DeepSeek V4 önizlemesi, milyon tokenlık bağlam penceresi ve düşük fiyatlarla yapay zekâ liderlerini hedef alıyor

12 dakikalık okuma
DeepSeek V4 önizlemesi, milyon tokenlık bağlam penceresi ve düşük fiyatlarla yapay zekâ liderlerini hedef alıyor

İki Model, Yapay Zekâ Yarışına Ölçek ve Daha Düşük Maliyet Getiriyor

DeepSeek, 24 Nisan 2026'da DeepSeek-V4-Pro ve DeepSeek-V4-Flash'ın önizleme sürümlerini yayımladı. Modeller, 1 milyon tokenlık bağlam penceresini OpenAI, Anthropic ve Google üzerinde yeni bir fiyat baskısı yaratan ücretlerle bir araya getiriyor. Amiral gemisi Pro modeli 1,6 trilyon, Flash ise 284 milyar parametreye sahip. Bu da Çinli yapay zekâ laboratuvarının önde gelen Amerikan sistemleriyle rekabet etme yönündeki bugüne kadarki en iddialı girişimi.

İçindekiler
  1. İki Model, Yapay Zekâ Yarışına Ölçek ve Daha Düşük Maliyet Getiriyor
  2. Bir Trilyon Parametreyi Daha Yönetilebilir Kılmak
  3. Milyon Tokenlık Bağlam Penceresi Neyi Değiştiriyor?
  4. Pro, Önde Gelen Modellere Ne Kadar Yaklaşıyor?
  5. Fiyatlar Hem Premium Hem Bütçe Rakiplerine Meydan Okuyor
  6. Uzun Belgeler İçin Daha Az Hesaplama ve Bellek
  7. Çin Çipleri Stratejik Bir Boyut Katıyor
  8. Modelleri Kendi Sisteminizde Çalıştırmak Ne Gerektiriyor?
  9. Rekabet, Finansman ve Kapasite Sınırı
  10. Özet

Hangzhou merkezli girişim aynı anda iki hedefin peşinde: daha yüksek performans ve daha düşük maliyetli erişim. Bildirilenlere göre V4-Pro, yazılım onarımlarını içeren bir kıyaslamada Claude Opus 4.6'ya yaklaşıyor. V4-Flash'ın fiyatı ise milyon çıktı tokenı başına 0,28 dolar. Her iki model de eğitilmiş bir yapay zekâ sisteminin nasıl yanıt vereceğini belirleyen sayısal ayarlar olan ağırlıkları erişime açılarak, izin koşulları esnek MIT lisansı altında yayımlanıyor.

Lansman, DeepSeek'in R1 akıl yürütme modelinin, gelişmiş yapay zekâ yeteneklerinin önde gelen sistemlerle ilişkilendirilen maliyetlerin çok altında geliştirilebileceğini göstererek 1 trilyon dolarlık piyasa çalkantısına yol açmasının tam bir yıl sonrasına denk geliyor. V4, bu meydan okumayı fiyatın ötesine taşıyor; DeepSeek kodlama, matematik ve diğer zorlu görevlerde daha doğrudan rekabet etmeyi hedefliyor.

DeepSeek, sınırlılıkları da kabul ediyor. Şirketin değerlendirmesine göre V4-Pro, genel bilgi ve akıl yürütmede en gelişmiş rakiplerin gerisinde. Güçlü bilgi işlem donanımındaki kıtlık da Pro hizmetinin kapasitesini kısıtlıyor. Yayımlanan sürüm bir önizleme niteliğinde; ayrıca şirketin ilk dış finansman arayışında olduğu bildiriliyor.

Temel vaat açık: Kullanıcılar modellere üzerinde çalışmaları için çok daha fazla materyal verebilir, yanıtlar için daha az ödeyebilir ve uygun donanımla yayımlanan modelleri kendi sistemlerinde çalıştırabilir. Uygulamadaki seçenekler, kullanılan modele ve sağlanabilecek bilgi işlem donanımının kapasitesine bağlı.

Reklam

Bir Trilyon Parametreyi Daha Yönetilebilir Kılmak

V4-Pro toplam 1,6 trilyon parametre içeriyor, ancak belirli bir çıkarım işlemi sırasında yaklaşık 49 milyarını etkinleştiriyor. Çıkarım, önceden eğitilmiş bir modelin yanıt üretmek için kullanılması sürecidir. V4-Flash'ın toplam parametre sayısı 284 milyar; bunların yaklaşık 13 milyarı etkin. Model, yanıt hızının önemli olduğu uygulamaları ve tüketici donanımında kullanımı hedefliyor.

Her iki model de Uzmanlar Karışımı (Mixture-of-Experts) mimarisini kullanıyor. Her hesaplamada modelin tüm parçalarını devreye sokmak yerine sistem, her girdi tokenını seçilen uzman ağlara yönlendiriyor. Tokenlar, modelin işlediği sözcük veya sözcük parçası gibi metin birimleridir. Bu yaklaşım, her adımda kullanılan hesaplama miktarını sınırlarken modelin geniş bir öğrenilmiş bilgi havuzuna erişmesini sağlıyor.

1,6 trilyon parametreli yoğun bir modelde tüm ağın devreye girmesi gerekir; böyle bir modeli çalıştırmak aşırı maliyetli olurdu. DeepSeek bunun yerine, uzman havuzunu genişletirken V4-Pro'nun etkin parametre sayısını önceki V3.2 nesliyle yaklaşık aynı düzeyde tutuyor. Amaç, bilgi işlem gereksinimlerini orantılı biçimde artırmadan kodlama, matematik ve çok dilli görevlerde daha derin uzmanlaşma sağlamak.

V4-Pro, ağırlıkları kamuya açık olan ve şimdiye dek yayımlanan en büyük modellerden biri. Flash da aynı genel yaklaşımı daha küçük ölçekte uyguluyor. Böylece geliştiriciler, amiral gemisinin daha yüksek kapasitesiyle bilgi işlem kaynaklarına daha az yük getirmek üzere tasarlanmış bir model arasında seçim yapabiliyor.

Milyon Tokenlık Bağlam Penceresi Neyi Değiştiriyor?

Her iki V4 modeli de 1 milyon tokenlık bir bağlam penceresini kabul ediyor. Bu, tek bir istemde yaklaşık 15 ila 20 tam uzunlukta romanın metnine karşılık geliyor. Bağlam penceresi, kullanıcının sağladığı talimatlar ve belgeler de dahil olmak üzere, modelin yanıtını hazırlarken göz önünde bulundurabileceği bilgi miktarıdır.

DeepSeek'in Hibrit Dikkat Mimarisi, Sıkıştırılmış Seyrek Dikkat (Compressed Sparse Attention) ile Yoğun Sıkıştırılmış Dikkat'i (Heavily Compressed Attention) bir araya getiriyor. Dikkat, modelin ilgili bilgi parçalarını ilişkilendirmesine yardımcı olan mekanizmadır. Bu yöntemler, metin çok uzadığında gereken işlem gücünü ve belleği azaltmayı amaçlıyor.

Reklam

DeepSeek, bir milyon token içeren geri getirme testlerinde standart dikkat mekanizmalarının yüzde 84,2'lik sonucuna karşılık yüzde 97 doğruluk elde ettiğini öne sürüyor. Bu testler, modelin büyük miktarda metin içine gömülü belirli bir ayrıntıyı bulup bulamadığını ölçüyor; bu sorun genellikle «samanlıkta iğne» problemi olarak anılıyor. Bağlam büyüdükçe, geleneksel Transformer dikkat mekanizmaları bu ayrıntıları geri getirmekte zorlanabiliyor.

Şirketin yaklaşımı, geri getirme kalitesindeki bu düşüşü gidermeyi amaçlıyor. Önerilen kullanım alanları arasında tüm bir yazılım kod tabanını, kapsamlı bir hukuk belgesi koleksiyonunu veya yıllara yayılan konuşma geçmişini işleyip tek tek ayrıntılara erişimi korumak bulunuyor.

Bilgi getirmeyle güçlendirilmiş üretim sistemleri (RAG) geliştirenler de bundan yararlanabilir. Bu sistemler, bilgiyi bir yapay zekâ modeline aktarmadan önce genellikle harici bir koleksiyondan ilgili içerikleri buluyor. Daha geniş ve güvenilir bir bağlam penceresi, belgeleri çok sayıda parçaya bölme ve anlam temelli aramalar için bilgileri düzenleyen harici vektör veritabanlarını kullanma gereksinimini azaltabilir ya da ortadan kaldırabilir.

Pro, Önde Gelen Modellere Ne Kadar Yaklaşıyor?

Bağımsız değerlendirmelere ve DeepSeek'in kendi raporlamasına dayanan V4-Pro kıyaslama sonuçları, modelin birçok önde gelen sisteme yakın olduğunu gösteriyor. Bir modelin herkese açık kod içeren projelerdeki gerçek GitHub sorunlarını çözme becerisini ölçen SWE-bench Verified'da yaklaşık yüzde 80,6 puan alıyor. Claude Opus 4.6'nın puanı yüzde 80,8. Bu ölçütte iki model birbirine yakın sonuçlar verirken Pro, ağırlıkları erişime açık modellerin önceki birçok rekorunu geride bırakıyor.

Matematik de bildirilen güçlü yönlerden biri. V4-Pro, HMMT 2026'da yüzde 95,2, IMOAnswerBench'te ise yüzde 89,8 puan alıyor. İkinci ölçütte Claude Opus 4.6'nın önünde, GPT-5.4'ün ise az farkla gerisinde.

Rekabetçi programlama sonuçları da DeepSeek'in amiral gemisi modelinden yana. Bildirilen Codeforces derecesi 3206; GPT-5.4'ün 3168, Gemini 3.1 Pro'nun ise 3052. Bu değerlendirmeler, bir asistandan istenebilecek işlerin tüm yelpazesi yerine programlama problemlerinin çözümüne odaklanıyor.

DeepSeek'in genel bilgi ve akıl yürütmeye ilişkin kendi değerlendirmesi daha temkinli. Şirket, V4-Pro'yu geliştirme bakımından Google'ın Gemini 3.1 Pro'su ve diğer önde gelen sistemlerin yaklaşık üç ila altı ay gerisinde konumlandırıyor. Daha fazla akıl yürütme tokenı kullanarak problemleri ele alan V4-Pro-Max'e ilişkin değerlendirmesinde DeepSeek şöyle diyor:

DeepSeek-V4-Pro-Max, akıl yürütme tokenlarının artırılmasıyla standart akıl yürütme kıyaslamalarında GPT-5.2 ve Gemini-3.0-Pro'dan daha yüksek performans gösteriyor. Bununla birlikte performansı GPT-5.4 ve Gemini-3.1-Pro'nun az farkla gerisinde kalıyor. Bu da modelin gelişim çizgisinin, son teknoloji ürünü öncü modellerin yaklaşık 3 ila 6 ay gerisinde olduğunu gösteriyor.

Reklam

Flash, daha küçük ölçeğine rağmen rekabetçi kalıyor. MMLU-Pro'da yüzde 86,2 puan alıyor; Pro'nun puanı yüzde 87,5. LiveCodeBench'te Flash yüzde 91,6, Pro ise yüzde 93,5 puana ulaşıyor. Çalışmaları bu yeteneklere uygun geliştiriciler, bildirilen performansın büyük bölümünü koruyarak işletme maliyetlerini azaltmak için küçük modeli tercih edebilir.

Fiyatlar Hem Premium Hem Bütçe Rakiplerine Meydan Okuyor

V4-Flash'ın fiyatı milyon girdi tokenı başına 0,14 dolar, milyon çıktı tokenı başına 0,28 dolar. Girdi tokenları modele gönderilen materyali, çıktı tokenları ise modelin ürettiği metni kapsıyor. Böylece soru sormanın maliyetiyle uzun bir yanıt almanın maliyeti birbirinden ayrılıyor.

Flash, OpenAI'ın GPT-5.4 Nano modeli için açıkladığı milyon token başına 0,20 dolar girdi ve 1,25 dolar çıktı ücretlerinin; Gemini 3.1 Flash-Lite için açıklanan sırasıyla 0,25 dolar ve 1,50 dolarlık ücretlerin altında kalıyor. Bu bütçe seçenekleri arasında DeepSeek'in çıktı fiyatı özellikle düşük.

V4-Pro'nun fiyatı milyon girdi tokenı başına 1,74 dolar, milyon çıktı tokenı başına 3,48 dolar. Claude Opus 4.6 için bu tutarlar girdi başına 5, çıktı başına 25 dolar; GPT-5.4 içinse 2,50 ve 15 dolar. DeepSeek'in amiral gemisi, bazı kıyaslamalarda benzer sonuçları rakip premium hizmetlerden yaklaşık yüzde 50 ila 80 daha düşük maliyetle sunacak şekilde konumlandırılıyor.

Sağlanan tasarruf, gelen materyal ile üretilen yanıtlar arasındaki dengeye bağlı. Örneğin Pro'nun 3,48 dolarlık çıktı fiyatı, GPT-5.4'ün 15 dolarlık fiyatından yaklaşık yüzde 77 düşük. Buna karşılık Pro'nun 1,74 dolarlık girdi fiyatı, GPT-5.4'ün 2,50 dolarlık fiyatından yaklaşık yüzde 30 düşük. Bu nedenle uzun yanıtlar üreten bir görevle çoğunlukla büyük belgeleri okuyan bir görevin maliyet karşılaştırması farklı olacaktır.

DeepSeek, daha önce R1'i benzer OpenAI hizmetlerinden yaklaşık yüzde 90 daha düşük API maliyetleriyle piyasaya sürmüştü. Rakipler daha sonra fiyatlarını ayarladı ve gelişmiş modellerini ücretsiz hizmet planlarını kullananlara açtı. Sektör analistlerine göre geliştiriciler, modellere bir uygulama programlama arayüzü (API) üzerinden erişmenin maliyetini karşılaştırdıkça V4 de premium ve bütçe sınıfındaki yapay zekâ hizmetlerinde benzer bir baskı yaratabilir.

Reklam

Uzun Belgeler İçin Daha Az Hesaplama ve Bellek

DeepSeek, fiyatlandırma stratejisini mimari verimliliğe bağlıyor. Şirket, bir milyon token içeren bağlamlarda V4-Pro'nun V3.2'nin gerektirdiği kayan nokta işlemlerinin yalnızca yüzde 27'sini ve anahtar-değer önbelleğinin yüzde 10'unu kullandığını söylüyor. V4-Flash ise V3.2'ye kıyasla işlemlerin yüzde 10'unu, önbelleğin yüzde 7'sini kullanıyor.

Genellikle FLOP kısaltmasıyla anılan kayan nokta işlemleri, donanımın gerçekleştirdiği sayısal hesaplamalardır. Anahtar-değer önbelleği, daha önce işlenmiş metindeki bilgileri saklayan çalışma belleğidir. Model yanıt üretirken aynı işlemleri tekrarlamak zorunda kalmaz.

Bildirilen rakamlar, uzun bağlam senaryolarında Pro için yüzde 73, Flash içinse yüzde 90 daha az hesaplama anlamına geliyor. Önbellek kullanımındaki düşüşler sırasıyla yüzde 90 ve yüzde 93. Hem hesaplama hem bellek gereksinimlerini azaltmak, DeepSeek'in erişim fiyatlarını düşük tutarken çok daha uzun girdileri nasıl desteklemeyi hedeflediğini açıklamaya yardımcı oluyor.

Büyük belge koleksiyonlarını işleyen bir geliştirici için bu iki maliyet birlikte önem taşıyor. Modelin hem materyali takip etmeye yetecek belleğe hem de yanıt üretmeye yetecek işlem gücüne ihtiyacı var. DeepSeek'in tasarımı yalnızca daha geniş bir bağlam sınırına dayanmak yerine her iki gereksinimi de hedefliyor.

Çin Çipleri Stratejik Bir Boyut Katıyor

Bildirilenlere göre DeepSeek, V4'ü Huawei Ascend 910B yapay zekâ hızlandırıcıları ile Cambricon MLU çiplerinin birleşimini kullanarak eğitti; doğrulamayı ise Huawei'nin Ascend NPU platformunda tamamladı. Bildirilen altyapı, önde gelen yapay zekâ modellerinin geliştirilmesinin büyük bölümünde kullanılan Nvidia donanımından farklı.

ABD'nin ihracat kısıtlamaları, Çin'in Nvidia'nın en güçlü çiplerine erişimini sınırlıyor. Dolayısıyla V4, kıyaslama puanlarının ötesinde önem taşıyor: Geliştirilmesi, bu ölçekte yapay zekânın Çin üretimi çiplerle kurulabileceğine işaret ediyor. Performans iddiaları bağımsız incelemelerde doğrulanırsa Huawei ve Cambricon, büyük yapay zekâ eğitim projeleri için uygulanabilir alternatifler olarak destek kazanabilir.

Counterpoint Research'ün baş yapay zekâ analisti Wei Sun, V4'ün Çin çiplerinde yerel olarak çalışabilmesinin Pekin'in kendi yapay zekâ altyapısını kontrol etme çabaları üzerinde önemli sonuçlar doğurabileceğini söyledi. Sun, daha geniş bir etkiye de dikkat çekti:

Bu, nihayetinde küresel yapay zekâ gelişimini de hızlandıracak.

Reklam

DeepSeek'in yerli donanım kullandığına ilişkin bildirimler, ticari hedeflerini Çin'in Amerikan teknolojisine bağımlılığı azaltma çabasıyla ilişkilendiriyor. Ayrıca büyük yapay zekâ sistemlerini eğitmek ve çalıştırmak için kullanılan ekipmanlara yönelik küresel tedarik zincirinin çeşitlenebileceğine işaret ediyor.

Modelleri Kendi Sisteminizde Çalıştırmak Ne Gerektiriyor?

DeepSeek, V4'ün nicemlenmiş sürümlerinin tüketici donanımında çalışabileceğini söylüyor. Nicemleme, modelin sayısal değerlerini daha düşük hassasiyetle saklayarak bunları bellekte tutmak için gereken alanı azaltıyor. Şirket, INT4 nicemlemesiyle V4-Flash'ın 32 GB video belleğine sahip tek bir Nvidia RTX 5090'da; INT8 hassasiyetiyle ise toplam 48 GB belleğe sahip iki RTX 4090 kartında çalışabileceğini belirtiyor.

Önerilen bu yapılandırmalar, DeepSeek'in erişilebilirlik iddiasında Flash'ı merkezi bir yere koyuyor. Verilerini kendi denetiminde tutmak, yanıt gecikmelerini azaltmak veya işletme maliyetlerini daha öngörülebilir kılmak isteyen geliştiriciler, her isteği uzaktaki bir hizmete göndermek yerine modeli kendi sistemlerinde çalıştırmayı değerlendirebilir.

Pro ise farklı ölçekte kullanıma yönelik. Tam ağırlıkları 865 GB yer kaplıyor ve tam hassasiyette çıkarım, birden fazla bilgi işlem düğümüne dağılmış GPU kümeleri gerektiriyor. DeepSeek ayrıca Pro'nun, model verilerini gerektiğinde sistem içinde hareket ettiren akış tabanlı dağıtım yöntemlerini destekleyebileceğini belirtiyor.

Kapalı modellerle arasındaki temel fark erişim ve denetim. Bu modelleri kullananlar API erişimine ve sağlayıcının veri merkezi altyapısına bağımlıyken, yayımlanan ağırlıklar geliştiricilerin kendi dağıtımlarını düzenlemesine olanak tanıyor. DeepSeek'in tüketici donanımına ilişkin iddiaları ile Pro için gereken çok daha büyük yapılandırma, bu sahiplik modeline giden farklı yolları ortaya koyuyor.

MIT lisansı, lisans ücreti olmadan ticari kullanıma ve değişiklik yapmaya izin veriyor. DeepSeek'in daha geniş kapsamlı yayımlama stratejisi Apache 2.0 lisansını da içeriyor. Bu yaklaşım, birçok Batılı laboratuvar önde gelen sistemlerini kapalı tutarken model ağırlıklarını erişime açma taahhüdünü sürdürüyor.

Rekabet, Finansman ve Kapasite Sınırı

DeepSeek'in duyurusu, yurt dışının yanı sıra Çin'deki baskıyı da artırıyor. R1'deki atılımdan bu yana Alibaba'nın Qwen'i, ByteDance ve Moonshot AI model yayımlarını hızlandırdı. V4 duyurusunun ardından MiniMax ve Zhipu'nun Hong Kong borsasındaki hisseleri yaklaşık yüzde 8 değer kaybetti.

Bildirilenlere göre DeepSeek, en az 300 milyon dolar hedefle ilk kez dış finansman arıyor; şirketin değerlemesinin 10 milyar doları aşması bekleniyor. Tencent ve Alibaba'nın da dahil olduğu görüşmeler, değerlemeyi 20 milyar dolara yaklaştırabilir. Böyle bir yatırım, şirketin daha önce yalnızca ana şirketi olan hedge fon işletmesi High-Flyer Capital Management'a dayanan finansman modelinde değişiklik anlamına gelir.

Reklam

DeepSeek, güçlü bilgi işlem donanımındaki kıtlık nedeniyle Pro hizmet kapasitesinin şu an sınırlı olduğu uyarısında bulundu. Huawei Ascend 950 süper düğümlerinin 2026'nın ikinci yarısında geniş ölçekte kullanıma alınmasının ardından Pro fiyatlarının önemli ölçüde düşmesini bekliyor. Kesin bir dağıtım tarihi verilmedi.

Lansman, yapay zekâ geliştirme konusundaki siyasi gerilimin sürdüğü bir döneme de denk geliyor. Beyaz Saray kısa süre önce Çin'i, yapay zekâ alanında endüstriyel ölçekte fikrî mülkiyet hırsızlığı yapmakla suçladı. Pekin Dışişleri Bakanlığı ise bu suçlamaları, Çin'in teknolojik ilerlemesine yönelik temelsiz saldırılar olarak reddetti.

Yakın dönemdeki gelişmeler ve açıklanan bir sonraki hedef şöyle:

  • V4'ün lansmanından bir yıl önce: DeepSeek'in R1 akıl yürütme modeli, 1 trilyon dolarlık piyasa çalkantısına yol açtı ve daha düşük maliyetleriyle dünya çapında ilgi topladı.
  • 24 Nisan 2026: DeepSeek, V4-Pro ve V4-Flash'ın önizleme sürümlerini yayımladı.
  • Duyurunun ardından: MiniMax ve Zhipu'nun Hong Kong borsasındaki hisseleri yaklaşık yüzde 8 değer kaybetti.
  • 2026'nın ikinci yarısı: DeepSeek, Huawei Ascend 950 süper düğümlerinin geniş ölçekte devreye alınmasını bekliyor; bunun ardından Pro fiyatlarında önemli düşüş öngörülüyor.

V4, rekabet baskısını birkaç alanda bir araya getiriyor: Başlıca rakiplerden düşük fiyatlar, önde gelen sistemlere yakın olduğu bildirilen kodlama ve matematik sonuçları, tüketici donanımından büyük kümelere uzanan dağıtım seçenekleri. DeepSeek'in kendi akıl yürütme açığı değerlendirmesi ve sınırlı kapasite uyarısı, 24 Nisan itibarıyla önizleme sürümünü anlamak açısından önemini koruyor.

Özet

  • DeepSeek, her ikisi de 1 milyon tokenlık bağlam penceresine sahip V4-Pro ve V4-Flash'ın önizleme sürümlerini 24 Nisan 2026'da yayımladı.
  • Pro'nun toplam 1,6 trilyon parametresinin 49 milyarı, Flash'ın toplam 284 milyar parametresinin ise 13 milyarı etkin.
  • Her iki model de lisans ücreti olmadan ticari kullanıma ve değişiklik yapmaya izin veren MIT lisansı altında yayımlandı.
  • Bildirilenlere göre Pro, SWE-bench Verified'da yaklaşık yüzde 80,6 puan alıyor; bu oran Claude Opus 4.6'nın yüzde 80,8'lik sonucuna yakın.
  • Flash'ın fiyatı milyon girdi tokenı başına 0,14 dolar, milyon çıktı tokenı başına 0,28 dolar; Pro'nun fiyatları ise sırasıyla 1,74 dolar ve 3,48 dolar.
  • DeepSeek, bir milyon token içeren bağlamlarda V3.2'ye kıyasla hesaplama ve önbellek belleği kullanımında büyük düşüşler olduğunu bildiriyor.
  • Bildirilenlere göre V4, eğitimde Huawei Ascend 910B ve Cambricon MLU çiplerini, doğrulamada ise Huawei'nin Ascend NPU platformunu kullandı.
  • DeepSeek, nicemlenmiş Flash için tüketici GPU yapılandırmaları önerirken Pro'nun tam ağırlıkları 865 GB yer kaplıyor.
  • Şirket, en güçlü akıl yürütme performansının önde gelen sistemlerin yaklaşık üç ila altı ay gerisinde olduğunu belirtiyor.
  • Pro kapasitesi sınırlı; Huawei Ascend 950 süper düğümlerinin 2026'nın ikinci yarısında geniş ölçekte devreye alınmasının ardından fiyatların düşmesi bekleniyor.
Bu haberi paylaş

Bunlar da ilginizi çekebilir