Avec V4-Flash, DeepSeek mise sur l’IA à faible coût plutôt que sur la course à la puissance

DeepSeek, une entreprise chinoise spécialisée dans l’intelligence artificielle (IA), a lancé fin juillet 2026 une nouvelle version de son modèle d’IA nommé V4-Flash-0731.

Ce modèle se distingue par son approche axée sur la réduction des coûts plutôt que sur la puissance brute.

Contrairement à d’autres modèles comme Claude Fable 5 d’Anthropic, qui sont très coûteux (3,15 $ par test), V4-Flash-0731 coûte seulement 0,03 $ par test, soit environ 100 fois moins cher.

Il est également librement réutilisable et disponible sous licence MIT, ce qui permet une utilisation commerciale, une modification et une redistribution sans restriction.

Ce modèle est déjà très populaire sur la plateforme OpenRouter, où il occupe la première place du classement hebdomadaire d’usage depuis sa sortie.

V4-Flash-0731 reprend l’architecture et la taille de son prédécesseur, le DeepSeek-V4-Flash-Preview d’avril 2026, avec 284 milliards de paramètres, dont 13 milliards activés, et un contexte d’un million de tokens (unités de texte).

Cependant, il intègre de nouvelles techniques de post-entraînement pour améliorer ses capacités, notamment en matière d’exécution agentique (capacité à accomplir des tâches complexes de manière autonome).

Malgré une taille similaire, il consomme environ 10 % des calculs (FLOPs) et 7 % de la mémoire (KV cache) par token généré par rapport au modèle précédent, DeepSeek-V3.2.

Cela signifie qu’il est à la fois plus efficace et moins gourmand en ressources, tout en offrant de meilleures performances que le modèle DeepSeek-V4-Pro pour un tiers de son prix.

Sur les benchmarks agentiques (évaluations de performance pour des tâches autonomes), V4-Flash-0731 surpasse DeepSeek-V4-Pro dans neuf tests différents.

Par exemple, il obtient 82,7 contre 72,1 sur Terminal Bench 2.1, 54,4 contre 12,8 sur DeepSWE, et 76,7 contre 52,7 sur CyberGym.

Ces résultats montrent une amélioration significative des capacités d’exécution de tâches complexes.

De plus, son coût réduit (0,03 $ par test) le rend accessible à un large public, contrairement à des modèles comme Claude Fable 5 (3,15 $ par test).

Cette stratégie permet à DeepSeek de se positionner comme un acteur majeur de l’IA à bas coût, en misant sur l’efficacité plutôt que sur la course à la puissance.

V4-Flash-0731 est publié sous licence MIT, ce qui autorise son utilisation commerciale, sa modification et sa redistribution sans restriction.

Cette licence est plus permissive que celle de certains concurrents, comme Kimi K3, qui impose des accords commerciaux spécifiques aux entreprises réalisant plus de 20 millions de dollars de chiffre d’affaires annuel.

Liang Wenfeng, cofondateur de DeepSeek, souligne que la publication des poids (les paramètres du modèle) ne suffit pas à garantir une efficacité économique équivalente.

Il insiste sur la nécessité d’optimisations techniques pour réduire les coûts d’inférence, ce que peu d’entreprises sont capables de réaliser.

DeepSeek mise donc sur un modèle économique solide, où la vente d’API pourrait suffire à assurer sa rentabilité.

DeepSeek a également publié un module appelé draft, utilisé pour le décodage spéculatif, une technique qui accélère le traitement des requêtes en faisant prédire plusieurs tokens (unités de texte) à la fois par un petit modèle.

Ces prédictions sont ensuite vérifiées par le modèle principal.

Cette méthode, combinée à des techniques de fine-tuning (ajustement fin du modèle), permet d’améliorer l’efficacité et la rapidité de l’IA.

DeepSeek rend public le code permettant d’entraîner ce module, contrairement à certains concurrents comme Moonshot, qui conserve un avantage structurel en utilisant son propre infrastructure.

Liang Wenfeng a également évoqué les défis liés aux capacités de calcul en Chine, où le manque de GPU limite la taille des modèles et la qualité des expérimentations.

Liang Wenfeng a expliqué que les principaux écarts entre la Chine et les États-Unis en matière d’IA résident dans les capacités de calcul et l’accès aux GPU.

Le manque de ressources réduit la taille des modèles et le nombre d’expériences réalisables en parallèle, ce qui impacte directement la qualité des résultats.

DeepSeek cherche donc à obtenir davantage de GPU à un prix raisonnable pour améliorer ses modèles.

Cette stratégie reflète une approche pragmatique, où l’efficacité économique et l’accessibilité priment sur la course à la puissance pure.

En misant sur des modèles comme V4-Flash-0731, DeepSeek se positionne comme un acteur clé de l’IA à bas coût, tout en relevant les défis liés aux ressources limitées en Chine.