DeepSeek V4: Derfor kan den bli viktigere enn den første sjokknyheten

DeepSeek V4 er en ny familie av åpne språkmodeller fra det kinesiske AI-selskapet DeepSeek. Forhåndsversjonen ble lansert 24. april 2026 og består av to varianter: kraftige V4-Pro og raskere, rimeligere V4-Flash. 1415

V4 får neppe den samme umiddelbare sjokkeffekten som DeepSeek R1. Etter R1 forventer markedet allerede at kinesiske selskaper kan levere dyktige modeller til lav pris. Den viktigste historien denne gangen handler derfor mindre om overraskelsen og mer om infrastrukturen: åpne modeller, effektiv behandling av lange dokumenter og et forsøk på å koble modellen tettere til kinesisk maskinvare.

To modeller – to bruksområder

DeepSeek V4-Pro har totalt 1,6 billioner parametere, hvor 49 milliarder aktiveres for hvert token. V4-Flash har 284 milliarder parametere totalt og aktiverer 13 milliarder per token. Begge er såkalte mixture-of-experts-modeller og har et kontekstvindu på én million tokens. 1410

I praksis er Pro-versjonen flaggskipet for krevende resonnering, programmering og oppgaver der en AI-agent må planlegge og bruke verktøy. Flash-versjonen aktiverer langt færre parametere og er derfor rettet mot lavere ventetid og kostnad – særlig i tjenester som skal håndtere store mengder forespørsler.

Modellene er tilgjengelige med nedlastbare vekter og gjennom DeepSeeks API. Det betyr at utviklere ikke bare må bruke en lukket nettjeneste, men kan undersøke, tilpasse og i prinsippet kjøre modellene i egne miljøer, avhengig av tilgjengelig maskinvare og programvarestøtte. 1415

Nær fronten – ifølge DeepSeek

DeepSeek sier at V4-Pro konkurrerer med de ledende lukkede modellene, og trekker særlig frem resonnering, kunnskap, programmering og agentbaserte tester. 1415

Det er likevel viktig å lese dette som leverandørens egne påstander. En forhåndsversjon og resultater fra utvalgte standardtester er ikke det samme som bred, uavhengig dokumentasjon på at modellen yter like godt i alle praktiske arbeidsoppgaver.

V4 er samtidig tydelig posisjonert mot programmering og AI-agenter. DeepSeek har fremhevet bruk i utviklerverktøy og agentmiljøer som Claude Code, OpenClaw og CodeBuddy. 14

Kompatibilitet med slike arbeidsflyter betyr imidlertid ikke automatisk at V4 er like god som Claude eller andre ledende, lukkede modeller. Det betyr først og fremst at utviklere får et betydelig rimeligere alternativ som kan brukes via API eller eventuelt driftes på egen infrastruktur.

Én million tokens – uten at kostnaden løper fra deg

Den største tekniske nyheten er kanskje ikke selve størrelsen, men hvordan V4 håndterer lange kontekster. Et kontekstvindu på én million tokens gjør det mulig å legge inn svært store kodebaser, dokumentarkiver eller forskningssamlinger i samme arbeidsøkt.

V4 bruker en hybrid oppmerksomhetsmekanisme som behandler den nyeste informasjonen mer detaljert, mens eldre deler av konteksten komprimeres til en mindre minnepresentasjon. Målet er å redusere ressursbruken uten å miste oversikten over hele materialet.

Ifølge DeepSeek og Hugging Face trenger V4-Pro ved én million tokens 27 prosent av beregningskostnaden per token sammenlignet med V3.2, og 10 prosent av minnet som brukes til å lagre konteksten. For V4-Flash er de tilsvarende tallene oppgitt til 10 prosent av beregningskostnaden og 7 prosent av minnebruken. 16

Hvis tallene holder seg i uavhengige tester, kan dette få praktisk betydning for langvarige kodeprosjekter, store dokumentmengder og AI-agenter som arbeider over mange trinn. Det kan gjøre slike løsninger billigere å kjøre over tid – ikke bare billigere å demonstrere.

Den kinesiske maskinvarevinkelen

V4 er også DeepSeeks første større modell som er tilpasset Huaweis Ascend-maskinvare, i stedet for å være hovedsakelig knyttet til Nvidias GPU-er. 23

Dette er strategisk viktig i en tid der amerikanske eksportrestriksjoner begrenser Kinas tilgang til de mest avanserte AI-brikkene. En modell som fungerer godt sammen med kinesiske brikker, kan bidra til å bygge en innenlandsk kjede fra modell og programvare til datakraft og skytjenester.

Men dette er ikke det samme som at Nvidia er forbigått. Nvidias posisjon bygger ikke bare på selve brikkene, men også på sammenkobling mellom brikkene, CUDA-programvaren, optimaliserte biblioteker, utviklernes erfaring og omfattende støtte i globale skytjenester.

Det offentlige materialet fastslår heller ikke hvor stor del av hele treningen av V4 som eventuelt ble gjennomført på kinesiske brikker, i motsetning til optimalisering og kjøring av modellen. Påstander om at hele treningen skjedde på innenlandsk maskinvare, bør derfor behandles som ubekreftede. 23

Kan Huawei bygge et parallelt AI-økosystem?

Reuters rapporterte om sterk etterspørsel etter Huaweis Ascend 950-brikker etter V4-lanseringen. 1 Dersom Huaweis supernoder kan levere god nok ytelse, programvarestøtte, tilgjengelighet og lavere totalkostnad, kan de bidra til å forsterke effektiviseringsgevinstene i V4 og andre modeller.

Det kan i så fall legge grunnlaget for en parallell kinesisk AI-infrastruktur. Men det er foreløpig en mulig strategisk utvikling, ikke dokumentasjon på at Nvidia-økosystemet er erstattet.

Hvorfor V4 likevel betyr noe

R1 endret oppfatningen av hva et kinesisk AI-laboratorium kunne få til, ved å vise at avansert resonnering kunne leveres relativt billig. V4 kan få en mer gradvis, men kanskje dypere, effekt på hvordan AI faktisk tas i bruk.

Kombinasjonen av åpne vekter, én million tokens kontekst, lavere ressursbruk, støtte for programmering og agenter – samt tilpasning til kinesisk maskinvare – gjør V4 relevant langt utover selve lanseringsdagen.

Kort sagt: R1 skapte et globalt sjokk. V4 handler mer om drift, kostnad og kontroll over hele teknologistakken.