Blog / · 6 min de lecture
DeepSeek-V4 arrive mi-juillet : 1M de contexte, prix cassés, et moi je garde un pied sur le frein
1,6 mille milliards de paramètres, un contexte annoncé à 1M tokens, des prix qui donnent le vertige. Sauf qu'open-weight ne veut pas dire open-bar, et un contexte annoncé n'est pas un contexte qu'on peut vraiment exploiter.
On est le 12 juillet. DeepSeek doit lancer V4 “mi-juillet”. Donc là, maintenant, on parle d’un modèle qui n’est pas encore sorti en version finale.
Il y a bien une preview depuis fin avril. Mais la version officielle, celle qui va remplacer les anciens endpoints deepseek-chat et deepseek-reasoner, c’est dans quelques jours.
Je le précise tout de suite parce que sur les réseaux, ça parle déjà de V4 comme si c’était un fait acquis, testé, benchmarké, installé en prod chez la moitié des boîtes tech. Non. On parle d’une annonce.
Bon. Regardons quand même ce qu’il y a dedans, parce que les chiffres sont costauds.
Ce qui est confirmé, et ce qui ne l’est pas encore
Deux variantes.
V4-Pro : 1,6 mille milliards de paramètres au total, environ 49 milliards actifs à chaque passe (c’est une architecture MoE, mixture of experts, donc seule une fraction du modèle bosse à chaque token). V4-Flash : 284 milliards au total, environ 13 milliards actifs.
Les deux annoncent une fenêtre de contexte à 1 million de tokens.
Ça c’est confirmé par la doc officielle DeepSeek. Pas un chiffre qui traîne sur un blog d’affilié.
Ce qui l’est moins : le prix final. La preview d’avril tournait avec une tarification “classique” à l’entrée/sortie, cache hit et cache miss. Mais DeepSeek a annoncé, pour le lancement de mi-juillet, un système de prix dynamique : tarif plein entre 9h-12h et 14h-18h (heure de Pékin, je suppose, à vérifier une fois que c’est confirmé côté doc), et un tarif deux fois moins cher en dehors. Les montants exacts de cette nouvelle grille n’étaient pas encore publiés au moment où j’écris ça.
Autrement dit : le “prix cassé” dont tout le monde parle, c’est le prix de la preview. Le vrai prix, celui qui va tourner en prod, on ne le connaît pas encore complètement.
Je trouve ça important à dire parce que c’est exactement le genre de détail qui saute dans les articles “DeepSeek V4 arrive, c’est dix fois moins cher que GPT”. Peut-être. Mais on n’a pas encore la facture finale.
Le contexte à 1M, ça veut dire quoi en vrai
Alors oui, 1 million de tokens, ça fait rêver. Tu balances un repo entier, ta doc, ton historique de PR, et le modèle est censé tout garder en tête.
Le truc c’est que la taille annoncée d’une fenêtre de contexte et la taille réellement exploitable, ce sont deux choses différentes. C’est un problème connu sur toute l’industrie des LLM, pas spécifique à DeepSeek : plus le contexte grandit, plus le modèle a tendance à perdre en précision sur ce qui est planté au milieu, plus il devient sensible à l’ordre dans lequel tu lui donnes l’info. On appelle ça la dégradation “lost in the middle” dans la littérature. Ce n’est pas une théorie du complot, c’est documenté sur plusieurs familles de modèles depuis un moment.
Je ne l’ai pas testé sur V4, le modèle n’est même pas sorti en version finale. Donc je ne vais pas te dire “V4 perd 30% de précision à 500K tokens”, ce serait inventé. Ce que je peux dire, c’est qu’un contexte annoncé à 1M n’est jamais automatiquement un contexte utilisable à 1M. Il faudra des évals indépendantes, pas juste la doc du constructeur, pour savoir où se situe le point de bascule sur ce modèle précis.
En attendant, le réflexe sain reste le même qu’avant : donner du contexte ciblé plutôt que du contexte massif. Balancer tout un monorepo “parce qu’on peut” n’améliore pas forcément le diff que tu vas recevoir. Ça augmente surtout ta facture et le temps de review, parce qu’il faut vérifier que le modèle n’a pas raté un détail planqué à la ligne 340 000.
Open-weight, ce n’est pas open-bar
Deuxième point qui me chiffonne un peu.
“Open-weight” est brandi comme argument de liberté totale. En pratique, un modèle à 1,6T de paramètres, même MoE avec 49B actifs, ça reste un monstre à héberger. Tu ne fais pas tourner ça sur ta machine de dev un vendredi soir. Il te faut un cluster GPU sérieux, ou tu passes par un hébergeur cloud qui, lui, facture, gère les quotas, et devient de fait ton nouvel intermédiaire de confiance.
Résultat : pour l’immense majorité des équipes, “open-weight” ne va rien changer concrètement. Elles vont continuer à taper l’API officielle DeepSeek, ou celle d’un revendeur cloud. Ce qui veut dire : mêmes questions de gouvernance qu’avec n’importe quel modèle fermé. Où partent tes données. Quelle rétention. Quel pays héberge quoi. Le fait que les poids soient publiés ne répond à aucune de ces questions.
J’en avais déjà parlé à propos de Kimi K2.7 débarquant dans GitHub Copilot : le vrai sujet n’est jamais “le modèle est-il open”, c’est “qui décide quel modèle tourne sur quel repo, avec quelles données, et qui review la sortie”. L’open-weight aide sur un point réel : tu peux en théorie auditer les poids, forker, t’auto-héberger si tu en as les moyens. Mais ce n’est pas un chèque en blanc de confiance. Ça reste un modèle entraîné par une boîte, avec ses choix, ses biais, et ses limites qu’on ne connaît toujours pas complètement tant qu’il n’y a pas eu d’évaluation externe sérieuse.
Ce que je retiens pour un vrai workflow
Franchement, les chiffres bruts sont impressionnants. Personne ne va dire le contraire. Mais un chiffre de paramètres ne code pas à ta place, et un contexte de 1M ne remplace pas une review humaine.
Ce que je ferais si j’étais dans une équipe qui suit ça de près :
- Attendre le lancement effectif mi-juillet et la grille tarifaire finale avant de faire le moindre calcul de ROI. Le prix “peak/off-peak” change la donne si ton usage est concentré sur les heures de bureau.
- Ne pas migrer un pipeline critique dessus le jour 1. Laisser deux-trois semaines pour que des évals externes tombent, en dehors des chiffres marketing.
- Continuer à traiter le contexte long comme un outil à utiliser avec parcimonie, pas comme une excuse pour arrêter de découper le travail.
- Se souvenir que “open-weight” ne dispense pas de poser les questions de gouvernance qu’on poserait à n’importe quel fournisseur.
Le sujet du “coût cassé” mérite d’ailleurs sa propre vérification, une fois les vrais prix publiés. Je referai un calcul concret à ce moment-là, comme j’avais essayé de le faire sur la lecture piégeuse des benchmarks d’agents de code : les tableaux impressionnent, le vrai test c’est ta codebase, pas le leaderboard.
Pour l’instant, DeepSeek-V4 est une promesse solide sur le papier. On verra dans quelques jours ce qu’elle vaut une fois branchée sur du code réel.
Sources
Continuer la lecture