குறைந்த செலவு AI மாதிரிகளிலான போட்டியில் Deepseek இன் Flash புதுப்பிப்பு இடைவெளியை குறைக்கிறது

வலிமையான Flash மாதிரியுடன் குறைந்த செலவு AI போட்டியை Deepseek முன்னெடுக்கிறது

Deepseek தனது குறைந்த செலவு AI மாதிரியின் புதுப்பிக்கப்பட்ட பதிப்பு V4 Flash “0731”-ஐ வெளியிட்டுள்ளது, மேலும் வழங்கப்பட்ட மூலத்தில் குறிப்பிடப்பட்டுள்ள எண்கள் குறைந்த செலவு பெரிய மொழி மாதிரிகளுக்கான price-performance போட்டியில் குறிப்பிடத்தக்க மாற்றத்தை சுட்டிக்காட்டுகின்றன. அறிக்கையில் மேற்கோளிடப்பட்ட benchmark தரவின்படி, இந்த மாதிரி Artificial Analysis Intelligence Index-ல் பத்து புள்ளிகள் உயர்ந்து 50 மதிப்பெண்களை அடைகிறது. இதனால் அது OpenAI-ன் GPT-5.6 Luna-வைக் காட்டிலும் ஒரு புள்ளி பின்தங்குகிறது, ஆனால் அதே மூலத்தின் படி ஒவ்வொரு பணிக்கும் சுமார் 60 சதவீதம் குறைந்த செலவில் இயங்குகிறது.

இந்த சேர்க்கையே வெளியீட்டை முக்கியமானதாக மாற்றுகிறது. AI சந்தையில் frontier capability மற்றும் மலிவான deployment ஆகியவற்றுக்கிடையிலான இடைவெளி மிக முக்கியமான வணிகப் போர்க்களங்களில் ஒன்றாக மாறியுள்ளது. ஒரு மாதிரி எல்லா benchmark-களிலும் நேரடியாக முன்னிலை பெற வேண்டிய அவசியமில்லை. அது தரத்தில் போதுமான அளவு நெருக்கமாக வந்து, செயல்பாட்டு செலவை கணிசமாக குறைத்தால், developer தேர்வுகள், enterprise கொள்முதல் முடிவுகள், மற்றும் அதிக request volume-இல் AI product-களை அளவிடும் பொருளாதாரத்தை மாற்ற முடியும்.

இந்த புதுப்பிப்பு ஏன் தனித்துப் தெரிகிறது

வழங்கப்பட்ட அறிக்கை V4 Flash “0731”-ஐ ஒரு சிறிய tuning pass அல்ல, முக்கியமான மேம்பாடு எனக் காட்டுகிறது. Artificial Analysis Intelligence Index-ல் மாதிரியின் மதிப்பெண் 40 இலிருந்து 50 ஆக உயர்கிறது என்று கூறப்படுகிறது; இது ஏற்கனவே budget segment-இல் உள்ள ஒரு மாதிரிக்கு பெரிய தாவல். 2026 ஏப்ரலில் வெளியான முந்தைய பதிப்புடன் ஒப்பிடுகையில், பரிசோதிக்கப்பட்ட ஒவ்வொரு பிரிவிலும் இது மேம்பட்டதாகவும் குறிப்பிடப்படுகிறது.

மிகப் பெரிய முன்னேற்றங்கள் agentic tasks-ல் காணப்பட்டதாக தெரிவிக்கப்படுகிறது, இது குறிப்பாக முக்கியமான பிரிவாகும்; ஏனெனில் பல நடைமுறை AI deployment-கள் ஒரே முறை chat-ஐ தாண்டி tool use, workflow execution மற்றும் பல-படி உதவிக்குத் திரும்பி வருகின்றன. குறைந்த செலவு மாதிரி அந்த பகுதியில் இடைவெளியை மூடினால், அது எளிய consumer interaction-களுக்காக மட்டுமல்ல, நிஜமான office மற்றும் operational வேலைப்பளுவுக்காகவும் அதிகம் பயன்படுத்தக்கூடியதாகிறது.

மூலத்தில் GDPval பற்றிய மேம்பாடுகளும் குறிப்பிடப்பட்டுள்ளன; இது சிக்கலான நிஜ உலக office work-இல் மாதிரிகளை சோதிக்க உருவாக்கப்பட்ட benchmark. அங்கு Deepseek V4 Flash “0731” 1,189-இல் இருந்து 1,559 Elo points-க்கு உயர்ந்ததாகக் கூறப்படுகிறது. இது கட்டுரையில் வழங்கப்பட்ட கட்டமைப்பிற்குள் பெரிய உயர்வாகும், மேலும் இந்த புதுப்பிப்பு ஒரு குறுகிய benchmark வகைக்கு மட்டும் கட்டுப்பட்டதல்ல என்பதையும் உறுதிப்படுத்துகிறது.

மூலத்தில் குறிப்பிடப்பட்ட மற்றொரு நடைமுறை மேம்பாடு hallucination அடிக்கடி நிகழ்வது குறைவாக இருப்பதாகும். developers மற்றும் வாங்குபவர்களுக்கு இது raw benchmark gains போலவே முக்கியமானது. மலிவான ஒரு மாதிரி அடிக்கடி fabricated answers வழங்கினால், validation, retry logic மற்றும் human review சேர்க்கப்படும்போது அது செலவானதாக மாறலாம். production-இல் hallucination rates குறைவாக நிலைத்தால், deployment quality மற்றும் total cost of ownership-இல் நேரடி தாக்கம் ஏற்படலாம்.

பொருளாதாரமே பெரிய கதை ஆகலாம்

இந்த கட்டுரையின் மையத்தில் விலை உள்ளது. OpenAI ஏற்கனவே Luna-வின் விலையை 80 சதவீதம் குறைத்திருந்தாலும், Deepseek-ன் மாதிரி OpenAI-ன் GPT-5.6 Luna-வை விட ஒவ்வொரு பணிக்கும் சுமார் 60 சதவீதம் குறைந்த செலவாகும் என்று அறிக்கை கூறுகிறது. மேலும், தொழில்துறை-நிலையான 90 சதவீதத்துடன் ஒப்பிடுகையில் Deepseek-ன் 98 சதவீத cache discount பெரும் நன்மைக்கான முக்கிய காரணமாக குறிப்பிடப்பட்டுள்ளது. கூடுதலாக, புதிய மாதிரி அதன் முன்னோடியை விட 12 சதவீதம் குறைவான tokens-ஐ பயன்படுத்துகிறது எனவும் கூறப்படுகிறது.

இந்த விவரங்கள் முக்கியமானவை, ஏனெனில் AI economics இப்போது பட்டியல் விலைகளால் மட்டும் அல்ல, பயன்பாட்டு முறைகளாலும் வடிவமைக்கப்படுகிறது. Cache discounts மீண்டும் மீண்டும் வரும் prompts மற்றும் முன்கூட்டியே கணிக்கக்கூடிய workflows-ஐ பலனளிக்கின்றன. குறைந்த token பயன்பாடு செலவு மற்றும் latency இரண்டையும் ஒரே நேரத்தில் குறைக்கிறது. சேர்ந்து பார்க்கும்போது, headline input-output price comparison மட்டும் காட்டுவதைவிட ஒரு மாதிரி நடைமுறையில் மிகவும் மலிவாகத் தோன்றலாம்.

agents, coding assistants, search augmentation அல்லது internal knowledge tools-ஐ செயல்படுத்தும் குழுக்களுக்கு, இத்தகைய pricing structure architecture தேர்வுகளை கணிசமாக மாற்றலாம். index-இல் சற்றே பலவீனமாக இருந்தாலும் இயக்கச் செலவு மிகவும் குறைவாக இருக்கும் மாதிரி, அதிக volume பணிகளுக்கான default workhorse ஆக மாறுவது வழக்கம்; அதேசமயம் அதிக விலை மாதிரி மிகக் கடினமான வழக்குகளுக்கே ஒதுக்கப்படும்.

Open weights மற்றும் long context அழுத்தம் கூட்டுகின்றன

மூலத்தின் படி architecture 284 billion total parameters, 13 billion active parameters மற்றும் one-million-token context window-வுடன் மாறாமல் உள்ளது. மேலும் model weights Hugging Face-இல் MIT license கீழ் கிடைக்கின்றன என்றும் அறிக்கை குறிப்பிடுகிறது.

இந்த சேர்க்கை Deepseek-ன் மூலதன நிலையை வலுப்படுத்துகிறது. Long context windows ஆவண-heavy பணிகளுக்கு இன்னும் ஈர்க்கக்கூடியவையாக உள்ளன, மேலும் MIT license adoption, experimentation மற்றும் commercial integration-இல் உள்ள friction-ஐ குறைக்கிறது. தற்போதைய AI சந்தையில், licensing terms கூட benchmark scores போல் முக்கியமானவையாக இருக்கலாம். ஒரு permissive license, குறிப்பாக budget sensitivity அதிகமாக இருக்கும் போது, ஒரு மாதிரியைச் சுற்றி உருவாக்க விரும்பும் நிறுவனங்கள் மற்றும் developers எண்ணிக்கையை அதிகரிக்கிறது.

Deepseek ஒரே core architecture-ஐ வைத்திருந்தபோதும், அறிக்கையின் படி, பெரிய benchmark gains பெற்றுள்ளது என்பது, optimization effort எங்கு பலன் தருகிறது என்பதைச் சுட்டுகிறது. மேம்பாடுகளுக்கு எப்போதும் புதிய model family அவசியமில்லை. சில சந்தர்ப்பங்களில் training updates, post-training methods மற்றும் efficiency work, ஏற்கனவே உள்ள line-ஐ போட்டியாளர்களுக்கு எதிராக மறுநிலைப்படுத்த போதுமான அளவு முன்னேற்றத்தை வழங்க முடியும்.

சந்தைக்கு இதன் பொருள்

இங்கே பெரிய takeaway ஒன்று benchmark leaderboard ஒரு புள்ளியால் மாறியது என்பதல்ல. மாறாக, AI-யின் budget tier அதிக போட்டி, அதிக திறன், மற்றும் அதிக மூலோபாய முக்கியத்துவம் கொண்டதாக மாறுகிறது. premium models சந்தை இன்னும் முக்கியமானதே, ஆனால் பல நிஜ deployment-கள் quality போதுமானதாகவும் scale costs ஆதிக்கம் செலுத்தும் நடுப்பகுதியில் தீர்மானிக்கப்படுகின்றன.

வழங்கப்பட்ட benchmark கோரிக்கைகள் பரந்த நிஜ உலக செயல்திறனாக மாறினால், Deepseek அந்த segment-இல் தீவிரமான contender ஆக தனது நிலையை வலுப்படுத்தியுள்ளது. புதுப்பிக்கப்பட்ட மாதிரி, குறிப்பிடப்பட்ட index-ல் price-to-performance ratio-வில் முதலிடம் பிடித்ததாக மூலத்தில் தெளிவாகக் கூறப்படுகிறது. cost-conscious builders, குறிப்பாக பெரிய அளவில் repeated inference-ஐ சார்ந்த systems-ஐ வடிவமைப்பவர்கள், இத்தகைய positioning-இல் adoption அதிகரிக்கலாம்.

OpenAI உட்பட போட்டியாளர்களுக்கான குறிப்புச் செய்தி தெளிவாக உள்ளது: pricing pressure குறையவில்லை, மேலும் குறைந்த செலவில் benchmark parity கிடைப்பது எந்த மாதிரி practical default என்பதற்கான உரையாடலை விரைவில் மாற்றக்கூடும். வாங்குபவர்களுக்கு, இந்த release AI-யின் மைய ஈர்ப்பு இனி strongest flagship யாரிடம் உள்ளது என்பதல்ல என்பதையும் நினைவூட்டுகிறது. அது increasingly useful intelligence-ஐ scale ஆகக்கூடிய விலையில் யார் வழங்க முடிகிறது என்பதே.

முக்கிய குறிப்புகள்

• Deepseek-ன் V4 Flash “0731” Artificial Analysis Intelligence Index-ல் 40 இலிருந்து 50 ஆக உயர்ந்ததாக கூறப்படுகிறது.
• மாதிரி OpenAI-ன் GPT-5.6 Luna-வை விட ஒரு புள்ளி பின்தங்கினாலும், ஒவ்வொரு பணிக்கும் சுமார் 60 சதவீதம் குறைந்த செலவாக இருப்பதாக மூலத்தில் கூறப்படுகிறது.
• Agentic tasks-இல் மேம்பாடு, குறைந்த token பயன்பாடு மற்றும் 98 சதவீத cache discount இதன் budget-market ஈர்ப்பை அதிகரிக்கின்றன.

இந்த கட்டுரை The Decoder செய்தியறிக்கையை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.