딥시크 V4, 왜 지금 이 AI가 화제인가

딥시크 V4는 2026년 3월 4일, 중국 연례 최대 정치 행사인 양회(兩會) 개막일에 맞춰 전격 공개됐습니다. 타이밍 자체가 전략적인 메시지였습니다. 지난해 1월 딥시크 R1이 챗GPT와 맞먹는 성능을 수백 분의 1 비용으로 구현해 전 세계에 ‘딥시크 쇼크’를 안겼다면, V4는 그 충격의 2라운드를 예고하는 모델입니다.

당초 2026년 2월 춘절에 출시될 것이라던 V4는 약 한 달가량 지연됐습니다. 화웨이 어센드 칩으로 훈련을 시도했지만 안정성 문제에 봉착했고, 결국 훈련은 엔비디아 칩을 주력으로 쓰고 추론은 자국산 칩에 맡기는 ‘분업 전략’을 택한 것으로 알려졌습니다. 늦어진 만큼 더 완성도를 높이려 했던 딥시크의 신중함이 엿보이는 대목입니다.

핵심 스펙 완전 해부 — 1조 파라미터의 진짜 의미

딥시크 V4의 가장 눈에 띄는 수치는 총 파라미터 약 1조(1 Trillion) 개입니다. 그런데 ‘1조 파라미터’ 하면 막연히 비싸고 느릴 것이라 생각할 수 있지만, V4는 그렇지 않습니다. 비결은 MoE(Mixture-of-Experts, 전문가 혼합) 아키텍처에 있습니다. MoE는 모든 파라미터를 동시에 실행하지 않고, 각 토큰(단어 조각)마다 필요한 ‘전문가’ 서브네트워크 일부만 활성화합니다.

V4에서 실제로 활성화되는 파라미터는 약 37억 개 — 전작 V3와 거의 같은 수준입니다. 즉, 총 모델 크기는 V3 대비 50% 커졌지만, 실제 추론 비용은 거의 그대로입니다. 더 많은 ‘전문가’를 두고, 그중 적임자에게만 일을 시키는 방식이기 때문입니다.

특히 컨텍스트 윈도우가 128K에서 100만 토큰으로 확장된 점은 실무적으로 매우 중요합니다. 100만 토큰은 소설 15~20권 분량, 또는 중형 소프트웨어 프로젝트 전체 코드베이스를 한 번에 넣을 수 있는 크기입니다.

엔그램(Engram) 메모리 — 구글·클로드도 못 한 것을 해냈다

딥시크 V4의 기술적 핵심은 엔그램(Engram) 메모리 아키텍처입니다. 기존 트랜스포머 모델은 학습한 모든 지식을 신경망 가중치에 저장하고, 추론할 때마다 그 거대한 가중치 전체를 GPU 메모리에 올려야 했습니다. 이는 마치 답을 말할 때마다 백과사전 전체를 처음부터 읽는 것과 같은 비효율입니다.

엔그램은 ‘정적 지식(변하지 않는 사실)’과 ‘동적 추론(맥락 의존적 사고)’을 구조적으로 분리합니다. 고정된 지식은 값비싼 GPU VRAM 대신 저렴한 시스템 DRAM에 룩업 테이블 형태로 저장하고, 모델은 필요한 정보만 해시 조회로 즉각 가져옵니다. 이를 통해 100만 토큰 컨텍스트에서의 ‘바늘 찾기(Needle-in-a-Haystack)’ 정확도가 기존 방식의 84.2%에서 97.0%로 크게 향상됐습니다.

mHC: 1조 파라미터를 안정적으로 학습시키는 수학적 비결

함께 주목해야 할 기술이 다양체 제약 초연결(mHC, Manifold-Constrained Hyper-Connections)입니다. 모델이 깊어질수록 학습 신호가 기하급수적으로 불안정해지는 문제를 수학적으로 제어합니다. 싱크혼-크놉 알고리즘으로 연결 행렬을 ‘이중 확률 행렬’로 제약해, 아무리 깊은 구조라도 신호가 폭발하지 않고 안정적으로 학습될 수 있도록 합니다.

쉽게 말하면, mHC 덕분에 딥시크는 1조 파라미터 규모의 모델을 훨씬 적은 비용과 실패 없이 훈련시킬 수 있었습니다. 구글이나 앤트로픽이 막대한 자원을 쏟아부어 해결하는 문제를 딥시크는 알고리즘으로 우회한 셈입니다.

멀티모달 기능 — 이미지·영상까지 한 모델로 해결된다면

딥시크 V4는 텍스트 전용 모델이 아닙니다. 이미지 이해·생성, 영상 생성, 텍스트 생성을 단일 모델 안에 네이티브로 통합한 진정한 멀티모달 AI입니다. ‘네이티브’라는 표현이 중요한데, 이는 이미지 처리 기능을 사후에 어댑터로 붙인 게 아니라, 사전 훈련 단계부터 모달리티(데이터 종류)들을 함께 학습했다는 의미입니다.

이론상 네이티브 멀티모달은 교차 모달 추론에서 더 자연스럽습니다. 예를 들어 “이 UI 스크린샷의 문제점을 찾아서 수정된 버전을 이미지로 생성해줘”라는 작업처럼 시각 정보와 텍스트 추론을 동시에 요구하는 요청을 더 일관성 있게 처리할 수 있습니다. 영상 생성 기능이 OpenAI 소라(Sora)나 구글 Veo 3 수준과 경쟁할 수 있다면, 오픈소스 진영에서는 전례 없는 성취가 됩니다.

딥시크 V4 vs 경쟁 모델 — 벤치마크로 확인하는 실력 차이

V4 공개 전후로 인터넷에는 ‘SWE-bench 83.7%’ 같은 유출 벤치마크가 확산됐지만, 이는 검증되지 않은 조작 수치로 판명됐습니다. 비교 대상 모델들의 수치가 이미 알려진 공식 기록과 맞지 않았고, 해당 유출을 처음 올린 레딧 사용자가 게시물을 삭제했으며, FrontierMath를 운영하는 Epoch AI측도 허위임을 공식 확인했습니다.

그렇다면 실제 성능은 어떨까요? 공개된 아키텍처 분석에 따르면, 코딩 벤치마크인 HumanEval에서 약 90%, SWE-bench Verified에서 80% 이상이 목표로 알려져 있습니다. 이는 현재 최고 수준인 Claude Opus 4.5(80.9%)와 비견되는 수치입니다. 물론 독립 기관의 검증 결과가 나오기 전까지는 신중하게 받아들여야 합니다.

V3에서 V4로의 SWE-bench 점프폭이 30%p 이상으로 예상된다는 점은 매우 이례적입니다. 엔그램 메모리의 전체 저장소 파악 능력이 코딩 벤치마크에서 특히 유리하게 작용할 것이라는 기술적 근거가 있기 때문에, 단순 과장이라고 보기도 어렵습니다. 향후 LMSYS나 BigCode 같은 독립 기관의 평가가 나오면 실체가 드러날 것입니다.

추론 비용의 충격 — 100만 토큰에 단 0.27달러

딥시크 V4가 기술 커뮤니티에서 가장 뜨겁게 회자되는 이유 중 하나가 바로 가격입니다. 100만 토큰당 약 0.27달러(약 370원)라는 추론 비용은, 구글 Gemini 3.1의 12달러, Claude Opus 4.5의 약 15달러와 비교하면 40~55배 저렴합니다.

비용 구조로 보는 실전 임팩트

엔비디아 없이 만든 AI — 중국 반도체 굴기의 현실

딥시크 V4에서 지정학적으로 가장 눈에 띄는 사실은 미국 반도체 기업에 사전 접근권을 제공하지 않았다는 점입니다. 보통 AI 모델 출시 전에는 엔비디아·AMD 등 칩 업체에 최적화 협업을 요청하는 것이 관행인데, 딥시크는 화웨이·캠브리콘 등 자국 기업과만 사전 작업을 마쳤습니다.

그러나 현실은 복잡합니다. 화웨이 어센드 910B 칩만으로 훈련을 완주하려던 시도가 안정성 문제로 실패했고, 결국 훈련은 엔비디아 칩(블랙웰)을 주력으로 하되 추론은 자국 칩에 맡기는 분업 구조를 택한 것으로 알려졌습니다. 완전한 탈엔비디아라기보다는 ‘부분적 기술 자립’에 가깝습니다.

소비자 하드웨어에서도 구동 가능한가?

Apache 2.0 오픈소스로 공개되는 V4 가중치를 직접 돌리려면 어느 정도 하드웨어가 필요할까요? 양자화(Quantization) 설정에 따라 달라집니다.

개인이 로컬에서 돌리기는 여전히 진입 장벽이 있습니다. 하지만 Ollama, LM Studio 같은 오픈소스 추론 도구들이 빠르게 V4를 지원할 것으로 예상되며, 4비트 양자화 기준 RTX 5090 한 장 수준의 하드웨어로 구동 가능하다면 ‘진짜 로컬 AI’가 현실화하는 첫 번째 1조 파라미터 모델이 됩니다.

실전 활용법 — 지금 당장 딥시크 V4를 써봐야 하는 이유

딥시크 V4를 가장 즉각적으로 활용할 수 있는 경로는 딥시크 공식 웹사이트를 통한 API 또는 챗 인터페이스입니다. Apache 2.0 라이선스 적용으로 상업적 이용도 자유롭습니다.

분야별 추천 활용 시나리오