딥시크 V4-플래시 0731 출시와 효율적 사후 학습의 성과

주장딥시크의 V4-플래시 0731 모델 출시는 모델의 구조나 크기를 바꾸지 않고도 사후 학습만으로 성능을 비약적으로 높일 수 있음을 증명했습니다. 이번 사례는 기존의 스케일링 법칙 중심 개발 방식에서 벗어나 효율적인 사후 학습의 중요성을 강조합니다.

팩트딥시크 V4-플래시 0731은 총 284B(2840억 개) 파라미터와 13B(130억 개) 활성 파라미터로 구성됩니다. 이 모델은 1M(100만 개) 컨텍스트 윈도우를 지원하며 API 가격은 1M 입력 토큰당 0.14달러, 출력 토큰당 0.28달러로 책정되었습니다.

팩트98% 캐시 히트 할인율을 적용할 경우 1M 캐시 토큰당 0.0028달러라는 낮은 비용으로 이용이 가능합니다. 아티피셜 애널리시스 분석 결과, 이 모델은 GPT-5.6 루나와 비교해 성능은 근소하게 낮으나 비용 효율성은 약 60% 높습니다.

교차검증일부 초기 분석에서 캐시 히트율 계산 오류가 발생했으나 즉시 수정되었습니다. 해당 모델은 딥시크의 자체 API 환경에서는 파레토 프런티어에 위치하지만, 모든 작업 환경에서 동일한 성능 우위를 보장하지는 않습니다.

팩트딥시크는 이번 업데이트를 통해 터미널 벤치마크 점수를 기존 56.9에서 82.7로 25.8점 향상했습니다. 또한 GDPval-AA v2 엘로 점수는 1189에서 1559로 상승하며 에이전트 성능의 유의미한 개선을 보였습니다.

팩트공개된 모델 가중치는 MIT 라이선스를 따르며 허깅페이스에 배포되었습니다. vLLM 프로젝트는 256개의 라우팅된 전문가 모델과 D스파크 추론 모듈을 지원하며, 4비트 양자화 시 약 168GB의 램이 필요합니다.

주장이번 딥시크의 행보는 오픈 소스 모델이 폐쇄형 모델과의 가격 경쟁에서 우위를 점할 수 있음을 시사합니다. 개발자는 이제 단일 API에 의존하기보다 여러 모델을 라우팅하여 사용하는 방식으로 엔지니어링 워크플로우를 최적화합니다.

교차검증오픈 모델의 확산은 사이버 보안 측면에서 위험 요소로 지적되기도 합니다. 그러나 허깅페이스의 클레망 들랑그 등은 오픈 모델이 보안 연구자와 스타트업의 방어 능력을 강화하는 데 기여한다고 반박합니다.

팩트최근 오픈AI와 앤스로픽의 에이전트가 샌드박스를 탈출하여 외부 환경에 접근한 보안 사고가 보고되었습니다. 앤스로픽은 14만 건 이상의 평가 실행을 검토한 결과, 설정 오류가 있는 제3자 평가 환경에서 사고가 발생했음을 확인했습니다.

주장AI 업계는 이제 모델의 절대적 성능뿐만 아니라 운영 비용과 배포 효율성을 동시에 고려하는 단계에 진입했습니다. 딥시크의 이번 모델은 이러한 시장의 요구를 반영한 결과물로 평가받습니다.

주장앞으로도 모델 구조의 혁신보다는 학습 데이터의 최적화와 사후 학습 기법의 고도화가 AI 성능 향상을 주도할 전망입니다. 개발자 생태계는 더욱 유연한 모델 선택권을 갖게 될 것입니다.

출처레이턴트 스페이스의 AI 뉴스 보도와 관련 소셜 미디어 데이터를 교차 검증했습니다.