DeepSeek V4 출시 — 중국 오픈 LLM의 가성비 충격과 그 이면

 

"GPT-5.5 급 성능을 입력 토큰당 $0.14에?" 2026년 4월 24일, 중국 AI 스타트업 DeepSeek이 또 한 번 업계를 뒤흔들었습니다. DeepSeek V4가 오픈웨이트(MIT 라이선스)로 공개된 날, 공교롭게도 같은 날 OpenAI가 GPT-5.5를 발표했습니다. 두 발표가 나란히 터지면서 AI 커뮤니티의 시선은 단번에 분산됐고, 경쟁사들은 또 한 번 잠 못 이루는 밤을 보냈을 겁니다.

그런데 이야기는 단순하지 않습니다. 자체 벤치마크에선 프런티어 최상위권을 주장하지만, 미국 NIST 산하 독립 평가기관 CAISI는 "약 8개월 뒤처진다"는 다른 판정을 내렸습니다. 이 글은 DeepSeek V4의 구조·가격·성능을 검증된 사실만으로 정리하고, 벤더 발표와 독립 평가 사이의 격차를 균형 있게 짚어봅니다. 마케팅 수사에 휩쓸리지 않고 실제로 이 모델을 어떻게 활용할 수 있는지 판단하는 데 도움이 됐으면 합니다.

📌 이 글에서 얻어갈 것

✓ DeepSeek V4 Pro·Flash 두 변형의 핵심 스펙과 차이점
✓ MoE·Hybrid Attention·1M 컨텍스트 아키텍처 쉽게 이해하기
✓ 업계 최저 수준 API 가격표 (Flash 입력 $0.14/M tokens)
✓ 벤더 자체 벤치마크 vs NIST CAISI 독립 평가의 격차 — 이 글의 핵심
✓ 공식 API·HuggingFace·셀프호스팅으로 지금 바로 써보는 법

DeepSeek V4, 그래서 뭔가? — 2026년 4월 24일 preview 공개

DeepSeek V4는 중국 AI 기업 DeepSeek이 공개한 대형 언어 모델 시리즈의 네 번째 세대입니다. 2026년 4월 24일 preview로 공개됐으며, 아직 정식(GA) 출시 전 단계이므로 아키텍처 추가 개선이 이뤄질 수 있습니다. 두 가지 변형이 동시에 발표됐습니다.

V4-Pro

총 1.6조(1.6T) 파라미터 · 활성 49B · MoE 구조 · MIT 라이선스

V4-Flash

총 284B 파라미터 · 활성 13B · MoE (256 routed + 1 shared expert, top-6 라우팅) · MIT 라이선스

1M

컨텍스트 토큰 · 최대 출력 384K 토큰 · thinking/non-thinking 모드 지원 · HuggingFace 웨이트 공개

MIT

라이선스 · 상업적 사용·수정·재배포·파인튜닝 모두 허용 · 오픈웨이트

두 모델 모두 MIT 라이선스로 공개돼 사실상 모든 용도에 자유롭게 사용할 수 있습니다. 이는 단순히 "무료 체험"이 아니라, 내 서버에 올려 서비스로 배포하거나 파인튜닝해 특화 모델을 만드는 것까지 가능하다는 의미입니다. HuggingFace(huggingface.co/deepseek-ai)에서 모델 웨이트를 직접 다운로드할 수 있습니다.

신규 공개 모델은 deepseek-v4-flash(기본 모델)와 deepseek-v4-pro입니다. 기존에 사용하던 deepseek-chat과 deepseek-reasoner는 2026년 7월 24일부로 deprecated 예정이니 미리 마이그레이션을 준비하는 것이 좋습니다.

preview 단계라는 점은 장단점이 공존합니다. 장점은 피드백을 통해 모델이 빠르게 개선될 수 있다는 것이고, 단점은 아직 API 동작이나 가격 정책이 변경될 가능성이 있다는 점입니다. 특히 프로덕션 서비스에 바로 적용하려는 경우 이 점을 감안해 fallback 전략을 미리 준비하는 것을 권장합니다. 공식 문서와 변경 공지를 주기적으로 확인하는 습관이 필요합니다.

아키텍처 쉽게 이해하기 — MoE·Hybrid Attention·1M 컨텍스트

"1.6조 파라미터"라는 숫자는 압도적으로 들리지만, 실제로 한 번의 추론에 움직이는 파라미터는 49B(V4-Pro 기준)뿐입니다. 이게 가능한 이유가 MoE(Mixture of Experts, 전문가 혼합) 구조입니다. 전체 파라미터를 수많은 작은 "전문가" 네트워크로 쪼갠 뒤, 각 토큰을 처리할 때 그 중 일부만 선택해서 활성화합니다.

MoE를 비유하면 "수백 명의 전문 컨설턴트 중 현재 질문에 가장 적합한 몇 명만 불러서 답변하게 하는 시스템"입니다. 매번 모든 전문가가 답하지 않으니 계산 비용이 극적으로 줄고, 전체 파라미터 수는 많아도 실제 추론 속도와 비용은 활성 파라미터에 비례합니다. V4-Flash는 256개의 라우팅 expert와 1개의 공유 expert로 구성되며, 각 토큰마다 상위 6개 expert만 선택하는 top-6 라우팅 방식을 씁니다.

1

MoE (Mixture of Experts)
전체 파라미터 중 일부 expert만 활성화해 추론. V4-Pro는 총 1.6T 중 49B만, V4-Flash는 284B 중 13B만 실제로 계산합니다. 비용이 활성 파라미터에 비례해 낮아집니다.

2

Hybrid Attention — CSA + HCA
CSA(Compressed Sparse Attention)와 HCA(Hierarchical Contextual Attention)를 결합. 긴 컨텍스트에서도 메모리 효율을 유지하면서 멀리 떨어진 정보를 놓치지 않도록 설계됐습니다.

3

FP4+FP8 혼합 정밀도 & 1M 컨텍스트
FP4와 FP8을 혼합해 메모리 사용량을 최소화합니다. 최대 100만 토큰 컨텍스트와 최대 384K 출력 토큰을 지원하며, thinking/non-thinking 두 가지 추론 모드를 선택할 수 있습니다.

1M 토큰 컨텍스트가 얼마나 큰지 실감하려면: 영어 기준 750단어가 약 1,000 토큰이므로, 1M 토큰은 약 750,000단어, 즉 중편 소설 수십 권 혹은 대규모 코드베이스 전체에 해당합니다. 법률 계약서 전체, 긴 논문 묶음, 복잡한 멀티파일 코드 저장소를 한 번에 컨텍스트에 올리고 분석할 수 있다는 의미입니다.

thinking 모드는 모델이 단계별 추론 과정을 명시적으로 거칩니다(Chain-of-Thought 스타일). 복잡한 수학 증명, 다단계 코딩 과제, 논리 퍼즐에서 non-thinking 모드보다 정확도가 향상되지만 그만큼 응답 시간이 길어지고 출력 토큰이 늘어 비용이 올라갑니다. 간단한 요약·번역·분류 작업에는 non-thinking 모드가 효율적입니다.

FP4+FP8 혼합 정밀도는 메모리 효율화의 핵심입니다. 기존 FP16이나 BF16 방식 대비 메모리 사용량을 절반 이하로 줄일 수 있어, 동일한 GPU 메모리에서 더 큰 배치 사이즈나 더 긴 컨텍스트를 처리할 수 있습니다. 이는 추론 서버의 하드웨어 비용을 낮추는 직접적인 요인이며, 결과적으로 사용자에게 제공되는 낮은 API 가격의 기술적 근거가 됩니다. 정밀도가 낮아지면 성능 손실이 생기지 않느냐는 우려가 있지만, 최신 양자화 기법은 FP4 수준에서도 성능 저하를 최소화하도록 발전했습니다.

가격 충격 — 입력 $0.14로 어디까지 가능한가

DeepSeek V4의 가장 강력한 무기는 스펙이 아니라 가격입니다. 2026년 5월 31일 이후 대폭 인하된 공식 API 가격은 다음과 같습니다. V4-Pro의 경우 이전에는 입력 $1.74, 출력 $3.48로 표기됐으나 원가의 약 1/4 수준으로 인하됐습니다.

모델	입력(cache miss)	입력(cache hit)	출력
V4-Flash	$0.14	$0.0028	$0.28
V4-Pro	$0.435	—	$0.87

단위: per 1M tokens · 출처: api-docs.deepseek.com · 2026년 5월 31일 이후 적용 가격

V4-Flash의 cache hit 입력가는 $0.0028/1M입니다. 반복적으로 동일한 시스템 프롬프트를 사용하는 챗봇이나 RAG 파이프라인에서 프롬프트 캐싱을 잘 활용하면, 실제 운영 비용을 원래의 약 2% 수준까지 낮출 수 있습니다. 스타트업 개발자라면 이 숫자만으로도 심장이 뛸 만합니다.

GPT-4.1이나 Claude Sonnet 계열의 입력 토큰 단가가 일반적으로 $1.5~$3.0/1M 수준임을 감안하면, V4-Flash의 $0.14는 약 10~20배 저렴한 수준입니다. 물론 성능 비교는 뒤의 독립 평가 섹션에서 다루겠지만, 예산이 한정된 스타트업이나 개인 개발자에게 이 가격대는 매력적인 출발점입니다.

"V4-Pro 가격은 2026년 5월 31일 이후 원가의 약 1/4 수준으로 인하됐다"
DeepSeek 공식 발표 기준 · 이전 $1.74→$0.435(입력), $3.48→$0.87(출력)

벤치마크: 벤더 자체 보고 점수 (⚠️ 독립 검증 아님)

⚠️ 아래 점수는 모두 DeepSeek 자체 보고 수치입니다

다음 벤치마크 결과는 DeepSeek이 직접 측정·발표한 수치로, 제3자 독립 기관의 검증을 거치지 않았습니다. 자체 보고 벤치마크는 측정 방식, 보조 도구 사용 여부, 데이터 선별 등에 따라 유리하게 나올 수 있습니다. 반드시 독립 평가 결과와 함께 참고하세요.

80.6%

V4-Pro · SWE-bench Verified · DeepSeek 자체 보고

55.4%

V4-Pro · SWE-bench Pro · DeepSeek 자체 보고

90.1%

V4-Pro · GPQA Diamond (대학원 수준 과학 문제) · DeepSeek 자체 보고

79.0%

V4-Flash · SWE-bench Verified · DeepSeek 자체 보고

SWE-bench는 실제 GitHub 이슈와 연결된 소프트웨어 버그를 자동으로 수정하는 능력을 측정하는 벤치마크로, 코딩 AI 평가의 사실상 표준 중 하나입니다. SWE-bench Verified 80.6%는 높은 수치이며, GPQA Diamond 90.1%는 물리·화학·생물 분야 대학원 수준 문제 풀이 능력을 측정한 결과입니다. 하지만 이 수치들이 DeepSeek 스스로 측정·보고했다는 점을 항상 감안해야 합니다. 벤치마크 scaffold(보조 툴 활용 여부), 프롬프트 최적화 수준에 따라 점수는 크게 달라질 수 있습니다.

★ 독립평가의 반전 — NIST CAISI Elo 800 vs GPT-5.5 Elo 1260

벤더의 화려한 자체 점수와 달리, 미국 NIST(국립표준기술연구소) 산하 독립 AI 안전·무결성 평가기관인 CAISI는 다른 결론을 내렸습니다. CAISI의 IRT(문항반응이론) 기반 Elo 추정 평가에서 DeepSeek V4는 Elo 800±28을 기록했으며, 같은 날 발표된 GPT-5.5는 Elo 1260±28로 평가됐습니다. CAISI는 "DeepSeek V4의 역량이 프런티어 모델보다 약 8개월 뒤처진 수준"이라고 결론 내렸습니다.

"DeepSeek V4의 역량은 현재 프런티어 모델보다 약 8개월 뒤처진 수준으로 평가된다."

— NIST CAISI 독립 평가 결과 / IRT Elo 추정: DeepSeek V4 800±28, GPT-5.5 1260±28

DeepSeek 자체 보고 (벤더 수치) SWE-bench Verified 80.6%, GPQA Diamond 90.1%. 프런티어 최상위권 수준을 주장.

NIST CAISI 독립 평가 IRT Elo 800±28. 프런티어(GPT-5.5, Elo 1260±28) 대비 약 8개월 격차로 평가.

460점이라는 Elo 격차는 어떤 의미일까요? 체스 레이팅으로 비유하면 상당히 큰 실력 차입니다. 이 격차가 "중국 모델이 미국 모델보다 약하다"는 단순한 국적 문제가 아니라, 평가 방법론에 따라 모델 성능 판단이 크게 달라질 수 있다는 사실을 보여주는 사례입니다.

그렇다고 DeepSeek V4가 "쓸모없다"는 의미가 아닙니다. Elo 800 수준의 모델도 코딩 보조, 문서 요약, 번역, 데이터 추출 등 대다수의 실무 작업에서 충분히 유용합니다. 핵심은 이 가격대에서 이 수준의 성능을 내는 오픈웨이트 모델은 여전히 드물다는 점입니다. 최강 모델과의 절대 비교가 아니라, 가성비 대비 실용성 관점에서 판단해야 합니다.

또한 Elo 평가 자체도 완벽한 지표는 아닙니다. IRT 기반 Elo는 다양한 역량을 단일 숫자로 압축하기 때문에, 특정 도메인(예: 한국어 문서 처리, 특정 분야 코딩)에서의 성능은 Elo와 다르게 나타날 수 있습니다. 내가 실제로 사용하려는 작업 유형에 맞는 직접 평가를 병행하는 것이 항상 가장 정확한 판단 기준입니다. 일반적인 벤치마크 수치는 참고 자료일 뿐, 최종 선택의 근거는 내 유즈케이스에 맞는 실험 결과여야 합니다.

💡 벤치마크를 볼 때 기억할 것

벤더 자체 보고 벤치마크는 가장 유리한 설정에서 측정될 가능성이 있습니다. 특히 SWE-bench 점수는 코드 실행·검색 등 외부 scaffold 사용 여부에 따라 수치가 크게 달라집니다. 실제 업무 적합성은 NIST·LiveBench 같은 독립 평가나, 직접 내 작업에 맞는 테스트를 돌려보는 것으로 판단하는 것이 더 정확합니다.

지금 써보는 법 — 공식 API · HuggingFace · 셀프호스팅

DeepSeek V4를 실제로 사용하는 방법은 크게 세 가지입니다. 목적과 환경, 예산에 맞게 선택하면 됩니다.

1

공식 API (api.deepseek.com)
api-docs.deepseek.com에서 가입 후 API 키를 발급받으세요. OpenAI SDK와 완전 호환돼 base_url과 키만 교체하면 기존 코드 대부분을 그대로 사용할 수 있습니다. 빠른 통합과 유지보수를 원한다면 이 방법이 가장 편리합니다.

2

HuggingFace 오픈웨이트 다운로드
huggingface.co/deepseek-ai에서 모델 웨이트를 무료로 받을 수 있습니다. MIT 라이선스이므로 파인튜닝, 재배포, 자체 서비스 통합이 모두 허용됩니다. 데이터 프라이버시가 중요하거나 API 의존성을 없애고 싶을 때 유용합니다.

3

셀프호스팅 (vLLM / SGLang)
V4-Flash(활성 13B)는 고사양 단일 서버에서 운영 가능한 수준입니다. vLLM, SGLang 같은 오픈소스 추론 엔진을 활용하면 됩니다. V4-Pro(활성 49B)는 멀티 GPU나 분산 환경이 필요합니다. 통신·금융 등 규제가 엄격한 환경에서 데이터를 외부로 보낼 수 없을 때 적합합니다.

공식 API 호출 예시 (Python · OpenAI SDK 호환):

from openai import OpenAI

client = OpenAI(
    base_url="https://api.deepseek.com/v1",
    api_key="sk-..."   # DeepSeek API 키
)

resp = client.chat.completions.create(
    model="deepseek-v4-flash",   # 또는 deepseek-v4-pro
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "한국어로 MoE 아키텍처를 설명해줘."}
    ]
)
print(resp.choices[0].message.content)

※ 모델 ID는 deepseek-v4-flash 또는 deepseek-v4-pro를 사용하세요. 기존 코드에서 base_url과 모델 ID만 변경하면 됩니다.

🚦 구모델 Deprecated 예정 — 7월 24일 전에 마이그레이션하세요

기존 deepseek-chat와 deepseek-reasoner 모델은 2026년 7월 24일부로 deprecated 예정입니다. 해당 모델 ID를 사용 중인 코드가 있다면, 신규 모델 ID인 deepseek-v4-flash나 deepseek-v4-pro로 마이그레이션하시기 바랍니다. 대부분의 경우 모델 ID만 교체하면 동작합니다.

가격 전쟁이 부른 파장 — 중국 AI 시장의 지각 변동

DeepSeek V4의 초저가 출시는 단순히 "좋은 모델이 더 싸게 나왔다"는 수준을 넘어섰습니다. South China Morning Post 등 외신에 따르면, V4의 가격 경쟁력은 중국 내 AI API 서비스 시장 전반에 가격 인하 압박을 촉발시켰습니다. 이미 치열한 경쟁 구도였던 중국 클라우드·AI 인프라 시장에서 경쟁사들은 DeepSeek V4와 비슷하거나 더 낮은 가격을 제시해야 하는 압박을 받고 있습니다.

V4-Pro가 원가의 약 1/4 수준으로 가격을 낮출 수 있었던 배경에는 MoE 아키텍처의 효율성이 있습니다. 활성 파라미터가 전체의 극히 일부(1.6T 중 49B, 약 3%)에 불과하므로, 서빙 인프라 비용이 전통적인 dense 모델 대비 크게 낮습니다. 이 비용 구조가 경쟁사들이 따라가기 어려운 가격을 가능하게 합니다.

"DeepSeek V4의 초저가가 중국 AI 시장 전반의 가격 인하 경쟁을 촉발"
South China Morning Post 보도 기반

글로벌 관점에서 이 트렌드가 의미하는 바는 분명합니다. 오픈웨이트 모델의 품질이 올라가고 가격이 낮아질수록, 클로즈드 소스 API 제공업체들은 속도, 안정성, 파인튜닝 지원, 엔터프라이즈 SLA 같은 차별화 요소로 경쟁해야 합니다. 개발자 입장에서는 선택지가 넓어지고, 벤더 협상력이 높아지는 긍정적인 변화입니다.

오픈웨이트 모델의 확산은 AI 기술 접근성의 민주화를 의미하기도 합니다. 클라우드 API 비용을 감당하기 어려웠던 소규모 팀이나 개인 연구자가 MIT 라이선스 모델을 자체 인프라에서 운영할 수 있게 되면서, 더 많은 사람이 실질적인 AI 활용 실험에 진입할 수 있는 환경이 만들어지고 있습니다. 이는 장기적으로 AI 기반 제품과 서비스의 다양성을 높이는 결과로 이어질 것입니다.

다만 이 가격 경쟁이 지속 가능한지에 대한 의문도 있습니다. 모델 학습과 서빙에 드는 막대한 인프라 비용을 감안할 때, 원가 이하의 가격 경쟁은 장기적으로 유지되기 어렵습니다. 현재의 초저가가 시장 선점을 위한 전략적 결정인지, 아니면 실제 비용 구조의 혁신에서 비롯된 것인지는 앞으로 지켜봐야 합니다.

DeepSeek V4의 학습 인프라에 대해서는 일부 매체에서 흥미로운 보도가 나왔습니다. 다만 사용된 하드웨어 구성에 관한 공식적이고 검증된 발표는 제한적이어서, 특정 하드웨어 제조사에 대한 의존성 여부를 지금 단계에서 단정하기 어렵습니다.

자주 묻는 질문 (FAQ)

Q. V4-Pro와 V4-Flash 중 어떤 걸 써야 하나요?

요약, 번역, 간단한 코드 보조 등 일상적 작업이라면 V4-Flash가 비용 대비 효율적입니다. 복잡한 다단계 추론, 고난도 코딩 문제, 대용량 문서 분석이 필요하다면 V4-Pro를 고려하세요. 가격 차이는 약 3배 수준(입력 $0.14 vs $0.435)이므로, 먼저 Flash로 시작해 성능이 부족할 때 Pro로 올리는 전략을 권장합니다.

Q. MIT 라이선스면 진짜 상업적으로 써도 되나요?

네, MIT 라이선스는 상업적 사용, 수정, 재배포, 파인튜닝을 모두 허용합니다. 다만 재배포 시 원 라이선스 고지 의무가 있습니다. 공식 API를 통해 사용하는 경우에는 DeepSeek의 서비스 이용 약관도 별도로 확인하세요.

Q. 벤더 보고 SWE-bench 80%와 독립 평가 Elo 800, 왜 이렇게 다른가요?

벤치마크 종류, 측정 방식, 보조 도구(scaffold) 사용 여부에 따라 결과가 크게 달라집니다. SWE-bench Verified 80.6%는 특정 코드 수정 과제의 성공률이고, NIST CAISI Elo는 다양한 역량을 종합적으로 비교하는 상대 지표입니다. 두 수치는 측정 대상이 달라 직접 비교하기 어렵지만, 독립 기관의 종합 평가에서 격차가 존재한다는 사실은 주목할 만합니다.

Q. 1M 토큰 컨텍스트, 실제로 쓸 만한가요?

이론상 책 수십 권 분량을 한 컨텍스트에 넣을 수 있습니다. 다만 컨텍스트가 길어질수록 비용이 선형으로 증가하고, 모델이 멀리 있는 정보를 얼마나 잘 활용하는지(long-context recall)는 별도 테스트로 확인해야 합니다. 실무에서는 RAG(검색 증강 생성)와 병행 사용을 권장하며, 장문 문서 단위 작업(법률·계약서 분석 등)에서 가장 효과적입니다.

Q. 구모델(deepseek-chat, deepseek-reasoner)을 아직 쓰고 있는데요?

2026년 7월 24일 deprecated 예정입니다. 서비스 중단 전에 deepseek-v4-flash 또는 deepseek-v4-pro로 마이그레이션하세요. 대부분의 경우 모델 ID 한 줄만 교체하면 됩니다. 미리 staging 환경에서 테스트한 후 교체하는 것을 권장합니다.

Q. preview 단계인데 프로덕션에 써도 되나요?

DeepSeek V4는 아직 정식(GA) 출시 전 preview 상태입니다. 아키텍처 추가 변경이나 API 동작 변경 가능성이 있습니다. 중요한 프로덕션 서비스에 바로 적용하기보다는 충분한 테스트 후 단계적으로 적용하고, 공식 변경 공지를 모니터링하는 것을 권장합니다.

마치며 — 가성비 충격과 그 이면을 동시에 보기

DeepSeek V4는 오픈웨이트 · MIT 라이선스 · 초저가 API라는 세 가지 조합으로 AI 생태계에 다시 한 번 충격을 줬습니다. V4-Flash의 입력 $0.14/1M이라는 가격은 개인 개발자도, 자금이 부족한 스타트업도 대형 LLM을 서비스에 붙일 수 있는 현실을 상징합니다. 1M 토큰 컨텍스트와 thinking 모드는 단순한 챗봇을 넘어 복잡한 추론 파이프라인 구성을 가능하게 합니다.

그러나 이 글에서 강조했듯, 벤더 자체 보고 점수와 NIST CAISI 독립 평가 사이에는 의미 있는 격차가 있습니다. 자체 보고 SWE-bench 80.6%와 독립 Elo 800은 전혀 다른 이야기를 하고 있으며, "약 8개월 뒤처진다"는 독립 판정을 함께 놓고 보면, DeepSeek V4는 프런티어 최강 모델보다는 가성비 최강의 실용적 오픈웨이트 모델에 가깝습니다. 그리고 그것만으로도 충분히 가치 있는 선택입니다.

다음 글에서는 DeepSeek V4-Flash를 실제 코딩 보조 워크플로에 연결해 사용하는 법을 정리할 예정입니다. API 연동부터 프롬프트 캐싱 설정, 실전 사용 후기까지 다뤄보겠습니다. V4 사용 경험이나 궁금한 점은 댓글로 나눠주세요 🙌

---

※ 본 글은 2026년 6월 기준 교차검증된 자료로 작성됐습니다. 주요 출처: api-docs.deepseek.com, huggingface.co/deepseek-ai, NIST CAISI 독립 AI 평가 보고, South China Morning Post AI 가격 경쟁 관련 보도. 벤치마크 수치는 별도 명시 없는 한 DeepSeek 자체 보고 수치이며 독립 검증 결과와 다를 수 있습니다. API 가격·모델 ID는 공식 문서에서 최신 정보를 확인하세요.