DeepSeek : modèles V4 et R1, licence MIT, API et usages en entreprise

DeepSeek est un laboratoire chinois d'intelligence artificielle qui conçoit des grands modèles de langage et les distribue de deux façons : sous forme de poids téléchargeables, sous licence MIT, et sous forme de services hébergés, une API et une application conversationnelle. Son nom est surtout associé à des modèles de grande taille, ouverts et peu coûteux à utiliser.

L'entreprise a été fondée en juillet 2023 à Hangzhou par Liang Wenfeng, qui en est aussi le dirigeant. Il avait auparavant cofondé High-Flyer, un fonds d'investissement quantitatif qui utilisait l'apprentissage automatique pour ses stratégies et disposait de ses propres grappes de GPU. DeepSeek en est issue et a été financée par ce fonds à ses débuts, sans lever de capitaux auprès des grands groupes technologiques.

Ses premiers modèles, DeepSeek-Coder et DeepSeek-LLM, sortent fin 2023. En mai 2024, DeepSeek-V2 introduit deux choix d'architecture qui deviendront sa marque : le mélange d'experts (Mixture of Experts) et une forme d'attention économe en mémoire, la Multi-head Latent Attention. DeepSeek-V3, publié en décembre 2024, puis DeepSeek-R1, un modèle de raisonnement publié en janvier 2025 sous licence MIT, lui donnent une visibilité mondiale. L'application DeepSeek se hisse alors en tête des téléchargements dans plusieurs pays. Suivent DeepSeek-V3.1 et V3.2 en 2025, puis la génération DeepSeek-V4 à partir d'avril 2026.

Comme les modèles de Mistral AI ou de Qwen, ceux de DeepSeek sont des modèles à poids ouverts que l'on peut héberger soi-même. Ils se distinguent par leur taille, leur licence très permissive et le soin apporté à la réduction du coût d'entraînement et d'inférence.

À retenir : DeepSeek est à la fois un fournisseur de modèles ouverts et un service hébergé en Chine. Pour une entreprise européenne, ces deux facettes appellent des analyses très différentes.

DeepSeek publie peu de modèles, mais de grande taille, et met régulièrement à jour ceux qui sont servis par son API. Les noms d'API ont eux-mêmes changé : deepseek-chat et deepseek-reasoner, utilisés jusqu'en 2026, ont été remplacés par des noms liés à la génération V4. Vérifiez la documentation au moment du choix.

La génération V4 se décline en deux tailles. DeepSeek-V4 Pro compte environ 1 600 milliards de paramètres, dont une cinquantaine de milliards activés par token ; V4 Flash est nettement plus petit. Les deux acceptent un contexte d'un million de tokens et proposent plusieurs niveaux d'effort de réflexion. Publiée en prévisualisation en avril 2026, la génération est devenue disponible en version finale durant l'été 2026. En septembre 2026, DeepSeek-V4.1-Flash, multimodal en entrée, a remplacé V4 Flash comme modèle par défaut de l'API.

Pourquoi DeepSeek a-t-il marqué le secteur ?

En décembre 2024, le rapport technique de DeepSeek-V3 indique que son entraînement final a demandé environ 2,8 millions d'heures de GPU H800, un volume nettement inférieur à celui généralement attribué aux modèles comparables. Ce chiffre exclut la recherche, les essais préalables et l'achat du matériel : il ne mesure pas le coût total du projet. Un mois plus tard, DeepSeek-R1 montre qu'un modèle ouvert peut s'approcher des meilleurs modèles de raisonnement propriétaires de l'époque, en s'appuyant largement sur l'apprentissage par renforcement.

La sortie de R1, fin janvier 2025, a provoqué une forte réaction des marchés et relancé le débat sur l'efficacité des modèles face à la course aux capacités de calcul.

Quelles innovations techniques retenir ?

• Mixture of Experts : chaque modèle est découpé en nombreux « experts », dont seule une petite partie est activée pour chaque token. Le modèle garde une grande capacité tout en limitant le calcul par requête.
• Attention économe en mémoire : la Multi-head Latent Attention (V2 et V3), puis l'attention creuse de V3.2 et l'attention compressée de V4 réduisent la mémoire nécessaire pour les longs contextes, un poste de coût majeur en inférence.
• Apprentissage par renforcement : R1 a été entraîné en récompensant les réponses vérifiables (calculs, code) plutôt qu'en imitant uniquement des exemples. DeepSeek a aussi décrit GRPO, une variante d'optimisation par renforcement moins coûteuse.
• Efficacité d'entraînement : entraînement en précision réduite (FP8), prédiction de plusieurs tokens à la fois et optimisation fine des communications entre GPU.

DeepSeek est l'un des laboratoires qui ouvrent le plus leurs modèles, mais il faut distinguer les différents éléments.

• Poids des modèles : DeepSeek-R1, les versions de V3 publiées à partir de mars 2025, V3.1, V3.2 et la génération V4 sont publiés sous licence MIT. Elle autorise l'usage commercial, la modification, la redistribution et l'entraînement d'autres modèles à partir des sorties, sans seuil de chiffre d'affaires.
• Modèles plus anciens : plusieurs modèles de 2023 et 2024, dont DeepSeek-V2 et la première version de V3, ont été distribués avec une licence propre à DeepSeek, qui ajoute des restrictions d'usage. Les versions distillées de R1 héritent en partie de la licence de leur modèle de base, Qwen ou Llama.
• Recherche et outils : les rapports techniques sont publics et plusieurs bibliothèques d'infrastructure ont été publiées en open source, notamment en février 2025.
• Données et code d'entraînement : ils ne sont pas publiés. Il s'agit donc de modèles « à poids ouverts » plus que de projets open source au sens strict.
• Services : l'API et l'application sont des services commerciaux exploités par DeepSeek, soumis à ses conditions d'utilisation et à sa politique de confidentialité.

À retenir : la licence MIT rend l'auto-hébergement juridiquement simple. La question de conformité porte surtout sur le service hébergé, pas sur les poids.

La réponse dépend entièrement du mode d'accès, car les données ne suivent pas le même chemin.

Avec l'API ou l'application de DeepSeek, la politique de confidentialité indique que les données personnelles sont collectées, traitées et stockées en République populaire de Chine. La Chine ne bénéficie pas d'une décision d'adéquation de la Commission européenne : un tel transfert exige des garanties appropriées au sens du RGPD. En janvier 2025, la Garante italienne a ordonné le blocage de l'application en Italie. En juin 2025, la Commissaire à la protection des données de Berlin a signalé l'application à Apple et Google comme contenu illicite, estimant que le transfert des données vers la Chine n'était pas conforme. D'autres autorités européennes ont ouvert des enquêtes ou adressé des demandes d'information.

Avec un modèle auto-hébergé, ou proposé par un cloud dans une région européenne, aucune donnée n'est transmise à DeepSeek.

Quelques points restent à examiner dans les deux cas :

• Contenu : le modèle a été aligné pour respecter la réglementation chinoise, ce qui peut se traduire par des refus ou des réponses orientées sur certains sujets politiques. L'effet est plus marqué sur le service hébergé, mais il est aussi présent dans les poids.
• Politique de sécurité : certaines administrations, aux États-Unis et en Australie notamment, interdisent les produits DeepSeek sur leurs systèmes. Votre organisation peut avoir des règles comparables.
• AI Act : depuis août 2025, les fournisseurs de modèles d'IA à usage général mis sur le marché européen ont des obligations de documentation. L'entreprise qui intègre le modèle dans un système à haut risque a ses propres obligations.

OpenAI est le point de comparaison le plus fréquent : c'est face à ses modèles de raisonnement que DeepSeek-R1 a été évalué en 2025. Les deux proposent des modèles par API et un assistant grand public, mais leurs politiques d'ouverture, leurs prix et leur cadre juridique diffèrent fortement.

Lequel choisir ? DeepSeek se justifie lorsque vous pouvez auto-héberger le modèle, que le coût par requête pèse lourd et qu'une licence permissive compte, ou pour des données non sensibles via l'API. OpenAI se justifie lorsque vous avez besoin d'un catalogue multimodal complet, d'engagements contractuels et d'outils d'administration, et que l'auto-hébergement n'est pas une exigence. Dans les deux cas, comparez la qualité sur vos propres données, le coût au volume réel et la latence. Une architecture qui isole le choix du modèle derrière une interface commune permet de passer de l'un à l'autre, d'autant que l'API de DeepSeek reprend le format de celle d'OpenAI.