DeepSeek V4: 1M Context 확보 및 추론 비용 75% 절감 실현

Context

기존 Frontier 모델들의 높은 Token 비용과 긴 Context 처리 시의 비효율적 추론 비용이 병목으로 작용함. 특히 대규모 코드베이스 분석 시 비용 부담으로 인한 모델 라우팅 최적화 필요성이 대두됨.

Technical Solution

• MoE(Mixture of Experts) 구조를 통한 V4-Pro(1.6T Total / 49B Active) 및 V4-Flash(284B / 13B Active) 설계
• 1M Context Window 구현 및 이전 버전(V3.2) 대비 추론 비용을 1/4 수준으로 낮춘 아키텍처 최적화
• MIT 라이선스 기반 Open Weights 제공을 통한 모델 배포 유연성 확보
• 대규모 Repo 분석에 특화된 Discovery Phase용 고효율 추론 로직 적용
• RL(Reinforcement Learning) 학습 강화를 통한 API 메서드 할루시네이션 억제 및 코드 컴파일 성공률 제고

Impact

• 출력 토큰 1M개당 비용 $3.48로 Claude Opus 4.7($25) 대비 약 7.2배 저렴한 가격 경쟁력 확보
• V4-Flash 기준 closed frontier 모델 대비 90~107배 낮은 비용의 $0.28/M 출력가 달성
• SWE-Bench Verified 80.6% 달성 및 LiveCodeBench 93.5% 기록으로 오픈소스 모델 중 최상위권 성능 입증
• Terminal-Bench 2.0에서 67.9% 기록하여 GPT-5.5(82.7%) 대비 낮은 에이전트 실행 능력 확인

Key Takeaway

단일 모델의 범용성보다 작업 단계(Discovery -> Planning -> Execution)에 따라 모델을 분리 배치하는 Multi-model Routing 전략이 비용과 품질의 최적 균형점을 제공함.