DeepSeek V4 pokazuje, że sztuczna inteligencja z najwyższej półki przestaje być twierdzą

👁 123 przeczytań

DeepSeek pokazał modele V4 Flash i V4 Pro. To nie jest tylko kolejna premiera w tabeli wyników. To sygnał, że bardzo mocna sztuczna inteligencja zaczyna tanieć, otwierać się i wychodzić poza kilka najbogatszych laboratoriów. DeepSeek nie musi wygrywać z OpenAI, Google i Anthropic we wszystkim. Wystarczy, że będzie wystarczająco blisko, wyraźnie tańszy i dostępny z otwartymi wagami. Wtedy zmienia się nie tylko ranking modeli. Zmienia się ekonomia całego rynku. TechCrunch opisuje V4 jako dwie wersje zapoznawcze, Flash i Pro, a karta modelu DeepSeek podaje okno kontekstu o długości miliona tokenów oraz architekturę opartą na uruchamianiu tylko części modelu przy konkretnym zadaniu.

Kiedyś najważniejsze pytanie brzmiało: kto ma najlepszy model?

Dziś coraz częściej brzmi inaczej: kto ma model wystarczająco dobry, wystarczająco tani i wystarczająco dostępny, żeby można było zbudować na nim prawdziwy produkt?

To różnica zasadnicza. Przez ostatnie lata sztuczna inteligencja z najwyższej półki działała jak zamknięty klub. Najlepsze modele były drogie, dostępne przez interfejs programistyczny, kontrolowane przez kilka firm i otoczone warstwą regulaminów, limitów oraz decyzji produktowych. Użytkownik końcowy widział czat. Programista widział punkt dostępu. Rynek widział abonament i rachunek za tokeny.

promptowy.com/deepseek-v4-chinski-model-dogania-gpt-4-turbo-i-kosztuje-60-mniej/">DeepSeek V4 przypomina, że istnieje też inna droga: duży model, otwarte wagi, agresywna cena i ambicja, żeby nie tyle przeskoczyć liderów, ile zbliżyć się do nich na tyle, by sama przewaga liderów zaczęła wyglądać mniej pewnie.

Google · Twoje źródłaDodaj promptowy.com do preferowanych źródeł w Google→

Wielki model nie musi oznaczać wielkiego kosztu przy każdym zadaniu

DeepSeek V4 Pro ma według karty modelu 1,6 biliona parametrów, z czego przy pracy aktywowanych jest 49 miliardów. V4 Flash ma 284 miliardy parametrów i 13 miliardów aktywnych. Oba modele obsługują kontekst o długości miliona tokenów. To oznacza, że model może pracować nie tylko na krótkim fragmencie tekstu, ale też na dużych dokumentach, obszernych bazach kodu albo wielowątkowej historii projektu.

Najważniejsza nie jest jednak sama liczba parametrów. Najważniejsze jest to, ile modelu trzeba uruchomić, żeby odpowiedzieć na konkretne pytanie.

DeepSeek korzysta z architektury, którą po polsku najprościej opisać jako „mieszankę ekspertów”. Model jest ogromny jako całość, ale przy pojedynczym zadaniu używa tylko wybranych części. To trochę tak, jakby firma miała wielu specjalistów, ale do danego problemu zapraszała tylko tych, którzy są potrzebni. Dzięki temu można łączyć dużą pojemność modelu z niższym kosztem działania.

Według karty modelu V4 Pro, w ustawieniu miliona tokenów, potrzebuje tylko 27 proc. obliczeń na pojedynczy token i 10 proc. pamięci podręcznej kluczy i wartości w porównaniu z DeepSeek V3.2. Brzmi technicznie, ale sens jest prosty: długi kontekst przestaje być luksusem.

A długi kontekst jest jedną z najważniejszych cech praktycznej sztucznej inteligencji. Prawdziwa praca rzadko mieści się w jednym krótkim zapytaniu. Prawdziwa praca to dokumentacja, historia decyzji, pliki, komentarze, umowy, instrukcje, logi, błędy i wyjątki. Model, który potrafi trzymać to wszystko w pamięci roboczej rozmowy, nie jest już tylko czatem. Staje się narzędziem do pracy na pamięci organizacji.

Skok widać nie tylko w rozmiarze, ale też w wynikach

W tabeli wyników bazowych DeepSeek V4 Pro poprawia wynik V3.2 między innymi w MMLU-Pro, SimpleQA, FACTS Parametric, HumanEval i LongBench-V2. Szczególnie widoczny jest skok w testach wiedzy oraz w pracy z długim kontekstem. To ważne, bo właśnie tam modele najczęściej zawodzą w realnej pracy: kiedy muszą połączyć wiele informacji, a nie tylko odpowiedzieć na krótkie pytanie.

Trzeba tu zachować ostrożność. Wyniki z kart modeli są ważne, ale nie są wyrokiem. To dane publikowane przez twórcę modelu, w konkretnych ustawieniach i na konkretnych testach. Mimo to pokazują kierunek: DeepSeek nie próbuje tylko powiększyć modelu. Próbuje uczynić długi kontekst bardziej opłacalnym.

To może być ważniejsze niż pojedyncze zwycięstwo w rankingu. Firmy nie wybierają modeli wyłącznie po najwyższym wyniku w jednej tabeli. Wybierają je po stosunku możliwości do ceny, po stabilności, po dostępności, po prywatności i po tym, czy da się je osadzić w istniejącej infrastrukturze.

„Prawie tak dobry” może być groźniejsze niż „najlepszy”

DeepSeek porównuje V4 Pro Max z czołowymi modelami zamkniętymi i otwartymi. W wielu testach model jest blisko liderów, a w niektórych wynikach wygrywa albo osiąga rezultat bardzo zbliżony do najlepszego. W innych, zwłaszcza w części testów wiedzy, nadal zostaje za najmocniejszymi systemami Google, OpenAI i Anthropic. TechCrunch zwraca uwagę, że sam DeepSeek sugeruje opóźnienie względem najściślejszej czołówki o około 3-6 miesięcy.

I właśnie to jest najciekawsze.

To nie jest prosta opowieść o tym, że Chiny jednym ruchem przeskoczyły wszystkich. To byłaby zbyt łatwa narracja. Mamy raczej coś bardziej niewygodnego dla liderów: model, który może nie być najlepszy we wszystkim, ale jest wystarczająco blisko, żeby dla wielu zastosowań różnica przestała uzasadniać wielokrotnie wyższą cenę.

W realnym świecie najlepszy model nie zawsze wygrywa. Wygrywa model, który jest dostępny, tani, przewidywalny i wystarczająco dobry dla konkretnego zadania. Firma budująca narzędzie do analizy dokumentów nie zawsze potrzebuje absolutnego lidera w światowym rankingu. Czasem potrzebuje modelu, który dobrze rozumie długi kontekst, działa tanio i nie uzależnia całego procesu od jednej zamkniętej platformy.

To jest moment, w którym „prawie jak czołówka” zaczyna być kategorią strategiczną.

Prawdziwa wojna to cena tokena

Najbardziej rynkowa część tej premiery nie dotyczy samego rozmiaru modelu. Dotyczy ceny.

Oficjalny cennik DeepSeek podaje dla V4 Flash 0,14 dolara za milion tokenów wejściowych przy braku trafienia w pamięć podręczną i 0,28 dolara za milion tokenów wyjściowych. Dla V4 Pro cena bazowa wynosi 1,74 dolara za milion tokenów wejściowych i 3,48 dolara za milion tokenów wyjściowych, ale DeepSeek oferuje czasową obniżkę do 0,435 dolara za wejście i 0,87 dolara za wyjście do 5 maja 2026 roku, 15:59 czasu UTC.

Dla porównania, oficjalny cennik Google podaje dla Gemini 3.1 Pro w trybie standardowym 2 dolary za milion tokenów wejściowych i 12 dolarów za milion tokenów wyjściowych przy zapytaniach do 200 tysięcy tokenów. OpenAI podaje dla GPT-5.5 5 dolarów za milion tokenów wejściowych i 30 dolarów za milion tokenów wyjściowych. Anthropic podaje dla Claude Opus 4.7 5 dolarów za milion tokenów wejściowych i 25 dolarów za milion tokenów wyjściowych.

To pokazuje, gdzie DeepSeek naprawdę naciska rynek. Nie tylko w wynikach. W rachunku.

Dla pojedynczego użytkownika różnica kilku dolarów za milion tokenów może wyglądać abstrakcyjnie. Dla firmy, która przetwarza miliony dokumentów, prowadzi asystentów wewnętrznych, analizuje kod, streszcza korespondencję, buduje narzędzia dla klientów albo uruchamia setki tysięcy zapytań dziennie, to jest różnica między eksperymentem a wdrożeniem.

Sztuczna inteligencja staje się realna dopiero wtedy, gdy można jej używać często. A można jej używać często dopiero wtedy, gdy koszt przestaje paraliżować produkt.

Otwarte wagi zmieniają nacisk na zamknięte laboratoria

DeepSeek V4 jest dostępny na Hugging Face, a karta modelu wskazuje licencję MIT dla repozytorium i wag. To nie znaczy, że każdy uruchomi taki model na laptopie. Nie uruchomi. Skala nadal jest ogromna, a wdrożenie wymaga infrastruktury, wiedzy i pieniędzy. Ale otwarte wagi zmieniają relację między twórcą modelu a rynkiem.

Zamknięty model jest usługą. Otwarty model jest także zasobem.

Można go badać, dostrajać, hostować, przenosić do własnego środowiska, porównywać i integrować bez pełnego uzależnienia od decyzji jednej firmy. To ma znaczenie dla państw, uczelni, administracji, firm regulowanych i organizacji, które nie chcą budować podstawowych procesów na cudzym czarnym pudełku.

Oczywiście otwarte wagi mają też drugą stronę. Im mocniejszy model jest dostępny szerzej, tym trudniej kontrolować jego użycie. Ta sama cecha może być jednocześnie demokratyzacją i ryzykiem. Model może pomagać badaczom, firmom i programistom. Może też obniżać próg dla zastosowań, których nikt rozsądny nie chce oglądać w praktyce.

Dlatego dyskusja o otwartych modelach nie jest romantyczna. To nie jest prosty podział na „otwarte dobre” i „zamknięte złe”. To pytanie o to, czy świat chce tańszej i szerzej dostępnej inteligencji maszynowej, nawet jeśli oznacza to trudniejszą kontrolę.

DeepSeek nadal ma ograniczenie: to przede wszystkim tekst

Jest jeszcze jeden ważny szczegół. V4 Flash i V4 Pro są modelami tekstowymi. TechCrunch zwraca uwagę, że nie oferują obsługi obrazu, dźwięku i wideo, które coraz częściej są standardem u największych zamkniętych dostawców.

To ograniczenie jest istotne.

Dzisiejsza sztuczna inteligencja nie jest już tylko rozmową. Najwięksi gracze idą w stronę systemów, które widzą, słyszą, mówią, analizują ekran, używają narzędzi, wykonują zadania i prowadzą złożone procesy. Tekst nadal jest fundamentem, ale nie jest całym polem gry.

DeepSeek V4 może być imponujący jako model językowy, zwłaszcza przy takim stosunku ceny do możliwości. Ale jeśli porównuję go z pełnymi ekosystemami OpenAI, Google czy Anthropic, trzeba pamiętać, że konkurencja nie dotyczy już wyłącznie odpowiedzi na pytanie. Dotyczy tego, kto zbuduje najbardziej użyteczny system pracy.

Tu przewaga zamkniętych laboratoriów nadal jest realna. Mają produkty, integracje, narzędzia, obsługę wielu typów danych, aplikacje konsumenckie, płatności, partnerstwa i dostęp do użytkownika końcowego. DeepSeek może zmniejszać dystans modelowy, ale cały wyścig jest znacznie szerszy.

Geopolityka jest wpisana w tę premierę

Nie da się oddzielić DeepSeek V4 od geopolityki. TechCrunch przypomina, że premiera nastąpiła dzień po tym, jak Stany Zjednoczone oskarżyły Chiny o kradzież własności intelektualnej amerykańskich laboratoriów sztucznej inteligencji na dużą skalę. W tekście pojawia się też wątek wcześniejszych oskarżeń wobec DeepSeek o uczenie się na odpowiedziach modeli konkurencji.

To jest dziś stały element rozmowy o sztucznej inteligencji.

Każdy mocny model z Chin natychmiast staje się nie tylko produktem technologicznym, ale też wydarzeniem politycznym. Każdy tani model z otwartymi wagami prowokuje pytania o układy scalone, ograniczenia eksportowe, dane treningowe, bezpieczeństwo i przewagę strategiczną. Każda tabela wyników jest czytana nie tylko przez programistów, ale też przez inwestorów, regulatorów i rządy.

DeepSeek V4 pojawia się więc w świecie, w którym sztuczna inteligencja nie jest już tylko branżą technologiczną. Jest infrastrukturą państwa, gospodarki, wojska, edukacji, przemysłu i mediów.

To dlatego reakcje na takie modele bywają nerwowe. Nie chodzi tylko o to, czy jeden czat odpowiada lepiej od drugiego. Chodzi o to, kto będzie kontrolował warstwę inteligencji, na której za kilka lat mogą działać firmy, urzędy, laboratoria, fabryki i narzędzia codziennej pracy.

Najważniejszy wniosek: przewaga liderów staje się mniej wygodna

DeepSeek V4 nie kończy wyścigu. Nie unieważnia OpenAI, Google ani Anthropic. Nie sprawia, że zamknięte laboratoria przestają mieć przewagę. Nie rozwiązuje problemów bezpieczeństwa, obsługi obrazu i dźwięku ani zaufania do danych treningowych.

Ale robi coś równie ważnego: zmniejsza psychologiczny dystans.

Pokazuje, że model bliski czołówce może być tańszy. Że otwarte wagi mogą wrócić do rozmowy o najpoważniejszych zastosowaniach. Że przewaga najlepszych laboratoriów może być realna, ale niekoniecznie wystarczająco duża, by uzasadnić każdą cenę.

To może być jedna z najważniejszych zmian w sztucznej inteligencji w 2026 roku. Nie jeden genialny model. Nie jeden ranking. Nie jeden pokaz możliwości. Tylko stopniowe przesuwanie granicy tego, co staje się dostępne dla większej liczby graczy.

Największe laboratoria nadal będą walczyć o absolutną czołówkę. Ale rynek może coraz częściej wybierać coś innego: model, który nie jest najlepszy na świecie, ale jest wystarczająco dobry, dużo tańszy i bliżej własnej infrastruktury.

W epoce sztucznej inteligencji przewaga nie musi polegać na tym, że ma się najinteligentniejszy model.

Czasem wystarczy mieć model, który sprawia, że inteligencja przestaje być luksusem.