DeepSeek försöker bygga hela AI-agentstacken

DeepSeek V4 Pro 0813:s lansering med allmän tillgänglighet handlar om mer än en ny språkmodell. Företaget presenterar en starkare flaggskeppsmodell, ett öppet körlager för AI-agenter, en prissättning som styr efterfrågan och en infrastrukturplan som kräver betydande kapital.

Det mest rimliga sättet att tolka lanseringen är därför inte att DeepSeek definitivt har besegrat konkurrenterna. Däremot försöker bolaget konkurrera över hela agentstacken – från modellen och utvecklarverktygen till kapaciteten som krävs för att köra systemen i stor skala.

Kraftiga lyft på agenttester – enligt DeepSeek

DeepSeek uppger att V4 Pro 0813 har förbättrats markant jämfört med förhandsversionen från april, särskilt på tester som mäter programmering och verktygsanvändning:

• Terminal-Bench 2.1: från 72,1 till 87,9 – en ökning med 15,8 poäng
• CyberGym: från 52,7 till 83,3 – en ökning med 30,6 poäng
• DeepSWE: från 12,8 till 62,7 – en ökning med 49,9 poäng

Siffrorna kommer från DeepSeeks publicerade jämförelsetabell och har återgetts i rapporteringen om lanseringen. På Terminal-Bench 2.1 ligger den rapporterade poängen 87,9 bara 0,1 poäng under de 88,0 som i samma jämförelse tillskrivs Anthropics Fable 5.

Om resultaten håller i oberoende tester skulle det placera V4 Pro 0813 nära den tekniska frontlinjen för uppgifter som kräver att en agent navigerar i kodarkiv, använder verktyg, kör kommandon och genomför fler­stegsarbete.

Men det finns en viktig brasklapp: resultaten är leverantörsrapporterade. Den tillgängliga rapporteringen visar inte att de har reproducerats oberoende med samma testmiljö och metodik. Det stora lyftet på DeepSWE är intressant, men bevisar inte i sig att modellen är lika tillförlitlig i verkliga utvecklingsmiljöer.

Harness är kanske viktigare än själva modellen

Den strategiskt mest betydelsefulla nyheten kan vara DeepSeek Harness, ett ramverk för AI-agenter med öppen källkod och MIT-licens. Ett sådant så kallat agent harness fungerar som länken mellan språkmodellen och utvecklingsmiljön. Det samordnar bland annat verktyg, filer, kommandon, sessioner och arbetsflöden i flera steg. DeepSeeks repository beskriver projektet som ett öppet agentramverk och redovisar även tredjepartsberoenden.

Det förändrar konkurrensbilden. DeepSeek tävlar inte längre enbart om API-anrop mot andra modellleverantörer. Med Harness ger sig bolaget också in i arbetsflödeslagret – samma del av marknaden där verktyg som Claude Code och Codex försöker bestämma hur utvecklare bygger, styr och övervakar AI-agenter.

Intresset från utvecklare har varit ovanligt stort. Tredjepartsuppföljning rapporterade över 20 000 GitHub-stjärnor ungefär en timme efter lanseringen och mer än 141 000 den 17 augusti. Det visar på stark nyfikenhet, men GitHub-stjärnor är inte samma sak som produktionsdriftsättningar, återkommande användare eller säkra företagsintegrationer.

Harness är dessutom fortfarande en utvecklarversion, v0.1, där kompatibilitetsbrytande förändringar väntas. En pluginbaserad arkitektur kan göra en agent lättare att anpassa, men också mer komplicerad att driftsätta. Varje nytt verktyg eller plugin väcker frågor om behörigheter, underhåll, felhantering och dataåtkomst.

Flerstegsorkestrering och långa verktygsbeskrivningar kan också öka tokenförbrukningen. Det innebär att modellens pris per token inte nödvändigtvis speglar kostnaden för ett helt autonomt arbetsflöde.

Rapporter om över 2 000 pluginförslag visar att det finns ett tydligt ekosystemintresse, men säger inget om pluginernas mognad eller säkerhet. Företag som testar Harness bör därför isolera plugins, granska deras behörigheter och mäta kostnaden per slutförd uppgift – inte bara räkna repository-stjärnor.

Den nya prissättningen gör kapacitet till en del av produkten

DeepSeeks prisändring i augusti är viktig eftersom bolaget överger den tidigare platta prismodellen till förmån för tidsbaserad prissättning. Den ursprungliga informationen beskrev högtrafik i Pekingtid, medan senare prisbevakning angav motsvarande UTC-intervall. Eftersom tidsplanen har återgetts inkonsekvent bör utvecklare kontrollera de aktuella tiderna i DeepSeeks egen prisdokumentation innan jobb schemaläggs.

Prisriktningen är däremot tydlig. V4 Pro:s utmatningstoken steg från 0,87 dollar per miljon till 1,98 dollar under lågtrafik och 3,96 dollar under högtrafik. För vissa tokentyper och modeller i V4-familjen har ökningen enligt rapporteringen varit över 1 100 procent.

För utvecklare får förändringen flera praktiska följder:

• Batchjobb och icke-brådskande utvärderingar kan bli billigare om de körs utanför högtrafik.
• Autonoma loopar kan bli betydligt dyrare eftersom varje extra steg skapar fler utmatningstoken.
• Applikationer med lång kontext måste skilja på cacheträffar, cachemissar, indata och utdata.
• En modell som verkar billig per token kan bli mindre billig per genomförd uppgift om den kräver många verktygsanrop eller omförsök.

Det här är alltså inte bara ett beslut om intäktsökning. Högtrafikpriser fungerar också som ett sätt att hantera begränsad inferenskapacitet genom att uppmuntra flexibla jobb att flyttas bort från timmar med hög efterfrågan.

Det antyder att DeepSeek i allt högre grad behandlar beräkningskapacitet som en knapp infrastrukturresurs – inte som något som måste säljas till lägsta möjliga pris för att snabbt vinna marknadsandelar.

DeepSeek är fortfarande billigt – men lågprisberättelsen har försvagats

Även vid 3,96 dollar per miljon utmatningstoken är V4 Pro betydligt billigare än de 50 dollar per miljon utmatningstoken som lanseringsrapporteringen anger för Fable 5. DeepSeek har därmed fortfarande ett tydligt prisövertag för stora volymer av kodning och agentbaserade arbetsflöden.

Men ekonomin kan inte längre beskrivas som ”nästan gratis”. Toppnivån innebär en ökning på 355 procent jämfört med det tidigare priset på 0,87 dollar. För produktionssystem som genererar stora mängder text och kod förändrar det kalkylen rejält.

Det viktiga måttet blir därför inte priset per miljon token, utan priset för en lyckad uppgift – inklusive verktygsanrop, omförsök, kontext, väntetid och eventuell användning under högtrafik.

DeepSeek erbjuder fortfarande en stark kombination av pris och kapacitet. Men bolaget ber samtidigt kunderna att betala mer för de mest avancerade funktionerna och att anpassa sina arbetsbelastningar efter företagets kapacitetsbegränsningar.

Finansiering och datacenter pekar mot en plattformssatsning

Den bredare strategin passar ihop med DeepSeeks rapporterade finansiering och infrastrukturplaner. Reuters har rapporterat att bolaget tog in över 50 miljarder yuan, motsvarande cirka 7,4 miljarder dollar, i sin första finansieringsrunda. Bloomberg har separat rapporterat om planer på ett datacenterprojekt i Ulanqab i Inre Mongoliet, med målet att tillföra omkring en gigawatt datorkapacitet.

Uppgifterna bevisar inte att strategin kommer att lyckas eller att anläggningen byggs enligt plan. De visar däremot en förflyttning mot en mer kapitalintensiv verksamhetsmodell.

Tillsammans pekar modelluppgraderingen, det öppna körlagret, den differentierade prissättningen, den externa finansieringen och den planerade kapaciteten mot fyra sammanhängande mål:

1. Locka krävande arbetslaster med bättre prestanda inom kodning och AI-agenter.
2. Behålla utvecklare i ekosystemet genom ett öppet och anpassningsbart körlager.
3. Hantera begränsad inferenskapacitet genom priser för hög- och lågtrafik.
4. Öka den långsiktiga tillgången på beräkningskapacitet genom investeringar i datacenter.

Det är en helt annan position än att främst konkurrera genom att vara den billigaste användbara modellleverantören.

Vad utvecklare bör kontrollera innan de byter

DeepSeek V4 Pro 0813 är värd att testa, särskilt för kodning, automatisering av kodarkiv och arbetsflöden som använder verktyg. Men organisationer bör verifiera fyra saker på egen hand:

• Överförs benchmarkresultaten? Syns förbättringarna även på organisationens egna uppgifter och i den egna testmiljön?
• Vad blir totalkostnaden? Hur mycket kostar en färdig uppgift efter verktygsanrop, omförsök, kontext och högtrafikpriser?
• Hur moget är körlagret? Förblir Harness-integrationerna stabila när utvecklarversionen förändras?
• Är säkerhet och styrning tillräcklig? Går plugins att granska, isolera, begränsa och ta bort på ett kontrollerat sätt?

Den starkaste tolkningen av lanseringen är därför strategisk snarare än enbart numerisk. DeepSeek försöker utvecklas från en lågprisleverantör av modeller till en integrerad plattform för AI-agenter.

V4 Pro 0813 står för kapacitetsanspråket, Harness för utvecklarytan, högtrafikpriserna för efterfrågestyrningen och det nya kapitalet samt den planerade datorkapaciteten för infrastrukturtesen. Om det blir en varaktig konkurrensfördel avgörs av oberoende benchmarkresultat, stabil programvara, säkra plugins och om utvecklare tycker att värdet fortfarande motiverar de högre priserna.