DeepSeek V4 multimodalny: co twórcy muszą wiedzieć

DeepSeek V4 ruszył 24 kwietnia 2026 z dwoma poziomami, kontekstem miliona tokenów i maksymalną długością wyjścia 384 tys. tokenów. To nie jest model wideo i nie próbuje żadnego zastąpić. V4 zmienia warstwę nad stosem wizualnym — brief, storyboard, księgę marki i wyszukiwanie w długim kontekście, które zamienia „zrób kampanię” w „zrób kampanię, która szanuje każdą sesję z tego roku”. Ten tekst opisuje, czym jest DeepSeek V4, co z niego mają twórcy pracujący w OmniArt i gdzie mieści się obok reszty składu modeli.

Czym jest DeepSeek V4

DeepSeek V4 to model do rozumowania w długim kontekście i do korzystania z narzędzi, w dwóch produkcyjnych poziomach — V4-Flash i V4-Pro — dostępnych przez zgodne z OpenAI API pod api.deepseek.com. Nagłówkiem jest kontekst miliona tokenów plus ustrukturyzowane wywołania narzędzi; pod spodem architektura korzysta z compressed sparse attention (CSA) i heavy compressed attention (HCA), i to właśnie one sprawiają, że koszt nie rośnie liniowo wraz z długością kontekstu.

Oba poziomy ograniczają wyjście do 384 tys. tokenów. Oba obsługują tryb „myślący” i „niemyślący” z tego samego modelu — V4 scala to, co wcześniej rozdzielały V3 i R1.

Architektura w jednym akapicie

Ciekawy jest tu CSA + HCA. Compressed sparse attention zawęża uwagę do niewielkiej liczby tokenów o dużej zawartości informacji na każdej warstwie; heavy compressed attention dokłada na to gęstą kompresję. To połączenie sprawia, że kontekst miliona tokenów staje się przystępny cenowo, a nie jest wyłącznie trofeum w benchmarku. DeepSeek trenuje i serwuje V4 na infrastrukturze klasy Huawei Ascend, a nie na stosie wyłącznie CUDA, przy czym optymalizacją inferencji zajmuje się adaptacja vLLM od Cambricona.

Benchmarki warte przytoczenia

Komunikacja samego DeepSeeka jest uczciwa co do dystansu: V4 „nadal ustępuje absolutnie czołowym systemom zamkniętym o mniej więcej trzy do sześciu miesięcy w złożonej wiedzy i zdolności rozumowania”. W większości przebiegów pracy twórczej ten dystans nie wiąże rąk — ale warto wiedzieć, że istnieje.

Co zmieniło się między V3, R1 a V4

V3 był mocnym modelem do tekstu i kodu. R1 był modelem rozumowania łańcuchem myśli. V4 scala oba tryby w jednym modelu z wybieralną ścieżką inferencji: myślącą i niemyślącą. Kontekst urósł ze 128 tys. (V3) do miliona (V4). Korzystanie z narzędzi i wyszukiwanie w długim kontekście są teraz pierwszoklasowe, a nie doklejone.

Co multimodalność tu znaczy — i czego jeszcze nie znaczy

Premiera V4 świadomie nie podkreślała części multimodalnej. W komunikacie napisano, że macierz funkcji multimodalnych „nadal ewoluuje” — dziś na poziomie API nie ma opublikowanych punktów wejścia dla obrazu, wideo ani dźwięku. To nie zarzut, tylko sygnał z mapy drogowej. Obecna wartość V4 dla twórców leży w długim kontekście tekstowym i w przebiegach pracy sterowanych narzędziami, które otaczają stos wizualny, a nie w nim samym.

Kiedy multimodalne punkty wejścia się pojawią, wejdą do wyboru modeli w OmniArt tak samo jak GPT Image 2 i reszta. Do tego czasu traktuj V4 jako mózg, który prowadzi brief.

Co twórcy naprawdę robią dziś z V4

Trzy wzorce już teraz zarabiają na siebie w OmniArt.

1. Księgi marki jako kontekst miliona tokenów

Kontekst miliona tokenów spokojnie mieści całą księgę marki, wszystkie opublikowane kampanie, przewodnik po tonie wypowiedzi, kartę postaci, listę zakazanych sformułowań i teksty postów z ostatnich dwunastu miesięcy. Przypnij to wszystko jako kontekst systemowy, a potem poproś V4 o szkic briefu premierowego. Wynik respektuje cały zestaw dokumentów bez rundy po embeddingi.

2. Generowanie długich, ustrukturyzowanych tekstów

Limit wyjścia wynosi 384 tys. tokenów. To wystarcza, by w jednym przebiegu napisać całą biblię narracyjną, sześcioodcinkowy storyboard z listami ujęć albo 50-stronicową specyfikację lokalizacji. Przy krótszych pracach V4-Flash w cenie ok. 0,28 USD za milion tokenów wyjścia staje się najtańszym pewnym sposobem na szkic długiej, ustrukturyzowanej treści.

3. Agenci oparci na narzędziach, którzy prowadzą stos wizualny

Dyscyplina wywołań narzędzi w V4 nabiera znaczenia wtedy, gdy podepniesz go do generatorów obrazu i wideo. Podaj mu powierzchnię API OmniArt, daj brief, a zaproponuje model, prompt i referencje ujęcie po ujęciu. Wokół tego wzorca OmniArt buduje integrację.

Wybór między V4-Flash a V4-Pro

Stosunek cen to mniej więcej 12× — Flash do masowego wymyślania, Pro do sesji, w których głębia waży więcej niż koszt tokenów.

Jak V4 układa się obok reszty stosu OmniArt

V4 nie zastępuje modeli obrazu i wideo w OmniArt. To warstwa planowania nad nimi. Wyłania się taki układ:

Na co patrzeć dalej

Trzy sygnały warte śledzenia przez najbliższe dwa miesiące.

• Multimodalne punkty wejścia w API. Kiedy DeepSeek je opublikuje, rozmowa o wyborze modeli otwiera się na nowo.
• Destylowane warianty V4. Wcześniejsze doniesienia wskazywały na V4 Lite i mniejszy wariant V4. Oba mogłyby zmienić strukturę kosztów dla agentów masowo wywołujących narzędzia.
• Wątek sprzętowy. Ścieżka inferencji klasy Huawei Ascend ma znaczenie w regionach, w których modele wyłącznie na CUDA trudniej wdrożyć.

Pierwsze kroki w OmniArt

DeepSeek V4 nie jest jeszcze modelem dostępnym jednym kliknięciem w OmniArt — jego dzisiejszy dom to API. Jeśli chcesz go używać jako warstwy planowania nad OmniArt, steruj nim przez zgodny z OpenAI endpoint pod api.deepseek.com i skieruj jego wywołania narzędzi na API OmniArt do generowania obrazu i wideo.

Jako tło po stronie wizualnej stosu: porównanie GPT Image 2 i Nano Banana 2 opisuje decyzję o flagowym modelu obrazu, a krótka lista najlepszych modeli obraz na wideo — opcje po stronie wideo, którymi V4 z czasem będzie sterować.