15 Aylık Bekleyişin Ardından DeepSeek Sonunda V4 Preview'u Tanıttı: Kapsamlı Analiz

Bu makale, DeepSeek V4’ün teknik özelliklerini, performansını ve kullanım yönergelerini inceliyor ve bu yeni nesil büyük dil modelinin temel avantajlarını kapsamlı bir şekilde analiz ediyor. İçerik, hem teknik meraklılar hem de geliştiriciler için uygun, erişilebilir bir üslupla yazılmıştır.

Anahtar kelimeler: deepseek v4, deepseek resmi web sitesi, deepseek eğitimi, deepseek v4 fiyatı.

Yayın Tarihi: 25 Nisan 2026 Yazar: DeepSeek HK

1. DeepSeek V4 Preview Resmi Olarak Piyasaya Sürüldü

24 Nisan’da DeepSeek, V4 Preview’un piyasaya sürüldüğünü resmi olarak duyurdu. Bu önemli güncelleme, V3.2’nin piyasaya sürülmesinden 15 ay sonra geldi ve DeepSeek’in büyük model teknolojisi yol haritasında bir başka önemli çığırı temsil ediyor.

Resmi tanıtıma göre, V4 serisi iki MoE modelini içeriyor:

• DeepSeek-V4-Pro: 1,6T toplam parametre, 49B aktif parametre
• DeepSeek-V4-Flash: 284B toplam parametre, 13B aktif parametre

Her iki model de yerel olarak 1 milyon token bağlamını destekliyor; bu, uzun metin işleme yeteneklerinde niteliksel bir sıçramayı temsil ediyor. 1M bağlam ayarlarında dikkat çekici şekilde:

• V4-Pro’nun token başına çıkarım FLOPs’u, V3.2’nin yalnızca %27’si, KV Cache ise yalnızca %10’u
• V4-Flash ise daha da ileri giderek bu metrikleri sırasıyla %10 ve %7’ye düşürüyor

Bu, bağlam uzunluğunun V3.2’deki 128K’dan V4’teki 1M’a neredeyse 8 kat genişlemesine rağmen, token başına hesaplama gereksinimlerinin aslında önemli ölçüde azaldığı ve hem uzun bağlam yeteneği hem de çıkarım verimliliğinde çığır açıldığı anlamına geliyor.

DeepSeek yetkilileri, V4 Preview’un bir altyapı güncellemesi olarak konumlandırıldığını, temel olarak bir sonraki aşamanın test zamanı ölçeklendirme ve uzun menzilli görevleri için yol açmak amacıyla uzun bağlam maliyet yapısını yeniden yapılandırdığını açıkça belirtiyor. Mevcut yetenek seviyesi hâlâ GPT-5.4 ve Gemini-3.1-Pro’nun gerisinde, gelişim yörüngesi ise en son kapalı kaynak modellerin yaklaşık 3-6 ay gerisinde.

2. İki Model, Üç Çıkarım Modu: V4’ün Temel Özellikleri

2.1 Model Parametreleri ve Maliyet Avantajları

V4 serisinin en büyük özelliği, maliyet eğrisinin önemli ölçüde optimize edilmesidir. 1 milyon token bağlam ayarları altında:

• V4-Pro: Token başına çıkarım FLOPs, V3.2’nin yalnızca %27’si, KV Cache yalnızca %10
• V4-Flash: Token başına çıkarım FLOPs, V3.2’nin yalnızca %10’u, KV Cache yalnızca %7

Bu verimlilik iyileştirmesi, milyon seviyesinde bağlam için çıkarım maliyetini büyük ölçüde azaltarak, uzun metin işleme, belge analizi ve diğer senaryolar için ekonomik olarak uygulanabilir bir çözüm sunuyor.

2.2 API Fiyatlandırma Sistemi

DeepSeek, tutarlı yüksek değerli fiyatlandırma stratejisini sürdürüyor:

• V4-Pro: Milyon başına giriş tokeni ¥1 (önbellek isabeti) veya ¥12 (önbellek ıskalaması), milyon başına çıkış tokeni ¥24
• V4-Flash: Milyon başına giriş tokeni ¥0,2 (önbellek isabeti) veya ¥1 (önbellek ıskalaması), milyon başına çıkış tokeni ¥2

2.3 Üç Çıkarım Yoğunluk Seviyesi

Her model, farklı senaryo gereksinimlerini karşılamak için üç çıkarım modu sunar:

1. Non-think: Doğrudan çıkış modu, en hızlı yanıt hızı
2. Think High: Düzenli derin düşünme modu, hız ve kalite dengesi
3. Think Max: Güçlü talimatlar enjekte eder, bağlamı ve çıkış uzunluğunu maksimize eder, modelin tüm yeteneklerini serbest bırakır

Max modu, model performansını önemli ölçüde artırır: V4-Pro-Max puanları, HLE testlerinde 34,5’ten 37,7’ye ve Apex Shortlist testlerinde 85,5’ten 90,2’ye yükselir; bedeli ise çıkış token sayısının iki katına çıkmasıdır.

3. Karşılaştırmalı Test Performansı

DeepSeek tarafından yayınlanan resmi test verilerine göre, V4 serisi birden fazla değerlendirmede mükemmel performans gösteriyor:

3.1 Bilgi ve Muhakeme Testleri

• DeepSeek-V4-Pro-Max, Apex Shortlist (%90,2) ve Codeforces (Derece 3206) olmak üzere iki zorlu muhakeme/programlama görevinde birinci sırada yer alarak son derece güçlü mantık ve algoritma yeteneklerini sergiliyor
• Gemini-3.1-Pro-High, SimpleQA Verified (%75,6) alanında lider
• Claude ve GPT, farklı projelerde kendi güçlü yanlarına sahip; genel olarak küçük farklar var

3.2 Ajan Yetenek Testleri

• Dört modelin tamamı SWE Verified görevlerinde eşit performans gösteriyor (hepsi %80,6’ya ulaşıyor)
• DeepSeek, Terminal Bench 2.0 (%67,9) ve Toolathlon (%51,8) alanlarında öne çıkıyor ve karmaşık talimat yürütme ile araç çağırma senaryolarında belirgin avantajlar sergiliyor

Yetkililer, DeepSeek-V4-Pro’nun ajan yeteneklerinin önceki nesillere göre önemli ölçüde geliştiğini, “Sonnet 4.5’ten daha iyi bir kullanıcı deneyimi sunarak, teslim kalitesi Opus 4.6 düşünme modu olmayana yakın olsa da, bir ölçüde Opus 4.6 düşünme modunun gerisinde kaldığını” belirtiyor.

3.3 Dünya Bilgisi ve Genel Yetenekler

• V4-Pro, dünya bilgisi değerlendirmelerinde diğer açık kaynak modelleri önemli ölçüde geride bırakıyor; yalnızca en üst düzey kapalı kaynak modeli Gemini-Pro-3.1’e hafifçe geride kalıyor
• Matematik, STEM ve rekabetçi kod değerlendirmelerinde V4-Pro, şu anda kamuya açık olarak değerlendirilen tüm açık kaynak modellerini geride bırakarak dünyanın en iyi kapalı kaynak modelleri seviyesine ulaşıyor
• Ekonomik bir model olarak V4-Flash, Pro versiyonuna göre biraz daha az bilgi birikimine sahip ancak benzer muhakeme yeteneklerine sahip. Daha küçük parametre ve aktivasyon değerleriyle daha hızlı, daha uygun maliyetli API hizmetleri sunuyor
• Ajan değerlendirmelerinde V4-Flash, basit görevlerde Pro versiyonuyla karşılaştırılabilir performans gösteriyor ancak yüksek zorluklu görevlerde hâlâ boşluklar var

4. Temel Teknolojik İnovasyon: Dikkat Mekanizmasının Yeniden Yazılması

V4’ün en temel teknik değişikliği, uzun bağlam çıkarımının verimlilik sorununu temelden çözen dikkat katmanındadır.

Geleneksel Transformer dikkat mekanizmalarında, her token önceki tüm tokenlarla benzerlik hesaplaması yapmalıdır. Bağlam 100K’dan 1M’a genişlediğinde, hesaplama maliyeti 100 kat artar; bu, uzun bağlamın yaygın olarak benimsenmesini engelleyen temel darboğazdır.

V4, katmanları dönüşümlü olarak kullanan yenilikçi bir çift dikkat mekanizması benimsiyor:

1. CSA (Sıkıştırılmış Seyrek Dikkat): Önce her 4 token için KV önbelleğini tek bir özet içinde birleştirir, ardından her sorgunun dikkat hesaplaması için yalnızca en alakalı top-k özetleri seçmesine izin verir; hem işlenecek içeriği sıkıştırır hem de yalnızca alakalı bilgilere odaklanır
2. HCA (Ağır Sıkıştırılmış Dikkat): Daha agresif sıkıştırma kullanarak her 128 tokenı bir özet içinde birleştirir, ardından kalan özetlerde seyrek seçim yapmadan yoğun dikkat uygular

İki dikkat mekanizması dönüşümlü olarak üst üste biner ve yakındaki tokenlar arasındaki ayrıntılı bağımlılıkları ele alan bir kayan pencere dalıyla birleşerek “kalın taneli + ince taneli, seyrek + yoğun” birleşik bir yaklaşım oluşturur.

Teknoloji evrimi perspektifinden, DeepSeek V2 ve V3 temelde parametre seyrekleştirme rotasını izledi (toplam parametre büyük ancak token başına yalnızca kısmi uzmanlar aktif). V4, bu temel üzerinde bağlam seyrekleştirme (KV sıkıştırma, top-k seçimi, katmanlı sıkıştırma oranları) için yeni bir yol açıyor. Bu, DeepSeek’in “seyrekleştirme” kavramını Transformer’ın temel yapısına ilk kez uygulamasıdır.

Dikkat katmanına ek olarak, V4’te iki önemli mimari iyileştirme daha bulunuyor:

1. Geleneksel artık bağlantıları mHC (Manifold Kısıtlı Hiperbağlantı) ile yükseltir; matematiksel kısıtlamalar aracılığıyla derin ağların ileri ve geri yayılımını daha stabil hale getirir
2. Çoğu modül için AdamW yerine Muon optimize ediciyi kullanarak daha hızlı yakınsama ve daha stabil eğitim sağlar

Bu, DeepSeek’in Transformer’ın üç temel bileşenini — dikkat, artık bağlantılar ve optimize edici — aynı anda değiştirdiği ilk kez.

5. Eğitim Sonrası Paradigma İnovasyonu: Uzman Model Damıtması

Mimari değişikliklere kıyasla, V4’ün eğitim sonrası yöntemlerdeki inovasyonu daha da dikkat çekicidir.

V3.2, “karışık RL” yaklaşımını kullanarak pekiştirmeli öğrenme ile aynı anda birden fazla hedefi optimize etti. V4, iki adımlı bir “ayrıştır sonra birleştir” stratejisi benimsiyor:

1. Ayrıştırma Aşaması: Matematik, kod, ajan ve talimat izleme gibi farklı alanlar için her alanda ayrı bir uzman modeli eğitilir. Bu uzmanlar önce yüksek kaliteli alan verileriyle denetli ince ayar alır, ardından GRPO algoritmasıyla pekiştirmeli öğrenme yapar; her uzman kendi uzmanlık alanında optimum performansa ulaşır
2. Birleştirme Aşaması: On-Policy Distillation (OPD) yöntemini kullanarak ondan fazla alan uzmanını tek bir birleşik öğrenci modeline “sentezlemek”. Öğrenci bir yanıt ürettikten sonra, “bu sorunu en iyi anlayan” uzmanın çıktı dağılımıyla eşleşir; logit düzeyinde hizalama yoluyla uzman yeteneklerini emer

Bu yaklaşım, birden fazla alan “birincil öğrencisinin” yeteneklerini tek bir modele damıtmak olarak anlaşılabilir. Aynı anda ondan fazla trilyon parametreli öğretmen modelini yükleme mühendislik zorluğunu çözmek için DeepSeek, tüm öğretmen ağırlıklarını dağıtık depolamaya boşaltır ve yalnızca her öğretmenin son katmanının gizli durumunu önbelleğe alır. Eğitim sırasında örnekler öğretmen dizinine göre sıralanır; böylece herhangi bir anda GPU belleğinde yalnızca bir öğretmen başı bulunur.

Bu yaklaşım, geleneksel “karışık RL”de yaygın olan yetenek müdahalesi sorunundan kaçınarak modelin birden fazla alanda üst düzey performans elde etmesini sağlar.

6. Ajan Yeteneği Özel Optimizasyonu

DeepSeek V4, ana akım ajan ürünleri için özelleştirilmiş uyarlamalar ve optimizasyonlar içeriyor; kod görevleri, belge oluşturma ve diğer senaryolarda geliştirilmiş performans sunuyor.

V4’ün ajan yetenekleri için özel optimizasyonları şunları içeriyor:

1. Eğitim sonrası süreçte, ajan matematik ve kodun yanı sıra bağımsız bir uzman yönü olarak ele alınır ve ayrı eğitim alır
2. Araç çağırma formatı JSON’dan özel tokenlarla XML yapısına değiştirilmiştir; bu, kaçış hata oranlarını düşürür
3. Araç çağırma senaryolarında çapraz tur muhakeme izleri tam olarak korunur; V3.2’deki gibi her turda silinmez
4. Kendi kendine inşa edilmiş DSec kum havuzu platformu; tek bir küme eşzamanlı olarak yüz binlerce kum havuzu örneğini yönetebilir ve ajan pekiştirmeli öğrenme eğitimini ve değerlendirmesini destekler

Yetkililer, V4-Pro’nun ajan yeteneklerinin “Sonnet 4.5’ten daha iyi olduğunu, teslim kalitesinin Opus 4.5 düşünme modu olmayana yakın olduğunu, ancak bir ölçüde Opus 4.6 düşünme modunun gerisinde kaldığını” belirtiyor.

Özet

DeepSeek V4 Preview, olağanüstü teknolojik inovasyonlara sahip büyük bir modeldir. Dikkat mekanizmasının yeniden yapılandırılması ve eğitim paradigması inovasyonu sayesinde, güçlü muhakeme yeteneklerini korurken uzun bağlam çıkarım maliyetlerini büyük ölçüde düşürerek, milyon seviyesinde bağlamın pratik uygulamaları için yol açar.

Güçlü muhakeme yetenekleri gerektiren profesyonel senaryolar olsun ya da maliyet etkinliği peşinde koşan büyük ölçekli uygulamalar olsun, V4 serisi uygun seçenekler sunar. DeepSeek V4’ün güçlü yeteneklerini deneyimlemek istiyorsanız, platformumuz aracılığıyla doğrudan kullanabilirsiniz.