DeepSeek V4.1-Flash-1017 — обновленная модель, которая обходит GPT-5.6 Sol в агентных задачах

DeepSeek выпустила DeepSeek-V4.1-Flash-1017 — обновление своей флагманской легкой модели DeepSeek V4.1-Flash, вышедшей 10 сентября. Несмотря на скромный статус минорного релиза, новая версия заметно прибавила в рассуждениях, программировании, агентных и визуальных задачах. Кроме того, она быстрее выполняет задачи и пишет более короткие ответы, а значит, обходится дешевле. Сама DeepSeek называет это улучшением по Парето: модель стала одновременно и умнее, и экономичнее. Обновление уже работает на сайте, в приложении и в API, а 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.

DeepSeek V4.1-Flash — самая компактная модель в новом архитектурном семействе DeepSeek, но компактной ее 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, а эксперты в FP4, и занимают около 510 ГБ на диске. Для развертывания с учетом кэша и служебных буферов, по рецепту vLLM, нужно около 614 ГБ видеопамяти, то есть сервер с четырьмя ускорителями Blackwell, например B200, или восемь 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.

Самый заметный прирост — в агентном программировании. На Terminal-Bench 4.0 модель набирает 42,3% против 31,2% у прежней версии, на ProgramBench — 29,1% против 20,3%, на Apex Bench v1.1 — 72,1% против 64,6%. На тесте без инструментов HLE результат вырос с 36,8% до 42,6%, на DeepSWE v1.1 — с 74,2% до 77%, на Automation-Bench — с 54,8% до 60,5%. Улучшилось и понимание изображений: на Chartography с инструментами модель показывает 83% против 78,9%, на BabyVision — 92,5% против 89,6%.

Китайские модели K3 и GLM-5.3 новинка опережает практически во всех тестах: например, на Terminal-Bench 4.0 у K3 всего 12,6%, а у GLM-5.3 — 37,9%. GPT-5.6 Sol от OpenAI она обходит почти везде, кроме HLE (44,5% у Sol) и ZeroBench (53% у Sol против 51%). Сильнее всего выглядит сравнение с Claude Opus 5 — флагманом Anthropic. На DeepSWE v1.1 DeepSeek набирает 77% против 74% у Opus 5, на Automation-Bench — 60,5% против 50,3%, на Agents’ Last Exam — 35,4% против 28,6%, на Apex Bench — 72,1% против 65,8%. Однако в самых сложных задачах Opus 5 по-прежнему впереди: на HLE у него 56,3%, на Terminal-Bench 4.0 — 51,8%, на ProgramBench — 37%, на NL2Repo-Bench — 75,3% против 68,2%, а в визуальных тестах он тоже немного сильнее. Все результаты получены самой DeepSeek: Terminal-Bench 4.0 оценивался в среде Claude Code, а DeepSWE — в Mini-SWE-V2.

DeepSeek V4.1-Flash-1017 — хороший пример того, как быстро DeepSeek наращивает возможности своих моделей: всего через месяц после выхода V4.1-Flash минорное обновление прибавило по 5–11 пунктов в ключевых агентных тестах. При этом модель стала не дороже, а дешевле в работе, и по соотношению цены и качества у нее почти нет конкурентов: по многим агентным бенчмаркам она обходит GPT-5.6 Sol и местами Claude Opus 5, стоя в разы меньше. Безоговорочным лидером модель все же не стала: в самых сложных задачах, программировании целых проектов и визуальном анализе Opus 5 сохраняет преимущество, а все результаты пока получены самой DeepSeek. Тем не менее открытые веса под MIT, дешевый API и тесная интеграция с агентными инструментами делают DeepSeek V4.1-Flash-1017 одним из самых привлекательных вариантов для массовых агентных сценариев.