O czym jest ten film
- DeepSeek V4.1 to nowy, w pełni otwarty model (otwarte wagi, kontekst miliona tokenów), o mocy porównywalnej z GPT-5.6 Soul — przy cenie około 88 razy niższej niż GPT-6 Astra.
- Dzięki darmowej integracji Deep Astra można go uruchomić wewnątrz Codexa, tak by GPT-6 Astra delegowała mu zadania z dostępem do waszych plików i narzędzi.
- Benchmarki potwierdzują skok jakości: Automation Bench 54,8 pkt (u poprzednika 37,7), SWE-bench 74,2 proc., Terminal-Bench 2.1 — 90,6 proc.
- Praktyczna rada z konfiguracji: klucz API najlepiej wygenerować na platformie DeepSeeka — przez OpenRouter autor regularnie wpadał w limity zapytań.
- Po podpięciu Higgsfield (przez MCP/CLI) DeepSeek sam generuje grafiki i wideo, m.in. całą prezentację.
- W projektowaniu błyszczy przy przeróbkach istniejących systemów wizualnych (strona klienta, redesign pulpitu), a nie przy tworzeniu od zera — prezentacja wymagała trzech–czterech rund poprawek.
- W analizie danych dorównał Astrze: ponad 50 tysięcy wierszy, 17 pytań, stuprocentna trafność u obu modeli.
- Redesign dużego pulpitu w agenticznym systemie operacyjnym: 7 minut 18 sekund za mniej niż 10 centów.
- Ceny (wejście/wyjście): Astra 60 USD, GPT-5.6 24 USD, DeepSeek 0,75 USD poza szczytem — ale DeepSeek zużywa więcej tokenów, więc sam cennik nie wystarczy.
- Słabości: projektowanie od zera, najcięższe zadania programistyczne, złożone PDF-y, pytania eksperckie, weryfikacja faktów — tu zostań przy Astrze 6 lub Soul 5.6.
Redakcyjne tłumaczenie
Nowy DeepSeek: moc GPT-5.6 Soul za ułamek ceny
Właśnie wypadł zupełnie nowy model DeepSeeka. Po kilku dniach testów mogę powiedzieć jedno: jest 88 razy tańszy od GPT Astry, a wydajnością dorównuje GPT-5.6 Soul. Pokażę wam, kiedy po niego sięgać, w czym błyszczy i do czego się nie nadaje — a przede wszystkim, jak połączyć go z GPT Astrą, dziś najlepszym modelem na świecie, żeby osiągać świetne wyniki za znacznie mniejsze pieniądze. Bierzcie kawę i zaczynamy od Deep Astry.
DeepSeek w środku Codexa: Astra dyryguje, DeepSeek pracuje
Cała sztuka polega na tym, że nowego DeepSeeka można wpuścić do środka Codexa. (Informacja dodatkowa: Codex to środowisko agentowe OpenAI do pracy z kodem, dostępne w ChatGPT; „Deep Astra” to darmowe repozytorium na GitHubie, które spina je z DeepSeekiem.) Wielu z was zna zapewne tzw. harness DeepSeeka — ich wersję Claude Code, czyli narzędzie, w którym buduje się i programuje bezpośrednio w terminalu. Ale jest i druga droga. Pobieracie darmowe repo z GitHuba (link w opisie), kopiujecie jego zawartość i wrzucacie do Codexa razem z poleceniem: „otwórz DeepSeeka w terminalu wewnątrz Codexa w ChatGPT”. Wklejacie link — wszystko jest tam wytłumaczone — i narzędzie robi resztę.
Co z tego mamy? GPT Astra zyskuje możliwość oddelegowywania pracy do DeepSeeka, korzystając z waszych plików, narzędzi i wszystkiego, do czego już macie dostęp w ChatGPT. To naprawdę duży krok — zwłaszcza że ten model można też uruchamiać lokalnie, na własnym sprzęcie.
Benchmarki: skok o siedemnaście punktów i wyprzedzenie Opusa 5
Najpierw liczby, bo DeepSeek zrobił się nieprzyzwoicie mocny. Automation Bench mierzy, jak agent radzi sobie z wieloetapowymi zadaniami automatyzacji. Ten niebieski słupek po prawej to DeepSeek — porównajcie go z Opusem 5 i Soulem 5.6. (Informacja dodatkowa: Opus 5 to model Anthropic; GPT-5.6 Soul i GPT-6 Astra — modele OpenAI.) A żeby pokazać skalę postępu względem poprzednika: V4 kończył z wynikiem 37,7 pkt, V4.1 ma 54,8 pkt. Różnica kolosalna.
Kolejny sprawdzian — SWE-bench, czyli test realnych zadań programistycznych w kodzie repozytorium: 74,2 proc. Model wyprzedza Opusa 5 i wygrywa z Soulem 5.6 o ponad punkt procentowy. W Terminal-Bench 2.1, badającym pracę w terminalu i posługiwanie się narzędziami, notuje 90,6 proc. Do tego jest multimodalny — „widzi” obrazy, więc potrafi znacznie więcej niż tylko pisać kod.
Co to oznacza dla was? W działających aplikacjach webowych jest znakomity — raz jeszcze: lepszy od 5.6 — a wyniki w procesach biznesowych robią wrażenie. Obiecuję też pokazać, gdzie przy długich dokumentach błyszczy, a gdzie zawodzi. Sprawdzę to na trzech poziomach: projektowanie, realne procesy biznesowe i praca w agenticznym systemie operacyjnym. Zaczynamy od poziomu pierwszego.
Przy okazji: jeśli jesteście tu pierwszy raz — jestem Jack. Zbudowałem i sprzedałem startup technologiczny, który obsłużył niezliczoną rzeszę klientów; dziś tworzę własne firmy z branży AI i pokazuję na kanale wyłącznie to, co realnie działa. Jeśli taki format wam odpowiada, zasubskrybujcie, żeby nie przegapić kolejnych materiałów. Wróćmy do sedna: mamy dwa sposoby pracy z tym modelem — integrację Deep Astra oraz wspomniany harness z repozytorium.
Klucz API prosto od DeepSeeka — koniec z limitami
Praktyczna rana z pola, czyli z dziesiątek testów: konto zakładajcie na platformie DeepSeeka. Gdy korzystałem z OpenRoutera, co rusz wpadałem w limity zapytań. Gdy wygenerowałem klucz bezpośrednio u DeepSeeka — a taki klucz i tak można potem używać w OpenRouterze — limity zniknęły i wszystko zaczęło działać gładko. Wpłaciłem około 20 dolarów, kliknąłem „wygeneruj klucz” i tyle. Na tym jednym kluczu przepuściłem dziesiątki prób.
(Informacja dodatkowa: OpenRouter to pośrednik API, który daje dostęp do modeli wielu firm przez jedno konto.)
Higgsfield: dajemy DeepSeekowi narzędzie do grafiki
Do pierwszego testu potrzebny będzie jeszcze Higgsfield. (Informacja dodatkowa: Higgsfield — platforma do generowania obrazów i wideo, z dostępem do najnowszych modeli obrazowych, w tym GPT Image; spora część grafik użytych w tym materiale powstała właśnie tam.) Chcę dać DeepSeekowi tę umiejętność, żeby sprawdzić, co zrobi z grafiką.
Podpięcie jest banalne: na górze klikacie MCP, po prawej wybieracie CLI — link zostawiam w opisie. Tak przygotowaną konfigurację przekazujecie DeepSeekowi albo ChatGPT i łączycie komputer z Higgsfield. Od tej chwili model może odwoływać się do platformy bezpośrednio z kodu. A jeśli nie macie jeszcze tego połączenia, wystarczy poprosić GPT Astrę: „podłącz mnie do CLI Higgsfield” — zrobi to za was. U mnie odpowiedź padła natychmiast: CLI zainstalowane globalnie, można generować obrazy i wideo.
Test 1: prezentacja o DeepSeeku — ładna, ale po kilku rundach poprawek
Pierwsza próba: pełna prezentacja. Wszystkie grafiki powstały w Higgsfield, a zrobił to w całości sam DeepSeek V4.1 — w pełni otwarty model o frontierowym poziomie rozumowania, dostępny dla każdego, z kontekstem miliona tokenów i otwartymi wagami. Musiałem mu tylko pokazać wzorce: powiedziałem wprost, że podoba mi się wygląd pewnej strony, i kazałem przenieść ten styl na prezentację. I dostarczył.
Slajd otwierający: „Dwukrotnie więcej rozumowania, połowa wagi”. Dalej: „trzy rzeczy, które przebudowaliśmy”. Animacje naprawdę ładne — przypomnę: bez najmniejszego udziału Astry, wyłącznie DeepSeek. Całość jest prezentacją o nim samym, z komunikatem „dostępny już dziś”.
Nie było jednak różowo od pierwszego promptu — projekt wymagał ode mnie trzech, czterech rund poprawek. Z drugiej strony widać, że model umie realizować polecenia, jeśli napiszecie je precyzyjnie. W zakresie designu da więcej, niż się wydaje — trzeba mu tylko doprecyzować wymagania i pogadać chwilę w tę i we włą. I właśnie dlatego tak dobrze komponuje się z Astrą.
Test 2: strona klienta w gotowym systemie projektowym
Mam stronę zbudowaną przez GPT Astrę — i tu jest sedno pomysłu: Astra projektuje i stawia piękne serwisy, a gdy już stoją, przeróbki można oddać DeepSeekowi. Wyobraźcie sobie szablon przygotowywany dla klientów. Wrzuciłem mu tę stronę z poleceniem: zmień teksty tak, by pasowały do firmy Bricks, którą określiłem jako firmę z branży infrastruktury AI. Co dostałem? Przepisał wszystkie teksty, podmienił logotypy, zmienił grafiki i pozostałe elementy. Samych logo, rzecz jasna, nie zaprojektował — ale popatrzcie, jak wiernie trzyma się pierwotnej architektury i całego języka wizualnego strony. Gdybym kazał to robić Astrze, pewnie musiałbym brać drugi kredyt hipoteczny na opłacenie rachunku.
Ważne zastrzeżenie: DeepSeek nie jest jeszcze mistrzem budowania od zera. Nadal jest lepszy niż spora część modeli sprzed pół roku, ale przy zupełnie nowych projektach chodzi o to, by to Astra delegowała jemu przeróbki — nie odwrotnie. Jako wsparcie i kontynuator istniejących systemów — świetny. Na głównego projektanta — jeszcze nie.
Uwaga autora: kurs i agenticzny system operacyjny
Jeśli któreś z pojęć brzmi dla was jak hiszpański, w opisie czeka mój pełny kurs GPT Astry: podstawy AI, produktywność, systemy biznesowe i skalowanie, marketing, tworzenie treści, automatyzacje — czyli rzeczy do wdrożenia od razu, które oszczędzają czas i realnie przesuwają was do przodu. Kursant dostaje też natychmiastowy dostęp do całego mojego agenticznego systemu operacyjnego: pamięci, design systemów, systemów biznesowych i wszystkiego pozostałego.
Test 3: 50 tysięcy wierszy danych i równa walka z Astrą
Największą siłą DeepSeeka jest praca z danymi — pokażę, jak to wygląda w praktyce. Każdy z modeli, DeepSeek i Astra, przejrzał ponad 50 tysięcy wierszy — w tym ponad 45 tysięcy opłaconych zamówień — i odpowiedział na 17 pytań. Oba ze stuprocentową trafnością. Raporty widać na ekranie: jeden wykonał GPT (w nagraniu wypadło mi z początku „Atlas” — drobna potyczka językowa), drugi sam DeepSeek. W każdym są przychody, ich rozmieszczenie i odpowiedzi na wszystkie pytania. Szata graficzna raportu DeepSeeka nie dorównuje poziomowi Astry, ale merytorycznie wszystko się zgadza — i to ładnie współgra z jego wynikami w testach automatyzacyjnych.
Test 4: redesign pulpitu w agenticznym OS — 7 minut i 9,5 centa
Ostatni, najtrudniejszy sprawdzian: realny problem we własnym agenticznym systemie operacyjnym. (Informacja dodatkowa: agenticzny system operacyjny to autorski zestaw autora kanału — „system operacyjny dla biznesu”, który łączy konta, modele, pamięć i dane w jednym pulpicie.) Niedawno dodałem do niego moduł finansowy: podłączacie swoje konto i dostajecie przegląd wszystkich rachunków. Można zadawać pytania w stylu „ile pieniędzy mam otrzymać w tym miesiącu”, system pokazuje, ile wydajecie, i podpowiada, co poprawić. Wszystko liczone lokalnie, w duchu usługi Mercury. (Informacja dodatkowa: Mercury — popularna w amerykańskich startupach usługa konta firmowego.) Do tego nowy interfejs z rozbiciem na sekcje, a nawet onboarding, nad którym siedziałem osiem godzin — w środku można edytować strony i teksty, plus mnóstwo innych rzeczy. System sam odpowiada, podając model, którego użył — nie musiałem ruszyć palcem. To moje centrum dowodzenia.
I właśnie temu produktowi kazałem wykonać trudne zadanie: przerób mój pulpit, trzymając się co do joty tego samego systemu projektowego. To duży i złożony kawał oprogramowania, budowany od dłuższego czasu. I wiecie co? Zrobił to. Na ekranie widać efekt: zachował typografię, a jeden długi, przewijany ekran zamienił na sekcje. Najpierw przegląd — ile miesięcznie wydaję na AI, ile oszczędzam, jaka jest aktywność i podpowiedzi ulepszeń (system „śni” każdą noc i sam wyłapuje, co można poprawić). Potem szczegóły użycia oraz wszystkich dostępnych modeli wraz z ich osiągami. Dalej informacje o przestrzeni roboczej, systemach pamięci, grafach wiedzy i ich powiązaniach, a na końcu dane systemowe. DeepSeek pojął istniejący design system i zbudował w nim nowy pulpit.
Zawsze mogę kazać Astrze to sprawdzić — ale ciężką robotę wykonał DeepSeek. Za ile? Mniej niż 10 centów; konkretnie 9–9,5 centa. W jakim czasie? 7 minut 18 sekund. Gdyby przepuścić to samo zadanie po API przez model najwyższej półki, typu GPT Astra, rachunek byłby astronomiczny.
Prawdziwe ceny: nie patrz tylko na cennik
Jedno ważne „ale”: DeepSeek zużywa więcej tokenów niż Astra — zawsze. Astra ma wyższą „inteligencję na wydany token”, po prostu dokończy więcej pracy mniejszą liczbą tokenów. Ceny z cennika to więc tylko jedna strona medalu. Dla porządku, uwzględniając wejście i wyjście: GPT Astra — 60 dolarów, GPT 5.6 — 24 dolary, DeepSeek V4.1 — 75 centów, i to poza godzinami szczytu; w szczycie około dwa razy drożej. Przełomem jest już samo to, że wersje poddane kwantyzacji da się uruchamiać lokalnie: przy karcie RTX 5090 i odpowiedniej ilości RAM-u mówimy o zestawie za około 13 tysięcy dolarów i prędkości rzędu 5 tokenów na sekundę.
Sedno nie brzmi zresztą „porzućmy Astrę”. Moja filozofia jest inna: Astra to technologia frontierowa — po prostu pewne zadania potrafi za nas wykonać DeepSeek V4.1. A jeśli przekraczacie limity subskrypcyjne Astry, sama możliwość delegowania pracy tańszemu modelu robi ogromną różnicę.
Podłączyłem to nawet do narzędzia GL, którym transkrybuję. Mówię: „zapytaj DeepSeeka, kiedy wyszedł V4.1” — narzędzie otwiera harness i od razu dostaję odpowiedź wprost od modelu. Taka jest siła tego połączenia: mam teraz pod ręką gotowy kanał zadawania pytań. Przy okazji model sam zweryfikował fakty — premiera przypadła na około 10 września.
Czego DeepSeek jeszcze nie umie
Czas na słabsze strony. Po pierwsze, projektowanie od zera. Jeśli podacie mu mnóstwo materiałów referencyjnych i będzie wam stać na kilka rund poprawek, dojdziecie do dobrego efektu — ale w przeliczeniu na wasz czas to fałszywa oszczędność. Ja bym tak nie robił. Do zmieniania i rozbudowy istniejących systemów — jak najbardziej; niech siedzi w tle jako koń roboczy, bo jest pod tym względem niesamowity.
Po drugie, najtrudniejsze zadania programistyczne — przy największych wyzwaniach kodowych wciąż opieram się na Astrze 6. Po trzecie, złożone PDF-y, które od zawsze są polami minowymi: model sobie radzi, ale gorzej niż Astra, więc wszystko, co dotyczy PDF-ów, kierujcie do niej. Po czwarte, pytania eksperckie — wyniki wciąż dobre, ale poniżej poziomu Soul 5.6 czy Astry 6. I po piąte, faktografia: to nie jest najbardziej wiarygodny w tej mierze model świata, więc do weryfikacji faktów nie angażujcie DeepSeeka V4.1.
Strategia na co dzień: Astra myśli, DeepSeek ciągnie
Jak będę z tego korzystać dalej? Astra zostaje u mnie do pracy frontierowej — najcięższego myślenia. Mam też swoje systemy na Claude. A DeepSeek V4.1 to mój koń roboczy: bardzo inteligentny i bardzo tani, więc pewną pulę zadań można mu powierzać w ciemno. Do tego da się go uruchomić lokalnie, co samo w sobie jest niesamowite. Przy integracji Deep Astra wystarczy powiedzieć Astrze: „jeśli uznasz, że to zadanie dla DeepSeeka, oddeleguj je i przynieś mi wynik”.
Na koniec pytanie ważniejsze niż wszystkie benchmarki: mamy już inteligencję na poziomie AGI — ale co konkretnie potrafimy z nią zrobić, żeby pchnąć do przodu firmę i własne życie? Właśnie takie technologie i możliwości pokazuję na tym kanale.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Drogi model do myślenia, tani do roboty
Na czym polega: Zamiast przepuszczać każde zadanie przez najdroższy model, warto podzielić pracę: GPT-6 Astra projektuje i podejmuje kluczowe decyzje, a masowe, powtarzalne zadania wykonuje DeepSeek V4.1 — około 88 razy tańszy przy zbliżonej skuteczności w wielu pracach.
Jak stosować: Zainstaluj integrację Deep Astra w Codexie (darmowe repo z GitHuba + klucz API), a potem w poleceniach wskaż wprost, które typy zadań mają być oddelegowywane tańszemu modelowi.
Na co uważać: DeepSeek nie jest modelem frontierowym — najtrudniejsze decyzje i kod wciąż zostaw modelowi najwyższej półki.
2.Klucz API bierz prosto od dostawcy
Na czym polega: W testach na OpenRouterze autor regularnie wpadał w limity zapytań; klucz wygenerowany na platformie DeepSeeka (którym można się też posługiwać w OpenRouterze) usunął problem i wygładził pracę.
Jak stosować: Załóż konto bezpośrednio u dostawcy modelu, doładuj symboliczną kwotę (ok. 20 dolarów starczyło na dziesiątki prób) i używaj własnego klucza w narzędziach.
Na co uważać: Przy intensywnych testach saldo topnieje szybko — ustaw powiadomienia o niskim stanie konta.
3.Przeróbki w istniejącym systemie projektowym — tak
Na czym polega: DeepSeek świetnie utrzymuje język wizualny gotowego produktu: w testach zmienił teksty, logotypy i grafiki strony klienta (firma Bricks) oraz przeprojektował rozbudowany pulpit, zachowując typografię i strukturę.
Jak stosować: Wrzucaj do niego gotowe szablony z jasnym poleceniem, co ma się zmienić — to tańsza droga niż każdorazowa praca na modelu premium.
Na co uważać: Nowych logotypów nie zaprojektuje, tylko podmienia elementy; efekt warto skontrolować mocniejszym modelem.
4.Projektowanie od zera — fałszywa oszczędność
Na czym polega: Prezentacja z Higgsfield wyszła ładnie, ale dopiero po trzech–czterech rundach poprawek; czas spędzony na iteracjach zjada oszczędność wynikającą z niższej ceny.
Jak stosować: Jeśli już musisz, dawaj modelowi mocne materiały referencyjne i bardzo konkretne wytyczne. Strategia bazowa: koncept robi Astra, dopracowuje DeepSeek.
Na co uważać: Pierwsza wersja rzadko będzie gotowa do pokazania; licz nie tylko koszty tokenów, ale i własny czas.
5.Analiza danych i automatyzacje to jego żywioł
Na czym polega: Na ponad 50 tysiącach wierszy (w tym 45 tysięcy opłaconych zamówień) i 17 pytaniach DeepSeek odpowiedział ze stuprocentną trafnością — dokładnie tak jak Astra. Potwierdzają to wyniki w Automation Bench (54,8 pkt) i Terminal-Bench 2.1 (90,6 proc.).
Jak stosować: Kieruj do niego raporty sprzedażowe, przeglądy zamówień i regularne przetwarzanie danych — wszystko, co powtarzasz cyklicznie.
Na co uważać: Estetyka raportów ustępuje Astrze; przy kluczowych decyzjach biznesowych zrób wzorcową kontrolę wyników.
6.Duże przeróbki produktu za grosze
Na czym polega: Redesign skomplikowanego pulpitu agenticznego systemu operacyjnego w istniejącym design systemie zajął DeepSeekowi 7 minut 18 sekund i kosztował mniej niż 10 centów (9–9,5 centa).
Jak stosować: Używaj do iteracyjnych zmian w działających aplikacjach — zwłaszcza gdy rachunek za model premium przy takim zakresie pracy byłby nie do przyjęcia.
Na co uważać: Przed taką operacją zabezpiecz kopię projektu, a po niej przepuść zmiany przez kontrolę mocniejszego modelu.
7.Porównuj koszt tokenów, nie tylko cennik
Na czym polega: Ceny (wejście/wyjście): Astra 60 USD, GPT-5.6 24 USD, DeepSeek 0,75 USD poza szczytem (w szczycie około dwa razy więcej). Ale DeepSeek zużywa więcej tokenów — Astra osiąga więcej na każdy wydany token.
Jak stosować: Szacuj koszt konkretnego zadania (zużyte tokeny razy stawka), a dopiero potem wybieraj model; rozdzielaj zadania według złożoności.
Na co uważać: Przy krótkich, prostych zadaniach różnica w rachunku może być mniejsza, niż sugerują same stawki; pilnuj godzin szczytu u dostawcy.
8.Lokalne uruchomienie: przełom z gwiazdką
Na czym polega: Wersje poddane kwantyzacji da się uruchomić na własnym sprzęcie; realistycznie zestaw z RTX 5090 i dużą ilością RAM-u to wydatek rzędu 13 tysięcy dolarów przy około 5 tokenach na sekundę.
Jak stosować: Rozważ ten wariant, gdy kluczowa jest pełna kontrola nad danymi i praca bez chmury.
Na co uważać: 5 tokenów na sekundę to za mało na intensywną pracę — to wariant na wybrane zastosowania, nie codzienny warsztat; API zwykle wyjdzie taniej.
9.Prowadź mapę zadań zakazanych
Na czym polega: Czego nie powierzać DeepSeekowi V4.1: projektów od zera, najcięższych zadań programistycznych, złożonych PDF-ów, pytań eksperckich (poniżej poziomu Soul 5.6 i Astry 6) oraz weryfikacji faktów — model bywa zawodny faktograficznie.
Jak stosować: Stwórz prostą listę „jakie zadanie do którego modelu” i trzymaj się jej przy delegowaniu pracy.
Na co uważać: Źle przypisane zadanie kosztuje więcej czasu niż oszczędności na tokenach — błędy trzeba potem prostować.
10.Reguła delegowania zamiast ręcznego przełączania
Na czym polega: Zamiast samemu wybierać model do każdego zadania, autor daje Astrze regułę: „jeśli to zadanie dla DeepSeeka — oddeleguj i przynieś wynik”. Dodatkowo podpiął DeepSeeka do narzędzia transkrypcyjnego (GL), przez które zadaje pytania wprost do modelu.
Jak stosować: Wpisz kryteria delegowania (typ zadania, rozmiar, próg kosztu) do promptu systemowego Astry i przetestuj na jednym powtarzalnym procesie.
Na co uważać: Bez wyraźnych kryteriów model będzie delegował za dużo albo za mało; na początku kontroluj każdą decyzję o przekazaniu zadania.