Модели

Предварительный просмотр DeepSeek V4: крупнейшая в Китае модель с открытым исходным кодом с контекстом в 1 миллион токенов

Китайская лаборатория ИИ DeepSeek запускает долгожданную серию V4 — модель Mixture-of-Experts с 1,6 триллиона параметров, которая обходится дешевле всех западных передовых моделей, при этом соответствуя им по большинству критериев.

Майкл С. 24 апреля 2026 года

Китайская лаборатория ИИ DeepSeek вернулась с самым амбициозным релизом на сегодняшний день. 24 апреля 2026 года компания представила DeepSeek-V4-Pro и DeepSeek-V4-Flash — две превью-модели, которые вместе составляют первый выпуск долгожданной серии V4. Обе модели распространяются с открытым исходным кодом под разрешительной лицензией MIT, продолжая политику DeepSeek по выпуску мощных моделей, которыми исследовательское сообщество может свободно пользоваться и на которых можно строить новые разработки.

Основной показатель — масштаб. DeepSeek-V4-Pro — это модель Mixture-of-Experts (MoE) с общим числом параметров 1,6 триллиона, из которых 49 миллиардов активны на каждом шаге вывода. Это делает её крупнейшей моделью с открытыми весами, когда-либо выпущенной, превосходя Moonshot AI Kimi K2.6 (1,1 трлн) и GLM-5.1 (754 млрд), и более чем в два раза превышая размер собственной модели DeepSeek V3.2 (685 млрд). Младший вариант, DeepSeek-V4-Flash, имеет 284 миллиарда общих параметров и 13 миллиардов активных — более практичный размер для исследователей и разработчиков, которые хотят запускать модель локально.

Миллион токенов для всех

Обе модели V4 поддерживают контекстное окно в 1 миллион токенов — возможность, которая до недавнего времени была исключительной прерогативой Google Gemini и серии GPT-5 от OpenAI. Для разработчиков, создающих приложения, которым необходимо обрабатывать целые кодовые базы, обширные юридические документы или большие исследовательские корпусы за один проход, эта длина контекста является преобразующей. Инновации в области эффективности DeepSeek означают, что даже при контексте в 1 миллион токенов вычислительные затраты на токен значительно ниже, чем у конкурирующих моделей.

История эффективности, пожалуй, является самым выдающимся аспектом V4. Согласно технической статье, опубликованной вместе с моделями, DeepSeek-V4-Pro в сценарии с контекстом из 1 миллиона токенов использует всего 27% FLOPs для одного токена по сравнению с DeepSeek-V3.2 и только 10% размера KV-кэша. DeepSeek-V4-Flash идет дальше, достигая 10% FLOPs и 7% KV-кэша от V3.2 в том же сценарии. Это не просто постепенные улучшения — это фундаментальное переосмысление того, как большие модели обрабатывают длинный контекст.

Производительность на тестах: Почти на передовой

По данным DeepSeek, основанным на собственных бенчмарках, V4-Pro сопоставим с GPT-5.2 и Gemini-3.0-Pro на стандартных тестах логического мышления, хотя в статье признаётся, что производительность «немного уступает GPT-5.4 и Gemini-3.1-Pro, что указывает на траекторию развития, отстающую от передовых моделей примерно на 3–6 месяцев». Для большинства практических применений это различие вряд ли имеет значение — а разница в цене более чем компенсирует это.

Модели доступны через API на собственной платформе DeepSeek и через OpenRouter, при этом Flash стоит $0.14 за миллион входных символов и $0.28 за миллион выходных, а Pro — $1.74 за миллион входных и $3.48 за миллион выходных символов. Для сравнения, GPT-5.5 стоит $5 за миллион входных и $30 за миллион выходных символов. DeepSeek V4 Pro обеспечивает сопоставимую производительность примерно за треть стоимости входных данных и одну девятую стоимости выходных.

Геополитическое измерение этого выпуска не следует упускать из виду. DeepSeek разработала V4 в условиях американских экспортных ограничений на передовые полупроводники в отношении Китая. Сообщается, что модели оптимизированы для эффективной работы на чипах Huawei Ascend — альтернативе ограниченным GPU NVIDIA H100/H200. Если DeepSeek сможет продолжать соответствовать западным передовым моделям, действуя в этих условиях, это ставит фундаментальные вопросы об эффективности экспортных ограничений как инструмента политики конкуренции в сфере ИИ.