Deepseek V4 hadir sebagai model AI open source dengan dua varian yang menyasar kebutuhan berbeda. Di atas kertas, versi Pro membawa 1,6 triliun parameter, sedangkan versi Flash menawarkan pendekatan yang lebih ringan dan murah.
Namun, pengujian menyeluruh menunjukkan bahwa angka parameter besar belum otomatis menjamin hasil terbaik. Menurut ulasan World of AI yang dirangkum dalam artikel referensi, Deepseek V4 masih menunjukkan celah penting saat dipakai untuk tugas yang menuntut kreativitas, penalaran bernuansa, dan presisi.
Dua model, dua target penggunaan
Deepseek V4 Pro diposisikan untuk pekerjaan berat seperti penalaran tingkat lanjut, aplikasi STEM, pembuatan kode, dan otomasi alur kerja. Model ini memiliki 1,6 triliun parameter dengan 49 miliar parameter aktif.
Sementara itu, Deepseek V4 Flash ditujukan untuk kebutuhan yang lebih sederhana dan cepat. Varian ini memiliki 284 miliar parameter dengan 13 miliar parameter aktif, sehingga lebih cocok untuk operasi yang tidak terlalu kompleks.
Keduanya dirilis sebagai model open source dengan lisensi MIT. Skema ini membuka akses lebih luas bagi pengembang dan peneliti yang ingin menguji, menyesuaikan, atau membangun solusi di atas model tersebut.
Dari sisi biaya, jarak antara Pro dan Flash sangat lebar. Deepseek V4 Pro dibanderol $14 per juta token input dan $348 per juta token output, sedangkan Deepseek V4 Flash dipatok $0.03 per juta token input dan $0.28 per juta token output.
Mengapa 1,6 triliun parameter belum cukup
Ukuran model sering dianggap sebagai indikator kemampuan. Akan tetapi, hasil uji pemakaian nyata memperlihatkan bahwa kapasitas besar belum selalu sejalan dengan konsistensi keluaran.
Pada Deepseek V4 Pro, masalah utamanya justru muncul saat model diminta menghasilkan jawaban yang rapi, konsisten, dan matang. Artikel referensi mencatat bahwa model ini kerap memberi output yang terasa belum halus, terutama pada pekerjaan yang membutuhkan kreativitas, adaptasi, dan penalaran yang tidak hitam-putih.
Versi Flash membawa keunggulan pada efisiensi dan kecepatan. Meski begitu, model ini juga cepat mencapai batas ketika dihadapkan pada tugas yang memerlukan logika panjang atau rancangan yang lebih rumit.
Kesenjangan ini membuat spesifikasi teknis besar terlihat belum cukup untuk memenuhi kebutuhan praktis. Dalam konteks AI, ukuran parameter penting, tetapi kualitas hasil akhir tetap ditentukan oleh seberapa baik model dapat menerjemahkan kapasitas itu menjadi jawaban yang akurat dan stabil.
Area yang masih lemah
Keterbatasan Deepseek V4 terlihat jelas pada beberapa jenis pekerjaan. Referensi menyebut model ini belum kuat untuk desain UI, pemodelan 3D, dan aplikasi cloning yang menuntut presisi tinggi serta sentuhan kreatif.
Pada tugas seperti itu, hasil yang kurang lengkap atau munculnya bug menjadi masalah utama. Bagi pengguna profesional, kelemahan semacam ini dapat mengurangi kepercayaan terhadap model, meski secara teori spesifikasinya tergolong sangat besar.
Masalah serupa juga tampak pada pekerjaan yang butuh reasoning kompleks. Deepseek V4 disebut belum selalu mampu mempertahankan kualitas jawaban ketika diminta menyelesaikan persoalan bertahap atau menghasilkan solusi teknis yang rinci.
Perbandingan dengan pesaing
Dalam persaingan model AI, Deepseek V4 belum menjadi yang terdepan. Artikel referensi menyebut model seperti Kimi K2.6, Qwen 3.6 Plus, Minimax M2.7, serta Opus 4.6/4.7 tampil lebih baik pada sejumlah area penting.
Pada benchmark Code Arena, Deepseek V4 Pro berada di posisi ketiga. Model ini tertinggal dari GLM 5.1 dan Kimi K2.6, yang menunjukkan bahwa performa kode dan algoritme penalarannya belum cukup unggul untuk memimpin kelasnya.
Perbandingan ini menegaskan satu hal penting. Pasar AI tidak hanya menilai model dari jumlah parameter atau status open source, tetapi juga dari kemampuan menghasilkan output yang konsisten dalam penggunaan nyata.
Kelebihan yang tetap relevan
Meski banyak catatan, Deepseek V4 bukan tanpa nilai. Sifatnya yang open source memberi daya tarik tersendiri, terutama bagi komunitas riset dan pengembang yang membutuhkan akses lebih bebas.
Model ini juga dinilai kuat dalam long-context processing. Kemampuan memproses konteks panjang dapat menjadi fondasi penting jika pengembangnya berhasil memperbaiki kualitas penalaran, presisi, dan stabilitas hasil.
Di sisi lain, harga Flash yang sangat rendah membuatnya menarik untuk eksperimen atau kebutuhan dasar. Untuk pengguna yang mengejar efisiensi biaya, varian ini masih punya ruang pakai selama ekspektasi terhadap kompleksitas tugas tetap realistis.
Tantangan terbesar Deepseek V4 saat ini bukan sekadar menambah skala, melainkan mempersempit jarak antara kemampuan teoritis dan performa lapangan. Selama keluaran masih belum konsisten untuk tugas kreatif, teknis, dan bernuansa, angka 1,6 triliun parameter akan tetap terlihat impresif di spesifikasi, tetapi belum sepenuhnya cukup di praktik.
