LLM Wiki

DeepSeek-V4-Flash 정식 버전 출시, 성능은 좋아지면서 가격은 낮아진 모델 (Task당 약 $0.027)

Properties2
descriptionPyTorchKR 9bow 게시글의 핵심 내용과 실무적 의미를 원문에 근거해 정리한다.
tagsai-models, open-source, research

5 min read

출처

개요

DeepSeek은 2026년 7월 31일 DeepSeek-V4-Flash 정식 버전과 공개 베타 API를 출시했습니다. 정식 버전은 프리뷰와 동일한 284B 총 파라미터·13B 활성 파라미터 구조와 100만 토큰 컨텍스트를 유지하고, 사후 학습만 다시 수행한 모델입니다. DeepSeek 자체 평가에서 Terminal-Bench 2.1 점수가 61.8점에서 82.7점으로 상승했으며, Artificial Analysis의 지능 지수도 40.3에서 49.9로 올랐습니다. Artificial Analysis 측정 기준 태스크당 비용은 약 0.027달러로 프리뷰의 약 0.069달러보다 낮아졌지만, 비용 절감의 주된 원인은 출력량 감소가 아니라 캐시 히트 요금 인하였습니다.

핵심 포인트

  • 구조와 규모는 프리뷰와 동일: 총 284B, 활성 13B의 MoE 구조와 1,048,576토큰 컨텍스트를 유지했으며, 차이는 주로 사후 학습에 있습니다.
  • 에이전트 작업 성능 향상: Terminal-Bench 2.1은 61.8점에서 82.7점, Cybergym은 38.7점에서 76.7점, Toolathlon-Verified는 49.7점에서 70.3점으로 상승했습니다.
  • 독립 평가에서도 상승: Artificial Analysis 지능 지수는 프리뷰 40.3에서 정식 버전 49.9로 올랐고, 같은 평가에서 DeepSeek-V4-Pro 프리뷰의 44.3점도 넘어섰습니다.
  • 비용 경쟁력: Artificial Analysis 평가 묶음 기준 태스크당 비용은 약 0.0271달러였으며, 지능 지수 49점 이상 모델 중 낮은 비용에 해당했습니다.
  • 캐시 히트 가격 인하: V4-Flash의 캐시 히트 입력 가격이 100만 토큰당 0.028달러에서 0.0028달러로 낮아졌습니다. 캐시 미스 입력과 출력 가격은 각각 0.14달러와 0.28달러로 유지되었습니다.
  • 추론·서빙 기능 변경: reasoning_effort에 low, high, max를 사용하며, 투기적 디코딩 모듈이 기본 체크포인트에 포함되고 Responses API를 지원합니다.
  • 벤치마크 해석의 한계: DeepSeek의 점수는 공개되지 않은 DeepSeek Harness의 minimal 모드와 특정 추론·샘플링 설정으로 측정되었으므로, 다른 하네스에서 동일한 점수가 재현된다고 단정할 수 없습니다.

왜 중요한가

이번 릴리즈는 모델 구조를 크게 확장하지 않고 사후 학습을 통해 에이전트·코딩 작업 성능을 높인 사례라는 점에서 의미가 있습니다. 특히 비용은 캐시 요금 정책의 영향을 크게 받으므로, 실제 도입 시에는 입력 캐시 적중률과 태스크의 출력 토큰 수를 함께 고려해야 합니다. 또한 모델 성능은 하네스와 설정에 따라 달라질 수 있어, 벤치마크의 절대 점수보다 사용하려는 에이전트 환경에서 직접 평가하는 것이 중요합니다.

후속으로 볼 링크와 키워드

원문

https://discuss.pytorch.kr/t/deepseek-v4-flash-task-0-027/11533

관련 위키

원문 보존 위치

원문 전체는 raw source: 2026-08-06-pytorchkr-topic-11533-deepseek-v4-flash-task-0-027에 source_url 및 HTML 원문과 함께 저장되어 있습니다.

백링크