Нейросети | Просто | На пальцах
DeepSeek сделала агентные циклы дешёвыми как никогда — и вот почему это касается каждого разработчика и стартапера.
Знакомьтесь: V4-Flash-0731. Младшая модель в линейке. Но на агентных задачах она рвёт старшую «прошку» — и стоит при этом в три раза дешевле.
Ключевые цифры:
$0.28 за миллион выходных токенов (против $0.87 у V4-Pro)
1 млн токенов контекста — загрузи хоть всю кодовую базу
60–85% ускорение генерации на DSpark-декодировании
284 млрд параметров MoE, но активируются только 13 млрд
—
На пальцах: MoE-архитектура — это как вызвать только нужных экспертов из команды из 256 человек. Остальные «сидят на скамейке», но ты платишь только тем шестерым, которые реально работают.
Конкретный пример: автономный рефакторинг микросервиса на 10 000 строк.
На большинстве frontier-моделей аналогичный цикл обойдётся в разы дороже. На V4-Flash — копейки. Если твой стартап гоняет сотни агентных циклов в день — это уже месячный бюджет на инфраструктуру.
—
Что изменилось в этой версии?
Никаких новых параметров не добавили. Просто переобучили модель на агентных сценариях — и результат:
• Terminal Bench 2.1: 82.7 vs 72.1 у про-версии
• Cybergym: 76.7 vs 52.7 — почти +24 пункта
• DeepSWE: 7.3 → 54.4 — прыжок в 7 раз
—
Почему это важно?
Полноценные agentic-циклы теперь доступны стартапам на seed-раунде. Не нужно выбирать между качеством и бюджетом. MIT-лицензия — никаких ограничений на коммерцию. Лимит 2500 параллельных запросов — это не игрушечная цифра, а реальная enterprise-готовность.
⚠️ Ложка дёгтя: бенчмарки внутренние, ваши замеры могут отличаться. При самостоятельном деплое все 256 экспертов всё равно занимают память — планируйте ~103 ГБ (3-битная квантизация) или ~162 ГБ (8-бит). Это критично для планирования инфраструктуры.
Модель уже на Hugging Face. Если искали открытое решение для агентных задач и кодинга без разорительного API-чека — ваш выбор обновился.
Делитесь, кто уже попробовал 👇
Пишите в комментариях, что думаете. Если у вас установлено приложение,
вы можете сразу перейти в канал