DeepSeek در ۱۴ سپتامبر ۲۰۲۶ اعلام کرد که مدل زبانی بزرگ (LLM) خود یعنی V4-Pro را بازنشسته خواهد کرد و تمام درخواست‌های API را به نسخه جدیدتر V4.1-Flash هدایت خواهد کرد.
چرا DeepSeek از V4-Pro دست می‌کشد
V4-Pro از زمان عرضه، سطح‌بالاترین محصول DeepSeek بوده و به عنوان یک LLM همه‌منظوره با دانش گسترده بازاریابی شده است. در طول سال گذشته، این شرکت V4.1-Flash را در مقابل V4-Pro در وظایفی که برای مشتریان API اهمیت دارد، مورد سنجش قرار داد: تولید کد، ترکیب دستورات ترمینال و پاسخ سریع به پرامپت‌های کوتاه. داده‌ها نشان می‌دهند که مدل جدیدتر سریع‌تر اجرا می‌شود، هزینه کمتری در هر درخواست دارد و در چندین بنچمارکِ مختص به وظایف خاص، امتیاز بالاتری کسب می‌کند.
این تغییر بازتاب‌دهنده فشار بازار است. سرویس‌های هوش مصنوعی مبتنی بر ابر اکنون به ازای هر توکن یا هر واحد محاسباتی هزینه دریافت می‌کنند و توسعه‌دهندگان به دنبال راه‌هایی برای کاهش هزینه‌های عملیاتی بدون از دست دادن سرعت هستند. با انتقال تمام ترافیک به V4.1-Flash، DeepSeek می‌تواند خط لوله استنتاج (inference pipeline) گران‌تر را که قدرت‌بخش V4-Pro است متوقف کرده و صرفه‌جویی حاصل را به کاربران منتقل کند.
نگاهی اجمالی به عملکرد و هزینه
| بنچمارک | V4.1-Flash | V4-Pro |
|---|---|---|
| Terminal-Bench 2.1 (تولید کد و دستور) | 90.6 | 87.9 |
| Terminal-Bench 4.0 (وظایف پیچیده چندمرحله‌ای) | 31.2 | 12.4 |
| DeepSWE v1.1 (استدلال مهندسی نرم‌افزار) | 74.2 | 62.7 |
در هر آزمایش، V4.1-Flash امتیاز بالاتری کسب می‌کند که گاهی این اختلاف بسیار زیاد است. طبق مقایسه‌های داخلی DeepSeek، این مدل در همان بنچمارک‌های متمرکز بر کدنویسی، از Claude Opus 5 و GPT-5.6 Sol نیز عملکرد بهتری دارد.
هزینه برای هر وظیفه معمول الگوی مشابهی را نشان می‌دهد:
- GLM-5.3-Flash: $0.25
- DeepSeek V4.1-Flash: $0.27
- Moonshot Kimi K3: $2.00
توسعه‌دهندگان زمانی که به جای یک جایگزین بزرگ‌تر و گران‌تر، مدل Flash را انتخاب می‌کنند، می‌توانند به هوشی مشابه با تقریباً یک‌هشتم هزینه دست یابند.
موازنه: دانش دانشنامه‌ای کمتر
افزایش کارایی با کاهش در بازیابی حقایق همراه است. در بنچمارک حقیقت‌سنجی SimpleQA-Verified، مدل V4.1-Flash امتیاز ۴۲.۳ را کسب کرد، در حالی که V4-Pro امتیاز ۵۵.۲ را ثبت کرده بود. DeepSeek مدل جدیدتر را به عنوان «یک کارگر بهتر اما یک دانشنامه‌ی ضعیف‌تر» توصیف می‌کند. برنامه‌هایی که به شدت به دانش به‌روز جهانی متکی هستند — مانند خلاصه‌سازی اخبار یا تحقیقات حقوقی — ممکن است به پایگاه‌های دانش خارجی یا بازگشت به یک مدل بزرگ‌تر نیاز داشته باشند.
جایگاه‌سازی صنعت
حرکت تمام‌عیار DeepSeek با سایر ارائه‌دهندگان هوش مصنوعی در تضاد است:
- Z.ai طیفی از مدل‌ها، از فشرده تا بزرگ را ارائه می‌دهد و به مشتریان اجازه می‌دهد تا بین مقیاس و کارایی در هر پروژه تعادل برقرار کنند.
- Moonshot با مدل Kimi K3 خود بر روی اندازه تمرکز مضاعف دارد و هزینه‌های بالاتر را برای ظرفیت خام می‌پذیرد.
- DeepSeek تمام درخواست‌های API را روی Flash قرار داده است، با این شرط‌بندی که بازار سرعت و قیمت را بر مقیاس محض اولویت خواهد داد.
این رویکردهای متفاوت نشان می‌دهد که بازار هنوز بر سر یک مسیر واحد به توافق نرسیده است. برخی توسعه‌دهندگان همچنان برای وسعت مدل‌های عظیم ارزش قائل هستند؛ برخی دیگر آن را با پاسخ‌های سریع‌تر و ارزان‌تر معاوضه می‌کنند.
توصیه‌های کاربردی برای توسعه‌دهندگان
- مدل را صرفاً بر اساس نام یا قیمت توکن انتخاب نکنید. یک مدل "Flash" می‌تواند در وظایفی که برای شما اهمیت دارد، از یک مدل "Pro" بهتر عمل کند.
- در پشته (stack) خود انعطاف‌پذیری ایجاد کنید. سیستم خود را به‌گونه‌ای طراحی کنید که بتوانید بدون بازنویسی‌های بزرگ، بین ارائه‌دهندگان یا نسخه‌های مختلف مدل سوئیچ کنید.
- با داده‌های خودتان اعتبارسنجی کنید. بنچمارک‌های عمومی یک خط پایه مفید ارائه می‌دهند، اما عملکرد در دنیای واقعی به حجم کاری شما بستگی دارد.
دنبال کردن این مراحل به تیم‌ها کمک می‌کند تا از وابستگی (lock-in) جلوگیری کرده و با تکامل اکوسیستم LLM، بهترین ارزش را کسب کنند.
آنچه باید در آینده زیر نظر داشت
بازنشسته کردن V4-Pro نشان‌دهنده یک چرخش آشکار به سمت LLMهای متمرکز بر کارایی است. اینکه آیا این اتفاق به دوران مدل‌های «پرچم‌دار» پایان می‌دهد یا صرفاً مرحله جدیدی از یک بازار در حال تغییر سریع را آغاز می‌کند، باید منتظر ماند و دید؛ اما توسعه‌دهندگانی که چابک باقی می‌مانند، در بهترین موقعیت برای بهره‌برداری از این تغییر خواهند بود.