본문으로 건너뛰기
J
피드

딥시크 V4 플래시 0731, 100만 토큰 컨텍스트에 가격까지 꽤 공격적임

ai-ml 약 4분
tags
#llm#deepseek#benchmark#moe#open-weights
vote
0
댓글
북마크

딥시크 V4 플래시 0731이 인공분석 지능 지수에서 50점을 기록하며 비슷한 크기의 공개 가중치 모델 중앙값 25점을 크게 웃돌았음. 입력 100만 토큰당 0.14달러, 출력 100만 토큰당 0.28달러라 가격도 공격적이고, 100만 토큰 컨텍스트와 2840억 전체 파라미터, 130억 활성 파라미터 구조가 핵심임.

  • 1

    인공분석 지능 지수 50점으로 유사 공개 가중치 모델 중앙값 25점의 두 배 수준

  • 2

    입력 100만 토큰당 0.14달러, 출력 100만 토큰당 0.28달러로 중앙값보다 훨씬 저렴함

  • 3

    100만 토큰 컨텍스트를 지원하지만 이미지 입력은 안 되고 텍스트 전용 모델임

  • 4

    전체 2840억 파라미터 중 추론 때 130억 파라미터만 활성화되는 전문가 혼합 구조임

  • 딥시크 V4 플래시 0731은 공개 가중치 추론 모델 중에서 꽤 센 가격대 성능비를 보여줌

    • 인공분석 지능 지수에서 50점을 기록했는데, 비슷한 크기의 공개 가중치 모델 중앙값은 25점임
    • 단순히 ‘오픈 모델치고 괜찮네’가 아니라, 같은 체급 기준으로는 평균을 꽤 크게 넘긴 셈임

  • 가격은 더 눈에 띔

    • 입력 100만 토큰당 0.14달러, 출력 100만 토큰당 0.28달러임
    • 비교 기준 중앙값은 입력 0.43달러, 출력 1.20달러라서 특히 출력 토큰 가격 차이가 큼
    • 캐시 히트, 입력, 출력을 7:2:1로 섞은 기준에서는 100만 토큰당 0.06달러로 계산됨

❗중요

> 지능 지수 50점, 입력 0.14달러, 출력 0.28달러 조합이면 ‘저렴한 공개 모델’ 포지션에서는 꽤 공격적인 수치임.

  • 대신 이 모델은 말이 많은 편임

    • 인공분석 지능 지수 평가에서 출력 토큰을 2억1000만 개 생성했음
    • 비교 대상 중앙값은 1억 개라서, 같은 작업을 시켜도 더 길게 생각하고 더 길게 답할 가능성이 큼
    • 가격이 싸도 출력이 길어지면 실제 비용과 응답 시간은 예상보다 커질 수 있음

  • 스펙상으로는 텍스트 중심 작업에 집중한 모델임

    • 텍스트 입력과 텍스트 출력만 지원함
    • 이미지 입력은 안 되고, 멀티모달 모델도 아님
    • 컨텍스트 창은 100만 토큰이라 긴 문서 분석, 로그 분석, 코드베이스 질의 같은 작업에는 매력적임

  • 구조는 전문가 혼합 모델임

    • 전체 파라미터는 2840억 개지만, 추론 때 활성화되는 파라미터는 130억 개임
    • 큰 모델의 지식과 작은 활성 비용을 같이 노리는 전형적인 전문가 혼합 전략임
    • 라이선스는 상업적 사용이 가능한 MIT 라이선스로 소개됨

기술 맥락

  • 이 모델의 핵심 선택은 ‘큰 전체 파라미터를 유지하되, 추론 때는 일부만 쓰는 구조’예요. 전체 2840억 파라미터를 매번 다 돌리면 비용이 커지니, 130억 활성 파라미터만 쓰는 전문가 혼합 구조로 성능과 비용을 맞추려는 거예요.

  • 100만 토큰 컨텍스트도 그냥 숫자 자랑만은 아니에요. 긴 코드, 긴 로그, 긴 문서를 잘라 넣지 않고 한 번에 다루려는 에이전트형 작업에서는 컨텍스트가 병목이 되거든요.

  • 다만 출력 토큰이 평가에서 2억1000만 개까지 늘었다는 건 운영자가 봐야 할 지점이에요. 모델 단가가 싸도 답변이 길어지면 지연시간, 비용, 사용자 경험이 같이 흔들릴 수 있어요.

공개 가중치 추론 모델이 이제 ‘싸고 쓸 만한’ 수준을 넘어 꽤 실전적인 선택지로 들어오는 분위기임. 다만 평가 때 출력 토큰을 2억1000만 개나 뽑았다는 점은 비용뿐 아니라 지연시간과 사용성까지 같이 봐야 한다는 신호임.

prev

이전 기사 (P)

next

다음 기사 (N)

댓글

댓글

댓글을 불러오는 중...

관련 기사

ai-ml

가짜 저자 인용을 신고했는데도 AI 논문 2편이 구두 발표로 통과됐다

두 연구자가 NeurIPS, WACV, TerraBytes 리뷰 경험을 바탕으로 LLM이 만든 저품질 논문과 환각 인용 문제가 학회 리뷰를 망가뜨리고 있다고 비판한 Q&A 글이다. 리뷰한 22편 중 다수에서 가짜 저자나 조작된 참고문헌이 나왔고, 심지어 신고한 논문 2편이 단순 수정 조건으로 구두 발표에 통과됐다고 한다.

ai-ml

AI 문서 냄새를 항공 매뉴얼식 영어로 잡아주는 에이전트 스킬

ASD-STE100 Simplified Technical English 규칙을 에이전트 스킬로 묶어, LLM이 쓰는 기술 문서를 짧고 오해 적게 만들려는 GitHub 프로젝트다. Claude 6개 모델, 8개 작업, 96회 실행 기준으로 STE 위반이 100단어당 72.9% 줄었고 출력 토큰도 모든 모델에서 감소했다.

ai-ml

딥시크 V4 플래시 공개 베타, 에이전트 성능을 대놓고 밀고 있다

DeepSeek가 DeepSeek-V4-Flash API를 공개 베타로 올리고, 모델명만 deepseek-v4-flash로 바꾸면 쓸 수 있게 했다. 이번 업데이트는 에이전트 성능 개선이 핵심이며 Terminal Bench 2.1 82.7, DeepSWE 54.4, DSBench-FullStack 68.7 같은 수치를 내세운다. Responses API 형식과 Codex 적응도 명시되어 있어 코딩 에이전트 쪽에서 바로 비교 대상이 될 만하다.

ai-ml

AI 세션, 이제 진짜 내 데이터가 아닐 수도 있다

추론 API가 단순한 입력-출력 기록에서 벗어나, 제공자 서버에 묶인 상태값과 암호화된 블롭에 의존하는 방향으로 가고 있다는 비판이다. reasoning token, 호스팅 검색, 서버 측 압축, 멀티 에이전트 메시지, 응답 아이디 같은 기능이 편리함을 주는 대신 세션 이식성과 감사 가능성을 깎아먹는다는 게 핵심이다. 글은 로컬 이벤트 로그를 표준으로 삼고, 검색·압축·에이전트 통신을 사람이 읽고 내보낼 수 있어야 한다고 주장한다.

ai-ml

LG CNS, AI·클라우드 매출은 컸지만 2분기 수익성은 흔들렸다

LG CNS가 2026년 2분기 매출 1조5208억 원을 기록하며 외형 성장은 이어갔지만, 영업이익은 전년 대비 9.2% 감소함. AI·클라우드 부문은 상반기 매출 1조6714억 원으로 전체의 약 59%를 차지했고, 1조 원 이상 AI 데이터센터 DBO 수주도 공개됨.