Et si la prochaine étape de l’intelligence artificielle ne consistait pas à construire des modèles toujours plus massifs, mais à concevoir des architectures plus intelligentes et plus efficientes ?

Et si la prochaine étape de l’intelligence artificielle ne consistait pas à construire des modèles toujours plus massifs, mais à concevoir des architectures plus intelligentes et plus efficientes ? Avec l’arrivée de V4, DeepSeek apporte un début de réponse concret à cette question.

Les signaux envoyés en amont se confirment. Les trois publications de recherche dévoilées en janvier — autour du “Model 1”, des approches inspirées des N-grams et d’un travail sur les hyperconnexions — se retrouvent intégrées dans l’architecture finale. Le rapport technique de V4 le confirme explicitement. Mais au-delà des principes, ce sont les chiffres qui marquent.

La version V4 Pro affiche 1 600 milliards de paramètres au total. Pourtant, grâce à une architecture Mixture of Experts (MoE), seuls 49 milliards de paramètres sont activés à chaque requête. Autrement dit, le modèle conserve la capacité d’un système extrêmement large tout en réduisant drastiquement le coût computationnel par inférence.

L’optimisation ne s’arrête pas là. Pour un contexte d’un million de tokens, V4 ne consomme que 27 % de la puissance de calcul requise par son prédécesseur. Sa mémoire de travail est réduite de 90 %. DeepSeek revendique ainsi un changement d’échelle en matière d’efficacité : une architecture pensée pour délivrer davantage avec moins de ressources.

La déclinaison V4 Flash pousse encore plus loin cette logique d’optimisation. Elle totalise 284 milliards de paramètres, dont seulement 13 milliards activés par requête, avec un positionnement tarifaire particulièrement agressif. L’objectif est clair : rendre des performances avancées accessibles à moindre coût.

Reste la question centrale : ces gains d’efficacité se traduisent-ils par une compétitivité réelle face aux meilleurs modèles du marché ? La réponse est nuancée.

Sur les benchmarks de codage et de raisonnement, V4 Pro surpasse l’ensemble des modèles open source disponibles. Sur les tâches dites “agents” — où l’IA doit planifier et enchaîner des actions de manière autonome — il se rapproche du niveau de Claude 4.5, selon des tests internes communiqués par DeepSeek. En revanche, le modèle demeure derrière GPT-5.4 et Gemini 3.1 Pro. Le rapport technique l’admet : V4 accuse un retard estimé entre trois et six mois par rapport aux modèles frontières les plus avancés.

Les réactions divergent. Certains observateurs jugent les performances en deçà des attentes suscitées. D’autres estiment que le rapport performance-prix change profondément la donne. Car l’enjeu dépasse le simple classement dans les tableaux de benchmarks.

Depuis cinq ans, l’industrie de l’IA suit une logique dominante : pour obtenir de meilleurs modèles, il faut mobiliser davantage de ressources — plus de GPU, plus d’énergie, plus de données, plus de capital. Cette vision se matérialise dans des projets comme Stargate, avec des annonces de plusieurs centaines de milliards de dollars pour la construction de centres de données géants.

DeepSeek adopte une stratégie radicalement différente. Son modèle V3, lancé en décembre 2024, aurait coûté moins de 6 millions de dollars à entraîner, selon les estimations publiées par l’entreprise. À titre de comparaison, le coût d’entraînement de GPT-4 est généralement estimé à plus de 100 millions de dollars. Les performances de V3 étaient pourtant jugées comparables à celles des modèles de référence de l’époque.

Cette approche n’est pas seulement le fruit d’une vision technique. Elle est aussi le résultat d’une contrainte géopolitique. Depuis 2022, les États-Unis restreignent l’exportation vers la Chine des puces les plus avancées, conçues à partir de technologies américaines. Privé d’accès aux meilleurs composants, DeepSeek a dû optimiser son architecture pour compenser ce désavantage matériel.

C’est précisément ce contexte qui confère à V4 une portée stratégique. Au-delà de ses performances intrinsèques, le modèle incarne une autre voie possible pour l’IA : non pas la course exclusive à la taille et à la puissance brute, mais la recherche systématique d’efficacité architecturale. Une orientation qui pourrait redéfinir les règles du jeu dans les années à venir.