥에서 V4-Pro의 토큰당 추론 FLOPs는 V3.2의 27% 수준이고, KV 캐시 메모리 사용량은 10% 수준입니다. V4-Flash는 각각 10%와 7%로 더 낮다고 보고됐습니다. 16

이 구조가 실제 환경에서 안정적으로 작동한다면, 장기간 유지되는 코딩 저장소, 긴 연구 자료, 여러 단계에 걸쳐 실행되는 에이전트를 더 낮은 비용으로 운영할 가능성이 열립니다. 다만 긴 문서를 입력할 수 있다는 것과 문서 전체를 정확히 기억하고 활용한다는 것은 별개의 문제입니다. 공개 평가에서도 문맥 길이가 늘어나면 검색 정확도가 낮아지는 현상이 보고됐습니다. 16

개발자와 AI 에이전트가 주목할 부분

딥시크는 V4를 단순한 대화형 챗봇보다 코딩과 도구 사용형 에이전트에 적합한 모델로 포지셔닝했습니다. Claude Code, OpenClaw, CodeBuddy 같은 개발자 에이전트 환경과 연계해 사용할 수 있다는 점도 내세웠습니다. 14

이는 개발자가 해당 작업 흐름에서 훨씬 저렴한 모델을 시험하거나, 오픈 웨이트를 내려받아 자체 운영할 수 있다는 의미입니다. 하지만 특정 도구와 호환된다는 사실이 Claude 등 대표적인 폐쇄형 모델과 기능적으로 동등하다는 뜻은 아닙니다. 실제로는 모델의 코드 수정 능력, 오류 복구, 도구 호출 정확도, 긴 작업에서의 일관성을 별도로 비교해야 합니다.

진짜 전략적 변화는 화웨이 칩일 수 있다

V4는 딥시크의 주요 모델 가운데 처음으로 화웨이의 어센드(Ascend) AI 칩에 맞춰 최적화된 모델입니다. 이전 딥시크 모델들이 엔비디아 GPU 생태계와 더 밀접하게 연결돼 있었다면, V4는 중국산 칩과 소프트웨어 환경에서도 경쟁력 있는 AI를 구동하려는 방향을 뚜렷하게 보여줍니다. 23

이는 미국의 첨단 반도체 수출 통제가 이어지는 상황에서 전략적 의미가 큽니다. 모델 개발사가 특정 해외 GPU에만 의존하지 않고 자국산 칩과 소프트웨어 스택을 함께 다듬는다면, 중국은 모델·칩·개발 도구가 서로 맞물리는 독자적인 AI 공급망을 구축할 수 있습니다. 이런 관점에서 V4는 단순한 신제품이 아니라 중국의 AI 자립 전략을 시험하는 사례입니다. 23

그렇다고 엔비디아가 대체된 것은 아니다

다만 어센드에서 V4를 실행할 수 있다는 사실을 엔비디아의 대체로 해석해서는 안 됩니다. 엔비디아의 경쟁력은 GPU 자체뿐 아니라 고속 인터커넥트, CUDA 프로그래밍 생태계, 최적화 라이브러리, 개발자 경험, 글로벌 클라우드 배포망이 함께 만들어낸 시스템에 있습니다.

또한 공개 보도만으로는 V4 전체 학습 과정에서 중국산 칩이 어느 정도 사용됐는지, 모델 최적화와 추론 지원을 넘어 학습에 얼마나 기여했는지 명확히 확인되지 않습니다. 화웨이는 일부 V4 학습 과정에 자사 칩이 사용됐다고 밝혔지만, V4가 전적으로 중국산 칩으로 학습됐다는 식의 주장은 검증되지 않은 것으로 봐야 합니다. 23

어센드 950 슈퍼노드가 가져올 수 있는 변화

로이터는 V4 출시 이후 화웨이 어센드 950 AI 칩에 대한 중국 대형 인터넷 기업들의 수요가 급증했다고 보도했습니다. 117

화웨이의 슈퍼노드급 시스템이 충분한 성능과 안정적인 소프트웨어 도구, 원활한 공급, 낮은 총비용을 갖춘다면 V4처럼 연산 효율을 중시하는 모델의 장점을 더 키울 수 있습니다. 나아가 중국 내에서 모델 개발사와 칩 제조사, 클라우드 사업자가 결합한 병렬 AI 인프라가 형성될 가능성도 있습니다.

다만 이는 현재 진행 중인 전략적 경로이지, 엔비디아 중심의 글로벌 AI 인프라를 이미 대체했다는 의미는 아닙니다. 실제 대체 여부는 성능뿐 아니라 생산량, 시스템 안정성, 개발 도구의 완성도, 운영 비용과 개발자 생태계까지 종합적으로 입증돼야 판단할 수 있습니다. 117

결론: R1은 인식을 바꿨고, V4는 운영 방식을 겨냥한다

딥시크 R1의 충격은 중국 연구소가 강력한 추론 모델을 낮은 비용으로 만들 수 있다는 사실을 전 세계에 각인시킨 데 있었습니다. V4는 그 충격을 그대로 반복하기보다는 다음 단계로 나아갑니다.

오픈 웨이트, 100만 토큰 문맥, 낮은 추론 비용, 코딩과 에이전트 배포, 그리고 중국산 하드웨어에서의 구동 가능성을 하나의 제품군에 묶은 것입니다. V4가 장기적으로 중요한 이유는 단순히 벤치마크에서 몇 점을 더 얻었기 때문이 아니라, 경쟁력 있는 AI를 누가 만들고 소유하며 어떤 반도체와 소프트웨어 위에서 운영할 것인지에 대한 선택지를 넓혔기 때문입니다.