핵심 내용
DeepSeek이 9월 10일 DeepSeek‑V4.1‑Flash를 공개했습니다. 새 V4.1 architecture 계열에서 가장 작은 모델이며 native visual understanding도 지원합니다. deepseek.com, reuters.com
전체 규모는 552B MoE지만 새로운 Causal Encoder–Decoder 구조를 사용해 입력 처리에서는 8B, 출력에서는 16B parameter만 active하게 동작합니다. DeepSeek 자체 평가에서는 기존 flagship인 V4‑Pro보다도 여러 benchmark에서 앞선다고 주장합니다. 해당 benchmark는 DeepSeek 자체 또는 협력 평가이므로 독립 평가와 동일하게 받아들이지는 않는 것이 좋습니다. deepseek.com
그런데 이번 모델에서 가장 중요한 숫자는 benchmark보다 KV cache입니다. 이전 세대 대비 KV cache가 필요로 하는 자원이:
HBM → 1/4
SSD storage → 1/8
수준으로 줄었다고 DeepSeek은 설명합니다. deepseek.com
Agent가 장시간 동작할수록 context cache가 매우 커지기 때문에 이는 실제 inference 원가에 상당한 차이를 만들 수 있습니다.
DeepSeek은 V4.1‑Flash를 이미 API에 적용했고 deepseek-flash로 호출할 수 있습니다. 기존 V4‑Flash는 사실상 대체됩니다. 더 강한 변화는 9월 14일 04:00 UTC부터 deepseek-v4-pro 요청까지 임시로 V4.1‑Flash로 라우팅한다는 점입니다. V4.1‑Pro가 나올 때까지 이어집니다. deepseek.com
배경
현재 Agent inference 비용에서는 단순 output token 생성비만 중요한 게 아닙니다.
긴 Agent session
↓
Context 증가
↓
KV Cache 증가
↓
HBM 필요량 증가
↓
GPU당 동시 Session 감소
즉 context가 긴 Agent일수록 Memory economics가 성능을 결정합니다.
DeepSeek은 모델 지능을 유지하면서 active parameter와 cache footprint를 줄이는 방향으로 접근하고 있습니다.
산업·시장 영향
모델 가격경쟁의 중심이 다시 바뀌고 있습니다.
2024~2025년에는 주로:
$/1M tokens
비교였다면 Agent 시대에는:
$/1M tokens + KV cache + memory occupancy + task runtime
이 중요합니다.
특히 수천 개 Agent를 동시에 운영하는 기업에서는 모델이 10~20% 더 똑똑한 것보다 GPU 한 장에서 몇 개 session을 병렬 유지할 수 있는가가 경제성에 더 크게 작용할 수 있습니다.
Reuters는 이번 출시가 DeepSeek의 상하이 STAR Market IPO 준비가 진행되는 가운데 나왔다고 보도했습니다. reuters.com
실무 시사점
Agent 모델 benchmark를 할 때 이제 다음을 같이 측정하는 것이 좋습니다.
Task success / Output tokens / KV cache usage / Peak VRAM / Total runtime / Cost per completed task
특히 self-hosting 모델은 token 가격보다 VRAM requirement와 concurrent session 수를 함께 비교해야 합니다.
DeepSeek 공식 — V4.1‑Flash 발표
Reuters — DeepSeek V4.1‑Flash 출시와 IPO 준비