دیپ‌سیک وی ۴.۱: هوش مصنوعی پیشرفته با هزینه‌ای ناچیز

مدل جدید DeepSeek با هزینه‌ی ۹۰ درصد کمتر و سرعت پردازش ۲۳۷ توکن در ثانیه، غول‌های هوش مصنوعی را به چالش می‌کشد

آخرین مدل شرکت DeepSeek، طبق گزارش‌های منتشر شده در پلتفرم X، با هزینه‌ای ۹۰ درصد کمتر و سرعت پردازش بیش از ۲۳۷ توکن در ثانیه آزمایش شده است. این دستاورد، پرسشی ناخوشایند را برای تیم‌های قیمت‌گذاری در آزمایشگاه‌های بزرگ هوش مصنوعی مطرح می‌کند: مشتریان دقیقاً بابت چه چیزی هزینه اضافی پرداخت می‌کنند؟

مدل مورد بحث، DeepSeek-V4.1-Flash نام دارد و در سکوت، سوالی چالش‌برانگیز را پیش روی تیم‌های قیمت‌گذاری در آزمایشگاه‌های بزرگ هوش مصنوعی قرار داده است: مشتریان دقیقاً بابت چه چیزی هزینه اضافی پرداخت می‌کنند؟

DeepSeek مدل V4.1-Flash را در تاریخ ۱۰ سپتامبر ۲۰۲۶ عرضه کرد. این مدل دارای ۵۵۲ میلیارد پارامتر کلی است و از معماری “ترکیبی از متخصصان” (MoE) بهره می‌برد. در این معماری، تنها حدود ۸ میلیارد پارامتر هنگام پردازش ورودی فعال هستند و تقریباً ۱۶ میلیارد پارامتر هنگام تولید خروجی به کار گرفته می‌شوند.

این مدل همچنین از پنجره زمینه یک میلیون توکنی برخوردار است که به آن اجازه می‌دهد حجم عظیمی از متن را به طور همزمان در حافظه کاری خود نگه دارد؛ مانند یک پایگاه کد گسترده یا مجموعه‌ای از اسناد طولانی.

پردازش تصویر به صورت بومی در این مدل گنجانده شده است. وزن‌های مدل به صورت متن‌باز و تحت مجوز MIT در Hugging Face منتشر شده‌اند، بنابراین توسعه‌دهندگان می‌توانند مدل را خودشان دانلود و اجرا کنند، به جای اینکه از طریق API به آن دسترسی اجاره کنند.

در تاریخ ۱۷ اکتبر ۲۰۲۶، DeepSeek یک به‌روزرسانی با برچسب V4.1-Flash-1017 را تحت همان API منتشر کرد. این به‌روزرسانی معیارهای عملکرد را بهبود بخشید و زمان اجرای وظایف را کاهش داد. طبق گزارش یک منبع، سرعت استنتاج از ۲۳۷ توکن در ثانیه فراتر رفته است.

در بنچمارک DeepSWE v1.1، که یک آزمون مهندسی نرم‌افزار است، V4.1-Flash طبق گزارش‌ها امتیاز ۷۴.۲ را کسب کرده است. مدل Claude Opus 5 از Anthropic در همین آزمون امتیاز ۷۴.۰ و مدل GPT-5.6 Sol از OpenAI امتیاز ۷۳.۰ را به دست آورده‌اند.

چالش‌های پیش رو و مزیت‌های رقابتی

آزمون‌های مستقل نشان می‌دهند که V4.1-Flash همچنان در برخی از پیچیده‌ترین وظایف استدلالی از رقبای پیشرو عقب‌تر است. کدنویسی و کارهای عامل‌محور نقاط قوت آن هستند، در حالی که دشوارترین مسائل منطقی چندمرحله‌ای همچنان قلمرویی است که آزمایشگاه‌های بسته در آن برتری دارند.

DeepSeek در ساعات غیر اوج مصرف، هزینه ۱۵ صدم دلار به ازای هر میلیون توکن ورودی و ۶۰ صدم دلار به ازای هر میلیون توکن خروجی دریافت می‌کند. این نرخ‌ها در ساعات اوج مصرف دو برابر می‌شوند.

ورودی‌های کش‌شده (Cached inputs) حتی ارزان‌تر نیز هستند. هنگامی که یک درخواست محتوایی را که سیستم قبلاً دیده است، مجدداً استفاده می‌کند، هزینه‌های ورودی می‌تواند به بین ۰.۰۰۳ تا ۰.۰۰۶ دلار به ازای هر میلیون توکن کاهش یابد. این قیمت‌گذاری برای ورودی‌های کش‌شده تقریباً ۳۰ برابر کمتر از برخی مدل‌های پیشرفته بسته است.

V4.1-Flash به عنوان جانشین DeepSeek-V4-Pro معرفی شده است. این شرکت عمدتاً V4-Pro را به نفع مدل جدید بازنشسته کرده است، تغییری که از اواسط سپتامبر ۲۰۲۶ اجرایی شد.

معماری MoE در قلب این استراتژی قرار دارد. با فعال کردن تنها بخش کوچکی از شبکه برای هر درخواست، این آزمایشگاه می‌تواند یک مدل بسیار بزرگ را بدون پرداخت هزینه محاسباتی کامل در هر بار تایپ کردن یک درخواست توسط کاربر، ارائه دهد.

از آنجایی که V4.1-Flash تحت مجوز MIT در دسترس است، شرکت‌ها می‌توانند آن را به صورت خودمیزبانی (self-host) اجرا کنند و وابستگی به API را به طور کامل حذف نمایند. این انعطاف‌پذیری برای شرکت‌هایی که قوانین مربوط به اقامت داده‌ها را دارند یا تمایلی به ارسال اطلاعات حساس به ارائه‌دهندگان خارجی ندارند، اهمیت دارد.

بنچمارک‌ها وظایف خاص را تحت شرایط خاص اندازه‌گیری می‌کنند و برتری چند دهم امتیازی در DeepSWE v1.1 به معنای تسلط در استقرار در دنیای واقعی نیست. قیمت‌گذاری در ساعات اوج مصرف، نرخ‌های اعلام شده را دو برابر می‌کند، بنابراین هزینه‌های واقعی به شدت به زمان و نحوه استفاده تیم از مدل بستگی دارد.

نکات قابل توجه در آینده عبارتند از: اینکه آیا تست‌کنندگان مستقل رقم ۲۳۷ توکن در ثانیه را در بارهای کاری گسترده‌تر تأیید می‌کنند، سرعت مهاجرت توسعه‌دهندگان به سیستم‌های تولیدی، و اینکه آیا آزمایشگاه‌های بزرگ غربی با کاهش قیمت‌ها یا مزیت استدلالی قوی‌تر پاسخ خواهند داد.