За $0.14 за миллион токенов — это вообще легально?
Открываешь OpenRouter, а там DeepSeek V4 Flash стоит $0.14 за миллион входных токенов и $0.28 за выходные. Для сравнения: Opus 4.6 — $15/$60 (привет, статья DeepSeek V4 vs Opus 4.6). Разница в 50–200 раз. Как модель с 284B активных параметров может быть дешевле, чем закрытые модели с 200–500B? Ответ — не в магии, а в инженерной жадности и хитрости.
Спойлер: это не благотворительность DeepSeek. Они просто нашли способ считать дешево, а потом — отдать часть экономии пользователям, чтобы захватить рынок. И да, это сработало. По данным из статьи DeepSeek привлек $10.3 млрд, компания сознательно жертвует быстрой монетизацией ради доли.
Главный секрет — MoE (и никого не удивляет)
DeepSeek V4 Flash — это Mixture of Experts с 1.6 трлн параметров. Но из них в каждом запросе работают только 284B — остальные просто спят. Это как офис, где из 1600 сотрудников на смену выходят 284, остальные сидят в кафетерии. Такой подход снижает вычислительную нагрузку на GPU в разы. Подробнее про архитектуру — в обзоре DeepSeek V4 Flash и Pro.
Но MoE — это только база. Дальше идут оптимизации, которые превращают дешевизну в реальность.
Квантование: FP8, FP4 или MXFP4? Разбираемся
В официальной документации DeepSeek говорят про смешанное квантование: часть весов — FP8, часть — MXFP4. Но на практике, как отмечается в статье MXFP4 в DeepSeek-V4-Flash, ситуация запутанная. Провайдеры применяют W4A16 (веса в 4 бита, активации в 16) — это стандарт для инференса. При этом качество почти не страдает: падение на бенчмарках не превышает 1-2%.
Именно квантование позволяет уместить 284B параметров в память 8x H100 (как у большинства хостов) и обрабатывать огромные батчи. Если бы модель висела в FP16, потребовалось бы в 4 раза больше GPU — а это сразу взвинтило бы цены.
Multi-Token Prediction: генерируем быстрее, платим меньше
DeepSeek внедрила MTP — Multi-Token Prediction. Вместо того чтобы предсказывать один токен за раз, модель генерирует сразу 3-4. Это ускоряет decode в 2-3 раза. В статье Как разогнать DeepSeek-V4-Flash до 85 токенов в секунду показано, как с MTP удается выжать 85 токенов/с на RTX PRO 6000. Меньше времени на GPU — меньше затрат.
Prefill vs Decode: разделяй и оптимизируй
Инференс любой LLM делится на две фазы: prefill (обработка промпта) и decode (генерация ответа). DeepSeek оптимизировала prefill за счет параллельной обработки — опять же, благодаря MoE. А decode ускоряется MTP и квантованием. В эксперименте на Mac Studio (см. ускорение DeepSeek V4 Flash на Mac Studio) prefill ускорился в 1.6x, decode — в 3x благодаря oMLX и Codex. В дата-центрах это дает еще больший выигрыш.
Провайдеры и конкуренция: почему цены падают
DeepSeek не просто сама хостит модель. Они дали open-source веса, и теперь десятки провайдеров (OpenRouter, Together AI, Fireworks и др.) запускают свои инстансы. Конкуренция снижает маржу. Более того, каждый провайдер дополнительно тюнит инфраструктуру: использует свои оптимизации, батчит запросы, выбирает дешевое железо. В итоге — ценовая война, где выигрывает пользователь.
Однако есть нюанс: дешевизна не означает качество для всех задач. Как говорится в парадоксе лидерства DeepSeek v4, модель отлично пишет код, но в креативных задачах может уступать топовым проприетарным моделям. Так что свой сервис выбирай по задаче.
Бизнес-модель: демпинг ради будущего
Главный фактор дешевизны — это самоокупаемость или дотации? Инвесторы дали $10.3 млрд, и DeepSeek тратит их на обучение и инфраструктуру, не требуя быстрой прибыли. Они ставят на то, что открытые модели со временем вытеснят закрытые, и тогда окупаемость вырастет. Пока же они могут позволить себе цены ниже себестоимости — классический демпинг. Но для нас, разработчиков, это подарок.
Что дальше? Flash vs Pro vs свои сервера
Сейчас Flash — золотая середина. Но DeepSeek уже анонсировала следующую версию с поддержкой 1M контекста (см. как open-source MoE с 1M контекстом переворачивает правила игры). При сохранении той же экономики Flash останется самым дешевым способом обрабатывать гигантские документы. А Pro-версия с полным 1.6T будет использоваться только для сложных рассуждений — за нее придется платить больше.
Если хочешь совсем ультимативной дешевизны — запускай модель локально на Mac Studio или RTX 6000, как описано в статье про разгон. Но учти, что затраты на железо окупаются только при очень высоких нагрузках.
Резюме: DeepSeek v4 Flash не нарушает законы физики. Он просто использует каждую возможность сэкономить: MoE, квантование, MTP, конкуренция провайдеров и дотации инвесторов. В итоге — производительность уровня GPT-4 по цене чашки кофе. Грех не попробовать.
