★
Menü
Ana Sayfa Nasıl İnşa Ediliyor İzleme Listesi Yığın
Donanım ÇiplerÇipleri Karşılaştır Sunucular ve SistemlerAğ bağlantısı BellekFabrikalar ve Paketleme Soğutma
Tesisler Veri MerkezleriGüç ProjelerBulut ve GPU İşlem
Zeka YZ ModelleriYazılım YZ ÜrünleriKıyaslama testleri Araştırma MakaleleriVeri kümeleri Kavramlar
Ekosistem ŞirketlerHisse Senetleri KişilerZaman çizelgesi TrendlerYapay zekanın geleceği
Eğitim Haberler Veriye Sor Yapay Zekâ Ajanları
Hakkında Hakkımızda Metodoloji Veri ve API Yasal Uyarı
Seçenekler
VERİ VE API

Sitenin önbelleğe alınmış verilerine ücretsiz salt okunur JSON erişimi.

Karanlık Mod

Rehberli Görünüm
Çipler, veri merkezleri ve model terimleri size yabancı mı? Gezinirken temel kavramları sade bir dille açıklıyoruz. Aynı veriler, yerleşik yardım sistemiyle birlikte.

Uzman Görünümü
Teknik altyapıyı zaten biliyorsunuz. Sadece veriler: temiz, hızlı ve özlü; fazladan açıklama yok. Bu varsayılan görünümdür.

Arayüz dili
‹ Geri
Ana Sayfa › YZ Modelleri › DeepSeek-V4

DeepSeek-V4

YZ Modeli Dil Güncel

The efficiency school scales up: 1.6T parameters, MIT license, 1M context.

Bir yapay zeka modeli kaydına bakıyorsunuz: kimin geliştirdiği, neler yapabildiği ve arkasındaki donanım ile veriler.

DeepSeek-V4 went live in preview on April 24, 2026 in Pro and Flash variants with API access and open weights under MIT. V4 Pro is a 1.6-trillion-parameter mixture-of-experts activating 49B per token, pairing MoE with sparse attention for a 1M-token context — and posting 80.6% on SWE-bench Verified (as reported in launch coverage), frontier-class coding from an open model. It extends the V3/R1 lineage's argument that engineering efficiency, not raw compute access, sets the pace under export controls.

Teknik özellikler ve temel bilgiler

Her değer kaynağına göre etiketlenmiştir: satıcı spesifikasyonu, satıcı iddiası, raporlanan, tahmin veya resmi. "Kamuoyuyla paylaşılmamış" ifadesi tam olarak bunu ifade eder — değer uydurmayız.

Overview

Architecture MoE + sparse attention; 1.6T total / 49B activeReported
Coding 80.6% SWE-bench VerifiedReported

Bu, yığının geri kalanıyla nasıl bağlantılı?

Bu kaydın bağlantılarına hızlı bakış — bir gruba tıklayarak o bölüme atlayın.

Geliştiren

Kıyaslama testi yapılan platform

Temel alınan

Selefinin devamı

Kaynaklar

Open-source LLM landscape 2026 (V4 details) ↗ · DeepSeek ↗

İncelenen kayıt tarihi: 2026-08-31 — görüntüle Metodoloji.