MACHINES
DeepSeek a publié ses comptes. Les loueurs de GPU devraient les lire
Le 20 octobre, DeepSeek a mis DeepInfer sur GitHub. Pas un modèle de plus : le moteur qui fait tourner ses modèles dans ses data centers. Et avec lui, des chiffres que les loueurs de GPU feraient mieux de lire deux fois.

Mardi 20 octobre, DeepSeek pousse DeepInfer sur GitHub.
Licence Apache 2.0. Utilisable commercialement, sans limite. Vingt mille étoiles en une semaine.
Ce n’est pas juste un modèle de plus. On parle là du moteur d’inférence qui fait tourner ses modèles dans ses propres data centers. Celui qui traite 155 000 milliards de tokens par jour, sur un seul cluster.
Le web salue le « chevalier blanc » de l’open source. Celui qui « offre » tout.
Sauf que ce n’est pas un cadeau. C’est un cours d’ingénierie.
Jusqu’ici, DeepSeek publiait ses poids : un fichier de 510 gigaoctets de matrices pour V4.1 Flash, n’importe qui pouvait le télécharger.
Mais entre des poids et un service qui répond 24 h sur 24 à 200 tokens par seconde, il y a un gouffre. (Publier des poids, c’est donner la recette. Publier le moteur, c’est donner la cuisine).
Et c’est la première fois qu’un labo de cette taille ouvre cette porte.
Le moteur, c’était pourtant son vrai avantage. Selon Vercel, en septembre, les modèles DeepSeek ont traité 58 % des tokens de sa plateforme pour 6,6 % de la dépense. Personne ne servait DeepSeek aussi bien que DeepSeek lui-même.
Ce moteur-là est maintenant sur GitHub.
Pourquoi c’est un morceau de bravoure ? Regardez les quatre problèmes qui se dressent entre des poids et un service.
- D’abord, le modèle ne tient pas sur une carte. Plusieurs centaines de gigaoctets, face aux 192 gigaoctets qu’embarque une B200, la plus grosse carte du moment.
- Lire une question et écrire la réponse sont deux métiers différents. L’un est un gros calcul d’un bloc, l’autre un filet de tokens.
- Par défaut, le modèle relit tout l’historique à chaque réponse. Chez DeepSeek, 77 000 tokens par requête en moyenne. Dont 96 % déjà vus.
- Enfin, 384 experts spécialisés, certains bien plus sollicités que d’autres. Il faut les répartir sur les cartes sans qu’un seul engorge tous les autres.
DeepSeek a résolu les quatre, et il a publié la solution, réglage par réglage.
La trouvaille, c’est le cache KV. En gros, les notes que le modèle prend sur chaque mot pour se souvenir de ce qu’il a lu.
Les chiffres :
| Cache KV | 2023 (première génération) | 2026 (V4.1 Flash) |
|---|---|---|
| Octets par token | 389 120 | 890 |
| Une conversation de 77 000 tokens | 30 gigaoctets | 68 mégaoctets |
Divisé par 437.
En trois ans !
Pour le dire simplement : avant, il fallait garder cette conversation en mémoire vive. La mémoire la plus chère de la machine. Aujourd’hui, elle tient sur un bête SSD.
Et c’est exactement ce qu’ils font. 100 pétaoctets de SSD, sur un système de fichiers distribué maison. Les conversations restent posées là trois à sept jours.
Résultat : 96 % des tokens déjà lus sont récupérés depuis le disque au lieu d’être recalculés. La lecture, devenue le vrai coût de l’inférence, s’effondre.
La mécanique derrière tient en une phrase : DeepSeek a conçu le modèle et le serveur ensemble. Comme Apple conçoit la puce et le logiciel ensemble.
V4.1 Flash active 8 milliards de paramètres pour lire, 16 pour écrire. Lire coûte deux fois moins cher qu’écrire. Partout ailleurs, c’est la lecture qui plombe la facture.
La répartition, en clair :
| Étage | Réglage |
|---|---|
| Préremplissage (lecture) | EP2 à 8 |
| Décodage (écriture) | EP64 à 128 |
| Experts par GPU | 7 |
Lecture et écriture tournent sur des machines séparées. Les experts sont répartis à raison de sept par carte.
Ajoutez le décodage spéculatif. C’est plus ou moins l’équivalent d’un brouillon écrit d’avance, qu’on ne recopie que s’il est bon. DeepSeek en tire 4 à 7 % de débit en plus.
Et un ordonnanceur asynchrone, qui ne laisse jamais une carte inactive.
La FAQ de DeepInfer détaille tout ça noir sur blanc. Chiffres de réglage compris.
Une précision, pour être juste : tout n’est pas ouvert.
Le cache et la répartition de charge entre serveurs restent fermés. Trop collés à leur infrastructure. Le README le dit en toutes lettres.
Mais ce n’est pas ça, la leçon. En quelques jours, vLLM, le moteur open source américain dont DeepInfer est issu, a réimplémenté les mêmes idées. Et retrouvé le même chiffre : 38,96 dollars par GPU et par heure.
Le rempart n’est pas dans le code. Il est dans la discipline du co-design. Et celle-là ne se télécharge pas.
Restent les comptes. Ceux du titre.
38 dollars par GPU et par heure, en heures creuses. Un plafond de facturation, pas un bénéfice net. Il faut le dire.
Mais à ce rythme :
| Une carte à 55 000 $ | Temps pour se rembourser |
|---|---|
| Servie par DeepSeek (38 $/h) | 2 mois |
| Louée par CoreWeave (5,27 $/h) | 1,2 an |
Vendre des tokens rapporte quatre à sept fois plus que louer la carte.
C’est pour ça que les loueurs de GPU devraient lire ces comptes deux fois.
Parce que la suite est brutale.
SemiAnalysis prévoit 50 gigawatts de capacité ajoutée en 2027, hors Chine. Aux tarifs de DeepSeek, un gigawatt produit 150 milliards de dollars de tokens par an. Multiplié par 50 : 7 500 milliards. Six pour cent du PIB mondial.
Anthropic et OpenAI réunis facturent 120 milliards par an.
De deux choses l’une : soit la demande est multipliée par soixante, soit les prix s’effondrent.
Et le marché a déjà commencé à trancher. Selon Vercel, les modèles à poids ouverts fournissent 71,5 % des tokens pour 23 % de la dépense.
Alors que faire, quand on bâtit sur l’IA ?
Ne pas parier sur une pénurie de calcul éternelle.
Construire de quoi changer de moteur en une après-midi, plutôt que de se marier avec un fournisseur.
Mettre sa valeur là où DeepSeek ne peut pas la copier : ses données, son flux de travail, sa garantie quand ça casse.