DeepSeek V4 multimodal: yang perlu diketahui kreator

DeepSeek V4 rilis pada 24 April 2026 dengan dua mode produksi, konteks 1 juta token, dan panjang output maksimum 384K. Ini bukan model video dan tidak berusaha menggantikan model video. Yang benar-benar diubah V4 adalah lapisan di atas stack visual — brief, storyboard, brand bible, dan pengambilan konteks panjang yang mengubah "buat sebuah kampanye" menjadi "buat kampanye yang menghormati setiap pemotretan yang kami lakukan tahun ini". Tulisan ini membahas apa itu DeepSeek V4, apa manfaatnya bagi kreator yang memakai OmniArt, dan di mana posisinya di antara model lain.

Apa itu DeepSeek V4

DeepSeek V4 adalah model penalaran konteks panjang dan penggunaan alat dengan dua mode produksi — V4-Flash dan V4-Pro — yang keduanya tersedia lewat API kompatibel OpenAI di api.deepseek.com. Sorotan utamanya adalah konteks 1M token plus pemanggilan alat terstruktur; arsitektur di bawahnya memakai compressed sparse attention (CSA) plus heavy compressed attention (HCA), dan itulah yang menahan biaya agar tidak naik linear seiring panjang konteks.

Kedua mode membatasi output di 384K token. Keduanya juga menyajikan jalur "thinking" dan "non-thinking" dari model yang sama — V4 menyatukan apa yang dulu ditangani V3 dan R1 secara terpisah.

Arsitektur dalam satu paragraf

Bagian yang menarik adalah CSA + HCA. Compressed sparse attention mempersempit perhatian ke sejumlah kecil token berinformasi tinggi di setiap layer; heavy compressed attention menumpuk kompresi padat di atasnya. Kombinasi itulah yang membuat konteks 1M terjangkau, bukan sekadar piala benchmark. DeepSeek melatih dan menjalankan V4 di infrastruktur kelas Huawei Ascend, bukan stack yang hanya mengandalkan CUDA, dengan adaptasi vLLM dari Cambricon yang menangani optimasi inferensi.

Benchmark yang layak dikutip

Pesan DeepSeek sendiri jujur soal jarak itu: V4 "masih tertinggal sekitar tiga sampai enam bulan dari sistem tertutup papan atas dalam pengetahuan dan kemampuan penalaran kompleks". Untuk sebagian besar alur kerja kreator jarak itu tidak mengikat — tetapi tetap layak diketahui.

Perubahan antara V3, R1, dan V4

V3 adalah model teks dan kode yang kuat. R1 adalah model penalaran chain-of-thought. V4 menyatukan kedua mode itu dalam satu model dengan jalur inferensi thinking dan non-thinking yang bisa dipilih. Konteks meluas dari 128K (V3) menjadi 1M (V4). Penggunaan alat dan pengambilan konteks panjang kini berstatus kelas satu, bukan tambalan belakangan.

Apa arti multimodal di sini — dan apa yang belum

Peluncuran V4 sengaja tidak menonjolkan bagian multimodal. Rilisnya menyebut matriks fitur multimodal "terus berkembang" — hari ini belum ada entry point gambar, video, atau audio yang dipublikasikan di level API. Itu bukan kritik, melainkan sinyal roadmap. Nilai V4 bagi kreator saat ini ada pada teks konteks panjang dan alur kerja berbasis alat yang membungkus stack visual, bukan yang berada di dalamnya.

Saat entry point multimodal itu mendarat, semuanya akan masuk ke pemilih model OmniArt persis seperti GPT Image 2 dan yang lain. Sampai saat itu, perlakukan V4 sebagai otak yang menggerakkan brief.

Yang benar-benar dilakukan kreator dengan V4 hari ini

Ada tiga pola yang layak dipakai di OmniArt saat ini.

1. Brand bible sebagai konteks 1M token

Konteks 1M dengan nyaman menampung satu brand book utuh, setiap kampanye yang pernah terbit, panduan tone of voice, lembar karakter, daftar larangan, dan copy unggahan dua belas bulan terakhir. Sematkan semuanya sebagai konteks sistem, lalu minta V4 menyusun draf brief peluncuran. Outputnya menghormati seluruh set dokumen tanpa perlu perjalanan bolak-balik ke embedding.

2. Pembuatan terstruktur berformat panjang

Batas output adalah 384K token. Itu cukup untuk menyusun satu narrative bible utuh, storyboard enam episode lengkap dengan shot list, atau spesifikasi lokalisasi 50 halaman dalam satu kali jalan. Untuk pekerjaan yang lebih pendek, V4-Flash di angka ~$0.28 per 1M token output menjadikan ini cara paling murah dan andal untuk membuat draf konten terstruktur berformat panjang.

3. Agen tool-first yang menggerakkan stack visual

Disiplin pemanggilan alat milik V4 adalah bagian yang benar-benar penting ketika Anda menyambungkannya ke generator gambar dan video. Berikan permukaan API OmniArt kepadanya, serahkan sebuah brief, dan ia akan mengusulkan model, prompt, serta referensi shot demi shot. Itulah pola yang sedang dibangun OmniArt untuk integrasinya.

Memilih antara V4-Flash dan V4-Pro

Rasio harganya kira-kira 12× — Flash untuk ideasi bervolume tinggi, Pro untuk sesi ketika kedalaman lebih penting daripada biaya token.

Posisi V4 di samping bagian lain stack OmniArt

V4 bukan pengganti model gambar dan video di OmniArt. Ia adalah lapisan perencanaan di atasnya. Pola yang mulai terbentuk:

Yang perlu diperhatikan berikutnya

Ada tiga sinyal yang layak diikuti dalam dua bulan ke depan.

• Entry point API multimodal. Begitu DeepSeek memublikasikannya, percakapan soal pemilih model terbuka lagi.
• Varian V4 hasil distilasi. Laporan sebelumnya menyebut V4 Lite dan satu varian V4 yang lebih kecil. Keduanya bisa mengubah struktur biaya untuk agen pemanggil alat bervolume tinggi.
• Cerita perangkat keras. Jalur inferensi kelas Huawei Ascend penting bagi wilayah tempat model yang hanya mengandalkan CUDA lebih sulit di-deploy.

Mulai menggunakannya di OmniArt

DeepSeek V4 belum menjadi model satu klik di pemilih OmniArt — rumahnya saat ini adalah API. Kalau Anda ingin memakainya sebagai lapisan perencanaan di atas OmniArt hari ini, jalankan lewat endpoint kompatibel OpenAI di api.deepseek.com dan arahkan permukaan pemanggilan alatnya ke API OmniArt untuk pembuatan gambar dan video.

Untuk bacaan latar soal sisi visual dari stack ini, perbandingan GPT Image 2 vs Nano Banana 2 membahas keputusan pemilih gambar andalan, sedangkan daftar pendek image-to-video terbaik membahas opsi sisi video yang nanti akan digerakkan V4.