A kínai dominancia újabb lépcsőfoka: Mindent letarol a DeepSeek V4 és a zseniális DSpark sebességturbó

A mesterséges intelligencia fejlesztésének globális színterén az amerikai exportkorlátozások miatt a kínai fejlesztőműhelyek komoly hardveres hátrányból indulnak. A DeepSeek csapata azonban újra bebizonyította, hogy a tiszta szoftveres és architekturális optimalizáció képes áthidalni a chipek hiányát. A vadonatúj DeepSeek-V4 modellcsalád nem egyszerűen okosabb lett a korábbi verzióknál, hanem elképesztő mértékben növelte a számítási hatékonyságot.

Forradalmi hatékonyság: 1 millió tokenes kontextusablak töredék erőforrással

A V4-es széria megtartotta a jól bevált Mixture-of-Experts (MoE) és a Multi-Token Prediction (MTP) struktúrákat, de bevezetett egy forradalmi hibrid figyelmi mechanizmust (Compressed Sparse Attention és Heavily Compressed Attention). Ennek köszönhetően a modellek gond nélkül kezelik az 1 millió tokenes kontextusablakot.

Egy 1 millió tokenes prompt feldolgozásakor a V4 Pro verzió a korábbi DeepSeek-V3.2 számítási kapacitásának mindössze 27%-át, míg a KV cache memória-alapjának csupán a 10%-át igényli.

A finomhangolás kétlépcsős mesterfolyamata

A modellek tanítása egy egyedi eljárással történt: először a különböző szakterületek (matematika, kódolás, logikai ágensek) szakértőit képezték ki külön-külön SFT (Supervised Fine-Tuning) és GRPO megerősítéses tanulással, majd egy egységes párlási (distillation) folyamattal gyúrták össze őket egyetlen gigantikus modellé.

Két szint, egy cél: A Flash és a Pro modellek

A DeepSeek az eltérő vállalati igények kiszolgálására két markánsan elkülönülő verziót bocsátott ki a V4-es családból:

DeepSeek-V4-Flash

A hálózatok igáslova, egy 284 milliárd összesített paraméterrel rendelkező modell, amelyből egy-egy válaszadás során csupán 13 milliárd paraméter aktiválódik. Elsősorban villámgyors, nagy volumenű éles feladatokra optimalizálták, mint például az ügyfélszolgálati chatrobotok vagy a strukturált adatkinyerés. Annak ellenére, hogy egy „könnyített” verzióról beszélünk, a Flash modell is támogatja az összetett gondolkodási (Chain-of-Thought) üzemmódot.

DeepSeek-V4-Pro

A nehézsúlyú bajnok, amely 1,6 billió paramétert számlál, és tokenenként 49 milliárd aktív paramétert mozgat meg. Ezt a verziót a legkeményebb matematikai kihívásokra, komplex szoftvermérnöki munkákra és teljes kódbázisok egyidejű elemzésére tervezték. A Pro modell legmagasabb gondolkodási fokozata (Pro-Max) immár közvetlenül a zárt forráskódú prémium modellek, például a Gemini 3.1 Pro szintjét hozza.