딥시크 V4란? — 1년 기다린 이유가 있었다

2025년 1월, 딥시크의 ‘R1’ 모델이 실리콘밸리를 충격에 빠뜨렸습니다. 수백억 달러를 쏟아붓는 미국 빅테크와 거의 동등한 성능을 수십 분의 일 비용으로 구현했다는 사실은 AI 업계의 상식을 뒤집었습니다. 그 후 업계는 ‘후속 모델은 언제 나오나’를 1년 내내 기다려왔고, 그 답이 2026년 3월 4일 드디어 나왔습니다. 바로 딥시크 V4입니다.

V4는 R1과 성격이 다릅니다. R1이 추론(Reasoning)에 특화된 모델이었다면, V4는 텍스트·이미지·영상을 모두 처리하는 네이티브 멀티모달 범용 모델입니다. 파이낸셜타임스(FT)가 공개한 정보에 따르면 약 1조 개 규모의 파라미터를 갖추고, 최대 100만 토큰의 긴 문맥을 안정적으로 처리할 수 있습니다. 특히 코딩·소프트웨어 엔지니어링 분야에서 두드러진 성능을 보이는 것으로 알려졌으며, 유출된 벤치마크에서 코딩 테스트(HumanEval) 90% 이상을 기록했다는 보도도 있습니다.

제 시각에서 주목할 점은 V4가 단순히 ‘R1의 업그레이드’가 아니라는 것입니다. R1이 추론 AI 시장에 포탄을 날렸다면, V4는 범용 AI 시장 전체를 겨냥한 전략적 공세에 가깝습니다. GPT-4o, 제미나이 2.5, 클로드 오퍼스와 직접 경쟁하는 무대에 올라선 것이죠. 이것이 1년을 기다린 진짜 이유입니다.

▲ 목차로 돌아가기

R2 출시 지연의 진짜 범인 — 화웨이 칩의 실패

왜 R2는 1년 이상 나오지 않았나

2025년 4월에 나올 것이라고 알려졌던 R2는 무려 1년 이상 지연됐습니다. 로이터, FT 등 복수의 글로벌 매체가 보도한 지연의 핵심 원인은 바로 화웨이 어센드(Ascend) AI 칩의 기술적 한계입니다. 딥시크는 중국 정부의 압박으로 엔비디아 H100 대신 화웨이 칩으로 R2를 훈련하려 했지만, 칩 간 연결(인터커넥트) 속도 저하, 안정성 문제, 미성숙한 소프트웨어 툴링 등 삼중고에 시달렸습니다.

화웨이는 문제 해결을 위해 엔지니어 팀을 직접 파견했지만 상황은 나아지지 않았습니다. 결국 딥시크는 R2 학습을 엔비디아 칩으로 전환했고, 화웨이 칩은 추론(Inference) 단계에만 사용하기로 했습니다. 이 과정에서 불거진 또 다른 의혹은 딥시크가 미국의 수출 금지 대상인 엔비디아 블랙웰(Blackwell) 칩을 밀수해 훈련에 사용했다는 미국 정부 관계자의 발언입니다. 딥시크는 이에 대해 공식 확인도 부인도 하지 않고 있습니다.

V4는 왜 ‘R2’가 아닌 ‘V4’인가

여기서 중요한 개념적 구분이 필요합니다. 딥시크의 모델 라인업은 크게 두 계열입니다. ‘V(버전)’ 시리즈는 범용 기반 모델(Base Model)이고, ‘R(추론)’ 시리즈는 추론 특화 모델입니다. V4는 V3의 후속 범용 모델이며, R2는 R1의 후속 추론 모델입니다. V4와 R2는 별개 제품으로, V4가 먼저 나온 것입니다. 업계에서는 V4 공개 이후 R2도 조만간 등장할 것으로 예상하고 있으며, V4를 기반 삼아 파인튜닝된 R2가 나올 가능성이 높습니다.

▲ 목차로 돌아가기

V4 핵심 아키텍처 — Engram·mHC·DSA의 삼각편대

딥시크 V4를 단순히 ‘V3의 업그레이드’로 보면 본질을 놓칩니다. V4는 2026년 1~2월 딥시크가 연속으로 공개한 기술 논문들이 하나의 완성된 구조로 합쳐진 결과물입니다. 세 가지 핵심 혁신이 맞물려 동작합니다.

① Engram — 기억하는 AI의 탄생

2026년 1월 공개된 Engram 아키텍처는 AI 모델의 작동 방식 자체를 바꿉니다. 기존 트랜스포머 모델은 ‘2+2=4’같은 정적 사실도 매번 신경망 연산으로 처리했습니다. Engram은 이를 N-gram 방식의 메모리 룩업 테이블로 분리해 처리합니다. 즉, 알고 있는 사실은 기억에서 즉시 꺼내고(O(1) 상수 시간), 새로운 추론만 신경망에 넘기는 구조입니다. 인간의 장기 기억과 단기 작업 기억을 분리하는 방식과 유사합니다. 덕분에 100B 파라미터급 메모리를 GPU가 아닌 CPU에 오프로드해도 오버헤드가 3% 미만으로 유지됩니다.

② mHC(Manifold-Constrained Hyper-Connections) — 안정적 심층 학습

mHC는 딥시크가 2026년 1월 발표한 새로운 레이어 간 연결 방식입니다. 기존 신경망은 정보가 레이어를 순차적으로 흐르지만, mHC는 다중 경로로 흐릅니다. 다만 무제한 다중 경로는 그래디언트 폭발·소멸 문제를 일으키므로, 수학적 다양체(Manifold) 기하학 구조로 제약을 걸어 안정성을 확보합니다. 연결 통로를 4배 늘렸지만 실제 학습 비용은 거의 동일하게 유지됩니다. V3 대비 각종 벤치마크에서 일관된 성능 향상이 확인됐습니다.

③ DSA(DeepSeek Sparse Attention) + MLA — 장문맥의 왕

V3.2에서 먼저 도입된 DSA는 V4에서 더 정교해졌습니다. 경량 인덱서 모델이 전체 문맥에서 가장 관련성 높은 2,048개의 토큰만 선택해 어텐션 연산을 수행합니다. 100만 토큰 컨텍스트를 처리할 때 기존 방식 대비 연산량을 극적으로 줄입니다. MLA(Multi-head Latent Attention)와 조합하면 긴 문서 처리에서 메모리 사용량도 대폭 절감됩니다. B200 GPU 기준으로 Sparse MLA 연산에서 350 TFlops를 달성한 것으로 알려져 있습니다.

▲ 목차로 돌아가기

V4 vs 경쟁 모델 성능 비교표 — 어디서 앞서고 어디서 밀리나

딥시크 V4를 둘러싼 가장 현실적인 질문은 “그래서 GPT-4o나 클로드보다 낫냐?”입니다. 현재(2026년 3월)까지 공개된 정보와 유출 벤치마크를 종합하면, V4는 코딩과 장문맥 처리에서 경쟁 우위를 보이지만, 전반적인 추론 능력에서는 미국 최신 프론티어 모델과의 격차가 여전히 존재합니다. SBS 보도에 따르면 2026년 2월 기준 중국 최고 모델(지푸 AI의 GLM-5, 49.6점)과 미국 최고 모델(제미나이 3.1 Pro, 57.1점)의 격차는 여전히 줄어들지 않고 있습니다.

※ 벤치마크는 유출 자료 및 공개 정보 기반 추정치이며, V4 정식 공개 후 수치가 달라질 수 있습니다.

솔직히 말씀드리면, V4가 모든 영역에서 GPT-4o를 압도한다는 주장은 아직 시기상조입니다. 하지만 코딩과 장문맥 두 분야에서 GPT-4o급 성능을 훨씬 낮은 비용으로 제공한다면, 그것만으로도 개발자·연구자에게는 충분히 ‘게임체인저’입니다. 제가 가장 주목하는 건 오픈소스 전략과의 조합입니다. 오픈소스로 가중치가 공개되면 한국의 스타트업이나 개인 개발자도 V4를 자신의 서버에 올려 파인튜닝할 수 있습니다.

▲ 목차로 돌아가기

양회 타이밍의 정치적 의도 — 기술이 외교 무기가 된 이유

딥시크의 신모델 공개 날짜는 우연이 아닙니다. R1은 트럼프 취임식(2025년 1월 20일) 당일 공개됐고, 이전 V3 모델은 2024년 크리스마스에 나왔습니다. 그리고 V4는 중국 최대 정치 행사인 양회(全人代) 개막일인 2026년 3월 4일에 맞춰 베일을 벗었습니다. 조선일보 특파원 리포트는 이를 두고 “딥시크의 신제품 공개일은 늘 미국에 대항하는 중국의 메시지였다”고 분석했습니다.

V4에 담긴 또 다른 정치적 메시지는 칩 공급망 자립입니다. 딥시크는 V4와 관련해 엔비디아와 AMD에 사전 접근 권한을 주지 않았습니다. 대신 화웨이·캠브리콘 등 중국 칩 업체에 먼저 모델을 제공해 자사 프로세서에 최적화할 시간을 줬습니다. 이는 “추론 단계에서의 엔비디아 의존도를 낮추겠다”는 전략적 의지로 해석됩니다. 미국이 엔비디아 칩 수출 통제를 강화하는 가운데, 딥시크는 ‘화웨이 칩으로도 첨단 AI를 운용할 수 있다’는 것을 세계에 보여주려 합니다.

2026년 양회에서 발표된 중국의 15차 5개년 계획도 주목할 만합니다. AI를 ‘전기처럼 모든 산업에 흐르는 기초 인프라’로 명시하고, 반도체·자율주행·로봇·양자컴퓨팅·BCI까지 아우르는 ‘3단 산업 구조’를 제시했습니다. 딥시크 V4는 이 계획의 첫 번째 시위대에 불과합니다. 중국은 오픈소스 생태계에서 이미 미국을 앞섰고(허깅페이스 누적 다운로드 중국 8억 건 vs 미국 6억 건), 그 전략은 앞으로도 가속화될 것입니다.

▲ 목차로 돌아가기

한국 사용자 실전 활용 가이드 — 지금 당장 써야 하는 이유

개발자라면: 코딩 비용 절감의 기회

딥시크 V4의 API 가격은 공식 발표 전이지만, V3 기준으로 GPT-4o 대비 입력 토큰 가격이 약 90% 저렴했습니다. V4도 유사한 가격 정책을 유지할 가능성이 높습니다. 코드 리뷰, 리팩토링, 버그 수정 등 반복적인 코딩 작업에서 딥시크 V4 API를 활용하면 OpenAI 대비 비용을 대폭 줄일 수 있습니다. 특히 100만 토큰 컨텍스트 창은 대형 코드베이스 전체를 한 번에 넣어 분석하는 작업에 압도적으로 유리합니다.

연구자·학생이라면: 오픈소스 가중치의 혜택

V4의 오픈소스 공개가 확정되면, 한국의 대학 연구실이나 스타트업도 자체 서버(혹은 클라우드)에 V4를 올려 도메인 특화 파인튜닝이 가능해집니다. 예를 들어, 한국 법률·의료·금융 데이터로 파인튜닝하면 GPT-4o API를 매달 수백만 원씩 지불하지 않아도 됩니다. 딥시크의 오픈소스 전략은 결국 기술 민주화이며, 한국처럼 AI 비용 부담이 큰 중소 규모 플레이어에게 가장 큰 기회를 제공합니다.

일반 사용자라면: 무료 채팅 인터페이스 활용

딥시크 공식 웹사이트(deepseek.com)와 모바일 앱에서는 V4 기반 채팅 서비스를 무료로 이용할 수 있습니다. 한국어 지원도 되며, 복잡한 문서 요약, 번역, 코드 작성 등에서 ChatGPT Plus(유료)와 맞먹는 결과물을 무료로 얻을 수 있습니다. 다만 중국 기업 서비스인 만큼 민감한 개인정보나 기업 기밀을 입력하는 것은 피하시는 것이 좋습니다.

▲ 목차로 돌아가기

Q&A — 독자가 가장 많이 묻는 5가지

▲ 목차로 돌아가기

마치며 — 딥시크 V4, 두 번째 쇼크가 될 수 있을까

딥시크 V4는 단순한 AI 모델 업데이트가 아닙니다. 1년 이상의 지연 끝에 나온 이 모델은 화웨이 칩 실패라는 아픈 경험을 딛고, Engram·mHC·DSA라는 독자적 아키텍처 혁신으로 귀환했습니다. 코딩과 장문맥 처리에서 압도적인 효율을 보이며, 멀티모달 기능으로 텍스트를 넘어 이미지·영상까지 처리 영역을 확장했습니다.

물론 솔직하게 말씀드리면, V4가 GPT-4o나 클로드 오퍼스를 모든 면에서 앞서는 것은 아직 아닙니다. 미국 프론티어 모델과의 전반적 성능 격차는 여전히 존재합니다. 하지만 제가 진짜 주목하는 건 ‘성능 그 자체’가 아닙니다. 딥시크가 오픈소스 전략으로 글로벌 AI 생태계를 잠식하고 있다는 사실, 그리고 그 생태계 속에 한국의 개발자·연구자·기업이 자연스럽게 편입될 수 있다는 사실입니다.

V4에 이어 R2가 출시되는 시점, 그리고 오픈소스 가중치가 공개되는 순간이 진짜 게임의 시작입니다. 지금 딥시크 V4를 파악해두는 것은 단순한 정보 수집이 아닙니다. 앞으로 AI 비용을 아끼고, 더 강력한 도구를 먼저 쥐는 준비입니다. 외부 참고 자료로는 딥시크 공식 GitHub와 딥시크 R1 원본 논문(arXiv)을 직접 확인해 보시길 권합니다.

▲ 목차로 돌아가기