Darmowe modele DeepSeek wstrząsają wyścigiem AI

Co się wydarzyło

W tym tygodniu DeepSeek, startup AI z Hangzhou, który stał się sensacją na początku 2025 roku, wypuścił dwa nowe modele — DeepSeek‑V3.2 oraz wariant o wysokich zdolnościach rozumowania zwany DeepSeek‑V3.2‑Speciale — i udostępnił ich wagi oraz kod na liberalnej licencji open-source. Firma pozycjonuje tę parę jako modele zoptymalizowane pod kątem długich dokumentów i wieloetapowego rozwiązywania problemów; w publicznych benchmarkach i symulacjach konkursowych deklaruje wydajność porównywalną z najnowszymi zamkniętymi systemami frontierowymi.

To nie są małe aktualizacje. DeepSeek opisuje je jako skokową zmianę w wydajności przetwarzania długiego kontekstu i agentycznym wykorzystaniu narzędzi. Firma opublikowała karty modeli, raport techniczny oraz wagi do pobrania dla deweloperów i badaczy.

Jak działają te modele — i dlaczego ich eksploatacja jest tańsza

Główną innowacją podkreślaną przez DeepSeek jest forma rzadkiej atencji (sparse attention), którą nazywają DeepSeek Sparse Attention (DSA). Mechanizmy atencji to część dużych modeli językowych, która pozwala im oceniać, które słowa i fragmenty mają znaczenie dla danej odpowiedzi. Tradycyjna atencja słabo skaluje się wraz z długością danych wejściowych — koszt obliczeniowy rośnie w przybliżeniu wraz z kwadratem liczby tokenów — przez co wprowadzanie tysięcy lub dziesiątek tysięcy tokenów staje się zaporowo drogie.

Benchmarki, zawody i zadania w świecie rzeczywistym

DeepSeek opublikował mieszankę standardowych benchmarków i bardziej spektakularnych ewaluacji w stylu konkursowym. Wariant Speciale jest prezentowany jako silnik głębokiego rozumowania dostrojony poprzez uczenie ze wzmocnieniem i specjalistyczne reżimy treningowe; według danych podawanych przez firmę, osiąga on wyniki na poziomie złotego medalu w kilku elitarnych konkursach programistycznych i matematycznych oraz uzyskuje konkurencyjne rezultaty w benchmarkach kodowania i rozumowania, które zazwyczaj służą do porównywania modeli frontierowych.

Te wyniki konkursowe robią wrażenie na papierze: materiały DeepSeek informują o wysokich notach w zadaniach z olimpiad matematycznych i informatycznych rozwiązywanych w warunkach testowych, a także wykazują wysoką wydajność w benchmarkach procesów programistycznych. Jeśli dane te potwierdzą się w niezależnych recenzjach, będą wskazywać na to, że mniejszy zestaw zmian architektonicznych i celowy trening mogą przynieść wzrost zdolności rozumowania bez konieczności ciągłego skalowania mocy obliczeniowej.

Agentyczne „myślenie z narzędziami”

Drugim praktycznym postępem, na który kładzie nacisk DeepSeek, jest zachowanie wewnętrznego rozumowania podczas interakcji modelu z zewnętrznymi narzędziami — wyszukiwarką, wykonywaniem kodu, edycją plików i tak dalej. Wcześniejsze modele mają tendencję do gubienia wewnętrznego łańcucha myśli przy każdym wywołaniu zewnętrznego API; zespół DeepSeek połączył to z potokiem treningowym opartym na syntetycznych zadaniach wieloetapowych, dzięki czemu model uczy się utrzymywać i realizować cząstkowe plany podczas odpytywania narzędzi. To sprawia, że wieloetapowe przepływy pracy — debugowanie złożonego kodu, planowanie logistyki przy zmieniających się ograniczeniach czy analiza literatury w wielu dokumentach — stają się w praktyce znacznie płynniejsze.

Opisany przez DeepSeek reżim treningowy obejmuje tysiące syntetycznych środowisk i wariantów zadań, mających na celu nauczenie modelu jednoczesnego rozważania i działania. Dla deweloperów budujących autonomiczne agenty lub przepływy pracy asystentów, ta zdolność ma takie samo znaczenie jak surowe wyniki benchmarków: zmniejsza tarcie inżynieryjne przy łączeniu narzędzi i modeli.

W przeciwieństwie do większości firm, które trzymają swoje największe modele za płatnymi API, DeepSeek udostępnił wagi modelu i kod na licencji typu MIT oraz opublikował przykłady integracji dla popularnych środowisk uruchomieniowych. Ten ruch obniża próg wdrożenia — przedsiębiorstwa mogą uruchamiać modele lokalnie (on-premise), badacze mogą sprawdzać logity i tryby awaryjne, a startupy mogą budować agenty bez obaw o uzależnienie od jednego dostawcy.

Połączenie otwartych wag z poprawą wydajności ma znaczenie komercyjne: niższe koszty wnioskowania i opcje samodzielnego hostowania zmieniają zarówno jednostkową ekonomię, jak i kalkulację ryzyka dla klientów wymagających intensywnego wykorzystania rozumowania w długim kontekście (analiza prawna, przetwarzanie oprogramowania, przegląd literatury naukowej). Jednocześnie udostępnianie modeli frontierowych jako open source przyspiesza eksperymentowanie w sposób, którego dostawcy systemów zamkniętych nie mogą łatwo kontrolować.

Napięcia regulacyjne i tarcia geopolityczne

Wszystkie te techniczne i komercyjne zmiany krzyżują się z polityką. Kilku regulatorów i rządów zasygnalizowało już obawy dotyczące sposobu obsługi danych przez DeepSeek oraz profilu bezpieczeństwa narodowego. Europejskie organy nadzorcze przeprowadziły dochodzenia i w niektórych przypadkach nakazały tymczasowe blokady lub usunięcie aplikacji, a szereg rządów zalecił ostrożność lub ograniczył korzystanie z nich na urządzeniach służbowych. Działania te komplikują adopcję w sektorach regulowanych i podkreślają, że otwarta dostępność wag nie eliminuje obaw dotyczących przepływu danych lub dostępu do nich przez zagraniczne rządy.

Firmy rozważające wdrożenie tych modeli muszą myśleć o rezydencji danych, zgodności z lokalnymi przepisami dotyczącymi prywatności oraz pochodzeniu sprzętu w łańcuchu dostaw dla treningu i wnioskowania — są to kwestie, które stanowią obecnie centralny element procesów zakupowych i oceny ryzyka, a nie tylko techniczny dodatek.

Co to oznacza dla krajobrazu AI

Można wyciągnąć trzy główne wnioski. Po pierwsze, wydajność architektoniczna (a nie tylko brutalna siła skali) może przesuwać granice możliwości, szczególnie w zadaniach związanych z długim kontekstem i agentami. Po drugie, otwarte udostępnianie modeli o wysokich możliwościach zmusza dotychczasowych liderów rynku do przemyślenia strategii cenowej i produktowej: rządy, przedsiębiorstwa i deweloperzy mają teraz alternatywę, którą łatwiej hostować samodzielnie. Po trzecie, polityka i zaufanie pozostają czynnikami ograniczającymi — sam postęp techniczny nie zadecyduje o tym, kto wygra ani jak szeroko te systemy zostaną wdrożone.

W szczególności dla organizacji europejskich i amerykańskich wyzwanie ma charakter praktyczny: zrównoważenie korzyści operacyjnych i kosztowych wynikających z darmowego, wydajnego modelu z nierozstrzygniętymi kwestiami dotyczącymi ładu danych, niezależnych audytów i ryzyka regulacyjnego. Najbliższe miesiące będą eksperymentem na żywo, pokazującym, jak dostosują się rynek, regulatorzy i dostawcy.

Na co będę zwracać uwagę

• Niezależne audyty i replikację deklaracji DeepSeek dotyczących benchmarków.
• Umowy korporacyjne pokazujące, kto decyduje się na samodzielne hostowanie tych wag i przy jakich zabezpieczeniach.
• Orzeczenia regulacyjne wyjaśniające, w jaki sposób zasady ochrony danych odnoszą się do usług modeli hostowanych za granicą i otwartych wag.
• Jak zareagują główni dostawcy chmury i procesorów — zarówno technicznie (wsparcie środowisk uruchomieniowych, zoptymalizowane kernele), jak i komercyjnie (ceny, partnerstwa).

Premiera DeepSeek to przypomnienie, że wyścig AI toczy się obecnie na wielu płaszczyznach — architektury, danych, narzędzi, dystrybucji i regulacji — a nie tylko surowej mocy obliczeniowej. Dla inżynierów, liderów produktu i decydentów ta złożoność jest cechą charakterystyczną: stwarza zarówno możliwości, jak i wiele trudnych pytań, na które trzeba odpowiedzieć, zanim te zdolności staną się infrastrukturą fundamentalną.

— Mattias Risberg, Dark Matter