En février 2026, la startup chinoise d’IA DeepSeek a déployé une mise à jour majeure de son application en ligne et de son interface Web, signe d’une accélération vers la sortie de son modèle de nouvelle génération, DeepSeek V4. Bien qu’elle précède le modèle V4 complet, cette mise à jour a déjà suscité des discussions parmi les utilisateurs et les observateurs du secteur en raison de ses changements de comportement d’interaction, de ses capacités de contexte long et de ses tests préparatoires en vue de futurs potentiels.
DeepSeek s’est imposée sur la scène mondiale avec ses versions antérieures — notamment DeepSeek V3.2 et DeepSeek–R1 — qui combinaient de hautes performances sur les tâches et une scalabilité rentable. La sortie de R1, en particulier, a retenu l’attention internationale début 2025 pour avoir ébranlé les marchés mondiaux et pesé sur les performances boursières des concurrents, illustrant le potentiel disruptif de DeepSeek.
Qu’est-ce qui a exactement changé dans la récente mise à jour de DeepSeek ?
De quelle version s’agit-il et qu’est-ce qui a changé ?
La mise à jour récente concerne l’application en ligne et l’interface Web de DeepSeek, mais — point crucial — pas encore le modèle accessible via l’API. Selon plusieurs sources :
- La mise à jour actuelle de l’application se décrit au mieux comme un test de structure de contexte long — permettant aux utilisateurs du Web et de l’application d’accéder à une prise en charge allant jusqu’à 1 million de jetons de contexte. Il s’agit d’un saut significatif par rapport à la fenêtre de contexte d’environ 128 K dans l’offre API de DeepSeek V3.2.
- La mise à niveau augmente la mémoire effective pour une conversation ou une tâche unique, permettant au modèle de mémoriser et de traiter beaucoup plus d’informations. Des rapports indiquent qu’il s’agit effectivement d’une capacité mémoire 10× supérieure à la précédente — une percée pour le raisonnement multi-étapes et de longue durée.
- En termes d’appellation de version, la plupart des signaux publics suggèrent qu’il s’agit d’une avancée technique pré‑V4 — pas encore la publication officielle de DeepSeek V4, mais une étape fortement préparatoire.
Sous le capot : qu’est-ce qui motive ce changement ?
En coulisses, le dépôt GitHub de DeepSeek révèle des ajouts étiquetés avec un identifiant interne (« MODEL1 »), laissant supposer une nouvelle architecture de modèle distincte de V3.2. La structure du code pointe vers des techniques d’optimisation de la mémoire, des améliorations du support FP8 et une compatibilité avec les architectures GPU plus récentes de Nvidia — autant de composants clés attendus dans DeepSeek V4.
En outre, DeepSeek a publié des travaux sur « Engram », un module de recherche mémoire qui repense la manière dont les grands modèles de langage gèrent les contextes longs et les faits critiques. Engram semble se positionner comme une technologie fondatrice pour la prochaine génération — susceptible d’alimenter les capacités de mémoire étendue de DeepSeek V4.
Réactions des utilisateurs
- D’un côté, de nombreux utilisateurs sont enthousiasmés par l’extension du contexte et son potentiel pour des interactions plus approfondies et une résolution de problèmes plus complexe.
- De l’autre, une part significative des utilisateurs a commenté publiquement des changements de ton et de style conversationnel, décrivant des réponses moins engageantes, moins empathiques, ou simplement « plus froides » qu’auparavant — suscitant des discussions virales sur les réseaux sociaux.
Cette divergence met en lumière une réalité importante du déploiement de l’IA : les améliorations des capacités techniques peuvent remodeler l’expérience utilisateur de façon inattendue, nécessitant des affinements itératifs avant la sortie finale.
Quelles sont les fonctionnalités clés de cette mise à jour ?
1. Expansion massive du contexte
La prise en charge jusqu’à 1 million de jetons de contexte dans les interactions Web/app fait de DeepSeek l’un des rares modèles capables d’une compréhension globale et sans rupture des longues transcriptions, des bases de code, des documents juridiques ou des livres entiers en une seule session. Cela a d’énormes implications pour les usages concrets, de la recherche et de la rédaction à l’analyse de documents en entreprise.
2. Changements de style d’interaction
Le déploiement récent a sensiblement modifié le ton conversationnel de DeepSeek. De nombreux utilisateurs ont remarqué que l’interaction du modèle mis à jour paraît plus neutre ou « simple » — utilisant des identifiants génériques comme « User » plutôt que des surnoms personnalisés, et proposant des réponses plus concises en modes de raisonnement approfondi. Ces évolutions stylistiques ont fait parler sur les plateformes sociales, certains utilisateurs exprimant un malaise ou une surprise.
3. Date de coupure des connaissances et contexte mis à jour
La base de connaissances derrière l’application a été mise à jour pour refléter des informations jusqu’en mai 2025, bien que le service API reste sur V3.2 avec sa date de coupure précédente. Cette dissociation suggère que DeepSeek expérimente des améliorations incrémentales avant une mise à niveau complète de la plateforme vers la V4.
4. Préparatifs pour l’intégration de la V4
L’un des objectifs stratégiques clairs de la mise à jour est de tester l’infrastructure et l’expérience utilisateur en amont de la prochaine DeepSeek V4. La prise en charge de contextes étendus et les modifications de mémoire servent vraisemblablement de test d’effort en conditions réelles pour les architectures en cours de développement — aidant les développeurs à évaluer les performances, la fiabilité et les retours avant le déploiement complet.
Quelles nouvelles fonctionnalités techniques sont incluses dans la mise à jour et comment fonctionnent‑elles ?
Réactions des utilisateurs
- D’un côté, de nombreux utilisateurs sont enthousiasmés par l’extension du contexte et son potentiel pour des interactions plus approfondies et une résolution de problèmes plus complexe.
- De l’autre, une part significative des utilisateurs a commenté publiquement des changements de ton et de style conversationnel, décrivant des réponses moins engageantes, moins empathiques, ou simplement « plus froides » qu’auparavant — suscitant des discussions virales sur les réseaux sociaux.
Cette divergence met en lumière une réalité importante du déploiement de l’IA : les améliorations des capacités techniques peuvent remodeler l’expérience utilisateur de façon inattendue, nécessitant des affinements itératifs avant la sortie finale.
Engram : mémoire conditionnelle pour un rappel sélectif
Engram est l’idée phare de la mise à jour. Conceptuellement, il s’agit d’un mécanisme de récupération conditionnelle intégré à l’architecture du modèle : lorsque l’entrée contient des indices liés aux engrammes stockés, le réseau récupère des représentations vectorielles pré‑calculées pour compléter (ou parfois remplacer) des couches d’inférence coûteuses. Le bénéfice revendiqué est double : réduire les calculs répétitifs sur des connaissances statiques, et fournir un mécanisme robuste pour mettre à jour ou corriger la mémoire factuelle sans réentraîner le modèle complet. Les résumés techniques et aperçus pour développeurs montrent qu’Engram est destiné à la fois à la connaissance du code (bibliothèques, signatures de fonctions) et au rappel factuel à travers des documents.
mHC (hyperconnexions contraintes par des variétés)
mHC, tel que présenté dans l’aperçu et les notes techniques associées, est une stratégie architecturale visant à contraindre les interactions entre paramètres à des sous‑variétés pertinentes. Cette contrainte réduit le nombre d’activations par paires à calculer, améliorant l’efficacité de calcul à l’entraînement comme à l’inférence. L’idée est de préserver le pouvoir expressif là où cela compte (variétés pertinentes pour la tâche) tout en éliminant des calculs inutiles ailleurs — tirant ainsi davantage de valeur du même matériel. Les premières descriptions sont techniques et prometteuses, mais elles soulèvent aussi des questions d’implémentation et de vérification (voir ci‑dessous).
DeepSeek Sparse Attention (DSA) et contextes à un million de jetons
L’une des affirmations les plus tangibles est la prise en charge de contextes de 1 M+ jetons grâce à un mélange de techniques d’attention clairsemée et de logique de déclenchement dynamique. Si elle est réalisée en production, cela permet à un seul passage d’inférence de prendre en compte des dépôts entiers, de longues transcriptions ou des correctifs multi‑fichiers — un atout pour des tâches comme la synthèse de bases de code, les refactorisations multi‑fichiers et les agents conversationnels longue durée. Les documents de préversion et les benchmarks des fournisseurs font état de débits sur grands contextes et suggèrent des gains d’efficacité significatifs par rapport à certains concurrents. La vérification indépendante reste limitée à ce stade.
Que peut‑on attendre ensuite — et que nous apprend cette mise à jour sur DeepSeek v4 ?
Réponse courte : la mise à jour publique est à la fois une amélioration fonctionnelle et une rampe de lancement pour un déploiement plus ambitieux. Les informations de l’industrie et le calendrier de DeepSeek pointent vers un lancement imminent de la v4 (visé pour la période du Nouvel An lunaire) qui devrait intégrer une mémoire de long contexte, une architecture de mémoire spécialisée de type Engram, et des capacités améliorées en codage et en agents.
Voici une spéculation prudente, fondée sur des éléments tangibles, quant à ce que DeepSeek v4 inclura probablement — ancrée dans les signaux de changement actuels et les attentes du secteur.
Attente 1 — Mémoire native persistante et recherche indexée
Compte tenu des expérimentations à un million de jetons dans l’application et de l’accent explicite mis sur les agents dans la V3.2, la v4 devrait formaliser un sous‑système de mémoire qui conserve des connaissances indexées d’une session à l’autre (et pas seulement un contexte éphémère plus vaste). Ce sous‑système combinerait :
- Une recherche dense sur des embeddings stockés.
- Un découpage efficace pour équilibrer latence et coût en jetons.
- Une couche de cohérence pour recoudre les fragments récupérés dans la fenêtre de contexte interne du modèle.
Une telle implémentation permettrait aux agents de conserver des personnalités persistantes, des préférences utilisateur et un historique de projet riche sans réingérer les données à chaque session.
Attente 2 — Génération de code spécialisée et raisonnement multi‑fichiers
La maîtrise du code étant une priorité pour la v4, on peut attendre des optimisations du modèle et des améliorations sur les benchmarks ciblant les flux de travail des développeurs. Attendez‑vous à des capacités natives de refactorisation multi‑fichiers, une synthèse de tests unitaires améliorée, et une génération de code consciente des outils capable d’exécuter, d’évaluer et d’itérer sur le code via des chaînes d’outils en sandbox. Ce sont précisément les types de tâches rendus possibles par les modèles à long contexte.
Attente 3 — Accent renforcé sur la sécurité des agents et la vérification
Compte tenu de l’examen public des pratiques d’entraînement, DeepSeek privilégiera probablement l’auditabilité : journaux d’entraînement reproductibles, déclarations de provenance plus claires, et mesures de sécurité renforcées signalant les hallucinations ou les lacunes de provenance lors d’interactions multi‑étapes avec des outils. Attendez‑vous à des fonctionnalités produits qui rendent la provenance visible pour les clients entreprises et les chercheurs.
Attente 4 — Feuille de route compétitive et écosystème de partenaires
La feuille de route de la v4 sera interprétée comme un signal de marché par les acteurs nationaux et internationaux. Alors que les rivaux livrent des mises à jour offensives (des grands acteurs visant l’efficacité et le déploiement mobile aux acteurs de niche misant sur les modèles open source), DeepSeek devra équilibrer ouverture et défendabilité. Si la v4 apporte des gains significatifs à moindre coût, elle accélérera la tendance vers des modèles abordables et très performants en Chine et au‑delà — et intensifiera probablement la surveillance des politiques transfrontalières.
En conclusion : une force de l’IA en pleine croissance
La récente mise à jour de DeepSeek marque une étape significative vers une transformation plus large de l’intelligence artificielle. Bien que l’entreprise n’ait pas encore lancé la V4 dans son intégralité, les améliorations en préversion — notamment sur la longueur de contexte et la restructuration interactive — témoignent d’un engagement à faire progresser les capacités des LLM. Avec la V4 à l’horizon, DeepSeek est en passe de devenir un acteur central dans la définition de la prochaine ère d’IA à grande échelle, économique et performante.
Les développeurs peuvent accéder à Deepseek API via CometAPI dès maintenant. Pour commencer, explorez les capacités du modèle dans le Playground et consultez le guide de l’API pour des instructions détaillées. Avant d’y accéder, veuillez vous assurer que vous êtes connecté à CometAPI et que vous avez obtenu la clé API. CometAPI propose un prix bien inférieur au prix officiel pour vous aider à intégrer.
Prêt à vous lancer ?→ Inscrivez‑vous à Deepseek dès aujourd’hui !
Pour en savoir plus — astuces, guides et actualités sur l’IA — suivez‑nous sur VK, X et Discord !