DeepSeek V4 GA: полный релиз — цены, архитектура и разрыв с GPT-5.6

DeepSeek V4 GA (General Availability) — production-grade семейство моделей, вышедшее 20 июля 2026. Включает V4-Pro (1,6T параметров) и V4-Flash (284B параметров), оба под MIT, с контекстом 1 000 000 токенов и максимальным выходом до 384K токенов на запрос.

Относительно preview апреля GA получил целевые улучшения в agent-задачах, математическом рассуждении и генерации кода, а также формальный коммерческий биллинг — пиково-внепиковое дифференцированное ценообразование. Устаревшие endpoint-имена deepseek-chat и deepseek-reasoner навсегда отключаются 24 июля.

• Self-host под MIT: приватный деплой для data sovereignty и трансграничного compliance.
• 1M контекст в production: KV-cache занимает 10% от V3.2 (на Flash — 7%).
• Рекорд open-source SWE-bench: Verified 80,6%, на уровне Gemini 3.1 Pro среди открытых моделей.
• Лидер API по цене/качеству: V4-Pro output $0,87/M вне пика, $1,74/M в пик — примерно 1/57 от Claude Fable 5.

Семейство моделей

Гибридное внимание: CSA + HCA

DeepSeek V4 отказался от MLA эпохи V2/V3 в пользу двух новых механизмов attention:

Compressed Sparse Attention (CSA): KV-последовательность сжимается в 4 раза через Softmax-gated pooling, затем FP4 «lightning indexer» выполняет top-k sparse selection (Pro: top-1024, Flash: top-512) с сохранением sliding window последних 128 токенов. На 1M контексте — 27% inference FLOPs относительно V3.2.

Heavily Compressed Attention (HCA): токены сжимаются в 128 раз, затем глобальное dense attention для long-range dependencies. Flash: первые 2 слоя — HCA, далее чередование CSA/HCA; у Pro аналогичная схема.

Суммарный эффект: KV-cache на 1M токенов — 10% от V3.2 (Flash — 7%).

Manifold-Constrained Hyper-Connections (mHC) и оптимизатор Muon

mHC эволюционирует классические residual connections: 4-канальный residual stream с ограничением doubly stochastic matrix (многообразие Биркгофа) — стабильная передача сигнала через 61 слой. Muon ортогонализует градиенты через итерации Ньютона–Шульца — быстрее сходимость и стабильнее training.

Три режима инференса

Официальные sampling defaults: temperature=1.0, top_p=1.0 (все режимы).

SWE-bench Verified — реальные bugfix в GitHub-репозиториях; 80,6% — лучший результат среди open weights. SWE-bench Pro строже: Fable 5 лидирует с 80,3%.

Цена/качество: горизонтальное сравнение

Данные Artificial Analysis (Strategy & Ops index tasks):

• Claude Fable 5: $3,48 за прогон, score 50
• DeepSeek V4-Pro: $0,03 за прогон, score 38
• DeepSeek V4-Flash: ниже $0,04 за прогон на шести классах index tasks

Fable 5 дороже V4-Pro в 116 раз, score выше лишь на ~12 пунктов (31%). Сравнение с Kimi K3: K3 крупнее по параметрам, но API output $15/M — V4-Pro сохраняет подавляющее преимущество в cost-sensitive сценариях.

Матрица выбора:

• Ограниченный бюджет / высокочастотный API / self-host: V4-Pro или V4-Flash
• Максимум code quality, бюджет вторичен: Claude Fable 5 (лидер SWE-bench Pro)
• Сложные алгоритмы и математика: GPT-5.6 Sol / Ultra
• Массовая обработка логов и документов: V4-Flash (cache hit input от $0,0028/M)

Главное нововведение GA: дифференцированное ценообразование по времени суток — аналог тарифов на электроэнергию. Пик (пекинское время, будни): 09:00–12:00 и 14:00–18:00 — ставки удваиваются.

Четыре тактики экономии:

1. Несрочные batch-job — вне пика (после 18:00 или до 09:00)
2. Агрессивный Prompt Cache: V4-Flash cache hit — $0,0028/M input
3. Flash→Pro routing: простой intent на Flash, сложный reasoning — escalate на Pro
4. Мониторинг email от DeepSeek (обещают уведомление за 24 ч до изменения тарифов)

Даже в пик V4-Pro output $1,74/M дешевле Claude Opus 4.8 ($15/M) в 8,6 раз.

client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=[...],
)

client = anthropic.Anthropic(
    api_key="your-deepseek-api-key",
    base_url="https://api.deepseek.com"
)
message = client.messages.create(
    model="deepseek-v4-pro",
    max_tokens=4096,
    messages=[{"role": "user", "content": "Hello, DeepSeek V4!"}]
)

V4 поддерживает OpenAI ChatCompletions и Anthropic Messages; base_url не меняется — обновите только model.

1. 01
   Аудит кодовой базы: глобальный поиск deepseek-chat и deepseek-reasoner — все call site и env vars.
2. 02
   Выбор target model: лёгкий диалог — deepseek-v4-flash; сложный agent/code — deepseek-v4-pro; think mode через extra_body.
3. 03
   Staging smoke test: до 24 июля проверить Non-think / Think High / Think Max в pre-prod на качество выхода.
4. 04
   Пиково-внепиковый scheduler: batch document processing, code review — cron после 18:00 или в выходные; цель cache hit 80%+.
5. 05
   Flash→Pro routing layer: intent classification и FAQ на Flash ($0,28/M output), сложный reasoning — escalate на Pro.
6. 06
   Agent host: долгие V4-agent сессии требуют стабильного SSH и выделенного compute без oversubscription. Оцените выделенные Mac-ноды NUKCLOUD как CI и agent build plane на странице цен — tail latency shared pool съедает экономию от API.

DeepSeek V4 GA — один из ключевых рубежей open-source LLM в 2026. Ценность не в том, обгонит ли он Claude Fable 5 или GPT-5.6 (пока нет), а в том, что при 1/10–1/100 стоимости закрытых флагманов он даёт лучшую производительность среди open weights. Пиково-внепиковый биллинг усложняет cost model, но абсолютные тарифы остаются агрессивными — переход DeepSeek от «ценового демпинга» к дисциплинированной коммерческой платформе сигнализирует зрелость.

Команды, гоняющие V4-agent по крупным codebases, всё равно нуждаются в стабильной, аудируемой dev/CI плоскости. Shared minute pools, домашний Mac или oversubscribed VPS дают bandwidth jitter, neighbor CPU contention и обрывы long-lived connections — token savings испаряются на retry. Для production agent host мультирегиональные bare-metal Mac / облачные Mac-ноды NUKCLOUD обеспечивают выделенный Apple Silicon и чёткие tenant boundaries — сравните spec на ценах и trial на заказе.

Данные на 2026-07-20. Источники: документация DeepSeek, arXiv:2606.19348, HuggingFace model cards, LLMReference, Artificial Analysis, MangoMind Blog.