Des que va sacsejar el mercat el gener del 2025 amb un model d'entrenament sorprenentment barat, DeepSeek ha fet de l'eficiència de cost la seva bandera davant dels grans laboratoris nord-americans. La companyia xinesa, que segons fonts del sector es prepara per a una possible sortida a borsa, ha publicat aquest cap de setmana la seva darrera aposta en aquesta direcció: un model anomenat V4-Flash pensat per a tasques d'ús massiu on el preu per token pesa tant o més que la potència bruta.
Segons dades de la firma d'anàlisi independent Artificial Analysis, V4-Flash costa 0,14 dòlars per milió de tokens d'entrada i 0,28 dòlars per milió de tokens de sortida, xifres que el situen com el model conegut més barat d'executar del mercat: una prova completa de referència surt per tres cèntims de dòlar, davant els 86 cèntims de Kimi K3 de Moonshot, l'1,86 dòlars de GPT-5.6 Sol d'OpenAI o els 3,15 dòlars de Claude Fable 5 d'Anthropic, més de cent vegades més car. Pel que fa a rendiment, V4-Flash obté 50 punts sobre 100 a l'índex d'intel·ligència d'Artificial Analysis, exactament el mateix que el Gemini 3.6 Flash de Google i només un punt per sota del Muse Spark 1.1 de Meta, tot i costar-ne una fracció mínima. DeepSeek ja prepara una versió més potent, la V4-Pro, sense data de llançament confirmada.
La rellevància de l'anunci va més enllà del rànquing de preus: confirma que la competència entre models d'IA s'ha desplaçat cap a una segona batalla, la del cost per tasca, especialment rellevant per a empreses que despleguen agents a gran escala i necessiten controlar la factura de còmput. Un model amb rendiment equiparable als de gamma mitjana de Google o Meta però a preus residuals pressiona els grans laboratoris nord-americans a justificar les seves tarifes, i reforça la posició de DeepSeek com a alternativa de referència per a qui prioritza volum sobre capacitat màxima.
Cal tenir present, però, que els 50 punts de V4-Flash a l'índex d'Artificial Analysis queden clarament per sota dels 59 o més que hi obtenen Claude Opus 5 i Fable 5, de manera que el model no competeix en les tasques de raonament més exigents, sinó en aplicacions d'alt volum i baixa complexitat. Tampoc hi ha, de moment, confirmació independent que els resultats de referència es mantinguin en càrregues de treball reals més enllà dels bancs de proves estandarditzats.