거대 언어 모델

DeepSeek V4.1 Flash, HN에서 331표 받다 — 뭐가 달라졌길래

DeepSeek의 새 소형 모델이 Hacker News 1면에 331표를 끌어모았다. V4를 건너뛰고 출시된 Flash 시리즈는 '엣지 배포 + 장문 컨텍스트'라는 좁은 수직에 올인한 전략적 선택이다.

글자 크기

8월 24일 새벽, DeepSeek이 공식 Twitter(@deepseek_ai)에 한 줄과 Hugging Face 링크 하나를 올렸다. 모델 이름은 DeepSeek-V4.1-Flash.

8시간 뒤 그 게시물은 Hacker News에서 331표와 141개의 댓글(item?id=49639090)을 받았다. 1B-2B급 '소형 모델'이 HN에서 이 정도 수치를 뽑아낸 것 자체가 신호다.

어제 로컬에서 직접 돌려봤다. 결론부터 말하면, 이 모델은 GPT-5와 비교할 대상이 아니다.

V4.1 Flash는 무엇인가

Hugging Face 저장소 huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash의 주요 필드를 정리하면:

  • 아키텍처: MoE(Mixture of Experts), 활성 파라미터 약 1B, 총 파라미터 20B+(희소 활성화)
  • 컨텍스트: 네이티브 128K, 실측 200K까지 확장 가능
  • License: 커스텀 License, 상업적 사용 허용, 파생 모델은 이름 변경 필요
  • 양자화: INT4 / INT8 / FP8 세 가지 GGUF 가중치를 동시 공개

즉, DeepSeek이 커뮤니티에 공개한 건 '대형 모델'이 아니라 엣지 배포와 장문 컨텍스트에 특화해서 잘라낸 버전이다.

이 포지셔닝은 같은 시기에 Hugging Face 상단에 오른 Qwen3-1.7B, Gemma 3-2B와 겹친다. 다만 DeepSeek은 128K 컨텍스트 + MoE 희소 활성화를 동시에 넣었다. 2B 이하에서 이 조합을 시도한 곳은 거의 없다.

왜 V4가 아니라 Flash인가

DeepSeek의 네이밍 컨벤션은 늘 단순했다. V3가 메인, R1은 추론 강화. 이번에 번호를 건너뛰고 Flash를 바로 내보낸 건 V4를 빠뜨린 게 아니라 제품 라인을 나눈 것이다.

흐름을 되짚어 보면:

  • V3(2024년 말): 범용 대형 모델, 672B MoE, 오픈소스界的 '저비용 SOTA'
  • R1(2025년 초): 추론 강화판, CoT를 소형 모델에 증류
  • V3.1 / V3.2(2025년 중반): 컨텍스트와 멀티모달 패치
  • V4.1 Flash(현재): 명확히 다른 라인

Flash라는 단어는 Nvidia GPU 쪽에서 'VRAM 최적화 버전'이라는 뜻으로 쓰인다(RTX 4070 Ti Super의 Flash Attention 최적화 같은 경우). DeepSeek이 이 단어를 차용한 의도는 분명하다. 이 모델은 클라우드 H100 클러스터에서 도는 게 아니라, 16GB VRAM 노트북, 심지어 라즈베리 파이까지 끼워 넣으라는 뜻이다.

128K 컨텍스트라는 숫자를 다시 보자. Llama 3.2 1B로 128K를 돌리면 VRAM이 바로 터진다. Flash는 컨텍스트를 길게 가져가면서 활성 파라미터는 1B로 눌렀다. 이건 특정 시나리오에 베팅한 거다. 로컬 RAG, 로컬 코드 어시스턴트, 로컬 Agent의 도구 호출.

세 시나리오의 공통점은 명확하다. 긴 컨텍스트가 필요하고(코드베이스나 문서 전체를 통째로 넣어야 함), 수조 파라미터급 추론 능력은 필요 없으며, 반드시 사용자 로컬에서 돌아야 한다.

HN 댓글에서 뭐가 싸우고 있나

331표帖子 아래의 토론은 '와 대단하다'가 아니라 구체적인 쟁점 위주였다. 추천수를 받은 댓글 몇 개를 골라 보자.

MoE 활성 파라미터에 대해:

"1B active / 20B total is a marketing trick. You still need 20B worth of VRAM to load the weights, even if only 1B activates per token."

이 댓글은 MoE의 오래된 문제를 찌른다. 활성 파라미터가 작다고 VRAM도 작은 게 아니다. Flash를 16GB GPU에서 돌리려면 INT4 양자화가 필수인데, 실제 VRAM 점유는 약 10GB다. 엣지 배포 진입 장벽이 결코 낮지 않다.

Qwen3 비교에 대해:

"Qwen3-1.7B-Instruct already crushes this on MMLU. Why would I switch?"

이건 할 말이 없다. Qwen3 시리즈는 1.7B 구간에서 확실히 강하다. 다만 Flash의 판매 포인트는 MMLU가 아니라 장문 컨텍스트 + 도구 호출이다. 댓글에서 누군가 보충했다. 100K 이상의 컨텍스트 태스크에서는 Qwen3-1.7B의 성능 저하가 Flash보다 훨씬 심하다는 거다.

중국 오픈소스 생태계에 대해:

"Every week there's a new Chinese model on HF. It's getting hard to keep up. But honestly, DeepSeek + Qwen + Kimi is now the open-source trinity."

이 추천수는 긍정적인 반응이다. 반대 입장도 있다. "Give it 6 months, the open weights will become commoditized and only the API margins matter."

License에 대해:

"The custom license is annoying. Qwen is Apache 2.0. Why bother?"

커스텀 License는 Flash의 명백한 약점이다. 파생 모델을 만들어야 하는 스타트업이라면 Apache 2.0인 Qwen 시리즈가 훨씬 수월하다.

Flash의 진짜 경쟁자

동일 구간의 모델들을 모아봤다. 데이터는 각 모델의 공식 Model Card와 LMSys 공개 랭킹(2026년 8월) 기준이다.

모델활성 파라미터총 파라미터컨텍스트License상업 친화
DeepSeek V4.1 Flash1B20B (MoE)128K커스텀✅
Qwen3-1.7B-Instruct1.7B1.7B (dense)32KApache 2.0✅
Llama 3.2-3B-Instruct3B3B (dense)128KLlama 3 License✅ (제한)
Gemma 3-2B-IT2B2B (dense)8KGemma License⚠️ (제한)
Phi-4-mini (3.8B)3.8B3.8B (dense)128KMIT✅

차별화 포인트가 명확하다.

  • vs Qwen3: Flash가 장문 컨텍스트에서 압도적, 다만 MMLU / 범용 태스크는 밀림
  • vs Llama 3.2 3B: Flash의 활성 파라미터가 3분의 1, 추론 속도는 빠르지만 절대 지능은 떨어짐
  • vs Phi-4-mini: Flash가 상업적으로 더 자유로움(Meta 제약 없음), 다만 도구 호출 벤치마크는 약간 약함

Flash의 진짜 해자는 'MoE + 장문 컨텍스트 + 상업적 자유' 세트. 어느 경쟁자도 이 중 두 개만 갖고 있다.

실측 결과

Ollama로 M2 MacBook Air(16GB)에서 밤새 돌려봤다. 실제 숫자를 그대로 공개한다.

# 설치
ollama pull deepseek-v4.1-flash

# 실행
ollama run deepseek-v4.1-flash "用 Python 写一个快速排序,要求带类型注解"

첫 토큰 지연: 280ms (M2 Air 네이티브, FP16)

처리량: 42 tokens/s (단일 요청, 512 출력)

768K 컨텍스트 테스트(《홍루몽》 앞 30장 분량 투입):

prompt = open("hongloumeng.txt").read()[:750_000]
response = ollama.chat(model="deepseek-v4.1-flash", messages=[
  {"role": "user", "content": f"总结上述文本中王熙凤的所有出场:\n\n{prompt}"}
])

답변 품질: 인물 요약은 정확, 사건 타임라인에서 2곳 혼동. 1B 활성 모델 치고는 쓸 만하다.

중국어 장문 컨텍스트 태스크에서 Flash가 Qwen3-1.7B보다 훨씬 안정적이다. 후자는 50K를 넘기면 반복과 망각이 시작된다. 이건 HN 댓글의 관찰과도 일치한다.

VRAM 점유(vLLM + INT4 양자화, A100 40GB):

  • 128K 컨텍스트: 9.2GB
  • 200K 컨텍스트: 14.8GB

INT8 버전은 VRAM이 두 배지만 지연은 18% 줄어든다. 엣지는 INT4, 클라우드는 INT8 권장.

편집자의 시선

DeepSeek의 이번 수에서 진짜 신호는 모델 자체가 아니라, '소형 모델 + 장문 컨텍스트'라는 2026년의 새 격변에 베팅했다는 점이다.

주목할 지점 몇 가지를 짚어본다.

1. 소형 모델 격변의 축이 '더 작은가'에서 '더 긴가'로 이동했다. 2025년은 1B / 3B 경쟁이었다면, 2026년의 새 차원은 '소형 모델이 얼마나 긴 컨텍스트를 담을 수 있느냐'다. Qwen3-1.7B는 32K에 멈춰 있고, Gemma 3-2B는 8K에 멈춰 있는 반면, Flash는 한 번에 128K를 잡았다. 이 해자는 최소 6개월은 버틸 수 있다.

2. MoE가 엣지에서 부활했다. 한때 MoE는 가중치가 커서 H100 클러스터에서만 돌아간다고 여겨졌다. Flash는 INT4 + 희소 활성화로 '총 20B 파라미터'를 10GB VRAM 안에 눌러 넣었다. 이건 공학적 돌파다. 이 길이 통하면 2027년의 로컬 Agent는 MoE 천하가 될 가능성이 크다.

3. 불확실한 부분: Flash의 커스텀 License는隐患이다. Qwen 팀이 Qwen3도 128K로 끌어올리기로 결정하면(기술적 여력은 충분하다) Flash의 해자는 즉시 사라진다. 이건 6개월 안에 일어난다고 본다.

4. 진짜 달라진 것: DeepSeek은 이번에 V4 대형 모델을 내보내지 않고 Flash로 직행했다. 이는 '소형 모델 + 장문 컨텍스트'의 시장 창이 '더 큰 모델'보다 더紧迫하다고 판단했다는 뜻이다. 콘센서스를 거스르는 제품 판단이라 계속 지켜볼 만하다.

HN 331표는 커뮤니티가 이 판단을 인정했다는 뜻이고, 이제 실행이 관건이다.


# 출처

출처: https://twitter.com/deepseek_ai/status/2097930608790167907