ОтветыОпубликовано20 источники
DeepSeek обновила V4.1-Flash: что показывают тесты и чего они пока не доказывают
DeepSeek сообщает, что результат V4.1 Flash 1017 в тесте DeepSWE вырос с 74,2 до 77,0, а в Terminal Bench 4.0 — с 31,2 до 42,3. Обновление от 17 октября заменило прежнюю версию на сайте, в приложении и API DeepSeek.
ОпубликовалОтредактировано с помощью GPT-6 LunaИзображения созданы с помощью GPT Image 2
Ответ на исследование
Ключевые выводы
- DeepSeek сообщает, что результат V4.1 Flash 1017 в тесте DeepSWE вырос с 74,2 до 77,0, а в Terminal Bench 4.0 — с 31,2 до 42,3.
- Обновление от 17 октября заменило прежнюю версию на сайте, в приложении и API DeepSeek.
- Независимая оценка Artificial Analysis зафиксировала улучшение, но результаты на тесте Omniscience и комментарии Tom’s Hardware напоминают о риске фактических ошибок.
Промпт ИИ
openai.comCreate a landscape editorial hero image for this Studio Global article: What does DeepSeek’s October 17 release of the open-weight V4.1-Flash-1017 update reveal about its claimed benchmark gains, faster task comp. Article summary: The release points to a stronger, more economical open-weight model for coding and other checkable tasks—not proof of frontier-level reasoning or dependable factual research.[1][10] The reported Chrome exploit adds a pot. Topic tags: general, education, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, cha
Обновление DeepSeek V4.1-Flash-1017 от 17 октября выглядит убедительно прежде всего для некоторых задач программирования и работы ИИ-агентов: компания сообщает о росте результатов в тестах, более быстром выполнении задач и более коротких ответах. Но «улучшение соотношения производительности и стоимости» не означает, что DeepSeek снизила тарифы. А независимые оценки показывают: улучшение результатов не устраняет риск ошибок в фактических ответах.1
19
30
Что изменилось в версии 1017
DeepSeek заявляет, что новая версия лучше справляется с бенчмарками, быстрее выполняет задачи и выдаёт более короткие ответы, чем предыдущая.1 В сравнении компании результат DeepSWE v1.1 вырос с 74,2 до 77,0, а Terminal-Bench 4.0 — с 31,2 до 42,3.
1
4 Это полезные ориентиры для задач программирования и ИИ-агентов, но приведённые цифры основаны на сравнении DeepSeek и сами по себе не подтверждают независимо каждое заявленное улучшение.
1
Обновлённая модель заменила прежнюю версию на сайте, в приложении и API DeepSeek. Способ вызова API и опубликованные тарифы не изменились; веса модели компания выпустила под лицензией MIT.1
54 Иными словами, слова об улучшении соотношения производительности и стоимости относятся к заявленным результатам и затратам на выполнение задачи, а не к снижению цены токена в API. Более короткие ответы могут уменьшить расход токенов на конкретную задачу, однако скорость и экономия не гарантированы для любого сценария.
1
Размер модели и активные параметры
V4.1-Flash-1017 — модель архитектуры «смесь экспертов» (MoE) с 552 млрд параметров в общей архитектуре и контекстным окном до миллиона токенов. По данным Baseten, при обработке входных данных активны 8 млрд параметров, а при генерации — 16 млрд. Поэтому цифра «16 млрд активных параметров» относится к генерации, а не к полному размеру модели.17
18
Опубликованные веса позволяют запускать модель не только через сервисы DeepSeek. Это отдельный вариант доступа от облачного API: доступность весов не означает, что условия использования API изменились.1
54
Экономия на вычислениях — не новое достижение версии 1017
Tom’s Hardware пишет, что при более раннем переходе от V4 Flash к V4.1 Flash требования к памяти HBM сократились до четверти прежнего уровня, а потребность в SSD-хранилище — до одной восьмой.19 Эти показатели относятся к более раннему изменению архитектуры. Их не следует приписывать именно обновлению V4.1-Flash-1017 от 17 октября.
Для пользователей облачного API практический вывод проще: опубликованные тарифы остались прежними, тогда как DeepSeek заявляет, что новая модель быстрее выполняет задачи и выдаёт более короткие ответы.1
54 Снизятся ли расходы в конкретном случае, зависит от типа задачи и способа подсчёта затрат.
Что добавляют независимые оценки
Artificial Analysis присвоила V4.1-Flash-1017 45 баллов по Intelligence Index — на шесть больше, чем предыдущей версии. По оценке организации, модель делит второе место среди моделей с открытыми весами.30 Это заметное улучшение в рамках конкретной системы оценки, но не свидетельство того, что DeepSeek лидирует во всех категориях или в целом превосходит лучшие закрытые модели.
В тесте Artificial Analysis Omniscience заявленная точность модели выросла с 43% до 46%, доля ответов без галлюцинаций составила 33%, а итоговый индекс изменился с −5 до +5.31 Это результаты одного конкретного теста, а не универсальная оценка точности модели. Tom’s Hardware также отмечает, что проблема галлюцинаций сохраняется по сравнению с проприетарными конкурентами.
19
Поэтому модель разумнее оценивать по типу задачи. Результат в программировании или другой работе, где ответ можно проверить, обычно проще подтвердить, чем выводы открытого исследования или текст с точными фактами: правдоподобную ошибку там заметить сложнее. Рост баллов в бенчмарках не отменяет необходимости перепроверять такие ответы.19
30
31
Заявление об эксплойте для Chrome пока не подтверждено
22 октября исследователь Exocija заявил, что с помощью V4.1-Flash-1017 получил многоэтапный эксплойт с повреждением памяти, который обходит песочницу Chrome V8 и обеспечивает полный доступ на чтение и запись к процессу примерно за 12 часов.47 Сообщество, отслеживающее обновления DeepSeek, обозначило это утверждение как неподтверждённое: на момент публикации не было общедоступного кода, идентификатора CVE или подтверждения Google.
34
Здесь важно различать заявление исследователя и результат, независимо воспроизведённый специалистами. Если утверждение подтвердится, оно поднимет вопросы о применении недорогих ИИ-инструментов в наступательной кибербезопасности. Но имеющиеся сведения не доказывают, что эксплойт проверили независимые специалисты, применили против пользователей или что он равнозначен взлому всего устройства.34
47
Вывод
Выпуск V4.1-Flash-1017 сочетает заявленные DeepSeek улучшения в бенчмарках и эффективности с независимой оценкой, которая также показывает рост результата. При этом цены API не изменились, а веса модели доступны по лицензии MIT.1
30
54 Лучше всего обоснованный сценарий — попробовать модель на измеримых задачах программирования или работы агента и отдельно проверить результат. Доступные данные не позволяют считать её доказанным лидером среди передовых моделей, надёжным источником непроверенных фактов или подтверждённым инструментом для взлома Chrome.
19
30
34
Studio Global AI
Продолжайте свое исследование
На этой странице есть ответ, подтвержденный источником, который вы можете продолжить внутри Studio Global.
Люди также спрашивают
Каков краткий ответ на вопрос «DeepSeek обновила V4.1-Flash: что показывают тесты и чего они пока не доказывают»?
DeepSeek сообщает, что результат V4.1 Flash 1017 в тесте DeepSWE вырос с 74,2 до 77,0, а в Terminal Bench 4.0 — с 31,2 до 42,3.
Какие ключевые моменты необходимо проверить в первую очередь?
DeepSeek сообщает, что результат V4.1 Flash 1017 в тесте DeepSWE вырос с 74,2 до 77,0, а в Terminal Bench 4.0 — с 31,2 до 42,3. Обновление от 17 октября заменило прежнюю версию на сайте, в приложении и API DeepSeek.
Что мне делать дальше на практике?
Независимая оценка Artificial Analysis зафиксировала улучшение, но результаты на тесте Omniscience и комментарии Tom’s Hardware напоминают о риске фактических ошибок.
Источники
rits.shanghai.nyu.eduDeepSeek Ships V4.1-Flash-1017: Faster Agents, Same Price
tomshardware.comDeepseek's latest AI model is smarter than ever, but its low running costs come at a price — uses only one-quarter of the HBM and one-eighth of SSD storage but still battles hallucinations in agentic workloads
x.comArtificial Analysis on X: "DeepSeek V4.1 Flash 1017 scores 45 on ...
digg.comDeepSeek Releases V4.1-Flash-1017, Claiming Improved Efficiency and Benchmark Gains