Появилась новая модель DeepSeek?

DeepSeek продвигает тестирование новой версии модели в режиме грейд-обкатки, которая, вероятно, является финальной грейд-версией перед официальным дебютом V4.

11 февраля часть пользователей, открыв приложение DeepSeek, получила уведомление об обновлении. После обновления приложения (1.7.4) пользователи смогут опробовать новейшую модель DeepSeek. В рамках этого обновления длина контекста модели увеличилась с 128K до 1M, почти в 10 раз; база знаний обновлена до мая 2025 года, а несколько ключевых возможностей претерпели существенные улучшения.

Авторские тесты показали, что в вопросах и ответах текущая версия, скорее всего, не является V4, а, скорее всего, — финальной эволюционной формой серии V3 или же последней грейд-версией перед официальным дебютом V4.

Номура Цукуси 10 февраля опубликовала отчет, в котором говорится, что ожидаемый в середине февраля 2026 года DeepSeek V4 не вызовет глобальной паники по спросу на вычислительные мощности ИИ, как это было при запуске V3 в прошлом году. Компания считает, что ключевая ценность V4 заключается в продвижении коммерциализации ИИ-приложений через инновации в базовой архитектуре, а не в революции существующей цепочки ценности ИИ.

По результатам оценки, новая версия уже достигла уровня обработки сложных задач, сопоставимого с ведущими закрытыми моделями Gemini 3 Pro и K2.5. Номура дополнительно отметил, что V4, по предварительным оценкам, внедрит две инновационные технологии — mHC и Engram, которые на алгоритмическом и инженерном уровнях преодолевают узкие места в вычислительных чипах и памяти. Внутренние тесты показывают, что V4 уже превосходит модели Anthropic Claude и серии GPT от OpenAI по показателям в программировании.

Ключевое значение этого релиза — дальнейшее снижение затрат на обучение и вывод модели в эксплуатацию, что даст возможность снизить барьеры для компаний, разрабатывающих крупные языковые модели и ИИ-приложения по всему миру.

Инновационная архитектура для оптимизации аппаратных узких мест

Отчет Номура указывает, что производительность вычислительных чипов и узкие места в HBM-памяти остаются главными ограничениями для отечественной индустрии крупных моделей. Внедрение DeepSeek V4 с технологиями mHC (сверхсвязь и ограничение потоков на многообразии) и Engram — это системные оптимизации, направленные на устранение этих проблем с двух сторон — обучения и вывода.

mHC:

• Полное название — «сверхсвязь с ограничением многообразия». Цель — решить проблему узких мест в информационном потоке и нестабильности обучения при очень глубокой архитектуре трансформеров.

• Проще говоря, оно делает «диалог» между слоями нейросети более насыщенным и гибким, одновременно защищая информацию математическими «ограничителями», чтобы избежать её искажения или усиления. Эксперименты показали, что модели с mHC лучше справляются с задачами математического и логического вывода.

Engram:

• Модуль «условной памяти». Его идея — отделить «память» от «вычислений».

• Статические знания (например, сущности, фиксированные выражения) хранятся в специальной разреженной таблице памяти, которая может находиться в недорогой DRAM. При необходимости вывода осуществляется быстрый поиск. Это освобождает дорогостоящую память GPU (HBM), позволяя ей сосредоточиться на динамических вычислениях.

Технология mHC за счет повышения стабильности обучения и эффективности сходимости помогает частично компенсировать разрыв в межсоединительной пропускной способности и плотности вычислений отечественных чипов; архитектура Engram ориентирована на реконструкцию механизма управления памятью, чтобы при ограниченной поставке HBM более эффективно использовать доступную память и пропускную способность. Номура считает, что эти две инновации вместе образуют комплексное решение, адаптированное под отечественную аппаратную экосистему, и имеют явную инженерную ценность.

Отчет дополнительно подчеркивает, что самое важное коммерческое влияние релиза V4 — существенное снижение затрат на обучение и вывод моделей. Это позволит стимулировать спрос на downstream-приложения и запустить новый цикл развития инфраструктуры ИИ. В процессе этого, китайские производители аппаратного обеспечения для ИИ могут выиграть за счет увеличения спроса и предварительных инвестиций.

Рынок переходит от «доминирования одной компании» к «конкуренции нескольких игроков»

Отчет Номура освещает изменения на рынке спустя год после релиза DeepSeek V3/R1. В конце 2024 года две модели DeepSeek занимали более половины использования токенов в открытом исходном коде на платформе OpenRouter.

Но к середине 2025 года, по мере появления новых участников, их доля заметно снизилась. Рынок перешел от «одной доминирующей компании» к «многополюсной конкуренции». Конкурентная среда для V4 стала значительно сложнее, чем год назад. Эффективность управления вычислительными ресурсами и повышение производительности DeepSeek ускорили развитие крупных языковых моделей и приложений в Китае, а также изменили глобальный баланс сил, повысив интерес к моделям с открытым исходным кодом.

Возможности для повышения стоимости со стороны софтверных компаний

Номура считает, что ведущие мировые облачные провайдеры активно развивают универсальный ИИ, и гонка за капиталовложениями еще не завершена, поэтому V4 вряд ли вызовет такую же волну потрясений в инфраструктуре ИИ, как в прошлом году.

Однако разработчики крупных моделей и приложений сталкиваются с растущими затратами. Если V4 сможет сохранить высокую производительность при значительном снижении затрат на обучение и вывод, это поможет этим компаниям быстрее монетизировать технологии и снизить прибыльные риски.

На стороне приложений более мощный и эффективный V4 создаст условия для появления более интеллектуальных ИИ-агентов. В отчете отмечается, что такие приложения, как приложение Али通ий Цянь Вэнь, уже способны автоматизировать выполнение многошаговых задач, и ИИ-агенты переходят от «диалоговых инструментов» к «умным помощникам», способным решать сложные задачи.

Эти многофункциональные агенты требуют более частого взаимодействия с базовой моделью, что увеличивает расход токенов и повышает требования к вычислительным ресурсам. Поэтому повышение эффективности модели не только не «убьет софт», но и создаст новые возможности для ведущих софтверных компаний. Номура подчеркивает необходимость следить за компаниями, которые смогут первыми использовать новые возможности крупных моделей для создания прорывных ИИ-приложений или агентов. Их рост может быть вновь стимулирован скачком возможностей моделей.

Риск-менеджмент и отказ от ответственности

Рынок подвержен рискам, инвестиции требуют осторожности. Настоящий материал не является индивидуальной инвестиционной рекомендацией и не учитывает конкретные цели, финансовое положение или потребности каждого пользователя. Пользователи должны самостоятельно оценить соответствие приведенных мнений, взглядов или выводов своей ситуации. За инвестиционные решения несут ответственность сами.