Flash против V4 Pro: почему DeepSeek передумала

Что в ролике
Ситуация знакомая каждому, кто неделями настраивал промпты под конкретную модель: 10 сентября DeepSeek объявила, что через 4 дня отключает свой флагман V4 Pro на 1,6 трлн параметров и молча переводит всех на V4.1 Flash по ценам Flash. Через сутки решение отменили целиком — V4 Pro остаётся, биллинг прежний, официальная причина — запросы пользователей. Сначала автор защищает исходный расчёт вендора: Flash набирает 74,2 на внутреннем бенчмарке по починке багов против 74,0 у Claude Opus 5 и 73,0 у GPT-5.6 Soul, выдаёт больше 214 токенов в секунду и стоит около трети цены Pro. Настоящая причина отключения вскрылась в таблице лимитов: 2500 одновременных запросов у Flash против 500 у Pro, то есть каждый запрос к Pro занимал слот пяти запросов Flash и оставлял 80% мощности серверов простаивать. Архитектура объясняет экономию: у Flash расщеплённая схема causal encoder-decoder, где 20 слоёв читают промпт и сжимают его, а другие 20 пишут ответ уже без исходного текста, из 384 routed-экспертов на каждый токен срабатывают шесть, и Pro тратит 49 млрд активных параметров на токен против 8 млрд на чтение и 16 млрд на запись у Flash — для агента это ключевое, потому что он как раз читает много: репозиторий, вывод инструментов, историю сессии. Слабые места Flash автор называет по цифрам самой DeepSeek: Humanity's Last Exam 36,8 против 56,3 у Opus 5, Program Bench 20,3 против 37,0, сложный Terminal-Bench 31,2 против примерно 52. Практический расчёт на 1000 ходов агента с чтением 200 000 кэшированных токенов и записью 2000 даёт 1,80 доллара на Flash против 8,40 на Pro, потому что попадание в кэш дешевле промаха в 50 раз. Вывод автора: на высокочастотных кодинг-агентах переходить на Flash уже сейчас, на длинных рассуждениях и редких знаниях оставаться на Pro, а сама отмена показывает, что модель — не константа, а текущее инфраструктурное решение вендора.
Практика
- Что получишь
- Понимание, почему дешёвая Flash годится для массовых задач кодинг-агента, а Pro остаётся нужен для длинных рассуждений и редких знаний, и как посчитать эту разницу на своих токенах.
- Первый шаг
- Прикинуть профиль своей нагрузки: сколько токенов агент читает из кэша и сколько пишет, а затем прогнать десяток своих промптов через Flash до переключения.
- Цифры
- —1,80 доллара против 8,40 — столько стоят 1000 ходов агента на Flash и на V4 Pro при чтении 200 000 кэшированных токенов за ход
- —2500 против 500 — лимит одновременных запросов у Flash и у V4 Pro; запрос к Pro занимал слот пяти запросов Flash
- —50-кратная разница — во столько раз попадание в кэш дешевле промаха: 0,3 цента против 15 центов за миллион токенов
- —214 токенов в секунду — скорость Flash по сторонним замерам против доли от этого у Pro
- Честно
- Автор ничего не продаёт: в конце он зовёт подписаться и предлагает обсудить в комментариях цифры под конкретную нагрузку. Все цифры взяты из публикаций и таблиц самой DeepSeek и сторонних замеров, независимой проверки в ролике нет, а сам автор называет раскладку по ценам политикой вендора, которую могут переписать в любой момент. Часть доказательств — список CyberGym и таблица лимитов параллелизма — показывается на экране, так что при пересказе эти слайды придётся смотреть отдельно.
Если слова незнакомы — 7 терминов
- агентпрограмма, которая сама делает цепочку шагов: читает файлы, вызывает инструменты, пишет код
- токенкусочек текста, которым считают объём работы модели и её цену
- кэш контекстасохранённая часть запроса, которую не нужно обрабатывать заново; попадание в кэш в десятки раз дешевле промаха
- routed-экспертыустройство mixture of experts: на каждый токен включается лишь несколько подсетей из сотен
- causal encoder-decoderархитектура Flash, где одни слои только читают запрос и сжимают его, а другие только пишут ответ
- параллелизмсколько запросов модель обслуживает одновременно
- бенчмаркнабор тестовых задач, по которым сравнивают модели
Связки из этого ролика
3 шт.- DeepSeek V4.1 Flash + кэшированные контексты агента (200k токенов чтения на ход) — 1000 ходов за $1.80 против $8.40 на V4 Pro
- V4 Pro + длинные reasoning-задачи и редкие знания — сохранение качества там, где уверенный неверный ответ дороже сэкономленных токенов
- causal encoder-decoder (20 слоёв чтения + 20 слоёв записи) + 384 routed expert — архитектура, из-за которой чтение контекста стало в шесть раз дешевле
Компоненты
9 шт.Формат: мнение · для практикующих · уверенность разметки 0.88 · источник