1,6 biljoonan parametrin avoin malli mursi koodausennätyksen.
Kiinalainen DeepSeek julkisti perjantaina kaksi uutta mallia, V4 Pron ja V4 Flashin. Pro-versio on painokirjastoltaan tähän asti suurin avoimena julkaistu kielimalli: 1,6 biljoonaa parametria ja jokaisella tokenilla aktivoituvana 49 miljardia.
Mallin ytimessä on uusi Hybrid Attention -arkkitehtuuri, jolla DeepSeek venyttää kontekstin miljoonaan tokeniin ilman aikaisempia nopeuspuhalluksia. Julkistuksen ajoitus, vain vuorokausi Valkoisen talon Kiina-syytösten jälkeen, sai alan seuraajat nostamaan kulmakarvojaan.
Hybrid Attention ratkaisee pitkän kontekstin pullonkaulan
DeepSeekin tekninen dokumentti selittää Hybrid Attentionin yhdistävän harvan ja tiheän huomion samassa mallissa. Lyhyessä kontekstissa malli käyttää perinteistä täyttä attentionia, mutta kun syöte ylittää 200 000 tokenia, se siirtyy harvaan, ryhmäpohjaiseen laskentaan. Käytännössä tämä tarkoittaa, että käyttäjä voi syöttää malliin kokonaisen koodivaraston ilman, että päättelyaika räjähtää.
MoE-rakenne aktivoi 49 miljardia parametria per token, alle kolme prosenttia mallin kokonaispainoista. Yhtiö ilmoittaa päättelynopeudeksi 87 tokenia sekunnissa H100-klustereilla, mikä on kilpailukykyistä saman luokan suljettujen mallien kanssa.
Koodaus-benchmarkeissa kärjessä, maailmantieto yhä heikompi
SWE-bench Verifiedissä V4 Pro saavuttaa 73,4 prosentin ratkaisuasteen. Luku ohittaa Kimi K2.6:n 68,2 prosenttia ja Alibaban Qwen-3.5 Maxin 65,9 prosenttia, ja on jo lähellä Gemini 3.1 Pron 76,1:tä prosenttia. Anthropicin Claude Opus 4.7 pitää yhä piikkipaikkaa 79,8 prosentilla.
HumanEvalissä ja LiveCodeBenchissä ero suljettuihin on vielä pienempi, V4 Pro jää Gemini 3.1 Prosta vain kahden pisteen päähän. MMLU-Prossa ja maailmantietoa mittaavissa testeissä kuilu leveää. DeepSeekin omatkin dokumentit myöntävät, että harvinainen tieto ja vähemmän koulutetut kielet ovat edelleen mallin heikko kohta.
Julkistus tuli päivä Valkoisen talon syytösten jälkeen
Ajoitus puhuttaa. Torstaina Valkoinen talo syytti Kiinaa tekoälymallien ja piirien laittomasta hankinnasta läntisten vientirajoitusten kiertämiseksi. Vain vuorokautta myöhemmin DeepSeek julkisti mallin, joka veisi avoimuuspuheen takaisin Pekingille. Yhtiö itse kommentoi julkaisutiedotteessa ainoastaan, että avoin tiede ei tunne rajoja.
Geopoliittisesta kehyksestä huolimatta mallin painokirjasto on aidosti avoin, MIT-lisenssin alla. Ladattu versio on 3,2 teratavua, joten sen pyörittäminen vaatii vähintään kahdeksan H100-GPU:ta tai vastaavaa laskentakapasiteettia. Tämä sulkee kotikoneet tehokkaasti ulos, vaikka MIT-lisenssi periaatteessa kutsuu harrastelijoita mukaan.
CSC:n LUMI lähimpänä kotimaista ajotapaa
Suomalaiselle käyttäjälle V4 Pron ajaminen ei ole mahdotonta, mutta vaatii tieteellisen laskennan kaliiperin koneen. CSC:n LUMI-supertietokone Kajaanissa pystyy teoriassa ajamaan mallin yhdellä noodilla, sillä sen AMD MI250X -piirit tarjoavat riittävän muistikaistan. Palveluista on kuitenkin jono, ja akateemisen ja kaupallisen käytön rajanveto tulee vastaan heti ensimmäisenä kysymyksenä.
Helsinkiläinen Silo AI, nykyiseltä nimeltään AMD Silo, julkaisi Poro-perheensä viimeisen version jo vuonna 2025. Poro 2 pysähtyi 34 miljardiin parametriin eli on kokoluokaltaan muutama prosentti V4 Prosta. Yhtiön tutkijat ovat kommentoineet X-palvelussa, että kilpailu avoimien mallien huipulla on siirtynyt lopullisesti laskentaresurssien kisaksi, jossa eurooppalaisilla toimijoilla on vaikeuksia pysyä perässä ilman julkista tukea.
Sanasto
- MoE (Mixture of Experts)
- Asiantuntijoiden sekoitus – kielimallin rakenne, jossa valtava parametrimäärä jaetaan osiin ja jokaisessa kyselyssä aktivoituu vain pieni siivu. Säästää laskentatehoa, kun 1,6 biljoonasta parametrista käytetään kerralla vain 49 miljardia.
- Benchmark
- Vertailutesti – vakiintunut koe, jolla tekoälymallien suorituskykyä mitataan yhdenmukaisesti. SWE-bench mittaa ohjelmointia, MMLU maailmantietoa.
Mitä malli tarjoaa suomalaiselle kehittäjälle
Startup-ohjelmoijan kannalta V4 Pron avoimuus ei tee mallista heti käytettävää. Kun yhden kyselyn päästäminen läpi vaatii puolen miljoonan euron palvelimen, käytännön hyöty tulee API-palveluna tai pilvikumppanin kautta. Together AI ja Fireworks ilmoittivat jo julkistustuntien aikana tarjoavansa V4 Prota hinnalla 1,20 dollaria miljoonaa tokenia kohden, selvästi halvempaa kuin Gemini 3.1 Pron 3,50 dollaria.
Pienille ohjelmistotaloille tämä tarkoittaa noin 65 prosentin säästöä koodauskäytössä, jos ne sietävät mallin heikompaa suoritusta suomenkielisten tekstien käsittelyssä. Kiinalaisen mallin käyttö herättää myös tietosuoja- ja vientivalvontakysymyksiä, etenkin kun malli ajetaan yhdysvaltalaisten pilvien kautta. Julkishallinnossa ja terveysdatan kanssa työskentelevät yritykset joutuvat käymään uudestaan hankinnan riskiarviot läpi.
DeepSeek lupaa julkaista koulutusdatan reseptin ja laskentalogit kesäkuun loppuun mennessä. Jos lupaus pitää, tutkijoilla on ensi kertaa mahdollisuus tarkistaa, miten näin iso avoin malli on käytännössä koulutettu. Se yksityiskohta on poliittisesti kiinnostavampi kuin painokirjasto itsessään.
Tämä artikkeli on kirjoitettu ja toimitettu tekoälyagenttien toimesta.
Lue lisää toimintaperiaatteistamme.
