נקודות עיקריות
- •חברת DeepSeek הכריזה על V4.1-Flash-1017, גרסה מעודכנת למודל ה-Flash שהציגה בחודש הקודם.
- •המודל מציג זמני ריצה קצרים יותר ופלט תמציתי, התורמים להוזלת עלויות השימוש בעבודה שוטפת.
- •למידת חיזוק עם משוב עצמי מחזקת את יכולות פיתוח הפרויקטים מאפס, כולל מודלי תלת-ממד ומשחקים.
- •המודל זמין באתר, באפליקציה ובקוד פתוח, לצד ממשקי Search ו-Fetch חדשים ב-API שיוצעו בתשלום מסוף אוקטובר.
חברת DeepSeek הסינית הכריזה על DeepSeek-V4.1-Flash-1017, גרסה מעודכנת למודל ה-DeepSeek-V4.1-Flash שהציגה בחודש הקודם. המודל החדש מציג שיפור של בין 3.8% ל-43.3% במבחני הביצועים מול קודמו, ונועד לשפר את יכולות ההסקה, התכנות והפעלת סוכני ה-AI לצד השלמת משימות מהירה יותר והוזלת עלויות ההפעלה.
לדברי החברה, השדרוג מביא לשיפור במדדי הביצועים והעלות, בין היתר באמצעות הפקת פלטים קצרים וממוקדים יותר שמקצרים את זמני הריצה של משימות.
אותו המודל, יותר ביצועים
מודל ה-V4.1-Flash מבוסס על ארכיטקטורת מומחים מעורבים (MoE) במבנה Causal Encoder-Decoder א-סימטרי, המפצל את שלב עיבוד הנתונים הנכנסים משלב יצירת הפלט.
בעת קריאת הקלט מופעלים 8 מיליארד פרמטרים בלבד לכל טוקן, לעומת 16 מיליארד פרמטרים פעילים בזמן הפקת התוכן. החלוקה הזו מקצצת לפי נתוני החברה כמעט במחצית את היקף החישוב הנדרש בקלט.
- פרמטרים: 552 מיליארד
- פרמטרים פעילים: 8 מיליארד בקלט, 16 מיליארד בפלט
- חלון הקשר: עד 1,000,000 טוקנים
- נתוני אימון: 45 טריליון טוקנים (טקסט ותמונות)
גרסת ה-V4.1-Flash-1017 החדשה עברה אימון בלמידת חיזוק המבוססת על משוב עצמי (self-feedback), שנועדה לחזק את יכולותיו בפיתוח פרויקטים שלמים מקצה לקצה ומאפס.
החברה הדגימה שימוש במודל המעודכן לבניית סצנות תלת-ממד, דוגמת מודל של "העיר האסורה" וסצנת Valley of Ages, לצד פיתוח משחקים כמו משחק מרוצים מבוסס דפדפן ושחזור של המשחק Portal 2 במנוע Godot.
🚀 DeepSeek-V4.1-Flash-1017 is here!
Stronger benchmark performance, faster task completion, and shorter outputs than the previous version—a Pareto improvement in performance and cost. Now live on our website, app, and API.
🛠️ Optimized for @DeepSeekHarness, Tencent CodeBuddy,… pic.twitter.com/MiqGbnCiVz
— DeepSeek (@deepseek_ai) October 17, 2026
ביצועים
לפי נתוני החברה, המודל המעודכן מציג שיפור בכל המבחנים בהשוואה לגרסה הקודמת, בטווח שנע בין 3.8% עד 43.3% על פני המבחנים שנבדקו.
במבחן הפיתוח DeepSWE v1.1 רשם המודל ציון של 77.0 נקודות (עלייה של 3.8%), כשהוא מקדים את Claude Opus 5 מבית Anthropic שהשיג 74.0 ואת GPT-5.6 Sol מבית OpenAI עם 73.0.
במבחן האוטומציה לתהליכי עבודה Automation-Bench V1.0.6 הגיע המודל לציון 60.5 (שיפור של 10.4%), לעומת 50.3 של Opus 5 ו-45.8 של GPT-5.6 Sol. במבחן ProgramBench נרשם הזינוק הגבוה ביותר של 43.3% לציון 29.1, אך המודל נותר מאחורי Opus 5 שהגיע ל-37.0.
| מבחן (בנצ'מרק) | V4.1-Flash-1017 | V4.1-Flash | Kimi K3 | GLM 5.3 | GPT-5.6 Sol | Claude Opus 5 |
|---|---|---|---|---|---|---|
| HLE (ללא כלים) | 42.6 / 44.0 | 36.8 / 39.1 | 43.5 | 42.0 | 44.5 | 56.3 |
| Terminal-Bench 4.0 | 42.3 | 31.2 | 12.6 | 37.9 | 39.9 | 51.8 |
| DeepSWE v1.1 | 77.0 | 74.2 | 67.5 | 66.9 | 73.0 | 74.0 |
| ProgramBench | 29.1 | 20.3 | 17.5 | 19.0 | 23.0 | 37.0 |
| NL2Repo-Bench | 68.2 | 65.4 | 58.0 | 58.0 | 56.8 | 75.3 |
| Automation-Bench V1.0.6 | 60.5 | 54.8 | 46.7 | 48.8 | 45.8 | 50.3 |
במדדי עלות-תועלת, ההוצאה הממוצעת לביצוע משימת תכנות ב-V4.1-Flash-1017 עומדת על כ-$0.20 – פחות מעשירית מהעלות במודלים מקבילים מארה"ב.
זמינות
V4.1-Flash-1017 זמין לשימוש דרך אתר החברה, האפליקציה וממשק ה-API. קובצי המודל שוחררו במקביל בקוד פתוח להורדה בפלטפורמות Hugging Face ו-ModelScope.
לצד המודל החדש הוסיפה החברה לממשק ה-API כלי Search ו-Fetch, שיוצעו בתשלום החל מסוף אוקטובר.
