24 апреля 2026 года китайский AI-стартап DeepSeek из Ханчжоу представил предварительную версию своего четвёртого поколения больших языковых моделей — DeepSeek V4. Релиз, которого рынок ждал почти пять месяцев, включает две модификации: флагманскую V4-Pro и облегчённую V4-Flash. Обе модели поддерживают рекордное контекстное окно в один миллион токенов и распространяются по лицензии Apache 2.0 с полным открытием весов и кода для инференса.
Техническая архитектура: гибридное внимание как ответ на проблему длинного контекста
Семейство V4 построено на архитектуре Mixture of Experts (MoE), которая была визитной карточкой DeepSeek с момента выхода V2. Однако четвёртое поколение содержит качественно иные архитектурные решения. V4-Pro имеет 1,6 триллиона общих параметров при 49 миллиардах активных, а V4-Flash — 284 миллиарда общих при 13 миллиардах активных. Оба варианта поддерживают контекст до 1 миллиона токенов с возможностью вывода до 384 тысяч токенов через API.
Ключевая инновация — гибридный механизм внимания, объединяющий два подхода. Первый, Compressed Sparse Attention (CSA), использует динамическую компрессию последовательностей для сокращения объёма KV-кэша и применяет разреженное внимание для снижения вычислительной нагрузки. Второй, Heavily Compressed Attention (HCA), агрессивно консолидирует KV-записи по группам токенов в единые сжатые элементы. Совокупный эффект: объём вычислений на токен при инференсе сокращён до 27% от уровня V3.2, а объём KV-кэша — до 10%. Для V4-Flash эти показатели ещё агрессивнее — 10% и 7% соответственно.
Такая оптимизация имеет прямое экономическое следствие. По данным NVIDIA Developer Blog, гибридное внимание снижает вычислительные затраты на инференс на 73%, а память под KV-кэш — на 90% по сравнению с V3.2. Это фундаментально меняет экономику развёртывания больших моделей, делая их доступными для enterprise-заказчиков с ограниченными вычислительными бюджетами.
Ценовая стратегия: на порядок дешевле западных конкурентов
DeepSeek продолжает ту же стратегию ценового демпинга, которая в январе 2025 года обрушила акции NVIDIA после выхода модели R1. V4-Flash стоит $0,28 за миллион выходных токенов, V4-Pro — $3,48. Для сравнения: GPT-5.5 от OpenAI тарифицируется по $30 за миллион, Claude Opus 4.7 — по $25. Таким образом, флагманская модель DeepSeek дешевле западных конкурентов в 7–9 раз, а облегчённая версия — более чем в 100 раз.
Ценовой разрыв сопровождается идеологической развилкой. В то время как OpenAI и Anthropic наращивают стоимость API (GPT-5.5 стал вдвое дороже предшественника), DeepSeek методично снижает планку. V4-Flash, по расчётам 36kr, при использовании китайского процессинга обходится конечному потребителю примерно в 2 юаня за миллион выходных токенов — это приблизительно в 50 раз дешевле, чем GPT-5.4 и Claude Opus 4.6.
Открытость как стратегическое оружие
Релиз V4 знаменует собой серьезный сдвиг в балансе между открытыми и закрытыми моделями. За последние 30 дней — с 26 марта по 24 апреля 2026 года — в мире было выпущено или обновлено как минимум 11 крупных моделей, среди которых Anthropic Opus 4.6, Google Gemini 3.1 Pro, OpenAI GPT-5.5, Mistral Large 3, Meta Llama 4, Moonshot Kimi K2.6, Alibaba Qwen3-Next и ByteDance Doubao 2.5 Pro. Из них лишь Llama 4 имел открытые веса, но с жёсткими коммерческими ограничениями, что вызвало холодный приём у сообщества разработчиков.
DeepSeek V4 — первый за полгода открытый пограничный-класс, который сравнился с закрытыми аналогами по производительности, оставаясь полностью бесплатным для коммерческого использования. Веса моделей, код для инференса и технический отчёт выложены на Hugging Face и GitHub под лицензией MIT/Apache 2.0.
Бенчмарки: второе место в открытом зачёте
По сводным данным независимой платформы Artificial Analysis, V4-Pro набирает 52 балла в индексе Intelligence Index, уступая лишь Kimi K2.6 от Moonshot AI (54 балла) среди открытых моделей. Среди закрытых систем лидирует GPT-5.5 (60 баллов), за ним следуют Claude Opus 4.7 и Gemini 3.1 Pro (по 57).
Однако в сегменте кодинга картина иная. Согласно Vibe Code Benchmark от Vals AI, V4-Pro занимает «подавляющее первое место» среди открытых весовых моделей, превосходя и Kimi K2.6, и даже закрытую Gemini 3.1 Pro. По сравнению с V3.2, которая набирала лишь 5 баллов в этом бенчмарке, V4 показывает примерно десятикратный прирост производительности.
DeepSeek в собственных материалах отмечает, что V4-Pro «значительно превосходит другие модели с открытым исходным кодом и лишь незначительно уступает топовой модели с закрытым исходным кодом Gemini-3.1-Pro». При этом компания признаёт отставание от лидеров рынка примерно на 3–6 месяцев в задачах на знания и рассуждение.
Аналитики SemiAnalysis, известные глубокими техническими разборами AI-индустрии, назвали V4 «превосходным техническим релизом», который находится непосредственно позади лидирующей группы. По их оценке, V4 может стать низкозатратной альтернативой закрытым американским моделям.
Агентный вектор: ставка на инструментальность
DeepSeek последовательно уходит от позиционирования своих моделей как чисто разговорных систем. V4-Pro и V4-Flash поддерживают JSON Output, Function Calling (Tool Calls), Chat Prefix Completion и другие возможности, ориентированные на агентные сценарии. Модели совместимы с популярными средами для AI-агентов — Claude Code, OpenClaw и OpenCode, что позволяет разработчикам применять их для сложных задач программирования за пределами собственного чат-бота DeepSeek.
В компании подчёркивают, что Pro рассчитан на сложное рассуждение, кодинг, агентные задачи и обработку длинных документов, тогда как Flash ориентирован на высокочастотные вызовы, маршрутизацию и сценарии, чувствительные к скорости отклика.
Аппаратная независимость: ставка на китайский чип
Принципиально новым элементом релиза стала полная адаптация V4 под китайские процессоры. DeepSeek заявила о совместимости с Huawei Ascend 950PR и Cambricon MLU590, опубликовав код для развёртывания на этих платформах одновременно с основным релизом.
По данным источников, V4 достигает 85% утилизации вычислительных ресурсов на Ascend 950PR при стоимости развёртывания, составляющей примерно треть от решений на базе NVIDIA. Это первый в мире случай, когда модель триллионного масштаба прошла полный цикл обучения и инференса на неподдерживаемой западными санкциями аппаратной платформе.
Данный факт вызвал реакцию главы NVIDIA Дженсена Хуанга, который, по информации 36kr, охарактеризовал ситуацию как «катастрофу» для позиций компании на китайском рынке.
Гонка моделей и момент истины
Релиз DeepSeek V4 произошёл на следующий день после того, как OpenAI представила GPT-5.5 — модель, которую SemiAnalysis оценила как «материально лучшую по ряду задач, чем все остальные». При этом GPT-5.5 оказалась вдвое дороже предшественницы, а её превосходство наиболее выражено именно в кодинге, где DeepSeek пытается закрепиться.
Для рынка это означает продолжение трёх параллельных гонок: кто построит самую способную модель (пока лидирует OpenAI), кто сделает самую дешёвую (здесь DeepSeek укрепляет позиции), и кто обеспечит самую стабильную агентную инфраструктуру для enterprise-заказчиков.
Аналитики отмечают, что в отличие от январского релиза R1, который обрушил акции NVIDIA и вызвал панику в Кремниевой долине, выход V4 не произвёл сопоставимого шока на рынках. Тем не менее акции китайских производителей чипов, таких как Kunlun Tech и Hua Hong Semiconductor, заметно выросли, а NVIDIA продемонстрировала умеренное снижение в начале торгов.
Заключительные выводы
Релиз V4 подтверждает тренд, сформулированный аналитиками NVIDIA: по мере того как открытые модели достигают пограничного-уровня интеллекта, фокус конкуренции смещается от выбора конкретной модели к инфраструктурной стратегии. Ключевым конкурентным преимуществом становится способность развёртывать и масштабировать производительные модели при минимальной стоимости токена.
Этот тезис хорошо согласуется с недавним заявлением Илона Маска о старте серийного производства Tesla Cybercab и общей логикой рынка: модели стремительно дешевеют, открытый исходный код наступает на пятки закрытым системам, а главным полем битвы становится не лабораторный бенчмарк, а реальная стоимость инференса в промышленном масштабе.