DeepSeek V4 Flash 0731은 Intelligence Index에서 50점을 기록하며, GPT-5.6 Luna보다 약 60% 낮은 비용으로 1점 차이를 보였습니다. 304B 파라미터(params), 100만(M) 토큰당 $0.14의 입력 가격을 책정했습니다.

The Decoder에 따르면, DeepSeek의 V4 Flash 0731 업데이트는 Artificial Analysis Intelligence Index에서 10점 상승한 50점을 기록했습니다. 이 304B-parameter 모델은 OpenAI의 GPT-5.6 Luna보다 작업당 비용이 약 60% 저렴하면서도 단 1점 차이로 뒤처져 있습니다.

주요 사실 (Key facts)

• Intelligence Index 점수: 50점 (이전 버전 대비 10점 상승)
• 가격 (Pricing): 입력 토큰 100만(M) 개당 $0.14, 출력 토큰 100만(M) 개당 $0.27
• 304B 파라미터 (parameters), Hugging Face에서 167GB
• MiniMax M3 (428B params)보다 높은 순위 기록
• GPT-5.6 Luna보다 약 60% 낮은 비용으로 1점 차이 기록

DeepSeek는 2026년 7월 31일에 자사의 보급형 모델 라인에 대한 주요 개정판을 출시했습니다. Hugging Face에서 167GB 용량을 차지하는 304B-parameter 모델인 V4 Flash 0731 업데이트는 Artificial Analysis Intelligence Index에서 50점을 기록했으며, 이는 이전 버전보다 10점 상승한 수치입니다 The Decoder에 따르면. 이로써 작업당 비용이 약 60% 저렴하면서 OpenAI의 GPT-5.6 Luna와 단 1점 차이를 보이게 되었습니다.

가장 핵심적인 부분은 가격입니다. Simon Willison에 따르면, 입력 토큰 100만(M) 개당 $0.14, 출력 토큰 100만(M) 개당 $0.27의 가격을 통해 이 모델은 거의 모든 프런티어(frontier) 경쟁사들의 가격을 밑돌고 있습니다. Artificial Analysis는 이 모델이 훨씬 더 큰 428B-parameter 모델인 MiniMax의 M3보다 앞선다고 평가했습니다. Intelligence Index 대 작업당 비용(Cost per Task) 차트에서 V4 Flash 0731은 파레토 선(Pareto line)이 급격히 상승하는 "가장 매력적인 사분면(most attractive quadrant)"에 홀로 위치해 있습니다. 이는 지능 점수 50점에서 작업당 비용이 약 $0.028임을 의미합니다. MiniMax-M3, Kimi K3 (low), GLM-5.1과 같이 유사한 지능을 가진 모델들은 이보다 10배 더 많은 비용이 듭니다.

추론 노력의 격차 (The reasoning-effort gap)

Simon Willison의 직접적인 테스트는 실제 품질의 절벽(quality cliff)을 드러냈습니다. OpenRouter를 통해 기본 추론 수준(default reasoning level)을 사용했을 때, 모델은 프레임 튜브가 떠 있고 핸들바가 분리된 엉망진창인 자전거 형태의 "실망스러운 펠리컨"을 생성했습니다. -o reasoning_effort high 옵션을 사용하자 결과물은 극적으로 개선되었습니다: 핸들바를 잡고 있고, 한쪽 주황색 발은 페달 위에 있으며, 부리 주머니에는 작은 물고기가 들어있는 일관된 모습의 펠리컨이 나타났습니다. 기본 설정과 높은 추론 노력(high reasoning effort) 사이의 차이는 이론적인 문제가 아니라, 에이전트 워크로드(agentic workloads)에서 고려해야 할 실질적인 문제입니다.

이 회사는 릴리스 노트(Hugging Face 모델 카드에 따르면)에서 "실질적으로 향상된 에이전트 능력(agentic capabilities)"을 홍보하고 있습니다. Hacker News의 댓글 작성자들은 이 모델이 코딩 작업의 데일리 드라이버(daily driver)임을 확인해주고 있습니다. 한 사용자는 단돈 몇 푼으로 reasonix 또는 pi와 함께 "하루 종일" 이 모델을 사용한다고 보고했습니다. 하지만 펠리컨 테스트는 기본 설정이 광고된 에이전트 품질을 제공하지 못할 수도 있음을 시사하며, 사용자가 명시적으로 추론 노력(reasoning effort)을 높여야 할 필요가 있음을 보여줍니다.

지능 대비 가치 (The value-per-intelligence case)

GPT-5.6 Luna 대비 60%의 비용 우위가 이번 사례의 구조적인 핵심입니다. DeepSeek는 2024년 말과 2025년 초에 V3와 R1을 주목받게 했던 것과 동일한 전략을 통해, 최첨단에 근접한 지능을 더 작고 저렴한 패키지로 계속해서 압축하고 있습니다. 이 회사는 동시에 내몽골에 기가와트(gigawatt) 규모의 데이터 센터를 구축하고 있으며, GPU 의존도를 낮추기 위해 맞춤형 추론 ASIC을 개발하고 있습니다 [[이전 보도 내용과 같이]]. Flash 라인업은 이러한 인프라 베팅의 상업적 최전선입니다.

원본 자료에서 공개하지 않은 내용: 학습 컴퓨팅(training compute), 파라미터 수 이외의 아키텍처 세부 정보, 또는 컨텍스트 윈도우(context window) 사양입니다. 회사는 모델 카드와 함께 기술 보고서(technical report)를 발표하지 않았습니다. 현재 확인할 수 있는 유일한 확정 수치는 304B의 파라미터 수와 167GB의 크기뿐입니다.

핵심 요약 (Key Takeaways)

• DeepSeek V4 Flash 0731은 Intelligence Index에서 50점을 기록했으며, 이는 약 60% 더 낮은 비용으로 GPT-5.6 Luna(약 60점)에 단 1점 차이로 뒤처지는 수치입니다.
• 304B 파라미터, 100만 토큰당 $0.14의 입력 가격.

관전 포인트 (What to watch)

DeepSeek의 DeepSeek Harness 출시를 주목하세요 — 모델 카드(model card)에 따르면 이 미출시 에이전트 프레임워크(agent framework)의 '최소 모드(minimal mode)'로 평가되었다고 명시되어 있습니다. 만약 이 하네스(harness)가 출시되어 에이전트 벤치마크(agentic benchmark) 점수를 끌어올린다면, Flash 라인업이 OpenAI와 Anthropic의 가격 정책을 더욱 압박할 것으로 예상됩니다. 또한 7월에 보고된 710억 달러 규모의 프리머니(pre-money) 펀딩 라운드도 추적해 보시기 바랍니다.

Scatter plot from Artificial Analysis titled with axes

출처: simonwillison.net

[08월 01일 업데이트 via simon_willison]

OpenAI는 DeepSeek의 가격 압박에 대해 GPT-5.6 Luna의 가격을 80% 인하하고, GPT-5.6 Terra의 가격을 20% 인하하는 공격적인 대응책을 발표하며 맞섰습니다 OpenAI 발표 참조. 이 회사는 효율성 향상의 공로를 GPT-5.6 Sol 덕분으로 돌리고 있으며, 이를 사용하여 부하 분산(load balancing)을 최적화하고 Codex를 통해 프로덕션 커널(production kernels)을 재작성함으로써 GPU 유휴 시간(idle time)을 줄였다고 밝혔습니다. 이는 DeepSeek의 지능 대비 가치(value-per-intelligence) 우위에 직접적으로 도전하는 것이며, V4 Flash 0731을 독보적인 가성비 모델로 만들었던 비용 격차를 좁히고 있습니다.

원문은 gentic.news에서 처음 게시되었습니다.