نقد و بررسی جامع DeepSeek؛ آیا این هوش مصنوعی هنوز یکی از جدی‌ترین رقبای بازار است؟

DeepSeek در ابتدا به‌عنوان یکی از مهم‌ترین پدیده‌های بازار هوش مصنوعی شناخته شد؛ شرکتی که نشان داد برای ساخت مدل‌های قدرتمند زبانی الزاماً به همان سطح از هزینه و سخت‌افزار مورد انتظار شرکت‌های بزرگ آمریکایی نیاز نیست. اما DeepSeek در سال ۲۰۲۶ دیگر صرفاً یک رقیب ارزان‌قیمت نیست.

نسل جدید این خانواده، یعنی DeepSeek V4 و به‌خصوص DeepSeek V4.1-Flash، این شرکت را به سمت مدل‌های چندوجهی، برنامه‌نویسی، Agentها، استفاده از ابزارها و پردازش حجم بسیار زیادی از اطلاعات برده‌اند. V4.۱-Flash که در سپتامبر ۲۰۲۶ عرضه شد، از معماری جدیدی استفاده می‌کند و DeepSeek می‌گوید در برخی آزمون‌های Agentic حتی از V4 Pro نیز عملکرد بهتری دارد.

اما آیا این اعداد در استفاده واقعی هم به همان اندازه جذاب هستند؟ آیا DeepSeek برای تولید محتوا، برنامه‌نویسی، تحقیق، تحلیل فایل و استفاده روزمره انتخاب مناسبی است؟ و مهم‌تر از همه، آیا مسئله حریم خصوصی می‌تواند استفاده از آن را برای بعضی کاربران محدود کند؟

در این بررسی، DeepSeek را از جنبه‌های مختلف بررسی می‌کنیم.

DeepSeek چیست؟

DeepSeek یک شرکت چینی فعال در حوزه هوش مصنوعی است که در هانگژو مستقر است و روی توسعه مدل‌های زبانی بزرگ و سیستم‌های هوش مصنوعی تمرکز دارد.

این شرکت با عرضه مدل‌های DeepSeek V3 و DeepSeek R1 توجه گسترده‌ای در بازار جهانی به دست آورد. R1 به‌خصوص به دلیل تمرکز روی قابلیت‌های استدلالی و ارائه وزن‌های مدل، تأثیر زیادی بر رقابت مدل‌های زبانی داشت.

بعد از آن، DeepSeek به سراغ نسل V4 رفت.

نسخه V4 در آوریل ۲۰۲۶ معرفی شد و یکی از ویژگی‌های مهم آن پشتیبانی از کانتکست بسیار طولانی تا یک میلیون توکن بود. چند ماه بعد، خانواده V4 به‌طور قابل توجهی توسعه پیدا کرد و مدل‌های Pro و Flash وارد مرحله عرضه عمومی شدند.

در سپتامبر ۲۰۲۶ نیز DeepSeek V4.1-Flash معرفی شد که اکنون یکی از مدل‌های اصلی این شرکت محسوب می‌شود.

DeepSeek V4.۱-Flash چیست؟

V4.۱-Flash را نباید صرفاً یک نسخه سریع‌تر از V4 قبلی دانست.

DeepSeek معماری این مدل را تغییر داده و از یک ساختار Mixture of Experts یا MoE با ۵۵۲ میلیارد پارامتر استفاده کرده است؛ اما تمام این پارامترها برای هر درخواست فعال نمی‌شوند.

طبق مشخصات اعلام‌شده توسط DeepSeek، هنگام پردازش ورودی حدود ۸ میلیارد پارامتر و هنگام تولید خروجی حدود ۱۶ میلیارد پارامتر فعال هستند.

این معماری نامتقارن یکی از ایده‌های اصلی DeepSeek برای کاهش هزینه پردازش است.

به زبان ساده، مدل می‌تواند یک شبکه بسیار بزرگ داشته باشد اما برای هر درخواست فقط بخشی از آن را فعال کند.

این موضوع اهمیت زیادی دارد؛ زیرا هزینه اجرای مدل‌های بزرگ فقط به تعداد کل پارامترها وابسته نیست و مقدار محاسبات واقعی نیز اهمیت بسیار زیادی دارد.

معماری جدید چه مزیتی دارد؟

DeepSeek در V4.۱-Flash از معماری جدیدی با عنوان Causal Encoder–Decoder استفاده کرده است.

این معماری به مدل اجازه می‌دهد مرحله دریافت ورودی و مرحله تولید خروجی را به شکل متفاوتی پردازش کند.

همین موضوع یکی از دلایلی است که DeepSeek می‌تواند مدل بسیار بزرگی را با تعداد پارامترهای فعال نسبتاً پایین اجرا کند.

مزیت دوم، کاهش حجم KV Cache است.

طبق اطلاعات منتشرشده توسط DeepSeek، V4.۱-Flash نسبت به نسل قبلی به حدود یک‌چهارم HBM و یک‌هشتم فضای SSD موردنیاز برای KV Cache نیاز دارد.

این موضوع برای Agentها اهمیت ویژه‌ای دارد؛ زیرا Agentها معمولاً مدت زیادی فعال می‌مانند و حجم زیادی از اطلاعات را در طول یک فرایند نگه می‌دارند.

عملکرد DeepSeek در استدلال چگونه است؟

یکی از نقاط قوت اصلی DeepSeek از زمان عرضه R1، قابلیت استدلال بوده است.

V4.۱-Flash نیز این مسیر را ادامه می‌دهد و DeepSeek در آزمون‌های مختلف اعداد قابل توجهی اعلام کرده است.

در آزمون‌هایی که خود شرکت منتشر کرده، V4.۱-Flash به امتیاز ۹۰.۹ در GPQA Diamond، امتیاز ۳۴۷۱ در Codeforces و ۹۰.۶ در Terminal-Bench ۲.۱ رسیده است.

در آزمون DeepSWE v1.۱ نیز امتیاز ۷۴.۲ اعلام شده است.

اما یک نکته بسیار مهم وجود دارد:

این اعداد عمدتاً نتایج اعلام‌شده توسط خود DeepSeek هستند و نباید همه آن‌ها را معادل آزمون‌های مستقل و قابل تکرار در نظر گرفت.

بررسی‌های مستقل اولیه نیز نشان می‌دهند که مدل در بعضی آزمون‌های Agent و برنامه‌نویسی بسیار قدرتمند است، اما هنوز برای اعلام یک برتری مطلق در تمام انواع استدلال، داده مستقل کافی وجود ندارد.

بنابراین بهتر است عملکرد V4.۱-Flash را بسیار قدرتمند، اما نه برنده قطعی همه زمینه‌ها در نظر بگیریم.

DeepSeek برای برنامه‌نویسی چطور است؟

اگر بخواهیم یکی از مهم‌ترین نقاط قوت DeepSeek را مشخص کنیم، برنامه‌نویسی قطعاً در فهرست قرار می‌گیرد.

V4.۱-Flash از ابتدا با تمرکز زیادی روی وظایف Agentic و Coding طراحی شده است.

این مدل می‌تواند در کارهایی مانند:

• نوشتن کد
• توضیح کد
• پیدا کردن خطا
• بازنویسی ساختار برنامه
• ساخت فایل‌های پروژه
• کار با ترمینال
• تحلیل مخزن کد
• تولید تست
• انجام تغییرات چندمرحله‌ای

عملکرد بسیار خوبی داشته باشد.

در Terminal-Bench ۲.۱ نیز DeepSeek امتیاز ۹۰.۶ را گزارش کرده است؛ آزمونی که برای سنجش توانایی مدل در انجام وظایف واقعی مبتنی بر محیط ترمینال طراحی شده است.

این مسئله نشان می‌دهد DeepSeek دیگر فقط یک chatbot برای پاسخ به سؤال‌های برنامه‌نویسی نیست و می‌خواهد وارد حوزه AI Agentهای توسعه نرم‌افزار شود.

DeepSeek برای تولید محتوا مناسب است؟

بله، اما با چند نکته مهم.

DeepSeek در تولید متن، بازنویسی، خلاصه‌سازی، ایده‌پردازی و ساختاردهی مقاله عملکرد مناسبی دارد.

در زبان انگلیسی معمولاً عملکرد آن بسیار خوب است و در زبان‌های دیگر نیز می‌تواند متن قابل استفاده تولید کند.

برای فارسی نیز می‌توان از آن استفاده کرد، اما کیفیت خروجی بسته به نوع درخواست متفاوت است.

برای تولید محتوای حرفه‌ای فارسی، بهتر است DeepSeek را به‌عنوان ابزار تحقیق، ایده‌پردازی و پیش‌نویس در نظر بگیرید، نه نویسنده‌ای که بدون بررسی می‌توان تمام خروجی آن را منتشر کرد.

مشکل اصلی مانند بسیاری از مدل‌های زبانی دیگر، احتمال ارائه اطلاعات نادرست یا ترکیب کردن چند واقعیت با یکدیگر است.

بنابراین برای مقاله‌های خبری و تخصصی، بررسی منابع همچنان ضروری است.

قابلیت چندوجهی DeepSeek

یکی از تغییرات مهم V4.۱-Flash، اضافه شدن درک بومی تصویر است.

به این ترتیب مدل فقط به متن محدود نیست و می‌تواند تصاویر را نیز در فرایند تحلیل وارد کند.

این قابلیت برای کارهایی مانند:

• تحلیل نمودار
• بررسی اسکرین‌شات
• خواندن محتوای تصویری
• تحلیل رابط کاربری
• بررسی تصاویر فنی
• کمک به برنامه‌نویسی بر اساس اسکرین‌شات

کاربرد دارد.

این تغییر اهمیت زیادی دارد، زیرا رقابت مدل‌های هوش مصنوعی دیگر صرفاً بین chatbotهای متنی نیست.

مدل‌های جدید باید بتوانند متن، تصویر، ابزار و محیط نرم‌افزاری را در یک جریان کاری ترکیب کنند.

DeepSeek و Agentها

شاید مهم‌ترین تغییر DeepSeek در نسل V4 همین باشد.

مدل‌های جدید فقط برای پاسخ دادن به سؤال طراحی نشده‌اند؛ بلکه می‌توانند بخشی از یک Agent باشند.

یک Agent می‌تواند:

درک درخواست ← برنامه‌ریزی ← استفاده از ابزار ← اجرای عملیات ← بررسی نتیجه ← اصلاح تصمیم

را انجام دهد.

V4.۱-Flash نیز برای چنین سناریوهایی بهینه شده است.

کاهش حجم KV Cache در اینجا اهمیت پیدا می‌کند، زیرا Agentها معمولاً در طول یک فرایند چندین بار با مدل ارتباط برقرار می‌کنند.

اگر هر مرحله هزینه زیادی داشته باشد، اجرای Agent می‌تواند بسیار گران شود.

DeepSeek تلاش کرده این هزینه را کاهش دهد.

سرعت DeepSeek چقدر است؟

سرعت یکی دیگر از نقاط قوت V4.۱-Flash است.

معماری جدید، تعداد پارامترهای فعال کمتر و بهینه‌سازی KV Cache باعث شده مدل برای پردازش‌های پرتعداد مناسب‌تر باشد.

البته سرعت واقعی به موارد مختلفی بستگی دارد:

• سرور مورد استفاده
• زمان استفاده
• حجم درخواست
• طول پاسخ
• میزان شلوغی API
• کش شدن ورودی
• نوع سرویس مورد استفاده

بنابراین عددی که یک کاربر در API می‌بیند الزاماً همان سرعتی نیست که کاربر دیگری در وب‌سایت تجربه می‌کند.

اما از نظر طراحی، DeepSeek V4.۱-Flash مشخصاً برای Throughput بالا و هزینه کمتر ساخته شده است.

قیمت DeepSeek یکی از نقاط قوت اصلی آن است

یکی از دلایل اصلی موفقیت DeepSeek از ابتدا، مدل اقتصادی آن بوده است.

V4.۱-Flash نیز همین استراتژی را ادامه می‌دهد.

قیمت API در زمان عرضه به‌صورت Peak و Off-Peak تعریف شده است.

در ساعات Off-Peak، قیمت اعلام‌شده برای ورودی حدود ۰.۱۵ دلار به ازای هر یک میلیون توکن و برای خروجی ۰.۶۰ دلار به ازای هر یک میلیون توکن است.

در زمان Peak این ارقام به حدود ۰.۳۰ دلار برای ورودی و ۱.۲۰ دلار برای خروجی می‌رسند.

این قیمت‌ها باعث می‌شوند DeepSeek برای پروژه‌هایی که تعداد بسیار زیادی درخواست دارند، جذاب باشد.

به‌خصوص Agentها که ممکن است در یک وظیفه ده‌ها یا حتی صدها فراخوانی مدل داشته باشند.

DeepSeek V4.۱-Flash در برابر V4 Pro

شاید عجیب‌ترین بخش داستان همین باشد.

DeepSeek اعلام کرده که V4.۱-Flash در آزمایش‌های مختلف از V4 Pro بهتر عمل کرده و از نظر سرعت، هزینه و زمان اجرای کلی نیز وضعیت بهتری دارد.

به همین دلیل DeepSeek ابتدا تصمیم گرفت V4 Pro را به تدریج کنار بگذارد.

با این حال، بعداً اعلام شد که API مربوط به V4 Pro به درخواست کاربران همچنان فعال خواهد ماند.

بنابراین در حال حاضر باید V4.۱-Flash را مدل اصلی و اقتصادی‌تر خانواده دانست، در حالی که V4 Pro همچنان برای برخی کاربردها قابل دسترسی است.

DeepSeek در استفاده روزمره چطور است؟

برای استفاده معمولی، DeepSeek می‌تواند کارهای مختلفی انجام دهد:

پاسخ به سؤال ← خلاصه‌سازی ← ترجمه ← تولید متن ← تحلیل فایل ← برنامه‌نویسی ← حل مسئله ← تحلیل تصویر

و همین تنوع باعث شده دیگر نتوان DeepSeek را صرفاً یک مدل مخصوص برنامه‌نویسی یا استدلال دانست.

رابط کاربری آن نیز برای استفاده عمومی طراحی شده و کاربران می‌توانند بدون درگیر شدن با API از مدل استفاده کنند.

با این حال، تجربه کاربری نهایی ممکن است به اندازه مدل خام اهمیت داشته باشد.

در رقابت امروز، کیفیت مدل تنها یکی از عوامل است؛ رابط کاربری، قابلیت فایل، جست‌وجو، اتصال به ابزارها، حافظه، Agentها و اکوسیستم توسعه‌دهندگان نیز اهمیت دارند.

نقطه ضعف مهم؛ محدودیت‌های محتوایی

یکی از موضوعاتی که درباره DeepSeek زیاد مطرح شده، محدودیت‌های محتوایی آن است.

به دلیل شرایط حقوقی و مقرراتی حاکم بر شرکت و محل فعالیت آن، بعضی موضوعات حساس ممکن است با محدودیت بیشتری نسبت به برخی سرویس‌های غربی مواجه شوند.

این مسئله برای کاربران معمولی ممکن است اهمیت زیادی نداشته باشد، اما برای محققان، روزنامه‌نگاران یا افرادی که به موضوعات سیاسی و تاریخی حساس می‌پردازند، می‌تواند مهم باشد.

بنابراین DeepSeek را نباید صرفاً با معیار «قدرت مدل» ارزیابی کرد؛ رفتار مدل در برابر موضوعات حساس نیز بخشی از تجربه واقعی استفاده از آن است.

حریم خصوصی DeepSeek چطور است؟

این بخش برای کاربران عادی شاید مهم‌ترین نقطه ضعف DeepSeek باشد.

طبق سیاست حریم خصوصی فعلی این شرکت، اطلاعاتی مانند متن ورودی، تاریخچه گفت‌وگو، فایل‌های آپلودشده، اطلاعات دستگاه و اطلاعات شبکه می‌تواند در جریان استفاده از سرویس جمع‌آوری شود.

DeepSeek همچنین اعلام کرده اطلاعات کاربران برای ارائه سرویس در چین پردازش و ذخیره می‌شود.

بنابراین اگر قرار است اطلاعات محرمانه شرکت، اسناد تجاری، رمز عبور، اطلاعات مشتریان یا فایل‌های حساس را در اختیار یک سرویس هوش مصنوعی قرار دهید، باید این موضوع را جدی بگیرید.

این مسئله الزاماً به معنای ناامن بودن سرویس نیست؛ اما محل ذخیره‌سازی داده و سیاست پردازش اطلاعات، بخشی از ریسک استفاده از هر سرویس ابری محسوب می‌شود.

برای اطلاعات بسیار حساس، استفاده از مدل‌های Local که روی سخت‌افزار خود کاربر اجرا می‌شوند، می‌تواند کنترل بیشتری روی داده ایجاد کند.

آیا DeepSeek متن‌های ما را برای آموزش استفاده می‌کند؟

سیاست‌های DeepSeek باید برای هر سرویس و نسخه بررسی شوند و نباید تصور کرد تمام محصولات شرکت دقیقاً رفتار یکسانی دارند.

نکته مهم این است که کاربر قبل از وارد کردن اطلاعات حساس باید سیاست حفظ حریم خصوصی سرویس مورد استفاده خود را بررسی کند.

در هر صورت، یک اصل ساده درباره تمام chatbotهای ابری وجود دارد:

اطلاعاتی را که نمی‌خواهید در یک سرویس آنلاین پردازش یا ذخیره شود، در آن وارد نکنید.

این توصیه فقط مخصوص DeepSeek نیست و درباره سایر سرویس‌های هوش مصنوعی ابری نیز صدق می‌کند.

DeepSeek در برابر ChatGPT و Claude

مقایسه DeepSeek با ChatGPT و Claude را نمی‌توان فقط با یک جدول «بهترین مدل» خلاصه کرد.

هرکدام نقاط قوت متفاوتی دارند.

این جدول به معنی برتری مطلق یک سرویس نیست؛ انتخاب مناسب به نوع کار، بودجه، نیاز به ابزارها و سیاست داده بستگی دارد.

آیا مدل‌های DeepSeek را می‌توان روی کامپیوتر شخصی اجرا کرد؟

این یکی از جذاب‌ترین ویژگی‌های اکوسیستم DeepSeek است.

برخی مدل‌ها و وزن‌های DeepSeek به شکل عمومی منتشر می‌شوند و جامعه توسعه‌دهندگان می‌تواند آن‌ها را دریافت و برای اجرای محلی یا ساخت سرویس‌های اختصاصی استفاده کند.

اما اینجا یک تفاوت مهم وجود دارد.

Open-weight بودن به معنی اجرای آسان روی هر کامپیوتری نیست.

V4.۱-Flash با وجود فعال کردن تنها بخشی از پارامترها، همچنان یک مدل بسیار بزرگ است.

برای اجرای نسخه‌های بزرگ در مقیاس مناسب، سخت‌افزار قدرتمند و حافظه زیادی نیاز است.

بنابراین برای یک کاربر معمولی، استفاده از نسخه آنلاین یا API بسیار ساده‌تر از اجرای کامل مدل روی کامپیوتر شخصی خواهد بود.

آیا DeepSeek برای شرکت‌ها مناسب است؟

برای شرکت‌ها، DeepSeek می‌تواند به دلیل هزینه پایین API و قابلیت‌های Agentic جذاب باشد.

شرکتی که روزانه میلیون‌ها درخواست مدل پردازش می‌کند، تفاوت میان چند دلار و چند ده دلار به ازای هر میلیون توکن را در مقیاس واقعی به‌سرعت احساس خواهد کرد.

از طرف دیگر، مدل‌های Open-weight امکان کنترل و سفارشی‌سازی بیشتری فراهم می‌کنند.

اما شرکت‌ها باید مسائل دیگری را نیز بررسی کنند:

• محل پردازش داده
• الزامات قانونی
• محرمانگی اطلاعات
• امنیت API
• پایداری سرویس
• قراردادهای سازمانی
• قابلیت ممیزی
• امکان اجرای مدل داخلی

در نتیجه، هزینه پایین به‌تنهایی دلیل کافی برای انتخاب DeepSeek در یک سازمان نیست.

DeepSeek چه چیزی را تغییر داده است؟

شاید مهم‌ترین تأثیر DeepSeek بر بازار هوش مصنوعی، یک مدل خاص نباشد.

تأثیر اصلی این شرکت در تغییر سؤال بازار است.

پیش از ظهور DeepSeek، رقابت بیشتر حول این سؤال بود:

«چه کسی بزرگ‌ترین و قدرتمندترین مدل را می‌سازد؟»

اما DeepSeek نشان داد یک سؤال دیگر نیز اهمیت دارد:

«چه کسی می‌تواند قابلیت مشابه را با هزینه کمتر ارائه کند؟»

V4.۱-Flash همین فلسفه را ادامه می‌دهد.

مدل بزرگ‌تر، اما با پارامترهای فعال کمتر؛

کانتکست طولانی، اما با KV Cache کوچک‌تر؛

توانایی Agentic بیشتر، اما با قیمت API پایین‌تر.

این نگاه می‌تواند در بلندمدت برای کل صنعت هوش مصنوعی مهم‌تر از یک رکورد بنچمارک باشد.

نقاط قوت DeepSeek

• عملکرد بسیار خوب در استدلال و برنامه‌نویسی
• تمرکز جدی روی Agentها
• قیمت بسیار رقابتی API
• معماری MoE و بهره‌وری محاسباتی
• پشتیبانی از کانتکست بسیار طولانی
• قابلیت درک تصویر در V4.۱-Flash
• ارائه مدل‌ها و وزن‌های قابل استفاده برای جامعه توسعه‌دهندگان
• اکوسیستم مناسب برای توسعه‌دهندگان
• تمرکز جدی روی کاهش هزینه اجرای مدل

نقاط ضعف DeepSeek

• نتایج بسیاری از بنچمارک‌های جدید هنوز عمدتاً از سوی خود شرکت اعلام شده‌اند
• عملکرد مدل در همه حوزه‌ها الزاماً یکسان نیست
• محدودیت‌های محتوایی در برخی موضوعات حساس
• نگرانی‌های مربوط به محل پردازش و ذخیره داده
• اجرای محلی مدل‌های بزرگ به سخت‌افزار بسیار قدرتمند نیاز دارد
• تجربه کاربری و اکوسیستم ابزارها همچنان در رقابت شدید با سرویس‌های بزرگ‌تر قرار دارد
• سرعت و کیفیت واقعی API می‌تواند با توجه به زمان و بار شبکه تغییر کند

آیا DeepSeek ارزش استفاده دارد؟

اگر هدف شما برنامه‌نویسی، حل مسئله، استدلال، کار با Agentها یا ساخت سرویس‌های هوش مصنوعی با هزینه پایین باشد، DeepSeek یکی از گزینه‌های جدی بازار است.

V4.۱-Flash نشان می‌دهد این شرکت دیگر فقط با شعار «مدل ارزان» رقابت نمی‌کند؛ بلکه روی معماری و بهره‌وری تمرکز کرده تا قابلیت بیشتری را با محاسبات کمتر ارائه دهد.

اما اگر قرار است اطلاعات بسیار محرمانه را وارد سرویس کنید، باید سیاست حریم خصوصی و محل پردازش داده را جدی بگیرید.

همچنین برای کارهای بسیار حساس، نباید تنها بر اساس بنچمارک‌های منتشرشده توسط سازنده تصمیم گرفت. آزمایش روی داده‌ها و سناریوهای واقعی خودتان اهمیت بیشتری دارد.

جمع‌بندی؛ DeepSeek هنوز رقیب جدی است؟

DeepSeek در سال ۲۰۲۶ دیگر همان پروژه‌ای نیست که صرفاً با قیمت پایین یا یک مدل استدلالی قدرتمند توجه بازار را جلب کرده بود.

V4.1-Flash نشان می‌دهد استراتژی این شرکت اکنون بر سه محور اصلی قرار گرفته است:

هوش بیشتر ← هزینه کمتر ← Agentهای قدرتمندتر

معماری MoE، تعداد پارامترهای فعال پایین‌تر، کاهش چشمگیر KV Cache، پشتیبانی از تصویر، تمرکز روی برنامه‌نویسی و قیمت پایین API همگی در همین جهت حرکت می‌کنند.

از طرف دیگر، نباید تحت تأثیر اعداد بنچمارک قرار گرفت و نتیجه گرفت DeepSeek در تمام زمینه‌ها از رقبای خود بهتر است. بخش قابل توجهی از داده‌های عملکردی V4.۱-Flash هنوز از سوی خود DeepSeek منتشر شده و برای قضاوت قطعی درباره همه توانایی‌های مدل به آزمایش‌های مستقل بیشتری نیاز است.

در نهایت، بزرگ‌ترین مزیت DeepSeek شاید یک رکورد خاص نباشد؛ بلکه توانایی ارائه مدل‌های بسیار قدرتمند با هزینه محاسباتی پایین‌تر است.

اگر این روند ادامه پیدا کند، رقابت آینده هوش مصنوعی فقط بر سر ساخت قدرتمندترین مدل نخواهد بود؛ بلکه بر سر ساخت کارآمدترین مدل با بهترین نسبت توانایی به هزینه شکل خواهد گرفت. و DeepSeek یکی از شرکت‌هایی است که این رقابت را جدی‌تر از همیشه دنبال می‌کند.