DeepSeek V4 GA:
цены, архитектура и сравнение с GPT-5.6

Риски до переключения:

• Legacy endpoints отключают 24 июля: deepseek-chat и deepseek-reasoner будут сняты навсегда. Немигрированный production-код перестанет работать сразу.
• Peak pricing добавляет планирование: в будни 09:00–12:00 и 14:00–18:00 по Пекину тариф ×2. 24/7 agent pipelines нужно перераспределять по cron.
• GA ≠ preview по качеству: agent, math и code получили точечные улучшения. Бенчмарки апреля больше не репрезентативны.
• Pro vs Flash — разные классы: 1,6T и 284B — не взаимозаменяемые tier. Неверный routing сжигает бюджет или режет качество.

GA — не новая архитектура, а апрельский preview, доведённый до production: стабильность, коммерческий прайс и доработки под agent/math/code.

DeepSeek заменил Multi-head Latent Attention (MLA) из V2/V3 на двухконтурную гибридную систему:

• Compressed Sparse Attention (CSA): softmax-gated pooling сжимает KV в 4×, затем FP4 lightning indexer выбирает top-k (top-1024 на Pro, top-512 на Flash) плюс sliding window 128 tokens. На 1M tokens inference требует лишь 27% FLOPs V3.2.
• Heavily Compressed Attention (HCA): 128× сжатие и dense global attention для long-range паттернов, которые CSA может пропустить. CSA и HCA чередуются по слоям.
• Manifold-Constrained Hyper-Connections (mHC): 4-канальный residual stream с doubly stochastic matrix стабилизирует градиенты через 61 слой.
• Muon Optimizer: Newton-Schulz orthogonalization условионирует шаги лучше AdamW — быстрее сходимость.

Итог: KV cache на 1M tokens — 10% памяти V3.2 (7% на V4-Flash).

Официальный sampling для всех режимов: temperature=1.0, top_p=1.0.

По Artificial Analysis на Strategy & Ops: Claude Fable 5 — 50 баллов за $3,48/задачу; DeepSeek V4-Pro — 38 баллов за $0,03/задачу. Разрыв по цене — 116× при ~24% gap по performance.

V4-Pro или V4-Flash — budget, high-volume, self-hosted workloads. Claude Fable 5 — hardest multi-file работа в репозитории. GPT-5.6 — terminal-heavy agentic flows и интеграция M365/Azure.

Главное коммерческое изменение GA — time-based pricing. В будни по Пекину peak: 09:00–12:00 и 14:00–18:00, тариф ×2.

Четыре практических способа снизить bill:

• Batch jobs off-peak: summarization, code review и data pipelines — после 18:00 или до 09:00 по Пекину.
• Максимизировать cache hit: статичный system prompt первым. Cache hit V4-Flash — $0,0028/M.
• Routing Flash → Pro: intent classification и FAQ на Flash; сложный reasoning — на Pro.
• Мониторить billing emails: DeepSeek шлёт уведомление за 24 часа до изменения тарифов.

Даже в peak V4-Pro output $1,74/M — в 8,6× дешевле Claude Opus 4.8 ($15/M) и GPT-5.6 Sol (~$15/M).

Дедлайн: 24 июля 2026, 15:59 UTC. Legacy-имена deepseek-chat и deepseek-reasoner будут отключены навсегда.

Legacy (отключается 24 июля)
client.chat.completions.create(
    model="deepseek-chat",
    messages=[...]
)

GA V4
client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=[...],
    extra_body={"thinking": {"type": "enabled", "budget_tokens": 8000}}
)

V4 поддерживает OpenAI ChatCompletions и Anthropic Messages API. Base URL без изменений — меняется только имя модели.

Официальные источники — перепроверяйте после upstream-обновлений:

https://api-docs.deepseek.com

https://arxiv.org/abs/2606.19348

https://huggingface.co/deepseek-ai

Шесть шагов миграции:

1. Поиск по репозиторию: все вхождения deepseek-chat и deepseek-reasoner в коде, CI-конфигах и env vars.
2. Маппинг замен: лёгкий chat → deepseek-v4-flash (Non-think); reasoning → Flash thinking mode или deepseek-v4-pro.
3. Обновление SDK: OpenAI-compatible clients — только смена model name. Anthropic SDK сохраняет base_url=https://api.deepseek.com.
4. Настройка thinking mode: бывшие reasoner-пользователи включают thinking через extra_body. Think Max требует 384K+ context.
5. Staging E2E: полная валидация до 24 июля; проверить влияние peak pricing на бюджет.
6. Cron off-peak: document processing и code review после 18:00 или в выходные; комбинировать с Prompt Cache.

Цитируемые данные (EEAT):

• SWE-bench Verified 80,6%: лучший результат среди open weights, паритет с Gemini 3.1 Pro (DeepSeek official docs, июль 2026).
• KV cache 10%: на 1M tokens — 10% памяти V3.2; V4-Flash до 7% (arXiv:2606.19348).
• 116× cost advantage: Artificial Analysis Strategy & Ops — V4-Pro $0,03/задача vs Fable 5 $3,48/задача (Artificial Analysis, июль 2026).

FAQ:

• GA меняет веса? Нет — та же MIT-архитектура апрельского preview; изменения в stability, routing и pricing.
• Self-host V4-Pro реалистичен? Да при MIT; для production inference нужен кластер GPU/HBM — см. ds4 на Mac для edge-сценариев.
• Peak pricing в выходные? Только будни по пекинскому времени; суббота/воскресенье — off-peak.
• V4-Flash vs V4-Pro для coding agents? Flash — routing и bulk; Pro — SWE-bench-grade задачи и Think Max.

Bottom line: DeepSeek V4 GA не про победу над Claude Fable 5 или GPT-5.6 на каждом benchmark — про сильнейший open-weight tier при 1/10–1/100 стоимости закрытых frontier-моделей. Peak-valley усложняет billing, но margin остаётся огромным.

При интеграции DeepSeek V4 API в локальный OpenClaw Gateway или Cursor agent stack sleeping Mac рвёт длинные SWE-bench runs, а peak-hour 24/7 pipelines на ноутбуке нестабильны. Чистый API не требует локального GPU, но гибрид (local gateway + cloud inference + always-on orchestration) часто упирается в отсутствие постоянного хоста для agent loops. Для AI coding agents, OpenClaw multi-model routing или 24/7 agent cycles аренда bare-metal Mac Mini CALMVPS обычно рациональнее: dedicated Apple Silicon, Metal-native acceleration, гибкая помесячная оплата, provisioning ~120 с. Страница цен.