Bugün, DeepSeek V4 Serisi Önizleme Sürümünü açık kaynak olarak duyurdu, ağırlık Hugging Face ve ModelScope'da senkronize edilmiş şekilde yayınlandı ve MIT Lisansı ile sunuldu. Seri şu iki MoE modelini içerir: V4-Pro (toplam parametre 1.6T, her bir token aktivasyonu 49B/490 milyar) ve V4-Flash (toplam parametre 284B/2840 milyar, aktivasyon 13B/130 milyar), her ikisi de 1M token içeriği destekler.

Mimari düzeyinde üç ana yükseltme bulunmaktadır:

· Karma Dikkat Mekanizması, sıkıştırılmış seyrek dikkat CSA ve yoğun sıkıştırılmış dikkat HCA'yı içerir, uzun bağlam maliyetini büyük ölçüde azaltır. 1M bağlam altında, V4-Pro tek token çıkarım FLOP'ları sadece V3.2'nin %27'sidir, KV önbellek kullanımı sadece V3.2'nin %10'udur.

· Manifold Constraint Hyperconnection (mHC), geleneksel artıklık bağlantısının yerine geçerek, çapraz katman sinyal iletim istikrarını artırır.

· Eğitim Muon Optimizer ile hızlandırılan. Ön eğitim veri toplamı 32T token'i aşmaktadır.

Artık eğitim ikiye ayrılmıştır: İlk olarak, SFT ve GRPO ile her bir uzman alanı ayrı ayrı eğitilir, ardından çevrimiçi distilasyon aracılığıyla tek bir model haline getirilir.

Performans Değerlendirmesi: V4-Pro-Max Kendini En Güçlü Açık Kaynak Modeli Olarak Tanıtıyor

V4-Pro'nun en yüksek çıkarsama yoğunluğu moduna V4-Pro-Max denir. Resmi teknik rapor, bunu Opus 4.6 Max, GPT-5.4 xHigh, Gemini 3.1 Pro High ve açık kaynaklı Kimi K2.6, GLM-5.1 ile karşılaştırmaktadır (Opus 4.7 ve GPT-5.5'in henüz yayınlanmamış olması nedeniyle kesin fark üçüncü taraflar tarafından doğrulanmayı beklemektedir).

Kodlama açısından, V4-Pro-Max Codeforces'ta 3206 puan alırken, GPT-5.4'ü 3168 ve Gemini 3.1 Pro'yu 3052 puanla geride bırakarak bu referans kaydını günceller. LiveCodeBench 93.5 puan alırken yine en yüksek skoru elde eder. SWE Verified 80.6 puan alırken, yalnızca Opus 4.6'nın 80.8 puanının 0.2 puan gerisindedir.

Uzun Metinlerde, her iki 1M ölçütünde de ikinci sıradalar: CorpusQA 1M puanı 62.0 (Opus 4.6 için 71.7), MRCR 1M puanı 83.5 (Opus 4.6 için 92.9).

Ajan Görevlerinde, MCPAtlas Public puanı 73.6, sadece Opus 4.6'nın 73.8'inden düşük; Terminal-Bench 2.0 puanı 67.9, GPT-5.4'ün 75.1 ve Gemini 3.1 Pro'nun 68.5'inden düşük.

Bilgi ve Akıl Yürütme Yönünden, açıkça belirgin bir farklılık bulunmaktadır: GPQA Diamond 90.1 (Gemini 94.3), SimpleQA-Verified 57.9 (Gemini 75.6), HLE 37.7 (Gemini 44.4).

Açık kaynaklı bir model olarak, V4-Pro-Max, çoklu kodlama ve uzun metin ölçütlerinde bazı kapalı kaynaklı bayrak gemilerini ilk kez eşit hatta geçti, ancak bilgi yoğun testlerde hala Gemini 3.1 Pro'dan geride kaldı.

İç Dogfooding Verileri ve Matematiksel Akıl Yürütme

DeepSeek nadir şekilde iç dogfooding verilerini açıkladı. Takım, yaklaşık 200 gerçek geliştirme görevini kapsayan 50'den fazla mühendisten veri topladı, fonksiyonel geliştirme, hata düzeltme, yeniden yapılandırma ve teşhis kapsayan, teknik yığın PyTork, CUDA, Rust, C++ içeriyor, sıkı bir elemeden sonra 30 tanesini bir değerlendirme seti olarak sakladı.

V4-Pro-Max'ın başarı oranı %67, Sonnet 4.5'in 47'sinden belirgin şekilde yüksek, Opus 4.5'in 70'ine yakın, ancak Opus 4.5 Thinking'in 73'ü ve Opus 4.6 Thinking'in 80'ine düşüktür; Haiku 4.5'in başarı oranı sadece 13'tür. N=85 bir iç inceleme, tüm katılımcıların günlük çalışmalarında V4-Pro'yu ajansal kodlama için kullandığını, katılımcıların %52'sinin V4-Pro'nun varsayılan ana kodlama modeli olarak kullanılabileceğini, %39'unun bunu onayladığını, %9'unun reddettiğini gösterdi. Geri bildirimin ana sorunları arasında düşük seviyeli hatalar, belirsiz prompt'a yanlış anlama ve nadir aşırı düşünme yer alıyor.

Formel matematik mantık alanında, Putnam (Putnam Yarışması) Kuzey Amerika'nın en üst düzey lisans matematik yarışmasıdır. Uygulamalı Senaryo (Practical Regime) üzerinde, V4-Flash-Max Putnam-200 Pass@8 referansına göre 81.00 puan aldı, açık kaynak aracı LeanExplore ve kısıtlı örnekleme kullanarak; karşılaştırma amaçlı, Seed-2.0-Prover 35.50, Gemini 3 Pro ve Seed-1.5-Prover ise 26.50 puan aldı.

Öncü Senaryo (Frontier Regime) üzerinde, V4 karma formel-şekilsel mantık çözümü kullanarak, önce gayri resmî akıl yürütme ile aday doğal dil çözümleri üretir, öz doğrulama sürecinden geçirdikten sonra formal ajan Lean ortamında kesin kanıtı tamamlar. V4 Putnam-2025'te 120/120 tam puan alarak, Axiom ile birinci sırayı paylaştı, Seed-1.5-Prover'ın 110/120 ve Aristotle'nin 100/120 puanlarından yüksektir. Öncü senaryoda büyük ölçekli hesaplama genişlemesi kullanıldı, uygulamalı senaryo sonuçları ise daha yaygın dağıtım kabiliyetini yansıtabilmektedir.

API ve Fiyatlandırma: V4-Flash Fiyat Düşürdü ve Bağlamı Yükseltti, V4-Pro Yüksek Uç

DeepSeek V4 API artık V4-Pro ve V4-Flash ile senkronize bir şekilde kullanılabilir hale geldi. Resmi hesap fiyatlandırmayı ve hesaplama planını duyurdu: V4-Flash doğrudan V3.2'yi (deepseek-chat) değiştiriyor, fiyat artışı olmadan aksine düşürülüyor - önbellek eşleme girişi sabit kalırken (0.2 yuan/milyon jeton), önbellek eşleme olmayan giriş 2 yuan'dan 1 yuan'a (yüzde 50 indirim) ve çıkış 3 yuan'dan 2 yuan'a (yüzde 33 indirim) düşürülüyor. Bağlam 128K'dan 1M'e genişletildi, daha ucuz bir fiyata 8 kat daha fazla bağlama sahip olmak anlamına gelmektedir. Eski model adları deepseek-chat ve deepseek-reasoner 24 Temmuz 2026 tarihinde devre dışı bırakılacaktır, şu anda sırasıyla V4-Flash'ın düşünmeyen modu ve düşünen modunu işaret etmektedir.

V4-Pro yeni yüksek uçtan biridir: önbellek eşleme girişi 1 yuan, eşleme olmayan 12 yuan, çıkış 24 yuan/milyon jeton, çıkış fiyatı V3.2'nin 8 katıdır. DeepSeek fiyatlandırma tablosunda belirttiği gibi, yüksek uç işlem kapasitesi sınırlaması nedeniyle, mevcut Pro servisinin kapasitesi oldukça sınırlıdır, beklendiği üzere yılın ikinci yarısında 950 süper düğüm partisinin listelendikten sonra, Pro'nun fiyatının önemli ölçüde düşeceği tahmin edilmektedir. Her iki model de düşünmeyen ve düşünen modları desteklemekte olup, düşünen mod reasoning_effort parametresini yüksek/maksimum iki şiddette desteklemektedir.

DeepSeek, duyurusunda şunları belirtti: "Artık 1M bağlam, DeepSeek'in tüm resmi hizmetlerinin standart özelliği olacaktır."

İlk Kez Açıklanan Altyapı: Üretim Düzeyinde Esnek Hesaplama Kum Sandığı DSec

DeepSeek V4 Teknik Raporu, Ajan Sonrası Eğitimi ve Büyük Ölçekli Değerlendirmeyi Destekleyen çekirdek altyapısı olan Üretim Düzeyinde Esnek Hesaplama Kum Sandığı DSec (DeepSeek Elastic Compute) ilk kez açıkladı.

Şu anda, büyük modelle güçlendirilmiş öğrenme için son derece geniş bir kod deneme ortamına ihtiyaç vardır. Rapor, gerçek üretimde, tek bir DSec kümesinin aynı anda on binlerce eşzamanlı kum sandığını zamanlayabilme kapasitesine sahip olduğunu ortaya koymaktadır. Sistem, Rust ile yazılmış olup, özelleştirilmiş 3FS dağıtılmış dosya sistemi ile entegre edilmiştir ve ihtiyaç duyulduğunda yükleme (on-demand loading) ile büyük ölçekli kum sandığı soğuk başlatma performans engelini aşmıştır.

Geliştirme deneyimi açısından, DSec, bir Python SDK seti kullanarak işlev çağrısı, konteyner, mikro sanal makine ve tam sanal makine olmak üzere dört farklı yürütme tabanını birleştirmiştir, değişiklik yaparken yalnızca bir parametreyi değiştirmeniz yeterlidir. Hesaplama gücü kümesinin yaygın olarak karşılaşılan görev gaspı sorunlarına yönelik olarak, DSec, global bir izleme günlüğü tanıtmıştır: Görev devam ettiğinde, sistem önbelleğe alınmış komut yürütme sonuçlarını doğrudan "hızlı oynatma" yapacak ve hızlı bir şekilde kesintiye uğramış eğitime devam edecek, böylece hem hızlı noktadan devam etmeyi gerçekleştirmiş olacak hem de tekrarlı yürütmeden kaynaklanan etkisiz hatalardan kaçınacaktır.

V4, "Uyum Zorluğu" Tahminine Veriyle Yanıt Veriyor

DeepSeek V4'ün piyasaya sürülmeden önce, topluluk arasında şu tahmin yaygınlaştı: V4'ün çevrimiçi olma süresi tahmin edilenden geç, çünkü modelin Nvidia'dan Huawei Ascend platformuna taşınırken uyumlaştırma zorluklarıyla karşılaştığı düşünüldü. V4 Teknik Raporu, bu söylentiye doğrudan cevap vermemesine rağmen, açıklanan performans verileriyle açıkça çelişmektedir.

Rapor, V4'ün İnce Taneli Uzman Bölge Düzeni'nin (Fine-Grained EP Scheme) Nvidia GPU ve Huawei Ascend NPU çift platformunda doğrulandığını göstermektedir, Standart Akıl Yürütme Yükünü% 1.50 ila 1.73 oranında hızlandırdığını ve RL rollout ve hızlı Ajan hizmeti gibi gecikmeli hassas senaryoları% 1.96'ya kadar hızlandırdığını ortaya koymaktadır. Ekip, CUDA sürüm çekirdeği MegaMoE'yi DeepGEMM'in bir parçası olarak açık kaynak haline getirmiştir. Başka bir deyişle, V4, her iki donanım setinde de neredeyse teorik sınırda verimlilik elde etmiş ve çapraz platform uyumu performansda bir azalmaya yol açmamıştır.

BlockBeats Resmi Topluluğuna Katılın:

Telegram Abonelik Grubu: https://t.me/theblockbeats

Telegram Sohbet Grubu: https://t.me/BlockBeats_App

Twitter Resmi Hesabı: https://twitter.com/BlockBeatsAsia