DeepSeek-V4-Flash 정식 버전 소개
DeepSeek이 2026년 7월 31일 DeepSeek-V4-Flash의 정식 버전을 공개하고 API를 공개 베타로 열었습니다. 총 284B 파라미터 중 13B만 활성화하는 혼합 전문가(Mixture-of-Experts, MoE) 모델로 100만 토큰 컨텍스트를 지원하며, 4월에 공개된 프리뷰와 아키텍처도 파라미터 규모도 완전히 같은 채 사후 학습(post-training)만 다시 수행한 것이 이번 릴리즈의 전부입니다.
DeepSeek-V4 시리즈가 어떤 구조로 100만 토큰을 감당하는지, 즉 압축 희소 어텐션(Compressed Sparse Attention, CSA)과 극압축 어텐션(Heavily Compressed Attention, HCA)을 인터리브한 하이브리드 어텐션, 다양체 제약 하이퍼 연결(mHC), Muon 옵티마이저, 32T 토큰 사전 학습 같은 내용은 프리뷰 공개 시점에 이미 커뮤니티에 정리해 둔 글이 있으니 함께 참고해주세요.
DeepSeek-V4의 아키텍처와 학습 방법은 다음 글(DeepSeek, 100만 토큰 컨텍스트를 효율적으로 지원하는 MoE 모델 DeepSeek-V4-Pro 및 DeepSeek-V4-Flash 공개)에 정리되어 있습니다:
이 글은 그 구조 이야기를 반복하지 않고, 정식 버전이 프리뷰 대비 무엇을 얼마나 바꿨는지 와 그 결과 성능과 비용이 어디에 놓였는지 두 가지에만 집중합니다. 모델을 다시 설계한 릴리즈가 아니라 사후 학습만 교체한 릴리즈가 흥미로운 이유는 분명합니다. 가중치 규모와 활성 파라미터가 그대로면 토큰당 연산량과 KV 캐시, 즉 추론 단가를 결정하는 요소가 그대로이므로, 능력이 올랐다면 같은 값을 내고 더 나은 결과를 받게 되는 구조이기 때문입니다.
실제 숫자로 보면 그 폭이 작지 않습니다. DeepSeek 자체 측정 기준으로 Terminal-Bench 2.1 점수가 61.8에서 82.7로 올랐고, 독립 평가 기관인 Artificial Analysis의 지능 지수는 40.3에서 49.9로 올라 같은 시리즈의 상위 모델인 DeepSeek-V4-Pro(44.3)를 앞섰습니다. 그러면서 100만 출력 토큰당 0.28달러라는 가격은 그대로입니다. Artificial Analysis가 같은 평가 묶음을 한 번 돌리는 데 든 비용은 태스크당 0.027달러로, 비교 대상 가운데 가장 낮았습니다.
프리뷰에서 정식으로: 크기는 그대로, 사후 학습만 교체
DeepSeek는 체인지로그에서 "DeepSeek-V4-Flash-0731은 DeepSeek-V4-Flash-Preview와 모델 아키텍처 및 크기가 동일하며, 사후 학습만 다시 수행했다" 고 명시했습니다. 두 버전의 차이를 정리하면 다음과 같습니다.
| 항목 | V4-Flash (프리뷰) | V4-Flash-0731 (정식) |
|---|---|---|
| 총 파라미터 / 활성 파라미터 | 284B / 13B | 284B / 13B (동일) |
| 레이어 수 / 라우팅 전문가 | 43개 / 256개 + 공유 1개 | 동일 |
| 컨텍스트 길이 | 1M (1,048,576) | 1M (1,048,576) |
| 정밀도 | FP8 e4m3 (MoE 전문가는 FP4) | 동일 |
| 추론 노력 제어 | Non-think, Think High, Think Max | reasoning_effort: low, high, max |
| 투기적 디코딩 모듈 | 별도 DSpark 체크포인트 | 기본 체크포인트에 포함 |
| Responses API | 미지원 | 네이티브 지원 |
| 캐시 히트 단가 (100만 토큰) | 0.028달러 | 0.0028달러 |
| Artificial Analysis 지능 지수 (max) | 40.3 | 49.9 |
"아키텍처가 동일하다"는 말은 두 저장소의 config.json을 직접 비교해 확인할 수 있습니다. 레이어 수, 전문가 수와 라우팅 설정, 컨텍스트 길이, 어휘 크기, 슬라이딩 윈도우, 압축 어텐션의 레이어별 압축률 배열까지 백본 설정값이 전부 같고, 정식 버전에만 dspark_block_size, dspark_markov_rank, dspark_noise_token_id, dspark_target_layer_ids 네 개의 키가 추가되어 있습니다. 마지막 키의 값이 [40, 41, 42]이니 43개 레이어 중 마지막 세 개에 투기적 디코딩용 헤드가 붙은 구성입니다. 백본은 손대지 않았다는 DeepSeek의 설명과 정확히 맞습니다.
그래서 눈에 띄는 변화는 두 가지로 좁혀집니다. 첫째, 추론 노력 수준이 서술적인 세 모드에서 reasoning_effort 파라미터의 low, high, max 세 단계로 정리되어 API와 로컬 추론이 같은 어휘를 쓰게 되었습니다. 둘째, 정식 체크포인트가 DeepSeek-V4-Flash-DSpark와 같은 구조, 즉 투기적 디코딩(Speculative Decoding) 모듈이 붙은 형태로 배포됩니다. 별도의 초안 모델(draft model)을 띄우지 않고 같은 체크포인트에서 초안 생성과 검증을 모두 처리하므로 서빙 구성이 단순해집니다. 이 초안 모듈을 만들고 평가하는 코드는 DeepSeek가 DeepSpec이라는 이름으로 6월 말에 MIT 라이선스로 공개해 두었습니다.
한편 레거시 모델명은 이미 정리되었습니다. DeepSeek는 4월 발표에서 deepseek-chat과 deepseek-reasoner가 2026년 7월 24일 15:59(UTC) 이후 완전히 종료되어 접근할 수 없다 고 예고했고, 그 시점이 지났습니다. 두 이름은 그때까지 V4-Flash의 비사고 모드와 사고 모드로 연결되어 있었으므로, 아직 이 이름을 쓰는 코드가 남아 있다면 deepseek-v4-flash 또는 deepseek-v4-pro로 바꿔야 합니다.
에이전트 벤치마크에서 프리뷰를 두 배 가까이 앞선 항목들
DeepSeek가 정식 버전 모델 카드에 공개한 벤치마크는 전부 에이전트 계열입니다. 지식이나 수학 점수를 다시 제시하지 않고 에이전트 항목만 내놓았다는 것 자체가, 이번 사후 학습이 무엇을 겨냥했는지를 보여줍니다.
| 벤치마크 | V4-Flash-0731 | V4-Flash 프리뷰 | V4-Pro 프리뷰 | GLM-5.2 | Opus-4.8 |
|---|---|---|---|---|---|
| Terminal Bench 2.1 | 82.7 | 61.8 | 72.1 | 81.0 | 85.0 |
| Cybergym | 76.7 | 38.7 | 52.7 | - | 83.1 |
| Toolathlon-Verified | 70.3 | 49.7 | 55.9 | 59.9 | 76.2 |
| DSBench-FullStack (내부) | 68.7 | 37.0 | 41.8 | 61.8 | 71.6 |
| DSBench-Hard (내부) | 59.6 | 25.8 | 31.1 | 54.5 | 71.7 |
| DeepSWE | 54.4 | 7.3 | 12.8 | 46.2 | 58.0 |
| NL2Repo | 54.2 | 39.4 | 38.5 | 48.9 | 69.7 |
| Agents' Last Exam | 25.2 | 15.8 | 16.5 | 23.8 | 25.7 |
| AutomationBench Public | 25.1 | 10.8 | 12.8 | 12.9 | 27.2 |
각 벤치마크가 무엇을 측정하는지 짚어보면 점수의 의미가 조금 더 분명해집니다.
-
Terminal Bench 2.1: Terminal-Bench는 에이전트가 터미널 환경에서 실제 과제를 끝까지 수행하는지를 보는 평가입니다. 61.8에서 82.7로 오르며 프리뷰 시절의 상위 모델 V4-Pro(72.1)와 GLM-5.2(81.0)를 모두 넘어섰고, Opus-4.8(85.0)과의 차이는 2.3점으로 좁혀졌습니다.
-
Cybergym: CyberGym은 UC 버클리에서 만든 평가로, 오픈소스 프로젝트의 실제 취약점을 분석하는 과제를 다룹니다. 38.7에서 76.7로 두 배 가까이 올랐습니다.
-
Toolathlon-Verified: Toolathlon은 ICLR 2026에 발표된 The Tool Decathlon 벤치마크로, 다양하고 현실적인 장기 실행(long-horizon) 과제에서의 도구 사용 능력을 봅니다. 49.7에서 70.3으로 올랐습니다.
-
DeepSWE: DeepSeek가 출처나 구성을 따로 설명하지 않은 항목입니다. 7.3에서 54.4로 이번 표에서 가장 큰 폭으로 뛰었는데, 프리뷰 모델이 이 형식의 과제를 사실상 수행하지 못했다는 뜻이기도 합니다.
-
NL2Repo: NL2RepoBench는 자연어 요구사항만 주고 실행 가능한 코드 저장소 전체를 처음부터 만들어내는(0-to-1) 104개 과제로 구성됩니다. 39.4에서 54.2로 올랐지만 Opus-4.8(69.7)과의 격차는 15.5점으로 표에서 가장 크게 남아 있습니다.
-
Agents' Last Exam: Agents' Last Exam은 UC 버클리 RDI가 공개한 고난도 에이전트 평가입니다. 25.2점인데, Opus-4.8도 25.7점에 그칠 만큼 모든 모델이 아직 낮은 영역입니다.
-
AutomationBench Public: Zapier가 공개한 벤치마크로 현실적인 업무 워크플로우를 에이전트가 처리하는지를 봅니다. 10.8에서 25.1로 올라 Opus-4.8(27.2)에 근접했습니다.
-
DSBench-FullStack 및 DSBench-Hard: 둘 다 DeepSeek 내부 테스트 세트입니다. 앞의 것은 풀스택 개발, 뒤의 것은 고난도 코딩 에이전트 문제 모음이라고만 설명되어 있어 외부에서 재현할 수 없습니다.
이 수치를 읽을 때 반드시 함께 봐야 할 조건이 있습니다. DeepSeek는 공개 벤치마크의 코드 에이전트 과제를 아직 공개되지 않은 DeepSeek Harness의 minimal 모드 로, max 추론 노력 수준과 temperature = 1.0, top_p = 0.95 설정에서 측정했습니다. 즉 하네스가 공개되기 전까지는 제3자가 같은 조건을 재현할 수 없고, 같은 모델이라도 하네스에 따라 점수가 크게 흔들린다는 점은 커뮤니티에서 이미 다룬 주제입니다.
모델과 하네스의 조합이 점수를 어떻게 바꾸는지는 다음 글(Artificial Analysis가 공개한 코딩 에이전트 벤치마크)을 참고해주세요:
또한 프리뷰 모델 카드가 제시한 Terminal Bench는 2.0 버전이었고 이번 표는 2.1 버전이므로, 프리뷰 카드의 56.9점과 이번 표의 61.8점은 같은 값이 아닙니다. 표 안의 프리뷰 열은 2.1 기준 값이므로 열끼리 비교하는 것은 유효합니다.
하네스 차이가 실제로 몇 점을 만드는지는 대조군이 있어 확인할 수 있습니다. Artificial Analysis도 Terminal-Bench 2.1을 자체 하네스로 돌리는데, 정식 V4-Flash에 78.7점 을 매겼습니다. DeepSeek 자체 측정 82.7점보다 4.1점 낮습니다. 그런데 프리뷰 점수는 양쪽이 61.8점으로 소수점까지 일치합니다. 같은 벤치마크, 같은 모델인데 정식 버전에서만 두 측정이 벌어진 셈이니, 그 4.1점은 모델 능력이 아니라 아직 공개되지 않은 DeepSeek Harness와 측정 설정이 만든 차이로 보는 편이 자연스럽습니다. 표의 절대 점수보다 프리뷰 대비 상승 폭을 신뢰하는 쪽이 안전합니다.
제3자 측정으로 확인한 지능 지수 49.9
자체 측정만으로는 판단이 어려우니 독립 평가를 함께 봅니다. Artificial Analysis는 지능 지수(Intelligence Index) v4.1을 GDPval-AA v2, τ³-Banking, Terminal-Bench v2.1, SciCode, Humanity's Last Exam, GPQA Diamond, CritPt, AA-Omniscience, AA-LCR 등 9개 평가의 가중 평균으로 산출합니다.
정식 V4-Flash는 이 지수에서 50점을 받아, 주요 25개 모델을 늘어놓은 위 그래프에서 Gemini 3.6 Flash와 나란한 자리에 놓입니다. 여기에 태스크당 비용을 붙여 보면 이 모델의 성격이 드러납니다.
| 모델 | 지능 지수 | 태스크당 비용 (달러) |
|---|---|---|
| Claude Opus 5 (max) | 60.7 | 2.336 |
| Claude Fable 5 (with fallback) | 59.9 | 3.149 |
| GPT-5.6 Sol (max) | 58.9 | 1.233 |
| Kimi K3 (max) | 57.1 | 0.855 |
| Grok 4.5 (high) | 53.8 | 0.365 |
| GLM-5.2 (max) | 51.1 | 0.567 |
| Gemini 3.6 Flash | 50.1 | 0.557 |
| DeepSeek V4 Flash 0731 (max) | 49.9 | 0.027 |
| MiniMax-M3 | 44.4 | 0.137 |
| DeepSeek V4 Pro (max) | 44.3 | 0.048 |
| DeepSeek V4 Flash 프리뷰 (max) | 40.3 | 0.069 |
| gpt-oss-120b (high) | 23.8 | 0.075 |
이 표에서 가장 눈여겨볼 부분은 두 곳입니다. 첫째, 정식 V4-Flash(49.9)가 같은 평가자의 같은 max 모드 측정에서 프리뷰 V4-Flash(40.3)보다 9.6점 높고, 활성 파라미터가 3.8배 많은 V4-Pro(44.3)를 5.6점 앞섭니다. 사후 학습만으로 상위 모델을 추월한 셈이며, DeepSeek 스스로도 모델 카드에서 "훨씬 적은 활성 파라미터에도 DeepSeek-V4-Pro(프리뷰)를 능가한다" 고 적었습니다.
둘째, 지능 지수는 프론티어 모델보다 10점가량 낮은데 태스크당 비용은 자릿수가 다릅니다. Claude Opus 5의 86분의 1, GPT-5.6 Sol의 45분의 1입니다. 지능 지수가 절반 수준(23.8점)인 gpt-oss-120b조차 태스크당 0.075달러가 들어 이 모델보다 2.8배 비쌉니다. 지능 지수 전체를 한 번 돌리는 데 든 총비용이 72.02달러였습니다.
지능 대비 비용 곡선의 가장 왼쪽 끝
Artificial Analysis는 지능과 비용을 한 평면에 놓고 파레토 곡선(Pareto line) 을 그립니다. 곡선 위에 있다는 것은 "그 비용으로 낼 수 있는 최선의 지능"이라는 뜻이고, 왼쪽 위 초록색 영역은 저비용과 고지능이 겹치는 구간입니다. 가로축이 로그 스케일이라는 점에 유의해서 보면, 정식 V4-Flash는 이 곡선 위에 있으면서 곡선에서 가장 왼쪽 끝, 즉 가장 저렴한 지점을 차지합니다.
591개 모델 전체에서 지능 지수 49점 이상인 것만 골라 태스크당 비용 순으로 세우면 다음과 같습니다.
| 모델 | 지능 지수 | 태스크당 비용 | 가중치 공개 |
|---|---|---|---|
| DeepSeek V4 Flash 0731 (max) | 49.9 | 0.0271달러 | 공개 |
| GPT-5.6 Luna (xhigh) | 49.1 | 0.0317달러 | 비공개 |
| GPT-5.6 Luna (max) | 51.2 | 0.0473달러 | 비공개 |
| GPT-5.6 Sol (low) | 49.4 | 0.2450달러 | 비공개 |
| Muse Spark 1.1 (xhigh) | 50.6 | 0.2924달러 | 비공개 |
| GPT-5.6 Terra (xhigh) | 51.6 | 0.3054달러 | 비공개 |
여기서 두 가지를 함께 읽어야 합니다. 하나는 이 구간의 최저가가 정식 V4-Flash라는 것이고, 다른 하나는 그 우위가 압도적이지는 않다는 것 입니다. GPT-5.6 Luna의 xhigh 모드는 지능이 0.9점 낮은 대신 비용이 17%만 더 들고, max 모드는 지능이 1.3점 높은 대신 비용이 1.7배입니다. 바로 옆자리에 만만치 않은 경쟁자가 붙어 있는 셈입니다. 다만 네 번째 줄부터는 비용이 최저가의 아홉 배 이상으로 뛰므로, 이 가격대를 지키는 모델은 사실상 DeepSeek와 GPT-5.6 Luna 두 계열뿐입니다.
DeepSeek의 자리가 뚜렷해지는 것은 가중치 공개 여부를 함께 볼 때입니다. 지능 지수 49점 이상인 오픈 웨이트 모델은 전체에서 셋뿐이고, 그 안에서는 비용 격차가 자릿수로 벌어집니다.
| 오픈 웨이트 모델 | 지능 지수 | 태스크당 비용 | DeepSeek 대비 |
|---|---|---|---|
| DeepSeek V4 Flash 0731 (max) | 49.9 | 0.0271달러 | 1배 |
| GLM-5.2 (max) | 51.1 | 0.5668달러 | 20.9배 |
| Kimi K3 (max) | 57.1 | 0.8552달러 | 31.5배 |
즉 "내려받아 직접 돌릴 수 있는 모델 가운데 이 정도 지능을 이 값에 내는 것은 지금 이것뿐" 이라는 문장이 이번 릴리즈의 가장 정확한 요약입니다. 프론티어 모델과의 86배 차이보다, 같은 오픈 웨이트 진영에서 21배 차이가 나는 쪽이 실무 판단에는 더 중요한 숫자입니다.
프리뷰보다 싸진 것은 캐시 요금 때문입니다
주목할 만한 것은 프리뷰와의 비교입니다. 프리뷰 V4-Flash의 태스크당 비용은 0.069달러였으므로, 지능 지수가 9.6점 오르는 동안 태스크당 비용은 오히려 2.5배 내려갔습니다. 다만 그 하락이 모델이 더 효율적으로 답해서 생긴 것은 아닙니다. Artificial Analysis가 항목별로 쪼개 놓은 비용을 보면 원인이 분명합니다.
| 비용 항목 (태스크당) | 프리뷰 (max) | 정식 0731 (max) |
|---|---|---|
| 캐시 쓰기 | 0.0345달러 | 0.0098달러 |
| 캐시 읽기 | 0.0211달러 | 0.0035달러 |
| 출력 토큰 (답변 + 추론) | 0.0127달러 | 0.0130달러 |
| 캐시 미스 입력 | 0.0008달러 | 0.0009달러 |
| 합계 | 0.0691달러 | 0.0271달러 |
즉 하락분은 사실상 전부 캐시 항목에서 나왔고, 출력 토큰 비용은 오히려 조금 늘었습니다. 태스크당 출력 토큰이 45,261개에서 46,333개로 늘었기 때문입니다. 모델이 더 적게 말해서 싸진 것이 아니라, 캐시 요금이 달라져서 싸진 것입니다.
이것이 실제 요금 변경인지 확인하려면 DeepSeek가 4월 V4 공개 당시 게시한 요금표와 현재 요금표를 대조하면 됩니다. 두 표를 나란히 놓으면 그동안 조용히 진행된 인하 폭이 드러납니다.
| 100만 토큰당 | V4-Flash 4월 | V4-Flash 현재 | V4-Pro 4월 | V4-Pro 현재 |
|---|---|---|---|---|
| 입력 (캐시 히트) | 0.028달러 | 0.0028달러 | 0.145달러 | 0.003625달러 |
| 입력 (캐시 미스) | 0.14달러 | 0.14달러 | 1.74달러 | 0.435달러 |
| 출력 | 0.28달러 | 0.28달러 | 3.48달러 | 0.87달러 |
V4-Flash는 캐시 히트 단가만 10분의 1이 되고 나머지는 그대로입니다. 앞의 태스크당 비용 하락이 캐시 항목에서만 나온 이유가 이것으로 설명됩니다. 한편 V4-Pro는 캐시 미스와 출력이 나란히 4분의 1, 캐시 히트는 40분의 1이 되었습니다. 체인지로그에 인하 공지가 없어 시점을 특정할 수는 없지만, 4월과 현재 사이에 일어난 변경임은 분명합니다.
이 인하는 Flash와 Pro의 선택 기준도 바꿔 놓았습니다. 4월에는 출력 단가 기준으로 Pro가 Flash보다 12.4배 비쌌지만 지금은 3.1배입니다. 지능 지수 차이(49.9 대 44.3)에서는 Flash가 앞서므로 굳이 Pro를 고를 이유는 줄었지만, 지식 신뢰도가 중요한 작업이라면 3.1배는 감당할 만한 격차가 되었습니다.
Artificial Analysis는 이 비용 구성을 다른 모델과 나란히 쌓아 보여줍니다. 아래 그래프에서 맨 왼쪽이 정식 V4-Flash이고, 오른쪽 끝 Claude Fable 5(3.15달러)까지 같은 축에 놓여 있습니다.
막대의 색 구성을 보면 모델마다 돈이 어디로 가는지가 드러납니다. 정식 V4-Flash는 추론 토큰(0.010달러)과 캐시 쓰기(0.010달러)가 비용의 대부분이고 답변 토큰은 0.0026달러에 그칩니다. 생각은 길게 하지만 그 생각이 싸다는 뜻입니다. 같은 추론 항목을 비교하면 GLM-5.2가 16배, Kimi K3가 27배, GPT-5.6 Sol이 31배, Claude Opus 5가 62배, Claude Fable 5가 121배입니다. 장황함을 감안해도 총비용이 최저로 남는 이유가 여기 있습니다. 토큰을 두 배 쓰더라도 토큰 하나의 값이 두 자릿수 배로 싸기 때문입니다.
같은 등급 101개 모델 안에서의 위치
Artificial Analysis는 모델을 아무렇게나 줄 세우지 않고, 가중치 공개 여부와 파라미터 규모가 같은 등급끼리 비교합니다. 정식 V4-Flash는 284B이므로 오픈 웨이트 대형(150B 초과) 등급 101개와 묶이고, 그 안에서 순위는 다음과 같습니다.
- 지능 3위: 지수 49.9로, 같은 등급 모델의 중간값 25의 두 배입니다. 이 등급에서 위에 있는 것은 Kimi K3(57.1)와 GLM-5.2(51.1) 둘뿐입니다.
- 출력 속도 11위: 초당 113.5 토큰(측정 분포는 하위 5% 76.8, 상위 5% 193.1). 프리뷰에는 속도 측정치가 없어 투기적 디코딩 모듈이 여기에 얼마나 기여했는지는 이 데이터로 가릴 수 없습니다.
- 가격 22위: 입력 100만 토큰 0.14달러, 출력 0.28달러. 중간값이 각각 0.43달러와 1.20달러입니다.
- 캐시 히트 가격 1위: 100만 토큰 0.003달러로 일반 입력 대비 98% 저렴합니다.
- 장황함 36위: 지수 전체를 도는 데 2억 1천만 토큰을 썼습니다. 중간값 1억 토큰의 두 배로, Artificial Analysis는 이 모델을 "매우 장황하다(very verbose)" 고 표기합니다.
마지막 항목은 비용을 볼 때 함께 고려해야 합니다. 단가가 저렴한 대신 같은 과제를 풀 때 토큰을 두 배 쓰기 때문에, 실제 청구액은 단가 비율만큼 벌어지지는 않습니다. 다만 위 표의 태스크당 비용 0.027달러는 이미 그 토큰 사용량을 반영한 값이므로, 장황함을 감안하고도 최저가라는 결론은 유지됩니다. 응답 시간 측면에서는 태스크당 디코딩 시간 4.9분, 첫 답변 토큰까지 약 18.9초(사고 시간 17.6초 포함)로 프론티어 모델 대비 특별히 느리지도 빠르지도 않은 위치입니다.
강한 곳과 약한 곳이 뚜렷하게 갈립니다
지능 지수는 9개 평가의 가중 평균이라 평균값만 보면 모델의 성격이 뭉개집니다. 항목별로 펼쳐 보면 이 모델이 어디에 강하고 어디에 약한지가 훨씬 분명해집니다. 아래는 정식 V4-Flash와, 같은 오픈 웨이트 대형 등급에서 1위인 Kimi K3, 전체 1위인 Claude Opus 5를 나란히 놓은 것입니다.
| 평가 항목 | V4-Flash 0731 (max) | Kimi K3 (max) | Claude Opus 5 (max) |
|---|---|---|---|
| GPQA Diamond | 90.8 | 93.5 | 93.2 |
| Terminal-Bench 2.1 | 78.7 | 85.0 | 89.1 |
| AA-LCR (장문 추론) | 65.7 | 74.7 | 70.0 |
| SciCode | 49.9 | 58.7 | 55.7 |
| Humanity's Last Exam | 36.8 | 44.4 | 52.6 |
| τ³-Banking | 31.1 | 33.4 | 30.3 |
| CritPt | 16.6 | 23.4 | 29.1 |
| GDPval-AA (Elo) | 1558 | 1685 | 1852 |
| AA-Omniscience (지수) | -15.7 | 18.4 | 31.3 |
대학원 수준 과학 문제인 GPQA Diamond는 90.8점으로 프론티어 모델과 2.4점 차이에 그치고, 에이전트형 금융 업무를 다루는 τ³-Banking에서는 31.1점으로 Claude Opus 5(30.3점)를 오히려 앞섭니다. 반면 물리 난제 세트인 CritPt에서는 16.6점으로 Claude Opus 5(29.1점)의 절반을 겨우 넘고, Humanity's Last Exam에서도 36.8점 대 52.6점으로 15.8점 뒤집니다.
여기서 눈에 걸리는 항목이 하나 더 있습니다. 장문 추론 평가인 AA-LCR에서 65.7점으로 이 표에서 가장 낮습니다. 100만 토큰 컨텍스트가 이 모델 계열의 대표 기능인데, 긴 맥락을 읽어 추론하는 능력만 따로 재면 비교 대상에 모두 뒤진다는 뜻입니다. 컨텍스트 창의 크기와 그 안을 활용하는 품질이 같은 이야기가 아니라는 점은 기억해 둘 만합니다.
에이전트 능력만 따로 재도 결과가 유지됩니다
한편 Artificial Analysis는 지능 지수에 포함된 평가 중 에이전트 능력에 해당하는 두 가지(GDPval-AA v2와 τ³-Banking)만 가중 평균한 에이전틱 지수(Agentic Index) 를 따로 산출합니다. 이 글이 다루는 주제가 에이전트 성능이니 이 지수가 지능 지수보다 직접적인 지표입니다.
정식 V4-Flash는 45.7점으로, 프리뷰의 31.1점에서 14.6점 올랐습니다. 이 지수가 산출된 176개 모델 전체에서 14위이고, 오픈 웨이트 대형 모델 40개로 좁히면 Kimi K3(50.1점) 다음인 2위 입니다. 사실상 동점인 Grok 4.5(high) 45.69점은 태스크당 비용이 0.365달러로 13.5배이고, 바로 아래 GPT-5.6 Luna(max)는 45.60점입니다.
여기서 앞의 지능 지수와 순위가 뒤집히는 대목이 하나 있습니다. 같은 등급에서 지능 지수는 GLM-5.2(51.1점)가 정식 V4-Flash(49.9점)보다 위였지만, 에이전트 능력만 떼어 재면 43.1점 대 45.7점으로 순서가 바뀝니다. 종합 지능은 조금 뒤져도 에이전트 작업에서는 앞선다는 뜻이고, 이번 사후 학습이 겨냥한 지점과 정확히 맞아떨어집니다. 에이전트 능력이 올랐다는 DeepSeek의 주장은 자체 벤치마크와 하네스를 걷어낸 뒤에도 유지되는 셈입니다.
다만 이 지수를 구성하는 두 항목, τ³-Banking 31.1점과 GDPval-AA 1558 Elo는 위 항목별 표에서 상위 모델과 격차가 남아 있던 자리이기도 합니다. 오픈 웨이트 진영 안에서 2위라는 것과 프론티어 모델을 따라잡았다는 것은 다른 이야기입니다.
저렴한 단가를 뒷받침하는 아키텍처
이 가격이 프로모션이 아니라 구조에서 나온다는 점이 중요합니다. 위 그래프는 DeepSeek가 V4 시리즈 공개 당시 제시한 효율 비교로, 100만 토큰 컨텍스트에서 이전 세대인 DeepSeek-V3.2와 비교해 V4-Flash는 단일 토큰 추론 FLOPs가 9.8배, 누적 KV 캐시가 13.7배 적습니다. 하이브리드 압축 어텐션이 시퀀스 길이를 줄여 놓았기 때문에, 컨텍스트가 길어질수록 절감 폭이 커지는 형태입니다.
여기에 활성 파라미터가 13B에 불과하다는 점, 256개 라우팅 전문가 중 토큰당 6개만 활성화된다는 점, MoE 전문가 가중치를 FP4로 양자화했다는 점이 겹칩니다. 정식 버전이 아키텍처를 건드리지 않았으니 이 연산 비용 구조도 그대로이며, 그래서 능력만 오른 릴리즈가 될 수 있었습니다.
현재 API 요금과 사양을 한 표로 정리하면 다음과 같습니다.
| 항목 | deepseek-v4-flash | deepseek-v4-pro |
|---|---|---|
| 모델 버전 | DeepSeek-V4-Flash-0731 | DeepSeek-V4-Pro |
| 입력 100만 토큰 (캐시 히트) | 0.0028달러 | 0.003625달러 |
| 입력 100만 토큰 (캐시 미스) | 0.14달러 | 0.435달러 |
| 출력 100만 토큰 | 0.28달러 | 0.87달러 |
| 컨텍스트 길이 | 1M | 1M |
| 최대 출력 | 384K | 384K |
| Responses API | 지원 | 미지원 (8월 초 예정) |
| 동시 요청 한도 | 2500 | 500 |
캐시 히트 단가가 캐시 미스의 50분의 1이라는 점은 에이전트 워크로드에서 특히 의미가 큽니다. 코딩 에이전트는 같은 저장소 컨텍스트를 수십 번 다시 읽으며 루프를 도는데, 그 반복분이 거의 무료에 가까워지기 때문입니다. 동시 요청 한도도 Flash가 Pro의 5배라 병렬 에이전트를 띄우기에 유리합니다.
다만 요금에는 예고된 변경이 하나 있습니다. DeepSeek는 요금 문서에서 피크 시간과 비피크 시간을 구분하는 정책을 도입할 예정이며, 피크 시간에는 모든 과금 항목이 2배 가 된다고 밝혔습니다. 피크 시간은 베이징 시간(UTC+8) 기준 매일 09:00~12:00와 14:00~18:00으로, 한국 시간으로는 10:00~13:00과 15:00~19:00에 해당합니다. 국내 업무 시간과 그대로 겹치므로, 지금의 저렴한 단가를 기준으로 비용을 산정한다면 시행 시점의 공지를 확인하는 편이 안전합니다.
Codex와 Responses API로 붙이기
정식 버전에서 새로 추가된 기능 중 개발자에게 가장 직접적인 것은 Responses API 네이티브 지원과 OpenAI Codex 대응입니다. 현재 Responses API는 deepseek-v4-flash만 지원하며, deepseek-v4-pro는 2026년 8월 초에 추가될 예정입니다.
Codex 연동 문서는 원클릭 설정 스크립트와 수동 설정 두 경로를 제공합니다. 수동으로 붙일 경우 ~/.codex/config.toml에 다음 내용을 넣습니다.
model = "deepseek-v4-flash"
model_provider = "deepseek"
preferred_auth_method = "apikey"
forced_login_method = "api"
model_reasoning_effort = "high"
model_catalog_json = "~/.codex/models.json"
[model_providers.deepseek]
name = "deepseek"
base_url = "https://api.deepseek.com/"
wire_api = "responses"
experimental_bearer_token = "<your DeepSeek API Key>"
wire_api = "responses"가 Responses API 프로토콜로 통신하겠다는 선언이고, API 키는 DeepSeek 플랫폼에서 발급받아 experimental_bearer_token에 넣습니다. 원클릭 스크립트를 쓰면 기존 config.toml을 ~/.codex/backup-deepseek/에 백업한 뒤 필요한 필드만 고치고, MCP 서버 설정이나 프로젝트 신뢰 수준 같은 기존 항목은 보존합니다. 쓰기 전에 문법 검증을 하고 실패하면 아무 파일도 건드리지 않습니다.
Codex가 이 모델을 인식할 때 사용하는 설정을 보면 컨텍스트 윈도우는 1,048,576 토큰이고 그중 95%를 유효 컨텍스트로 잡으며, 추론 수준은 low, high, max 세 가지에 기본값이 high입니다. 병렬 도구 호출도 지원하고, 요구되는 최소 클라이언트 버전은 Codex 0.144.0입니다. 설정 파일 하나를 Codex CLI와 ChatGPT 데스크톱 앱, VS Code용 Codex 확장이 함께 읽으므로 클라이언트별로 따로 설정할 필요는 없습니다. 다만 로그인 방식이 바뀌면 세션 기록이 그룹별로 분리되어, 공식 구독으로 만든 이전 세션은 DeepSeek 설정 상태에서 목록에 보이지 않습니다. 지워진 것은 아니고 설정을 되돌리면 다시 나타납니다.
Codex 외에 OpenAI ChatCompletions 형식과 Anthropic 형식 엔드포인트(https://api.deepseek.com/anthropic)도 그대로 쓸 수 있으므로, 기존 에이전트 코드의 base_url과 모델명만 바꿔 시험해 볼 수 있습니다.
Codex만 지원하는 것도 아닙니다. DeepSeek는 문서에 에이전트별 연동 가이드를 일곱 개 두고 있어, 쓰던 도구를 그대로 유지하면서 모델만 바꿀 수 있습니다.
- Claude Code: Anthropic 호환 엔드포인트를 쓰므로
ANTHROPIC_BASE_URL,ANTHROPIC_AUTH_TOKEN,ANTHROPIC_MODEL환경 변수만 지정하면 됩니다. 문서의 예시는 100만 컨텍스트를 뜻하는[1m]접미사를 붙여deepseek-v4-pro[1m]을 지정합니다. - Codex: 위에서 설명한
config.toml방식이며, 정식 V4-Flash가 특별히 맞춰 조정된 대상입니다. - OpenCode와 OpenClaw: 4월 V4 공개 당시부터 DeepSeek가 연동 사례로 언급해 온 오픈소스 에이전트입니다.
- Hermes Agent, Reasonix, WorkBuddy/CodeBuddy도 각각 가이드가 있습니다.
가중치를 직접 서빙하려면 vLLM과 SGLang 모두 DSpark 투기적 디코딩을 플래그 하나로 켤 수 있습니다. vLLM에서는 --speculative-config '{"method":"dspark","num_speculative_tokens":7,"draft_sample_method":"greedy"}'를, SGLang에서는 --speculative-algorithm DSPARK를 추가하며, 초안 가중치가 같은 체크포인트에 있으므로 별도의 초안 모델 경로를 지정하지 않습니다. 샘플링은 temperature = 1.0에 에이전트 시나리오라면 top_p = 0.95, 그 외에는 top_p = 1.0이 권장값이고, high와 max 수준에서는 최대 출력 길이를 384K로 두는 것을 권합니다.
하드웨어 요구 수준도 함께 봐 둘 만합니다. 모델 카드가 예시로 드는 vLLM 서빙 구성은 GB300 4장으로 이뤄진 단일 노드 기준이며, SGLang 예시도 --tp 4로 텐서 병렬 4를 씁니다. 총 파라미터가 284B이고 MoE 전문가가 FP4라 1.6T 규모의 V4-Pro보다는 훨씬 가볍지만, 개인 장비로 감당할 수준은 아닙니다. 자체 서빙과 API 호출 중 무엇이 저렴한지는 위의 태스크당 0.027달러와 이 하드웨어 비용을 같은 기간으로 환산해 비교해야 합니다.
무엇을 기대할 수 있고 무엇을 확인해야 하나
정식 V4-Flash의 강점은 명확합니다. 터미널 과제, 도구 사용, 취약점 분석처럼 도구를 반복 호출하며 오래 도는 작업에서 프리뷰 대비 큰 폭으로 개선되었고, 그 성능을 프론티어 모델의 수십분의 1 비용으로 제공합니다. 캐시 히트 단가와 2500이라는 동시 요청 한도까지 고려하면, 여러 에이전트를 병렬로 오래 돌리는 워크로드에서 비용 구조가 특히 유리합니다. 가중치도 MIT 라이선스로 공개되어 자체 서빙이라는 선택지가 열려 있습니다.
반면 확인해야 할 지점도 몇 가지 남습니다.
- 지식 질의와 환각은 가장 분명한 약점입니다. DeepSeek는 정식 버전에 대해 에이전트 벤치마크만 공개했고 지식 관련 점수는 갱신하지 않았는데, Artificial Analysis의 AA-Omniscience 지수가 그 자리를 메워 줍니다. 이 지수는 정답에 가점, 환각에 감점을 주고 모른다고 답하면 감점하지 않는 방식으로 지식 신뢰도를 재는데, 정식 V4-Flash는 -15.7점 입니다. 0점이 정답과 오답이 같은 수라는 뜻이니, 맞히는 것보다 틀리는 일이 더 많다는 의미입니다. 항목을 쪼개 보면 성격이 더 뚜렷합니다. 정확도는 프리뷰와 똑같이 37.2%인데 환각률만 95.8%에서 84.4%로 내려갔습니다. 즉 아는 것이 늘어난 게 아니라, 모를 때 답을 만들어내는 빈도가 조금 줄어든 것입니다. 참고로 GLM-5.2는 +4.0점, Kimi K3는 +18.4점, Claude Opus 5는 +31.3점입니다. 사실 확인이 중요한 작업에는 검색 도구를 붙이거나 다른 모델을 쓰는 편이 안전합니다.
- 자체 측정 점수의 재현이 아직 불가능합니다. 코드 에이전트 측정에 쓰인 DeepSeek Harness의 minimal 모드가 공개 예정 상태입니다. Terminal-Bench 2.1에서 제3자 측정과 4.1점 차이가 났던 것처럼, 하네스가 공개되기 전까지는 절대 점수보다 상승 폭을 보는 편이 안전합니다.
- 문서화 수준은 프리뷰보다 내려갔습니다. Artificial Analysis의 개방성 지수(Openness Index)는 프리뷰 50점에서 정식 44.4점으로 낮아졌는데, 가중치 공개 항목은 그대로이고 방법론 투명성 항목만 3점에서 2점으로 내려간 결과입니다. 사후 학습을 다시 했는데 그 내용을 설명하는 문서가 따라오지 않은 점이 반영된 것으로 보입니다. 학습 데이터 공개 항목은 사전 학습과 사후 학습 모두 0점으로 프리뷰와 같습니다.
- 장황함이 실제 청구액에 영향을 줍니다. 같은 과제에 토큰을 중간값의 두 배 쓰는 경향이 있어, 단가 비교만으로 총비용을 추정하면 어긋날 수 있습니다.
- 피크 시간 2배 요금이 예고되어 있습니다. 시행 시점은 별도 공지 예정입니다.
DeepSeek는 V4-Pro의 정식 버전도 곧 공개하겠다고 밝혔습니다. Flash 쪽에서 사후 학습 교체만으로 지능 지수가 9.6점 오른 것을 보면, Pro의 정식 버전도 프리뷰와는 상당히 다른 모델이 될 가능성이 있습니다.
라이선스
DeepSeek-V4-Flash-0731의 저장소와 모델 가중치는 MIT License로 배포되고 있어, 연구 목적은 물론 상업적 용도로도 자유롭게 사용 및 수정이 가능합니다.
DeepSeek-V4-Flash-0731 모델
DeepSeek API 체인지로그
Artificial Analysis의 DeepSeek V4 Flash 분석
DeepSeek-V4 기술 보고서
더 읽어보기
-
DeepSeek, 100만 토큰 컨텍스트를 효율적으로 지원하는 MoE 모델 DeepSeek-V4-Pro 및 DeepSeek-V4-Flash 공개
-
Artificial Analysis가 공개한 코딩 에이전트 벤치마크: 모델 + 하네스의 조합으로 평가한 벤치마크 결과
-
Z.AI, 장기 실행 과제(Long-Horizon)에 특화된 1M 컨텍스트 오픈소스 모델 GLM-5.2 출시
이 글은 GPT 모델로 정리한 초안을 바탕으로 한 것으로, 원문의 내용 또는 의도와 다르게 정리된 내용이 있을 수 있습니다. 관심있는 내용이시라면 원문도 함께 참고해주세요! 읽으시면서 어색하거나 잘못된 내용을 발견하시면 댓글로 알려주시기를 부탁드립니다.
이 글이 유용하셨다면 아래
쪽 좋아요
를 눌러주세요 — 파이토치 한국 사용자 모임
이 새로운 소식을 정리하고 공유하는 데 힘이 됩니다! 