DeepSeek V4 Flash och 8 biljoner token: därför förändrar AI-agenter modellernas ekonomi

Det rapporterade dygnsrekordet på 8 biljoner token hos OpenCode handlar mindre om en enskilt populär modell och mer om att själva arbetsenheten för AI håller på att förändras. Utvecklare betalar i allt högre grad för en agentloop: modellen läser ett kodarkiv, gör en plan, ändrar filer, kör programmet, granskar felmeddelandet och försöker igen.

OpenCode uppgav att DeepSeek V4 Flash behandlade 8 biljoner token den 1 augusti, varav 5 biljoner i kostnadsfri provanvändning och 3 biljoner genom det betalda Go-erbjudandet. Separat placerade OpenRouters veckorankning för 27 juli–2 augusti V4 Flash på 7,22 biljoner token för hela veckan på den plattformen. Siffrorna är plattformsrapporterade, inte en oberoende revision av all modellanvändning, men kontrasten visar vilken skala agentarbetsflöden kan nå. 202329

Därför förbrukar agenter så många token

En vanlig chattfråga har oftast en kort prompt och ett avgränsat svar. En kodagent arbetar i stället med ett mycket större sammanhang: källfiler, terminalutskrifter, testfel, tidigare beslut, skapade kodändringar och återkommande verktygsanrop. Under arbetets gång kan den behöva återvända till stora delar av detta material flera gånger.

OpenCodes publicerade data för V4 Flash visar i snitt omkring 12 miljoner token per session och en input-cachekvot på 95 procent. Det bevisar inte att varje session är ett helt autonomt koduppdrag, men mönstret är förenligt med långvarigt, iterativt arbete snarare än korta chattsvar. 25

Det är avgörande, eftersom användaren inte ytterst värderar antalet genererade token. Det som har värde är en pull request som kan slås ihop, en testsuite som passerar, en fungerande prototyp eller ett arbetsflöde som blir rätt utfört. Ett praktiskt mått blir därför:

Kostnad per godkänd uppgift = total kostnad för modell och verktygsloop ÷ sannolikheten att uppgiften uppfyller kraven.

I den beräkningen ingår misslyckade försök, omtag, mänsklig granskning, väntetid och kostnaden för att rätta fel – inte bara modellens listpris för in- och utdata.

Låga tokenpriser gör fler försök försvarbara

Rapporteringen kring V4 Flash angav ett förstahandspris på 0,14 dollar per miljon input-token och 0,28 dollar per miljon output-token. 12 Med sådana nivåer kan utvecklare ekonomiskt motivera fler iterationer, mer kvarhållet sammanhang och mer automatiserad testning än med en väsentligt dyrare modell.

Poängen är inte att billigare modeller alltid är bättre. En mindre kvalitetsskillnad kan dock vägas upp av en stor prisskillnad när agenten behöver många turer för att slutföra rutinmässigt arbete.

I en jämförelse fick V4 Flash Max 50 poäng i Artificial Analysis Intelligence Index v4.1, mot 56 poäng för Claude Opus 4.8 Max. Samtidigt uppgavs kostnaden för att köra hela utvärderingssviten vara 72,02 dollar jämfört med 3 752,55 dollar. Det är en mycket stor kostnadsskillnad vid sidan av ett sexpoängsgap – men det är en utvärderingsjämförelse, inte en garanti för samma tillförlitlighet i verkliga arbetsuppgifter. 16

För svåra uppgifter med stora konsekvenser kan en premiummodell ändå bli billigare per godkänt resultat, om den minskar risken för felaktiga driftsättningar, behovet av övervakning eller omfattande omarbete. Slutsatsen är alltså inte att använda den billigaste modellen överallt, utan att välja modell utifrån den totala kostnaden för ett acceptabelt resultat.

”Kill line” sätter främst press på mellanskiktet

Uttrycket ”DeepSeek kill line” bör framför allt ses som en marknadsmetafor. Det beskriver trycket på modeller som kostar avsevärt mer än ett lågprisalternativ nära teknikfronten, utan att ge ett tydligt bättre resultat på uppgiften.

Tre segment påverkas på olika sätt:

• Billiga modeller för routing är fortsatt relevanta för klassificering, extraktion, korta omvandlingar och sortering i stor skala. Där väger hastighet och lägsta möjliga styckkostnad tyngre än avancerat resonemang.
• Premiummodeller i toppklassen har fortsatt en roll i de svåraste fallen: långsiktigt resonemang, mycket hög tillförlitlighet, multimodalt arbete, styrningskrav och situationer där mänsklig granskning är dyr.
• Mellanklassmodeller utsätts för det hårdaste testet. Kostar de märkbart mer än Flash måste de visa bättre slutförandegrad, svarstid, verktygsanvändning, integration, support eller företagskontroller – inte bara en liten fördel i benchmarkresultat.

Med andra ord kan lågkostnadsmodeller för agenter bli standardarbetaren, medan premiummodeller blir specialister att eskalera till. Mellanskiktet måste visa att det sänker den totala kostnaden per uppgift.

Tekniken bakom agentekonomin

DeepSeek V4 Flash är en mixture-of-experts-modell med 284 miljarder parametrar totalt, men omkring 13 miljarder aktiva per token, och stöd för ett kontextfönster på en miljon token. 17 Konstruktionen skiljer modellens samlade kapacitet från hur mycket beräkning som används för varje enskild genererad token.

Effektiviteten bygger på flera delar:

• MoE-routing: Endast en del av modellens experter aktiveras för varje token, vilket minskar den aktiva beräkningen jämfört med att köra alla parametrar i en tät modell. 17
• Hybrid attention: V4-familjen kombinerar Compressed Sparse Attention (CSA) och Heavily Compressed Attention (HCA), som är utformade för att minska belastningen från uppmärksamhetsberäkningar och minne vid mycket långa kontexter. 1733
• Mindre cachebelastning: NVIDIA beskriver V4-familjens attention-innovationer som inriktade på 73 procents lägre inferens-FLOPs per token och 90 procents lägre minnesbelastning för KV-cache jämfört med DeepSeek-V3.2 i den angivna jämförelsen. 33
• Cachemedvetna arbetsflöden: När agenten gång på gång skickar överlappande kod- och verktygskontext kan hög återanvändning av cache få stor effekt på den faktiska kostnaden. OpenCodes rapporterade cachekvot på 95 procent visar varför denna driftfråga spelar roll. 25

Detta är inte bara tekniska specifikationer. De avgör om det blir ekonomiskt rimligt att låta en agent granska ett stort kodarkiv, använda verktyg och återhämta sig från misstag flera gånger innan den levererar ett svar.

Den nya fronten: förmåga, tillförlitlighet och kostnaden för nästa försök

Benchmarkresultat är fortfarande viktiga, men de räcker inte som enda mått för agenter. Den relevanta jämförelsen är en avvägning mellan tre faktorer:

1. Förmåga: Kan modellen lösa den aktuella typen av uppgift?
2. Tillförlitlighet: Hur ofta levererar den ett acceptabelt resultat utan dyr mänsklig insats?
3. Marginalkostnad för iteration: Hur prisvärt är ytterligare ett verktygsanrop, en ändring, en testkörning eller ett återställningsförsök?

Det rapporterade dygnet med 8 biljoner token gör den sista faktorn synlig. När agenter ersätter enstaka frågor kan tokenanvändningen växa med flera storleksordningar. Modeller som gör lång kontext och upprepade försök billiga kan därför bli förstahandsvalet för breda, repetitiva agentuppgifter – även om en starkare toppmodell fortfarande är rätt alternativ i de mest krävande fallen. 202533