يوم 31 يوليو 2026، عملت DeepSeek حاجة غريبة نوعًا ما: أعادت تدريب نموذجها الاقتصادي V4-Flash من غير ما تغيّر فيه ولا معيار واحد — نفس الحجم، نفس البنية، نفس السعر. النتيجة؟ النموذج "الصغير" ده بقى يتفوق على نموذجها الأقوى V4-Pro في كل اختبارات الأداء الوكيلي (Agentic) اللي نشرتها الشركة، وده بيطرح سؤال مثير: هل فعلاً محتاجين نماذج أضخم عشان نحصل على أداء أفضل؟
الأرقام اللي خلّت الناس تتوقف
على اختبار Terminal-Bench 2.1، قفز أداء النموذج من 61.8 نقطة في النسخة التجريبية إلى 82.7 نقطة في النسخة الرسمية — متخطيًا حتى نموذج V4-Pro الأكبر حجمًا اللي سجّل 72.1 فقط. وعلى اختبار DeepSWE، القفزة كانت أوضح: من 7.3 إلى 54.4 نقطة، يعني تحسن بنسبة تفوق 600%.
السبب مش تكبير النموذج ولا بيانات تدريب جديدة، لكن إعادة "Post-training" فقط — المرحلة اللي بتعلّم النموذج إزاي يستخدم معرفته بشكل عملي، مش إزاي يكتسب معرفة جديدة.
ليه هو فعلاً الأرخص؟
سعر الاستخدام عبر واجهة البرمجة ثابت منذ الإطلاق: 0.14 دولار لكل مليون توكن إدخال، و0.28 دولار لكل مليون توكن إخراج. الرقم ده بيبان تقنيًا، لكن لما شركة Artificial Analysis المتخصصة في تقييم النماذج شغّلت نفس الاختبار على أكثر من نموذج، طلعت الفاتورة النهائية: حوالي 72 دولار لتشغيل V4-Flash، مقابل نحو 727 دولار لتشغيل نفس الاختبار على Gemini من جوجل — رغم إن الاثنين سجّلوا نفس الدرجة تقريبًا (50 من 100) على مؤشر الذكاء الخاص بالشركة.
مقارنة سريعة بالأرقام
| النموذج | السعر (إخراج / مليون توكن) | درجة الذكاء |
|---|---|---|
| DeepSeek V4-Flash | 0.28$ | 50/100 |
| Gemini 3.6 Flash | 7.50$ | 50/100 |
| GPT-5.6 Luna | — | 51/100 |
*الأرقام بحسب تقييمات Artificial Analysis المستقلة، وقد تتغير مع أي تحديث لاحق من الشركات.
إيه اللي يتغير عمليًا للمستخدم؟
الميزة نفسها من غير تكلفة إضافية: نفس مفتاح الـ API، نفس اسم النموذج (deepseek-v4-flash)، والترقية بتحصل تلقائيًا من غير أي تدخل من المطور. النموذج كمان مفتوح الأوزان برخصة MIT، يعني أي شركة تقدر تحمّله وتشغّله على سيرفراتها الخاصة بدل الاعتماد الكامل على خوادم DeepSeek.
عمليًا، ده بيفتح الباب قدام الشركات الصغيرة والمتوسطة اللي كانت بتشوف تكلفة الذكاء الاصطناعي عائق حقيقي، لأنها بقت تقدر تدمج أدوات ذكاء اصطناعي في منتجاتها بميزانية أقل بكتير من الأنظمة الأمريكية المنافسة.
خطوات عملية لو حابب تجرب النموذج بنفسك
- التجربة المجانية: ادخل على منصة DeepSeek الرسمية أو أدوات زي OpenRouter، واختار موديل
deepseek-v4-flash— متاح تجربته مجانًا بحدود استخدام يومية قبل ما تدفع أي حاجة. - الربط عبر API: لو عندك مشروع أو تطبيق، هتحتاج مفتاح API من موقع DeepSeek مباشرة، والربط بيتم بنفس طريقة OpenAI تقريبًا، فمفيش تعقيد إضافي لو سبق واشتغلت بأي نموذج تاني.
- التشغيل المحلي (اختياري): لو عندك سيرفر قوي وتفضل ما تعتمدش على سيرفرات الشركة، أوزان النموذج متاحة للتحميل من Hugging Face برخصة MIT.
- قارن قبل ما تلتزم: جرّب نفس المهمة (كتابة كود، تلخيص، رد على استفسار) على النموذج ده وعلى اللي انت مستخدمه حاليًا، وقارن الفرق في السرعة والتكلفة الفعلية على حجم استخدامك.
التحديات اللي لسه موجودة
الأداء القوي مش معناه إن النموذج بديل كامل عن كل شيء؛ في مهام معينة زي التعامل مع الصور والفيديو (multimodal) لسه في فجوة عن منافسين زي Gemini. وبرضو التحسينات الأخيرة اقتصرت على نسخة الـ API فقط، بينما تطبيق DeepSeek للمستخدمين العاديين لسه ما اتحدثش بنفس الطريقة.
الخلاصة
اللي حصل مع V4-Flash بيأكد فكرة بدأت تتضح في سوق الذكاء الاصطناعي خلال 2026: التدريب الذكي بقى أهم من حجم النموذج. وبالنسبة لأي شركة أو مطور بيدوّر على أداء قوي بأقل تكلفة ممكنة، النموذج ده بقى خيار يستاهل التجربة الفعلية مش مجرد قراءة الأرقام.