DeepSeek V4: что умеет новая модель и почему она важна для будущего ИИ

Коротко: что такое DeepSeek V4

DeepSeek V4 — семейство больших языковых моделей, представленное 24 апреля 2026 года в формате предварительного релиза. В него вошли две версии: флагманская V4-Pro и более быстрая и экономичная V4-Flash.

Обе модели используют архитектуру mixture-of-experts (MoE) — при обработке каждого запроса активируется лишь часть общего числа параметров. Они распространяются с открытыми весами по лицензии MIT и доступны не только через веб-сервис, но и для скачивания, а также через API. 1410

DeepSeek V4 вряд ли вызовет такой же шок, как модель рассуждений R1. После успеха R1 рынок уже ожидает от китайских разработчиков сильных и недорогих систем. Поэтому главный эффект V4 может быть не информационным, а практическим: она пытается объединить конкурентоспособные возможности, открытость, дешёвый инференс и работу на китайской аппаратной базе. 1415

Две модели для разных задач

DeepSeek-V4-Pro — версия для наиболее сложных сценариев: многошаговых рассуждений, программирования, работы с инструментами и ИИ-агентами. В ней заявлено 1,6 триллиона параметров, однако на обработку одного токена активируется около 49 миллиардов.

DeepSeek-V4-Flash заметно компактнее: 284 миллиарда параметров всего и 13 миллиардов активных параметров на токен. Такой подход рассчитан на меньшую задержку и стоимость — качества должно быть достаточно для высоконагруженных приложений, где важны скорость и цена каждого запроса. Обе модели поддерживают контекстное окно до 1 млн токенов. 1410

Открытые веса дают разработчикам больше свободы, чем закрытый облачный сервис: модель можно изучать, адаптировать и разворачивать в собственной инфраструктуре, если для этого есть подходящие вычислительные ресурсы. Одновременно DeepSeek предоставляет официальный API, поэтому начать работу можно и без самостоятельного запуска модели. 1415

Производительность и цена: громкие обещания требуют проверки

DeepSeek утверждает, что V4-Pro по ряду показателей приближается к ведущим закрытым моделям. Компания отдельно подчёркивает результаты в рассуждениях, математике и STEM-задачах, программировании, знаниях о мире и разработке агентных систем. 1415

Однако пока это прежде всего заявления разработчика о предварительной версии. Результаты отдельных бенчмарков не заменяют независимое тестирование на реальных задачах: работе с кодовыми базами, длинными документами, инструментами, корпоративными данными и устойчивыми многошаговыми сценариями.

Экономическая привлекательность V4 связана не только с заявленной стоимостью API, но и с архитектурой. Более дешёвый Flash ориентирован на массовые запросы, а Pro может сделать доступными длинные контексты и сложные агентные процессы для большего числа разработчиков. Точные тарифы могут меняться по мере развития предварительного релиза, поэтому их лучше рассматривать как коммерческие условия конкретного периода, а не как постоянное преимущество.

Миллион токенов — не просто красивый показатель

Контекст в 1 млн токенов позволяет передавать модели очень большие объёмы информации: крупные репозитории исходного кода, длинные исследовательские материалы или историю продолжительной работы агента. Но сам по себе большой лимит ещё не гарантирует, что модель одинаково хорошо извлечёт нужный факт из любой части такого контекста.

DeepSeek использует гибридный механизм внимания: свежая и наиболее важная информация обрабатывается детальнее, а более старые фрагменты сжимаются в компактное представление. По данным DeepSeek и Hugging Face, при контексте в 1 млн токенов V4-Pro требует около 27% вычислений на токен по сравнению с V3.2 и около 10% памяти KV-кэша. Для V4-Flash заявлены ещё более низкие показатели — примерно 10% вычислений и 7% памяти кэша. 16

Если эти характеристики сохраняются на практике, длинный контекст становится не только технической демонстрацией, но и способом снизить стоимость длительной работы с кодом, документами и автономными агентами.

Почему разработчикам интересны код и агенты

DeepSeek позиционирует V4 как модель для программирования и систем, которые способны вызывать инструменты и выполнять цепочки действий. Компания также указывает на интеграцию с такими средами и инструментами для разработчиков, как Claude Code, OpenClaw и CodeBuddy. 14

Это не означает, что V4 автоматически равна Claude или другим ведущим закрытым моделям по качеству агентной работы. Речь идёт о совместимости рабочих процессов: разработчики получают возможность попробовать более дешёвую альтернативу через API или развернуть модель на собственной инфраструктуре, если это технически возможно.

Именно здесь V4 может оказаться особенно полезной. Для агента цена и задержка каждого шага быстро складываются в значительные расходы. Поэтому модель, которая достаточно хорошо пишет код, пользуется инструментами и удерживает большой объём контекста, может быть привлекательной даже без безусловного лидерства во всех тестах.

Huawei Ascend и ставка на собственный стек

Наиболее важная особенность V4 выходит за рамки обычного сравнения моделей. DeepSeek адаптировала её для аппаратной платформы Huawei Ascend — в отличие от прежней сильной зависимости отрасли от ускорителей Nvidia. Reuters сообщало, что чипы Huawei использовались в части процесса обучения, а сама модель была адаптирована для работы с технологией Ascend.

Для Китая это имеет стратегическое значение на фоне американских ограничений на экспорт передовых вычислительных чипов. Успешная связка «модель — чип — компилятор — библиотеки — облачная инфраструктура» может стать основой более самостоятельной китайской экосистемы искусственного интеллекта.

При этом важно не делать слишком сильный вывод. То, что модель работает на Ascend, ещё не означает, что Nvidia вытеснена. Преимущество Nvidia — это не только сами графические процессоры, но и межсоединения, CUDA, оптимизированные библиотеки, инструменты разработчика, накопленная экспертиза и широкое присутствие в мировых облачных сервисах.

Открытые публичные данные также не показывают, какая доля полного обучения V4 — если такая доля вообще была — выполнялась на китайских чипах, а какая пришлась на оптимизацию и инференс. Поэтому заявления о полностью отечественном обучении модели следует считать неподтверждёнными. 23

Может ли Ascend 950 создать параллельную инфраструктуру

После выхода V4 Reuters сообщало о резком росте спроса на чипы Huawei Ascend 950: крупные китайские интернет-компании стремились зарезервировать поставки. 1

Если системы Huawei масштаба суперузлов смогут обеспечить приемлемую производительность, программную поддержку, стабильные поставки и более низкую совокупную стоимость, они получат дополнительный импульс благодаря таким моделям, как V4. Тогда в Китае может сформироваться параллельная инфраструктура ИИ — не обязательно равная Nvidia по масштабу, но достаточно самостоятельная для внутренних разработок и сервисов.

Пока это стратегическая возможность, а не доказанная замена глобальному стеку Nvidia. Но сам факт, что разработчик заметного открытого семейства моделей заранее учитывает альтернативную аппаратную платформу, важен: конкуренция перемещается с уровня отдельных нейросетей на уровень всей цепочки производства и эксплуатации ИИ.

Итог

DeepSeek R1 изменила восприятие китайского ИИ, показав, что сильные способности к рассуждению можно получить при относительно низкой стоимости. V4 предлагает другой тип вызова.

Её значение — в сочетании открытых весов, двух вариантов под разные нагрузки, миллионного контекста, акцента на кодирование и агентов, а также адаптации к китайским чипам. Вряд ли этот релиз повторит внезапный глобальный эффект R1, но он может оказаться более глубоким с операционной точки зрения: DeepSeek пытается сделать передовые ИИ-возможности доступными, долгоживущими и менее зависимыми от американской аппаратно-программной экосистемы.