DeepSeek mengumumkan pada 14 September 2026 bahwa mereka akan menghentikan model bahasa besar (LLM) V4-Pro dan mengalihkan setiap permintaan API ke versi V4.1-Flash yang lebih baru.
Mengapa DeepSeek menghentikan V4-Pro
V4-Pro telah menjadi penawaran kelas atas DeepSeek sejak peluncurannya, yang dipasarkan sebagai LLM serbaguna dengan pengetahuan luas. Selama setahun terakhir, perusahaan telah mengukur V4.1-Flash terhadap V4-Pro pada tugas-tugas yang menjadi perhatian pelanggan API mereka: pembuatan kode (code generation), sintesis perintah terminal, dan respons cepat terhadap perintah (prompt) singkat. Data menunjukkan bahwa model yang lebih baru berjalan lebih cepat, biayanya lebih murah per permintaan, dan meraih skor lebih tinggi pada beberapa benchmark spesifik tugas.
Pergeseran ini mencerminkan tekanan pasar. Layanan AI berbasis cloud kini mengenakan biaya per token atau per unit komputasi, dan para pengembang sedang mencari cara untuk memangkas biaya operasional tanpa mengorbankan kecepatan. Dengan memindahkan semua trafik ke V4.1-Flash, DeepSeek dapat menutup jalur inferensi (inference pipeline) yang lebih mahal yang menggerakkan V4-Pro dan memberikan penghematan tersebut kepada pengguna.
Performa dan biaya secara sekilas
| Benchmark | V4.1-Flash | V4-Pro |
|---|---|---|
| Terminal-Bench 2.1 (pembuatan kode & perintah) | 90.6 | 87.9 |
| Terminal-Bench 4.0 (tugas multi-langkah yang kompleks) | 31.2 | 12.4 |
| DeepSWE v1.1 (penalaran rekayasa perangkat lunak) | 74.2 | 62.7 |
Dalam setiap pengujian, V4.1-Flash meraih skor lebih tinggi, terkadang dengan selisih yang besar. Model ini juga mengungguli Claude Opus 5 dan GPT-5.6 Sol pada benchmark yang sama yang berfokus pada pengodean, menurut perbandingan internal DeepSeek.
Biaya per tugas tipikal menunjukkan pola yang serupa:
- GLM-5.3-Flash: $0.25
- DeepSeek V4.1-Flash: $0.27
- Moonshot Kimi K3: $2.00
Pengembang dapat mencapai kecerdasan yang sebanding dengan biaya sekitar seperdelapan kali lipat ketika mereka memilih Flash dibandingkan alternatif yang lebih besar dan lebih mahal.
Kompensasi: pengetahuan ensiklopedis yang lebih sedikit
Peningkatan efisiensi disertai dengan penurunan dalam pemanggilan fakta (factual recall). Pada benchmark pemeriksaan fakta SimpleQA-Verified, V4.1-Flash meraih skor 42,3 sementara V4-Pro mencatat 55,2. DeepSeek mendeskripsikan model yang lebih baru ini sebagai “pekerja yang lebih baik tetapi ensiklopedia yang lebih lemah.” Aplikasi yang sangat bergantung pada pengetahuan dunia terkini—seperti ringkasan berita, riset hukum—mungkin memerlukan basis pengetahuan eksternal atau beralih ke model yang lebih besar sebagai cadangan.
Bagaimana industri memposisikan diri
Langkah "all-in" DeepSeek kontras dengan penyedia AI lainnya:
- Z.ai menawarkan spektrum model, dari yang ringkas hingga yang besar, memungkinkan pelanggan menyeimbangkan skala dan efisiensi per proyek.
- Moonshot berfokus pada ukuran dengan model Kimi K3 miliknya, menerima biaya yang lebih tinggi untuk kapasitas murni.
- DeepSeek telah menempatkan setiap permintaan API pada Flash, bertaruh bahwa pasar akan memprioritaskan kecepatan dan harga di atas skala semata.
Pendekatan yang berbeda-beda ini menunjukkan bahwa pasar belum menetap pada satu jalur tunggal. Beberapa pengembang masih menghargai keluasan model masif; yang lain menukarnya dengan respons yang lebih cepat dan lebih murah.
Saran praktis bagi pengembang
- Jangan memilih model hanya berdasarkan nama atau harga tokennya. Model “Flash” dapat mengungguli model “Pro” pada tugas-tugas yang Anda butuhkan.
- Bangun fleksibilitas dalam stack Anda. Rancang sistem Anda agar dapat beralih antar penyedia atau versi model tanpa perlu penulisan ulang kode yang besar.
- Validasi dengan data Anda sendiri. Benchmark publik memberikan dasar yang berguna, tetapi performa dunia nyata bergantung pada beban kerja Anda.
Mengikuti langkah-langkah ini membantu tim menghindari ketergantungan vendor (lock-in) dan mendapatkan nilai terbaik seiring berkembangnya ekosistem LLM.
Apa yang perlu diperhatikan selanjutnya
Penghentian V4-Pro menandai poros yang jelas menuju LLM yang berfokus pada efisiensi. Apakah ini akan mengakhiri era “flagship” atau sekadar memulai fase baru dari pasar yang berubah cepat, masih harus dilihat, tetapi pengembang yang tetap gesit akan berada dalam posisi terbaik untuk mengambil keuntungan dari perubahan ini.