DeepSeek오픈소스

DeepSeek V4 Pro Base

Name: DeepSeek V4 Pro Base
Author: DeepSeek

이 모델 비교

DeepSeek 개발의 고성능 MoE 기초 모델. 1.6T 파라미터(49B 활성화)로 다양한 태스크를 처리합니다.

공유:X Hatena LINE

파라미터

Undisclosed

컨텍스트

라이선스

MIT

출시일

2026-04-24

일본어 처리 능력

✅High-Quality JP

Multilingual model with strong Japanese language processing capabilities.

API 가격

이 모델의 API 가격 정보는 현재 공개되지 않았습니다

강점

약점

활용 사례

심층 분석

총 파라미터

1.6T

토큰당 49B 활성화 (MoE)

컨텍스트 윈도우

1M 토큰

기본값, 별도 프리미엄 계층 없음

MMLU (5-shot)

90.1

V3.2-Base 대비 87.8

SimpleQA Verified

55.2%

25-shot, V3.2 대비 28.3%

LongBench-V2

51.5

1-shot, V3.2 대비 40.2

입력 가격

$1.74/1M

DeepInfra 기준; 캐시됨 $0.145

강점

・1.6조 파라미터 MoE이지만 활성화는 49B뿐 — 프론티어급 지식 밀도를 효율적인 추론 비용으로 제공
・압도적인 장문 컨텍스트 효율: 하이브리드 CSA/HCA 어텐션으로 1M 토큰에서 V3.2 대비 FLOPs 27%, KV 캐시 10%
・MIT 라이선스 오픈 가중치로 제약 없는 파인튜닝·셀프호스팅·상업 배포 가능

약점

・베이스 모델 한정 — 인스트럭션 추종·채팅·에이전트 활용에는 별도 사후학습(SFT/RL) 필요
・프리뷰 출시 상태로 BenchLM 벤치마크 커버리지 부족(249개 중 24개); 아직 충분히 평가되지 않음
・거대한 가중치 풋프린트(~862GB FP4+FP8)는 셀프호스팅에 기업급 다중 GPU 인프라 요구

경쟁사 비교

Model	Arena	SWE	GPQA
DeepSeek-V3.2-Base	N/A	N/A (base)	N/A (base)
DeepSeek-V4-Flash-Base	N/A	N/A (base)	N/A (base)
DeepSeek-V4-Pro-Base	N/A	N/A (base)	N/A (base)

개요

DeepSeek-V4-Pro-Base는 DeepSeek 플래그십 V4 시리즈의 사전학습 기초 체크포인트로, 2026년 4월 24일 MIT 라이선스로 공개됐다. 1.6조 파라미터 MoE(토큰당 49B 활성화)로 현재 공개된 오픈 가중치 기초 모델 중 가장 크며, DeepSeek 계열 기초 모델 가운데 지식·추론·코딩·장문 컨텍스트 벤치마크에서 새로운 상한을 제시한다. 과거 33조 토큰 이상으로 사전학습됐고 압축 희소 어텐션(CSA)과 과도 압축 어텐션(HCA)을 결합한 신규 구조를 써서 1M 토큰 컨텍스트에서 V3.2 대비 추론 FLOPs 27%, KV 캐시 10%만 쓴다. 베이스 모델이므로 직접 대화용이 아니라 커스텀 사후학습 파이프라인을 짜는 연구자·개발자가 대상이다. 인스트럭트 변형(V4-Pro, Non-think / Think High / Think Max 추론 모드)이 실제 대화를 맡는다.

벤치마크 및 성능

공식 기술 보고서 기준, V4-Pro-Base는 24개 학술 벤치마크 중 21개에서 최고점을 기록한다. MMLU 90.1, MMLU-Pro 73.5, HumanEval 76.8, GSM8K 92.6, LongBench-V2 51.5로 V3.2-Base를 사실상 모든 영역에서 앞선다. 가장 큰 폭의 향상은 SimpleQA Verified(28.3→55.2)와 FACTS Parametric(27.1→62.6)로, 큰 익스퍼트 풀이 사실적 지식 유지를 크게 끌어올림을 보여준다. 다만 BenchLM은 2026년 6월 기준 지식 124개 모델 중 #62(49.2/100)로 평가하며, 추적 벤치마크 249개 중 24개만 커버돼 전체 순위는 아직 내리지 않는다. 사후학습된 V4-Pro-Max 인스트럭트 변형은 LiveCodeBench 93.5%, SWE-Verified 80.6%, GPQA Diamond 90.1%, Terminal-Bench 67.9%를 찍는다.

상세 비교

V3.2-Base 대비 세대 도약이다. 1.6T 익스퍼트 풀(671B)에서 49B를 활성화하면서 1M 컨텍스트에서 V3.2의 추론 FLOPs 27%만 쓴다. 지식 벤치마크가 크게 오르고( SimpleQA 28.3→55.2) 컨텍스트 윈도우는 128K에서 1M으로 늘었다. V4-Flash-Base(284B 총/13B 활성)는 파라미터 약 1/5, 추론 비용 약 1/6($0.14/$0.28 per 1M)으로 Pro 품질의 85~95%를 낸다. 차이는 사실 회상(SimpleQA 30.1 vs 55.2)과 지식 집약 작업에 집중되며, 대부분 프로덕션 배포엔 Flash가, 지식 집약·복잡한 에이전트 워크로드엔 Pro가 권장된다. 폐쇄형 인스트럭트 모델과 직접 비교는 부적절하나, 사후학습된 V4-Pro-Max는 Opus-4.6·Gemini-3.1-Pro와 동급 프론티어 점수를 낸다.

커뮤니티 평가

DeepSeek V4는 MIT 라이선스와 경쟁력 있는 가격의 1M 토큰 컨텍스트로 개발자 커뮤니티의 큰 관심을 끌었다. DeepSeek 내부 설문(에이전트 코딩에 V4-Pro를 써본 개발자 85명)에서 52%가 기본 코딩 모델로 써도 된다고, 39%는 '대체로 그런 편'이라 답했고 9% 미만이 반대했다. 단점으로는 모르는 답에도 거의 항상 응답하는 환각(AA-Omniscience 기준 94% 환각률)과, 프리뷰 상태라 안정 모델에서 마이그레이션 전 충분한 평가를 권장한다는 목소리가 나온다. V4-Pro(~862GB)는 8x H200 최소 구성이 필요해 베이스 실험은 자원이充足的 팀으로 한정된다.

활용 사례

1) 도메인 특화 인스트럭트 모델 파인튜닝 — 법률·의료·금융 등에서 SFT+GRPO로 특화 모델을 만들 때 MIT 라이선스가 상업 재배포를 허용하고, 49B 활성 예산이 도메인 지식 유지를 뒷받침한다(Flash 대비 SimpleQA 55.2 vs 30.1). 2) 장문 추론 연구 — 네이티브 1M 컨텍스트와 LongBench-V2 51.5로 장기 추론·문서 이해·교차 문서 합성 연구에 적합하다. 3) 에이전트 코딩 파이프라인 — 사후학습된 V4-Pro는 난이도 높은 R&D 코딩 벤치에서 Sonnet 4.5(47%)를 넘고 Opus 4.5(70%)에 근접(67%)한다. 4) RAG 지식 밀도 — SimpleQA 55.2%로 검색 실패를 우아하게 보완한다.