Что обновилось
DeepSeek-V4.1-Flash-1017 — минорный релиз, но по сравнению с DeepSeek V4.1-Flash, вышедшей 10 сентября, он заметно прибавил в рассуждениях, программировании, агентных и визуальных задачах. Модель быстрее выполняет задачи и пишет более короткие ответы, поэтому обходится дешевле. Сама DeepSeek называет это улучшением по Парето: модель стала и умнее, и экономичнее. Обновление уже работает на сайте, в приложении и в API; веса под лицензией MIT опубликованы на Hugging Face и ModelScope. Во многих агентных тестах новинка обходит GPT-5.6 Sol, а в некоторых — даже Claude Opus 5.
Архитектура и запуск
DeepSeek V4.1-Flash — самая компактная модель в новом архитектурном семействе DeepSeek, хотя компактной её можно назвать лишь условно. Это мультимодальная MoE-модель на 552 млрд параметров, из которых при генерации активируется около 16 млрд. Она понимает текст и изображения, поддерживает контекст до 1 млн токенов и использует сжатый KV-кэш, которому, по данным DeepSeek, требуется вчетверо меньше памяти HBM, чем у ванильной DeepSeek V4-Flash. Веса распространяются в смешанной точности: плотные слои в FP8, эксперты в FP4, — и занимают около 510 ГБ на диске. Для развёртывания с учётом кэша и служебных буферов, по рецепту vLLM, нужно около 614 ГБ видеопамяти, то есть сервер с четырьмя ускорителями Blackwell, например B200, или с восемью H200. Восьми H100 по 80 ГБ формально хватает, но запас слишком мал, и в официальных рецептах такая конфигурация не значится. Энтузиасты уже запускают модель и на одной RTX 3090 с выгрузкой экспертов в оперативную память и на NVMe, но скорость при этом несравнимо ниже. Обновление 1017 сохраняет ту же архитектуру и меняет только чекпоинт.
Результаты тестов
Максимальный скачок новая модель DeepSeek показала в агентном программировании: Terminal-Bench 4.0 — 42,3% против 31,2% у прошлой версии, ProgramBench — 29,1% против 20,3%, Apex Bench v1.1 — 72,1% против 64,6%.
В тестах без инструментов HLE вырос с 36,8% до 42,6%, DeepSWE v1.1 — с 74,2% до 77%, Automation-Bench — с 54,8% до 60,5%. Улучшилось и понимание изображений: Chartography с инструментами — 83% против 78,9%, BabyVision — 92,5% против 89,6%.
Вот как новинка DeepSeek выглядит на фоне китайских и зарубежных конкурентов:
- Китайские модели K3 и GLM-5.3: Flash-1017 опережает их почти во всех тестах; на Terminal-Bench 4.0 у K3 — 12,6%, у GLM-5.3 — 37,9%.
- GPT-5.6 Sol от OpenAI: DeepSeek обходит его практически везде, кроме HLE (44,5% у Sol) и ZeroBench (53% у Sol против 51%).
- В сравнении с Claude Opus 5 DeepSeek сильнее на DeepSWE v1.1 (77% против 74%), Automation-Bench (60,5% против 50,3%), Agents’ Last Exam (35,4% против 28,6%) и Apex Bench (72,1% против 65,8%). Но в самых сложных задачах лидирует Opus 5: HLE — 56,3%, Terminal-Bench 4.0 — 51,8%, ProgramBench — 37%, NL2Repo-Bench — 75,3% против 68,2%; в визуальных тестах он также немного сильнее.
Все замеры выполнены самой DeepSeek: Terminal-Bench 4.0 — в Claude Code, DeepSWE — в Mini-SWE-V2.
Что это значит
DeepSeek V4.1-Flash-1017 демонстрирует быстрый прогресс линейки: спустя месяц после V4.1-Flash минорное обновление дало +5–11 баллов в ключевых агентных тестах, а стоимость работы снизилась. По соотношению цена/качество у модели почти нет конкурентов: на многих агентных бенчмарках она обходит GPT-5.6 Sol, а иногда и Claude Opus 5, оставаясь заметно дешевле. Абсолютным лидером она не стала — Opus 5 сильнее в самых сложных задачах, кодинге целых проектов и визуальном анализе, а все замеры выполнены самой DeepSeek. Тем не менее открытые веса под MIT, недорогой API и тесная интеграция с агентными инструментами делают V4.1-Flash-1017 одним из наиболее практичных вариантов для массовых агентных сценариев.
Источник: Serverflow
