باید بدانید که توجیه اقتصادی استفاده از مدل‌های بسته در حال فروپاشی است. DeepSeek-V4 ثابت کرد که مدل‌های وزن‌های باز (Open Weights) می‌توانند استدلال‌های سطح پیشرو را با هزینه‌ای ۳۰ برابر کمتر ارائه دهند.
این تحول در حالی رخ می‌دهد که صنعت با هزینه‌های سرسام‌آور محاسباتی برای پنجره‌های متنی بلند دست‌وپنجه نرم می‌کند. همان‌طور که در تحلیل قبلی ما درباره‌ی مقیاس‌پذیری Claude Code در مخازن کد میلیونی اشاره کردیم، مدیریت حافظه کلید بازی است. در ۱۵ مه ۲۰۲۶، انتشار DeepSeek-V4 نشان داد که خندق دفاعی مدل‌های تجاری در بازیابی متون بلند دیگر پایدار نیست.
به نقل از مقاله فنی این مدل، نسخه DeepSeek-V4-Pro در چندین بنچمارک کلیدی از Claude Opus 4.6-Max پیشی گرفته است:
- HLE (ارزیابی سخت): ۹۰.۲٪ در برابر ۸۹.۱٪
- Apex: ۸۵.۹٪ در برابر ۷۸.۱٪
- رتبه‌بندی Codeforces: ۳۲۰۶ (هم‌تراز با GPT-5.4)
- MMR (بازیابی متن بلند): ۹۲.۹ در برابر ۷۶.۳
این دستاورد مدیون معماری توجه ترکیبی (Hybrid Attention) است که از ترکیب Compressed Sparse و Heavily Compressed Attention استفاده می‌کند تا نیاز به حافظه KV-cache را حدود ۹۰٪ کاهش دهد. همچنین، استفاده از اتصالات هایپر-محدود شده (Manifold-Constrained Hyper-Connections) از تخریب سیگنال در لایه‌های عمیق جلوگیری کرده و بهینه‌ساز Muon سرعت همگرایی را افزایش داده است.
بر اساس مستندات منتشر شده، مدل Pro تنها به ۲۷٪ از FLOPs تک-توکن و ۱۰٪ از KV-cache نسبت به نسخه V3.2 نیاز دارد. این یک جهش نسلی در محاسبات هزینه استنتاج (Inference) است که اجازه می‌دهد شرکت‌ها مدلی با ۱.۶ تریلیون پارامتر را بدون هزینه‌های کمرشکن میزبانی کنند.
این پیشرفت، فرض رایج درباره «شکاف پیشرو» (Frontier Gap) را به چالش می‌کشد. این باور که مدل‌های باز ۱۲ تا ۱۸ ماه عقب‌تر هستند، اکنون باطل شده است. در حال حاضر، تنها مزیت باقی‌مانده برای مدل‌های بسته، قابلیت‌های چندوجهی (Multimodal) است، چرا که DeepSeek-V4 همچنان تک‌وجهی (فقط متن) باقی مانده است.
گام بعدی شما
- بررسی مجدد وابستگی به APIهای بسته و ارزیابی هزینه-فایده انتقال به مدل‌های وزن‌باز.
- تست مدل DeepSeek-V4 روی داده‌های خاص دامنه برای سنجش دقت بازیابی در پنجره‌های متنی بلند.
- رصد قابلیت‌های چندوجهی در نسخه‌های بعدی DeepSeek برای جایگزینی کامل مدل‌های تجاری.
اما این بهینه‌سازی‌های نرم‌افزاری تنها نیمی از داستان است؛ برای درک اینکه سخت‌افزار چگونه این حجم از پارامترها را مدیریت می‌کند، تحلیل ما درباره تراشه‌های Blackwell را بخوانید.
گفتگو