Intervjuer te pita: „Službeni DeepSeek V4 Flash ima mnogo manje aktiviranih parametara od V4 Pro — zašto je ipak prestigao Pro Preview u Agent sposobnostima?”

Ako odgovoriš „pa službena verzija je novija”, čestitam — izlaziš na desnu stranu i kući da čekaš obaveštenje.

Zašto?

Zato što intervjuer zaista želi da čuje: Flash ima samo 13B aktiviranih parametara, Pro ima 49B — skoro četiri puta više. U arhitekturi modela nije promenjen nijedan parametar, samo je ponovo urađen post-training. A rezultat? Na 9 Agent testova službeni Flash potpuno razbija Pro Preview.

Prelistao sam zvanični blog DeepSeek-a, tehničke analize sa HuggingFace-a i radove Terminal Bench-a i DeepSWE-a, pa ti mogu samouvereno, otvoreno i bez ikakvog ustezanja razjasniti tri stvari:

• Šta post-training zapravo radi i zašto može da podigne sposobnosti bez promene modela?
• Zašto Agent sposobnosti imaju malo veze sa brojem parametara?
• Kakvu praktičnu pouku iz ovoga izvlačimo za izbor modela?

Danas ti za 3 minuta razjašnjavam zašto post-training omogućava malom modelu da sruši veliki.

Vežite sigurnosne pojaseve, krećemo!

Prvo, prva stvar — šta post-training zapravo radi.

Da upotrebim poređenje. Pre-training je desetak i više godina školovanja, od osnovne škole do fakulteta — 32 biliona token-a znanja: fizika, hemija, matematika, književnost, sve poznaje. Ali znati sve ne znači i osvojiti visok broj poena na ispitu.

Post-training je ono specijalizovano rešavanje zadataka u poslednja tri meseca pre ispita. Znanje se nije povećalo, ali si naučio „kako da odgovoriš kad vidiš ovakav zadatak”.

Konkretno, u tri koraka.

Prvi korak, SFT — supervised fine-tuning. Model se uči kako da primi posao — koji je format tool call-ova, kako se popunjavaju parametri, kako se čita povratni rezultat. Kao da ti neko kaže „kako izgleda test”.

Drugi korak, optimizacija preferencija. Na gomili dobrih i loših odgovora radi se uporedno treniranje, da model nauči da razlikuje — koja sekvenca tool call-ova je ispravna, a koja samo izgleda ispravno, a u sebi krije zamku.

Treći korak, RL — reinforcement learning. DeepSeek koristi sopstveni GRPO algoritam: model u Agent zadacima iznova pokušava i greši — za tačno urađeno dobija nagradu, za pogrešno gubi poene. Kod i tool call-ovi su naročito pogodni za ovakvo treniranje, jer se ispravnost rezultata vidi čim se program pokrene — reward signal je čist i pouzdan.

Službeni V4 Flash se na ovaj način trenirao tri meseca. Nijedan od 284B ukupnih parametara nije dirnut, a ista je ostala i MoE arhitektura sa 13B aktiviranih.

A ti, pametni, sigurno si pomislio: čime post-training može da nadoknadi zaostatak u broju parametara?

Zato što su Agent sposobnosti i sposobnosti opšteg razgovora dve sasvim različite stvari.

Agent zadaci zahtevaju četiri posebne sposobnosti: planiranje — razlaganje složenog zadatka na više koraka; tool call — izbor pravog alata iz nekoliko stotina i ispravno popunjavanje parametara; oporavak od grešaka — uočavanje greške na pola puta i vraćanje unazad; praćenje na dugoj stazi — da posle nekoliko desetina krugova interakcije još uvek ne skrene sa pravca.

Ove četiri sposobnosti pre-training jedva da i dodiruje.

Zašto?

Cilj optimizacije u pre-trainingu je „predvidi sledeću reč”, a ono što Agentu treba jeste „donesi ispravnu odluku u stvarnom okruženju”. To su dva suštinski različita cilja.

Isti automobil, a razlika između početnika i iskusnog vozača u krivini — motor nije drugačiji, drugačija je vozačka strategija. Početnik u krivini uspori na 30 na sat, a iskusan vozač zna da može sa 60 da prođe uz samu liniju.

Naravno, savetujem ti da ipak prolaziš krivinu na 30 — na kraju krajeva, nije svaki iskusan vozač Takumi Fujiwara.

Dobro, da vidimo benchmark rezultate. DeepSWE je sa 7.3 poleteo na 54.4 — skok od više od sedam puta. Terminal Bench sa 61.8 na 82.7. Na ultimativnom Agent testu 25.2 poena, a Opus 4.8 ima 25.7 — razlika od svega 0.5 poena.

Open-source model sa 13B aktiviranih parametara izjednačio se sa jednim od trenutno najjačih zatvorenih flagšipova.

A ti, pametni, sad sigurno pitaš: čemu ovo služi pri izboru modela?

Služi — u Agent scenarijima ne gledaj samo broj parametara.

Flash za milion token-a ulaza košta trećinu cene Pro-a. A jedan Agent zadatak lako povuče desetine i stotine tool call-ova, pa lanac zadatka neprestano uvećava troškove. Isti posao Flash odrađuje jednako dobro, pa i bolje, a cena mu je dva do tri puta niža.

Takmičenje modela u 2026. već se prebacilo sa „ko ima više parametara” na „ko je bolje odradio post-training”. I DeepSeek je to shvatio — pored treniranja modela, oformio je i poseban tim za Harness, koji od nule pravi kinesku verziju Claude Code-a.

Priča se da će uskoro ugledati svetlost dana.

I na kraju, ukratko.

Post-training je treniranje strategije, a ne izgradnja novog motora. Agent sposobnosti ne zavise od veličine parametara, nego od toga da li je model posebno treniran za Agent zadatke. Još nešto: pri izboru modela prvo pogledaj Agent benchmark rezultate, pa cenu — broj parametara tek na kraju.

Da li si savladao ovu temu? Za još hardcore AI znanja, lajkuj i prati — vidimo se u sledećoj epizodi!