새 모델을 써 본 감상은 잠시 미뤄 두자. 월요일 아침 배포 담당자가 먼저 확인할 것은 날짜와 이름, 설정값이다. 아래는 그때 펼쳐 볼 운영 메모다.
1. 먼저 달력을 두 칸으로 나눈다
구분시점확인할 내용모델 GA2026년 8월 13일앱·웹·API 정식 제공, 앱·웹의 Expert Mode가격 체계 변경2026년 8월 16일 16:00 UTC피크·오프피크 요금 적용, 오프피크는 피크의 50%
GA 공지와 요금 변경이 같은 페이지에 있다고 해서 같은 순간에 발효되는 것은 아니다. 배포 기록에는 모델 전환 시각과 비용 정책 전환 시각을 각각 남겨야 한다. 한국 시각으로 가격 변경은 8월 17일 오전 1시다.
2. 모델 이름은 추측하지 말고 설정값으로 고정한다
공식 공지는 API 모델명이 유지된다고 설명한다. 현재 운영 파일에서 사용하는 이름은 deepseek-v4-pro다. 앱 화면의 “Expert Mode”와 API 식별자를 섞지 말아야 한다. UI 표시명은 바뀔 수 있지만 배포 설정은 정확한 API 식별자에 묶이기 때문이다.
전환 전에는 최소한 다음을 저장한다.
호출한 모델 식별자
요청 시각과 리전
추론 강도
사용한 API 형식
시스템 프롬프트와 도구 목록 버전
하네스와 샌드박스 버전
모델 이름만 남기면 같은 결과를 다시 만들 수 없다.
3. 추론 강도는 품질 버튼이 아니라 운영 변수다
V4-Pro와 V4-Flash는 low, high, max 세 단계의 사고 강도를 지원한다. 공식 안내는 단순 작업에 low, 일상적인 에이전트 작업에 high, 고난도 작업에 max를 제안한다.
하지만 팀의 기본값을 곧바로 max로 올리는 것은 좋은 운영이 아니다. 추론 강도는 지연시간, 토큰 사용량, 도구 호출 횟수, 실패 후 회복 방식에 영향을 줄 수 있다. 같은 평가 세트에서 세 단계를 각각 실행하고, 정답률뿐 아니라 비용과 시간까지 비교해야 한다.
권장 검증표는 다음과 같다.
짧은 분류·요약 20건은 low로 충분한가?
저장소 수정과 테스트 실행은 high에서 안정적인가?
max가 실제 성공률을 올리는 과제는 무엇인가?
강도가 높아질수록 불필요한 도구 호출이 늘지 않는가?
실패 시 재시도 비용까지 포함해도 이득인가?
4. Responses API 지원은 ‘호환’과 ‘동일’을 구분해야 한다
DeepSeek API는 OpenAI Responses API 형식을 네이티브로 지원하며 Codex용 설정 경로도 마련했다. 기존 도구 체인에 붙이기는 한결 쉬워졌다. 그렇다고 제공자가 다른 두 API가 똑같이 움직인다고 보면 곤란하다.
도구 호출 스키마, 스트리밍 이벤트, 오류 코드, 중단 처리, 컨텍스트 캐싱, 재시도 정책을 실제 요청으로 확인해야 한다. 기존 클라이언트가 연결됐다는 사실만으로 운영 호환성 검증이 끝난 것은 아니다.
5. 벤치마크 숫자에는 하네스 각주를 붙인다
공식 페이지의 에이전트 성능 표는 벤더가 공개한 결과다. 중국어 공지의 각주는 공개 코드 에이전트 과제를 DeepSeek Harness Minimal 모드, max, top-p 0.95, temperature 1.0 조건에서 평가했으며 다른 프레임워크에서는 결과가 달라질 수 있다고 밝힌다.
내부 문서에 “V4-Pro 몇 점”만 적어 두면 나중에 재현할 길이 없다. 적어도 모델·하네스·모드·샘플링·평가 세트는 한 줄에 함께 남겨야 한다. DSBench는 내부 평가 세트이므로 독립 벤치마크처럼 인용하지 않는다.
6. 오프피크 50%는 야간 배치 설계의 신호다
오프피크 가격이 피크의 절반이라면 즉시 옮길 후보는 실시간 대화가 아니다. 다음 작업부터 검토한다.
문서 대량 분류와 임베딩 전처리
야간 코드 리뷰와 테스트 생성
비긴급 데이터 정제
다음 날 사용할 리서치 초안
실패해도 재실행 가능한 평가 배치
반대로 사용자 응답, 승인 대기, 실시간 장애 대응을 가격 때문에 지연시키면 서비스 품질이 떨어진다. 비용 최적화는 작업의 시간 민감도를 분류하는 일에서 시작한다.
7. 같은 날 공개된 Harness를 별도 변경으로 기록한다
V4-Pro는 모델이고 DeepSeek Harness는 플러그인형 에이전트 런타임이다. 둘을 함께 도입하면 어떤 변화가 결과를 만들었는지 알 수 없다. 먼저 기존 하네스에서 모델만 교체하거나, 기존 모델에서 하네스만 바꾸는 식으로 변수를 분리해야 한다.
배포 전 최종 체크
GA 시점과 요금 발효 시점을 분리 기록했다
API 모델 식별자를 설정 파일에 고정했다
low/high/max를 대표 과제로 비교했다
Responses API의 오류·스트리밍·도구 호출을 시험했다
벤더 벤치와 내부 재현 결과를 구분했다
피크·오프피크 작업 큐를 분리했다
Harness 변경을 별도 릴리스로 관리했다
새 모델의 출시 소식은 한 줄이다. 운영 준비는 한 줄일 수 없다.
출처: DeepSeek-V4-Pro GA Release
DeepSeek V4 Pro, DeepSeek API, LLM 운영, Responses API, 추론 강도, 오프피크 요금, AI 에이전트, 모델 배포, 벤치마크, MLOps
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.