DeepSeek تخفض أسعار DeepSeek-V4-Pro بنسبة 75 % وتجعل الطلبات المتكررة أرخص بـ10 أضعاف
أعلنت DeepSeek خصمًا بنسبة 75 % على نموذجها الرائد الجديد DeepSeek-V4-Pro، وخفضت في الوقت نفسه سعر الطلبات المتكررة والمتشابهة بمقدار 10 أضعاف عبر التخزين المؤقت (الكاش) للمدخلات. وهذه رسالة مباشرة للمطورين: النماذج القوية تصبح أرخص ليس على الورق فحسب، بل في السيناريوهات الفعلية التي تقوم على حركة بيانات نمطية وتعليمات طويلة وسياق ثابت.
معالج بواسطة الذكاء الاصطناعي من 3DNews AI؛ بتحرير Hamidun News
خفضت DeepSeek بشكل حاد كلفة الوصول إلى نموذجها الرائد الجديد للذكاء الاصطناعي DeepSeek-V4-Pro، إذ أعلنت الشركة خصمًا بنسبة 75 % للمطورين. وبالتوازي، خفضت سعر الطلبات المتكررة والمتشابهة بمقدار عشرة أضعاف على جميع منصاتها، مستفيدة من التخزين المؤقت للمدخلات. وبالنسبة لسوق الذكاء الاصطناعي، لا يُعد ذلك تعديلًا شكليًا في قائمة الأسعار، بل إشارة إلى أن المنافسة تنتقل أكثر فأكثر من ساحة الإعلانات الصاخبة إلى ساحة الاقتصاد الفعلي لاستخدام النماذج.
يتعلق الأمر بتغييرين في آن واحد. الأول هو خفض حاد في كلفة الوصول إلى DeepSeek-V4-Pro، التي تروّج لها الشركة بوصفها نموذجها الرائد الجديد. والثاني هو خفض منفصل في كلفة الطلبات التي يتكرر فيها جزء كبير من المدخلات أو يكاد لا يتغير. ففي مثل هذه السيناريوهات، لا يحتاج المزوّد إلى معالجة كامل النص من الصفر مجددًا، ما دام النظام قادرًا على التعرف على المقاطع التي سبقت معالجتها وإعادة استخدامها. وتزداد أهمية ذلك للمطورين في المنتجات التي تضم الكثير من التعليمات النظامية الطويلة والمطالبات (prompts) النمطية والسياق المتكرر.
وعمليًا، لن تقتصر الاستفادة من هذه الخطوة على المنصات الكبيرة، بل ستشمل الفرق الصغيرة أيضًا. فكثير من خدمات الذكاء الاصطناعي التطبيقية اليوم يُبنى حول السيناريوهات نفسها: مساعدات المحادثة، ودعم العملاء، والبحث في قاعدة المعارف المؤسسية، وتوليد المستندات، ومسارات عمل الوكلاء (agents) ذات الأدوار والقواعد الثابتة. وفي جميع هذه الحالات يبقى جزء كبير من الطلب ثابتًا في الغالب، ولا يتغير سوى مداخلة المستخدم أو المستند أو بعض المعاملات. وإذا أصبحت هذه الطلبات تحديدًا أرخص بأضعاف، تنخفض كلفة كل جلسة، وينخفض معها حاجز توسيع نطاق المنتج.
ويبرز تأثير آخر منفصل على اقتصاديات الوحدة (unit economics). فبالنسبة للشركات الناشئة والفرق التي تحتسب نفقاتها على مستوى كل مستخدم، كثيرًا ما تحدد أسعار API ما إذا كان بالإمكان أصلًا إطلاق ميزة ما في بيئة الإنتاج. وحتى النموذج القوي يفقد جاذبيته إذا كان تشغيله على حركة مرور حقيقية مكلفًا أكثر من اللازم. ويجعل خصم 75 % على النموذج الرائد DeepSeek-V4-Pro أكثر إتاحة بوضوح للاختبارات والمشاريع التجريبية والتبني الواسع. أما خفض كلفة الطلبات المتشابهة بعشرة أضعاف فيشكل حافزًا إضافيًا لتصميم المنتجات بحيث تضم سياقًا أكثر قابلية لإعادة الاستخدام، وتباينًا أقل لا حاجة إليه على مستوى المطالبات.
وثمة جانب تقني أيضًا. فالتخزين المؤقت للمدخلات يفيد قبل كل شيء الأنظمة التي يكبر فيها الجزء الثابت من الطلب: التعليمات، وسياسة الإجابة، وأوصاف الأدوات، والكتل المرجعية، وسجل الحوار، والمستندات النموذجية. وكلما زادت هذه البنية المستقرة، ارتفع الوفر المحتمل. وقد يدفع ذلك المطورين إلى إعادة النظر في بنية تطبيقاتهم: بنقل المقاطع الثابتة إلى قوالب، والتعامل بعناية أكبر مع ذاكرة الحوار، وتقليص الضوضاء في السياق، وتجميع الطلبات المتشابهة. أي أن DeepSeek تخفض فعليًا كلفة استدعاء النموذج نفسه، وكذلك كلفة النهج المنضبط في تصميم منتجات LLM.
وتنسجم هذه الخطوة أيضًا مع سياق أوسع للمنافسة السعرية في سوق الذكاء الاصطناعي التوليدي. فالمزوّدون يتنافسون منذ وقت طويل ليس في معايير الأداء (benchmarks) وطول السياق والقدرات متعددة الوسائط فحسب، بل أيضًا في كلفة السيناريو المفيد الواحد للأعمال. وبالنسبة للعملاء المؤسسيين، يُصاغ السؤال عادةً ببساطة: كم ستكلف معالجة ألف حوار، أو فهرس مستندات، أو طابور طلبات، أو عملية أعمال واحدة من أولها إلى آخرها؟ فإذا قدّم مزوّد جودة مماثلة بسعر أقل بوضوح، تغيّر مسار اختيار النموذج سريعًا. لذلك تراهن DeepSeek الآن ليس على التقنية فقط، بل على الجاذبية المالية لمنظومتها.
ومع ذلك، سيكون الأثر الاقتصادي متفاوتًا. فالمشاريع ذات الطلبات الفريدة قليلة التكرار ستشعر بانخفاض الأسعار بدرجة أقل من الخدمات التي تتعامل مع حجم كبير من الحركة النمطية. لكن منطق العرض نفسه مهم حتى في هذه الحالة: فالسوق يحصل على مؤشر واضح بأن النموذج الرائد لا يجب بالضرورة أن يبقى مرتفع الكلفة افتراضيًا. وبالنسبة للشركات التي تستخدم عدة مزوّدين في آن واحد، يمثل ذلك سببًا إضافيًا لمقارنة ليس جودة الإجابات فحسب، بل أيضًا بنية النفقات على العمليات النموذجية.
ما معنى ذلك: تحاول DeepSeek أن تكسب ليس بجودة النموذج فحسب، بل بكلفة امتلاكه أيضًا. فإذا حافظت الشركة على مستوى DeepSeek-V4-Pro، وأبقت في الوقت نفسه على هذه الشروط لواجهة API، سيشتد الضغط على المنافسين. وبالنسبة للمطورين، هذه لحظة مناسبة لإعادة احتساب اقتصاديات ميزات الذكاء الاصطناعي لديهم، وبالنسبة للسوق كله هي تأكيد آخر على أن المعركة الكبرى التالية لا تدور حول أكثر الإصدارات ضجيجًا، بل حول الطريقة الأكثر جدوى لإيصال النموذج إلى منتج حقيقي.
- 20 نوفمبر 2026SingProbe من Ant Group: حارس بـ 8,1 مليون معامل يبطئ نماذج LLM بأقل من 0,5%
- 20 نوفمبر 2026GLM 5.3 المحلي يضاعف سرعة الذكاء الاصطناعي على ESP32-S3 بنسبة 100%، وQwen 3.8 27B بنسبة 30%
- 19 نوفمبر 2026MLPerf Training: عناقيد بحجم 10 240 وحدة GPU وتسريع التدريب بنسبة 49% خلال نصف عام
- 19 نوفمبر 2026CoreWeave أرخص بما يصل إلى 65% من مزوّدي الحوسبة السحابية العملاقة على عنقود Blackwell لمدة 3 سنوات
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.