DeepSeek и открытые агентные модели против закрытых игроков

DeepSeek — китайская лаборатория, которая за 2024–2025 годы выпустила серию открытых моделей под лицензией MIT: базовую DeepSeek-V3 и модель с длинным рассуждением DeepSeek-R1. Их особенность не в том, что они «самые умные», а в том, что весы моделей лежат в открытом доступе на Hugging Face, а API стоит в разы дешевле, чем у закрытых конкурентов. Это меняет расклад: раньше выбор стоял между дорогим закрытым API и заметно более слабой открытой моделью, теперь разрыв в качестве сократился.

Что именно выпустила DeepSeek

DeepSeek-V3 — большая языковая модель с архитектурой Mixture-of-Experts^*: формально у неё сотни миллиардов параметров, но на каждый запрос активируется лишь часть из них, что удешевляет вычисления. DeepSeek-R1 построена поверх этого подхода и обучена «рассуждать» — выдавать цепочку размышлений перед ответом, как это делают модели линейки o1 у OpenAI.

Ключевые факты, которые важны на практике:

• весы обеих моделей опубликованы под лицензией MIT — их можно скачать, дообучить и запускать на своём железе без роялти;
• официальный API DeepSeek стоит существенно дешевле, чем API GPT-4-класса и Claude — на порядок по цене за миллион токенов на момент выхода;
• R1 показала результаты, близкие к o1, в математических и программистских бенчмарках, о чём заявляла сама компания в техническом отчёте.

Слово «агентные» здесь стоит уточнить. Сами модели DeepSeek — это языковые модели, а не готовые агенты^**. Но открытые весы и дешёвый API делают их удобным «мозгом» для агентных сборок: фреймворков, где модель вызывает инструменты, ходит в браузер, пишет и запускает код в цикле.

Главный сдвиг не в том, что открытая модель обогнала закрытую по одному бенчмарку. Он в том, что теперь можно собрать рабочий агент, не отдавая свои данные во внешний API и не платя за каждый шаг рассуждения.

Как это выглядит на фоне закрытых игроков

Прямое сравнение по «уму» — скользкая тема: результаты зависят от теста, версии модели и настроек. Ниже — сопоставление по тем свойствам, которые видно без спорных рейтингов.

Точные цены за миллион токенов и текущие версии сверяйте на официальных страницах: тарифы всех трёх игроков меняются каждые несколько месяцев, а модели выходят новыми ревизиями. Любую цифру, которую вы встретите в чужой статье полугодовой давности, стоит перепроверить.

Где открытость реально важна

Открытые весы дают три вещи, которых закрытый API не даёт в принципе:

1. Локальный запуск. Данные не покидают ваш контур — критично для медицины, юристов, финансов.
2. Дообучение^*** под задачу. Можно адаптировать модель на своём корпусе, а не жить на общих настройках вендора.
3. Отсутствие вендор-лока. Если политика или цены поставщика меняются, вы не переписываете весь продукт.

Кому это пригодится, а кому нет

Пригодится:

• командам, которые строят агентов с большим числом шагов рассуждения — здесь цена за токен решает, и дешёвый API DeepSeek экономит ощутимо;
• компаниям с требованиями к приватности: запуск на собственных серверах снимает вопрос передачи данных наружу;
• исследователям и разработчикам, которым нужно дообучение и полный контроль над поведением модели;
• тем, кто хочет снизить зависимость от одного зарубежного вендора.

Скорее не пригодится:

• тем, кому нужна готовая экосистема «из коробки» — Assistants API, встроенные инструменты, поддержка — здесь закрытые игроки пока удобнее;
• продуктам, где важна максимальная надёжность на редких языках и узких доменах: тут стоит тестировать все варианты на своих данных, а не верить общим бенчмаркам;
• командам без инфраструктуры для self-hosting — держать большую MoE-модель на своём железе недёшево по видеопамяти.

Отдельно про данные и юрисдикцию: DeepSeek — китайская компания, и её облачный API работает по китайскому регулированию. Если для вас это чувствительно, вариант с локальным запуском открытых весов как раз и снимает часть претензий — вы не отправляете запросы на серверы вендора.

Что это значит для рынка

Появление сильной открытой модели давит на цены закрытых. Когда сопоставимое качество доступно по лицензии MIT, платить премию за проприетарный API имеет смысл только за то, чего у открытой модели нет: экосистему, поддержку, стабильность релизов. Это не конец закрытых игроков — это конец их монополии на «умные» модели с рассуждением.

Практический вывод простой: если вы строите что-то на LLM в 2025 году, тестируйте минимум одну открытую и одну закрытую модель на своих реальных задачах. Разрыв достаточно узкий, чтобы экономика конкретного проекта решала исход, а не общий рейтинг из презентации.

^* Mixture-of-Experts (MoE) — архитектура, где сеть разбита на «экспертов», и на каждый запрос активируется лишь несколько из них. Это позволяет иметь много параметров при умеренной цене вычисления одного ответа.

^** Агент — не просто модель, отвечающая текстом, а система, где модель в цикле планирует действия, вызывает внешние инструменты (поиск, код, API) и использует их результат для следующего шага.

^*** Дообучение (fine-tuning) — дополнительное обучение готовой модели на своём наборе данных, чтобы адаптировать её под конкретную задачу или стиль.