Czternaście centów za milion tokenów wejścia to stawka, przy której większość zespołów przestaje w ogóle liczyć koszt zapytania. Tyle według serwisu Artificial Analysis kosztuje DeepSeek V4 Flash w wersji, która 31 lipca zastąpiła wydanie testowe i weszła do publicznej bety interfejsu programistycznego. Ciekawsza od ceny jest deklaracja producenta: w testach agentowych mniejszy Flash wypada lepiej od większego i droższego V4 Pro. Wagi leżą otwarte na Hugging Face na licencji MIT, a interfejs naśladuje jednocześnie OpenAI i Anthropic. Wymiana modelu w istniejącym narzędziu sprowadza się więc do przestawienia konfiguracji, choć zgodność ma swoje granice.
Cztery liczby, którymi DeepSeek się chwali
Producent pokazał wyniki z czterech zestawów testowych i wszystkie dotyczą pracy agentowej, czyli sytuacji, w której model sam wykonuje wieloetapowe zadanie zamiast odpowiadać na pojedyncze pytanie. Terminal Bench 2.1 sprawdza radzenie sobie w powłoce systemowej i tam padło 82,7 punktu. NL2Repo, czyli budowanie działającego repozytorium z opisu słownego, dało 54,2. Cybergym, zestaw zadań z bezpieczeństwa, zamknął się wynikiem 76,7. DSBench-Hard, czyli wewnętrzny zestaw DeepSeeka z trudnymi zadaniami dla agentów programistycznych, dał 59,6.
Sama nazwa Terminal Bench brzmi abstrakcyjnie, ale mierzy rzecz bardzo konkretną. Model dostaje dostęp do powłoki systemowej i zadanie w stylu “doprowadź projekt do stanu, w którym testy przechodzą”. Dalej radzi sobie sam: wybiera polecenia, czyta komunikaty błędów i decyduje, co zrobić z niepowodzeniem. Właśnie tam kruszą się modele świetne w rozmowie.
Warto przy tym trzymać te liczby na dystans, bo pochodzą od firmy, która sprzedaje ten model. Benchmarki producenta niemal zawsze wyglądają korzystniej niż niezależne powtórki, a zestawy agentowe są wyjątkowo wrażliwe na to, jak skonfigurowano środowisko testowe. Wymowna pozostaje jednak relacja wewnętrzna: model mniejszy pokonuje własne rodzeństwo z wyższej półki. Flash aktywuje przy zapytaniu trzynaście miliardów parametrów, podczas gdy Pro w wersji testowej sięga po czterdzieści dziewięć. Firma tłumaczy tę przewagę ponownym post-treningiem przy zachowanej architekturze. Osobno dołożono moduł dekodowania spekulatywnego, ale ten przyspiesza generowanie odpowiedzi i nie ma wpływu na jakość wyników.
Skąd ta cena i gdzie jest haczyk
Artificial Analysis wycenia zapytania na 0,14 dolara za milion tokenów wejścia i 0,28 za milion wyjścia, przy medianie rynkowej odpowiednio 0,25 i 0,88. Przy trafieniu w pamięć podręczną stawka spada do trzech tysięcznych dolara, czyli praktycznie do zera. Ten sam serwis daje modelowi 50 punktów swojego indeksu inteligencji i drugie miejsce spośród stu sześćdziesięciu dwóch modeli w tym przedziale cenowym, przy medianie siedemnastu punktów.
Haczyk pierwszy siedzi w gadatliwości. W teście indeksu inteligencji, uruchomionym w trybie rozumowania z maksymalnym wysiłkiem, model wygenerował dwieście dziesięć milionów tokenów wyjściowych przy medianie sześćdziesięciu dwóch dla porównywalnych modeli. Rozumowanie płaci się właśnie tokenami wyjścia, czyli tymi droższymi, więc stawka za milion niewiele mówi, dopóki nie policzysz, ile tych milionów zużyjesz. Haczyk drugi to brak danych o szybkości oficjalnego interfejsu. Przy agencie pracującym w pętli czas odpowiedzi bywa ważniejszy od rachunku. Podobne rozczarowanie spotkało zespoły liczące koszt tokenów w Claude Code, gdzie teoria rozjechała się z fakturą.
Stare nazwy modeli przestały działać i łatwo to przeoczyć
Aktualizacja niesie ze sobą pułapkę, o której komunikat wspomina półgębkiem. Wywołanie zostaje identyczne, bo wystarczy nazwa deepseek-v4-flash, tyle że ta sama nazwa prowadzi teraz do innego modelu niż tydzień temu. Automatyzacja, która od kwietnia zachowywała się przewidywalnie, od dziś może odpowiadać inaczej, dłużej i drożej, choć nikt niczego w niej nie zmieniał.
Osobna sprawa dotyczy zespołów z dłuższym stażem u tego dostawcy. Przy kwietniowej premierze wersji czwartej DeepSeek zapowiedział wycofanie starych aliasów deepseek-chat i deepseek-reasoner, a termin minął 24 lipca. Jeżeli gdzieś w firmie działa skrypt napisany w zeszłym roku, warto sprawdzić, czy nadal się z czymkolwiek łączy. Interfejs powinien w takiej sytuacji zwrócić błąd o nieznanej nazwie modelu, tylko że przy słabym monitoringu taki błąd potrafi lecieć w pustkę tygodniami.
Otwarte wagi zmieniają rachunek zgodności
Licencja MIT i wagi wystawione publicznie robią tu większą różnicę niż benchmarki. Wydanie 0731 leży na Hugging Face, a wcześniejszą wersję udostępniono również na ModelScope. Interfejs programistyczny DeepSeeka stoi natomiast w Chinach, co dla software house’u obsługującego klienta z sektora publicznego albo medycznego bywa przeszkodą nie do przejścia. Rozstrzyga tu rodzaj danych, treść umowy i podstawa transferu, a nie samo przeczucie. Otwarte wagi dają wtedy wyjście, bo model wolno postawić na własnej infrastrukturze i kod klienta nigdy nie opuszcza serwerowni.
Cena tej wolności jest sprzętowa. Mowa o modelu z dwustu osiemdziesięcioma czterema miliardami parametrów i oknem kontekstu sięgającym miliona tokenów. Uruchomienie go lokalnie to zadanie dla klastra, nie dla stacji roboczej pod biurkiem. Realne scenariusze wyglądają dziś tak: albo płacisz za interfejs i godzisz się na Chiny, albo wynajmujesz sprzęt u europejskiego dostawcy i sam obsługujesz model. Trzeciej drogi na razie nie ma. Podobny wybór stawiał przed zespołami otwarty model Kimi K3 od Moonshota, z tą różnicą, że tam nacisk padał na rozumowanie, a nie na pracę agenta.
Chińskie modele przestały być ciekawostką w cenniku
Pojedyncza premiera niewiele znaczy, ale układa się w linię widoczną od kilku kwartałów. Chińskie laboratoria wypuszczają modele z otwartymi wagami w tempie, którego zachodni dostawcy nie próbują nawet naśladować. Wywierają przy tym wyjątkowo silną presję cenową. Efekt widać po stronie popytu. Na platformach dla programistów, takich jak OpenRouter, chińskie modele odpowiadają już za istotną część tokenów przypisywanych amerykańskim firmom.
Dla polskiego zespołu wynika z tego coś praktycznego. Wybór modelu przestał być decyzją na rok i zaczyna przypominać wybór dostawcy prądu, gdzie porównuje się stawki co kilka miesięcy i przełącza bez sentymentu. Warunkiem jest jednak architektura, która na taką zmianę pozwala. Zespoły, które wpięły jednego dostawcę na sztywno w dziesięć miejsc w kodzie, zapłacą za każdą kolejną przesiadkę, niezależnie od tego, jak atrakcyjny będzie cennik po drugiej stronie.
Zgodność z Codexem to sprawa wtyczki, nie sojuszu
Dokumentacja wymienia natywne wsparcie formatu Responses API i dostrojenie pod Codex, a dostęp działa przez interfejsy zgodne zarówno z OpenAI ChatCompletions, jak i z Anthropikiem. Brzmi to jak zapowiedź współpracy, ale żadnej współpracy tu nie ma. DeepSeek po prostu odwzorował cudze interfejsy, żeby wejść do narzędzi, które programiści już mają zainstalowane.
Praktyczny skutek jest za to konkretny, choć nie darmowy. Jeśli Twój zespół korzysta z terminalowego agenta zgodnego z Codexem, próba sprowadza się zwykle do wskazania dostawcy, adresu interfejsu, klucza i nazwy modelu. Zgodność nie jest jednak pełna. Część pól bywa ignorowana, a dokumentacja sama ostrzega, że nieobsługiwany parametr Responses API potrafi zostać pominięty bez zgłoszenia błędu. Warto więc przed wdrożeniem sprawdzić, z jakich opcji faktycznie korzystasz, a porównanie i tak zrobić na własnym repozytorium zamiast wierzyć w cudzą tabelkę. Przy narzędziach do kodu to jedyny wiarygodny test, bo różnice między modelami ujawniają się dopiero na prawdziwym, zabałaganionym kodzie, a nie na zadaniach z zestawu testowego. Sam cennik konkurencji zmieniał się zresztą w tym roku kilka razy, o czym pisaliśmy przy okazji porównania stawek GPT-5.6 Sol i Claude Fable 5.
Pierwsza Misja AI · Kodożercy
AI zmienia rynek pracy. Zacznij rozumieć o co chodzi.
Kurs Pierwsza Misja AI to najkrótszy kurs, po którym naprawdę rozumiesz AI, a certyfikat to potwierdza. Sci-fi fabuła i gamifikacja sprawiają, że nie nudzisz się ani minuty.
Dołącz do kursantów →
FAQ
Czy DeepSeek V4 Flash da się uruchomić na własnym sprzęcie?
Formalnie tak. Licencja MIT pozwala uruchamiać model lokalnie i komercyjnie, pod warunkiem zachowania wymaganych informacji licencyjnych przy dalszej dystrybucji. Praktycznie wymaga to jednak zaplecza serwerowego, a nie pojedynczej karty graficznej. Model liczy dwieście osiemdziesiąt cztery miliardy parametrów i obsługuje kontekst do miliona tokenów. Sensowne wdrożenie oznacza klaster u dostawcy chmurowego albo własną szafę. Dla mniejszego zespołu tańszym wariantem bywa wynajem gotowej instancji u europejskiego operatora.
Czy dane wysyłane do DeepSeeka zostają w Chinach?
Przy korzystaniu z oficjalnego interfejsu programistycznego zapytania trafiają na infrastrukturę w Chinach i tak należy to traktować przy ocenie ryzyka. Otwarte wagi dają wyjście awaryjne: model postawiony na własnych serwerach przetwarza dane tam, gdzie go uruchomisz. Wybór między jednym a drugim rozstrzyga się na poziomie umowy z klientem, nie preferencji technicznych.
Podsumowanie
DeepSeek pokazał model, który w testach własnej firmy wyprzedza jej droższy produkt i kosztuje ułamek stawek rynkowych. Wchodzi przy tym do istniejących narzędzi bez przepisywania czegokolwiek i zostawia otwarte wagi na licencji MIT. Zanim uzna się to za okazję, warto sprawdzić trzy rzeczy. Ile tokenów wyjścia model spala przy Twoich zadaniach, jak szybko odpowiada w pętli agenta i czy umowa z klientem dopuszcza wysyłanie kodu do Chin. Dwie pierwsze odpowiedzi dostaniesz w kilkanaście minut na własnym repozytorium. Trzecia wymaga rozmowy z prawnikiem, nie z programistą.
Newsletter · DevstockAcademy & Kodożercy
Bądź na bieżąco ze światem IT, AI i automatyzacji
Co wtorek: newsy z branży, praktyczne tipy i narzędzia które warto znać. Zero spamu.
