بطاقة عنوان لـ DeepSeek V4.1 Flash 1017 تعرض الرقم الرئيسي 46.3%، موسومة بـ FrontierMath Tier 4 v2 والمرتبة 21 بالتعادل، مع تذييل يوضّح أن الأرقام مأخوذة من BenchLeader وLLMLearner وأن الجهة المطوّرة لم تنشر أي نتائج رياضيات.
Engineering & Research

DeepSeek V4.1 Flash 1017 يقفز 19 نقطة في FrontierMath Tier 4 — ولم تذكر DeepSeek ذلك قط

الكاتب

Alistair Wren

تاريخ النشر

أحدث النماذج · 20عرض جميع النماذج →
المعايير: Artificial Analysis · يُحدَّث يوميًا
العودة إلى جميع المقالات

الرقم الأكثر إثارة للاهتمام في المقاييس المعيارية المرتبط بـ DeepSeek V4.1 Flash 1017 هو رقم لم ينشره المورّد. في 21 أكتوبر 2026، بعد خمسة أيام من إطلاق نقطة التحقق، أضاف المتتبِّع BenchLeader نتيجة FrontierMath Tier 4 للنموذج: 46.3% عند أقصى جهد استدلالي. وهذا يبعد بفارق يعادل مسألة واحدة عن Qwen3.8-Max، الذي سجّل 46.3% في 2 أغسطس، وعلى المستوى نفسه مع Claude Haiku 5.5، الذي سجّل 46.3% في 7 أكتوبر. كما أنه أعلى بنحو تسع عشرة نقطة من موضع كل نقطة تحقق سابقة من DeepSeek على اللوحة نفسها. تسرد سجل التغييرات الخاص بـ DeepSeek لتحديث 17 أكتوبر تسعة مقاييس معيارية. ولا واحد منها مقياس رياضيات. يُقدَّم على OrcaRouter إلى جانب إصدار سبتمبر تحت deepseek/deepseek-v4.1-flash، لذا يمكنك تشغيل مجموعة المطالبات نفسها على كلتا نقطتي التحقق.

تلك الفجوة بين ما ادّعاه DeepSeek وما قاسه طرف ثالث هي جوهر القصة هنا. أُعلن عن نقطة التحقق 1017 بوصفها إصدارًا يركز على التكلفة والسرعة — والعبارة الواردة في سجل التغييرات هي «تحسين باريتو للأداء والتكلفة»، مع مخرجات أقصر وإنجاز أسرع للمهام. وجدول المعايير في سجل التغييرات نفسه يتألف كله من عمل وكيلي: HLE بدون أدوات، وTerminal-Bench 4.0، وDeepSWE v1.1، وProgramBench، وApex Bench، وAgents' Last Exam. الرياضيات ليست على القائمة. لذا إما أن رياضيات DeepSeek تحسّنت كأثر جانبي غير معلن للعمل الوكيلي، أو أن أحد مواقع التتبّع لديه صفّ لا تملكه المواقع الأخرى. وكلتا القراءتين تستحقان أن تؤخذا بجدية، وتفضيان إلى نصيحتين مختلفتين.

ما الذي يطلبه Tier 4 v2 فعليًا، ولماذا يهم عدد المشكلات أكثر من النسبة المئوية

FrontierMath Tier 4 v2 هو المستوى البحثي من معيار Epoch AI: مجموعة توسعة خاصة تضم 43 مسألة على مستوى بحثي، صدرت في 12 يونيو 2026، مع السماح للنماذج بتشغيل Python داخل بيئة اختبار معزولة عديمة الحالة (stateless sandbox) مقابل قائمة مكتبات ثابتة. يبدو أن المقام المعتمد في التقييم هو 41 — فالنتائج المنشورة تُقسم عليه قسمة نظيفة، إذ إن 19 إجابة صحيحة من أصل 41 تساوي 46.34%، و11 من أصل 41 تساوي 26.83%. وعلى أي حال، فالمجموعة صغيرة بما يكفي ليكون سؤال واحد معادلًا لنحو 2.4 نقطة مئوية تقريبًا، وهذا هو التفصيل الذي يحكم كل شيء آخر في هذه الصفحة. ونتيجتان تبدوان متباعدتين جدًا على لوحة الصدارة قد يفصل بينهما ثمانية أسئلة فقط.

وهذا بالضبط ما تعكسه أرقام DeepSeek. فدرجة 46.3% تعني تسع عشرة إجابة صحيحة مقابل ذلك المقام. أما درجة 26.8% التي تحملها نقاط التحقق السابقة فتعني إحدى عشرة إجابة صحيحة. «قفزة التسع عشرة نقطة» بأكملها ليست سوى ثماني مسائل. إنها فرق حقيقي — فثماني مسائل من أصل واحد وأربعين ليست ضجيجًا بالمعنى المعتاد — لكنها أيضًا عينة صغيرة بما يكفي لأن تؤدي أداة واحدة مُغيَّرة، أو مطالبة نظام مُغيَّرة، أو إعداد جهد مختلف إلى تحريك نموذج عدة مراتب. وعندما تتعادل أربعة نماذج عند 46.3%، فإنها ليست منفصلة بفارق ذي معنى. فكلها تقع ضمن مسألة واحدة من بعضها بعضًا.

المسار: ثلاث نقاط تحقق مسطحة، ثم خطوة

السبب في أن 46.3 يُسجَّل كخبر وليس كأثر تقريب هو ما سبقه. عبر آخر أربعة إدخالات لـ DeepSeek في FrontierMath Tier 4 v2، يكون الخط مسطّحًا ثم عموديًا:

• DeepSeek V4 Flash 0731 — 24.4%، نقطة التحقق الخاصة بشهر يوليو

• DeepSeek V4 Pro 0813 — 26.8%، الطراز الرائد لشهر أغسطس

• DeepSeek V4.1 Flash (0910) — 26.8%، إصدار سبتمبر الذي حلّ محل كليهما

• DeepSeek V4.1 Flash 1017 — 46.3%، نقطة التحقق الخاصة بشهر أكتوبر، بأقصى جهد

تحركت الفئات الأسهل أيضًا، لكن بشكل متواضع: يسرد BenchLeader نسبة 71.2% على FrontierMath للفئات 1–3 لإصدار 1017 مقابل 67.4% لإصدار سبتمبر. هذا هو الشكل الذي تتوقعه من مكسب حقيقي في القدرات — بضع نقاط حيث تكون الأسئلة قابلة للحل، وحركة أكبر بكثير حيث لا تكون كذلك. وهو أيضًا الشكل الذي تتوقعه من تغيير في إطار الاختبار يساعد بشكل غير متناسب في أصعب المسائل، ولهذا تهمّ الفقرة التالية.

أيُّ منتدى تُصدِّقه يعتمد على أيِّ منتدى تقرأ.

فحصنا خمسة متتبعات. اثنان منها يحملان الآن 46.3% لإصدار 1017. وثلاثة لا تحمل ذلك.

• BenchLeader — 46.3% على المستوى 4 و71.2% على المستويات 1–3، بأقصى جهد، أُضيفت النتيجة في 21 أكتوبر 2026

• DataLearner، الذي يعمل الآن باسم LLMLearner — 46.34%، بالمركز الحادي والعشرين مناصفةً، قُيِّم في إعداد "Max (With Tools)"، وأُضيفت آخر نتيجة في 26 أكتوبر 2026، ومُوسَّم على اللوحة كأفضل نتيجة للأوزان المفتوحة

• benchlm.ai — 26.829%، في المرتبة الثلاثين، «حلّ المسائل الرياضية التكرارية باستخدام بايثون»، تحديث الصفحة في 25 أكتوبر 2026

• tensor.news — لا يوجد صف 1017 على الإطلاق؛ يُظهر إدخال DeepSeek V4.1 Flash الخاص به نسبة 26.83%، مقيسة في 9 سبتمبر 2026

• trustthebench — 26%، على صفحة بتاريخ 26 أغسطس 2026، وهو تاريخ يسبق نقطة التحقق بالكامل

A screenshot of the LLMLearner FrontierMath Tier 4 v2 leaderboard, published by Epoch AI, showing 70 models across 43 problems with the last result added 2026-10-26. The top ten are led by GPT-6.1 Sol at 100.0, GPT-6 Astra at 97.6 and Claude Opus 5.5 at 95.0, and the page flags DeepSeek-V4.1-Flash-1017 at 46.3 as the best open-weights score, tied at rank 21.

يتقاسم المعارضون الثلاثة مشكلةً في إثبات المصدر. فالرقم 26.83 هو، بدقة منزلتين عشريتين، الدرجة التي حصل عليها إصدار سبتمبر. وأي أداة تتبّع تنقل تسمية طراز جديد إلى قياس قديم تُنتج هذا النمط بالضبط، والصفحة المؤرخة بأغسطس دليل قاطع على أن أحدهم على الأقل يفعل ذلك. وهذا لا يجعل 46.3 موثوقًا — بل يجعل 26.8 متقادمًا لا متناقضًا.

ما يحسم الأمر هو أداة تقييم ثانية. فلم يُعَد إنتاج أيٍّ من الرقمين 46.3 أو 71.2 خارج طبقة التتبع، ولم تنشر DeepSeek أي تقييم رياضي خاص بها لهذه النسخة. تعامل مع الرقم كإشارة قوية من طرف ثالث، لا كحقيقة راسخة عن النموذج. وإن كنت بحاجة إلى رقم يمكن الدفاع عنه في وثيقة مشتريات، فليس لديك واحد بعد.

لماذا قد تُطلق DeepSeek تحسينًا في الرياضيات دون أن تذكره؟

يشرح جدول سجل التغييرات هذا الإغفال على نحو أفضل مما تفعله أي نظرية مؤامرة. يُقدَّم تحديث 1017 بوصفه إصدارًا للبرمجة والوكلاء، وأرقام المورّد تقع بالكامل في هذا الإطار: HLE بدون أدوات يرتفع من 36.8 إلى 42.6، وTerminal-Bench 4.0 من 31.2 إلى 42.3، وDeepSWE v1.1 من 74.2 إلى 77.0، وProgramBench من 20.3 إلى 29.1، وApex Bench من 64.6 إلى 72.1. النموذج المضبوط على مسارات وكيلية طويلة — حيث تكون المكافأة إنجاز مهمة متعددة الخطوات لا إخراج رمز نهائي صحيح — سيكتسب القدرة على التحمل الرياضي كأثر جانبي. الرياضيات الصعبة وتشغيلات الوكلاء الطويلة تكافئ السلوك نفسه: استمر في التحقق، لا تتوقف مبكرًا.

A screenshot of DeepSeek's own 17 October 2026 release page for DeepSeek-V4.1-Flash-1017, headed 'Wish-Driven Programming Made Real'. Its benchmark table lists HLE at 42.6 and 44.0, Terminal-Bench 4.0 at 42.3, DeepSWE v1.1 at 77.0, ProgramBench at 29.1, NL2Repo-Bench at 68.2, Automation-Bench at 60.5, Agents' Last Exam at 35.4, Apex Bench v1.1 at 72.1, Chartography at 83.0, BabyVision at 92.5 and ZeroBench-main at 51.0. No mathematics benchmark appears anywhere in the table.

وجد المختبِرون المستقلون عكس ما تتوقعه تلك النظرية، وهذا ما يجعل الأمر كله مثيرًا للاهتمام. على عينة من الرياضيات الصعبة، قاس مرجع المقيّم انخفاض مخرجات الاستدلال بأدنى جهد من 1,974 رمزًا إلى 790، مع انخفاض الوسيط لمخرجات AIME من 1,681 إلى 1,124. والاستدلال الأقصر عند أدنى جهد ليس ما تتوقعه من نموذج حقق للتو زيادة قدرها تسعة عشر نقطة في رياضيات البحث. والتوفيق الأرجح يعتمد على الجهد: فقد سُجّلت 46.3 عند أقصى جهد، وما تغيّر هو مقدار التفكير الذي يبذله النموذج عندما تسمح له بالتفكير، لا مدى كفاءة تفكيره عندما لا تفعل.

أين يقع 46.3 في الواقع

كونها الأفضل مناصفةً بين النماذج الصينية ليس مماثلًا لكونها قريبة من الحدود المتقدمة، واللوحة نفسها توضح ذلك في غضون بضعة صفوف. متصدرو Tier 4 v2 فئة مختلفة تمامًا من النماذج: GPT-6.1 Sol بنسبة 100%، وGPT-6 Astra بنسبة 97.6%، وClaude Opus 5.5 بنسبة 95%، وClaude Fable 5 بنسبة 90.2%، وGPT-6 Sol بنسبة 90%. أقرب نموذج فوق مجموعة 46.3 هو GPT-5.4 عند 49%. تصنّف لوحة صدارة LLMLearner نتيجة 46.3 على أنها أفضل نتيجة للأوزان المفتوحة على اللوحة. إن نتيجة عند حدود الخمسين على أصعب فئة هي نتيجة ممتازة لنموذج مفتوح الأوزان وضعيفة لنموذج حدودي، وDeepSeek V4.1 Flash 1017 يقع بثبات في الفئة الأولى.

• نتيجة المستوى 4 الإصدار 2 — DeepSeek V4.1 Flash 1017 بنسبة 46.3% مقابل Qwen3.8-Max بنسبة 46.3% مقابل Claude Haiku 5.5 بنسبة 46.3% (بالشراكة، المركز 21)

• FrontierMath المستويات 1–3 — DeepSeek V4.1 Flash 1017 بنسبة 71.2% مقابل إصداره الخاص من سبتمبر بنسبة 67.4%

• الأوزان — مرخّصة بموجب MIT، وقابلة للتنزيل، ونموذج خليط خبراء بـ552 مليار معامل مع جدول ذاكرة شرطية منفصل؛ ويقدّر المتتبّعون البصمة الكاملة على القرص بنحو 763 مليار معامل

• السعر — 0.30 دولار لكل مليون مُدخَل و1.20 دولار لكل مليون مُخرَج في وقت الذروة، و0.15 و0.60 دولار خارج وقت الذروة، دون تغيير عن سبتمبر

• السياق — مليون رمز، مع إدخال الصور

• ادعاءات المورّد الخاصة بالرياضيات — لا شيء؛ لا يظهر FrontierMath في أيٍّ من جداول DeepSeek المنشورة

A scoreboard for DeepSeek V4.1 Flash 1017 listing FrontierMath Tier 4 v2 at 46.3%, FrontierMath Tiers 1-3 at 71.2%, the previous DeepSeek checkpoint at 26.8%, MIT open weights, a price of $0.30 input and $1.20 output per million tokens, and no vendor-published math claim, with a footer naming BenchLeader and LLMLearner as the sources.

القراءة العملية: إذا كان عملك رياضيات على طريقة المسابقات وكان بديلك نموذجًا مفتوح الأوزان، فإن 46.3 يغيّر الحساب، لأنه يضع نموذجًا بحجم 552B برخصة MIT في النطاق نفسه الذي يضم نموذجين مملوكين تكلفتهما أعلى لكل رمز. وإذا كان بديلك نموذجًا مغلقًا متقدمًا، فلا شيء هنا يسد الفجوة — فالفارق من 95 إلى 46 على Tier 4 ليس خطأ تقريب.

اختبار الادّعاء على مشاكلك أنت، دون المراهنة بمسار إنتاجي عليه

بما أن 46.3 يستند إلى 41 مسألة خاصة وطبقة تتبّع واحدة، فإن الخطوة المعقولة هي قياسه مقابل عبء عملك الخاص بدلاً من الوثوق بأي من الرقمين. يُقدَّم DeepSeek V4.1 Flash 1017 عبر OrcaRouter باسم deepseek/deepseek-v4.1-flash-1017، إلى جانب إصدار سبتمبر تحت deepseek/deepseek-v4.1-flash — ما يعني أنه يمكنك تشغيل مجموعة المطالبات نفسها مقابل كلتا نقطتي التحقق عبر مفتاح API واحد ومعرفة ما إذا كانت فجوة المسائل الثماني تظهر في تقييماتك الخاصة. لا يوجد عقد ثانٍ ولا تغيير في الشيفرة؛ سلسلة النموذج هي الفرق الوحيد.

أمران في طبقة التوجيه لهما صلة بقرار بهذا القدر من عدم الاستقرار. يجري تمرير التسعير بسعر قائمة المزوّد دون أي هامش ربح (0%)، لذا فإن سعر DeepSeek خارج أوقات الذروة البالغ $0.15 و$0.60 متاح هنا في اليوم نفسه الذي يتاح فيه في أي مكان، وتغيّر سعر المورّد لا ينتظر منّا مزامنة كتالوج. والأكثر فائدة أثناء وجود جدال حول اختبار أداء مرجعي: يتيح التبديل التلقائي عند الفشل وDSL التوجيه إرسال شريحة الرياضيات الصعبة إلى إصدار 1017 بأقصى جهد، ثم التراجع إلى نموذج أقوى عندما يعيد إجابة لا يمكنك التحقق منها — لذا فإن زيادة غير مثبتة قدرها تسع عشرة نقطة تكلّفك قاعدة توجيه بدلاً من عملية ترحيل.

ما الذي قد يغيّر هذه القصة؟

ثمة ثلاثة أمور تستحق المتابعة، وكلها قابلة للتحقق. الأول هو ما إذا كانت benchlm.ai وtensor.news ستحدّثان صفوفهما الـ1017 إلى قيمة غير 26.8؛ وإذا توافق متتبعان إضافيان مع قياس أكتوبر، فإن قراءة الصف القديم تتأكد ويصبح الرقم عاديًا. الثاني هو ما إذا كانت DeepSeek ستضيف صفًا رياضيًا إلى جدول المقارنة الخاص بها في سجل تغييرات مستقبلي — فالمزوّد الذي يعتقد أنه حقق زيادة قدرها تسعة عشر نقطة في FrontierMath سيقول ذلك على الأرجح، والصمت هناك دليل ضعيف ضد ذلك. الثالث هو إعادة إنتاج دون أدوات. سُجّل الرقم 46.3 مع السماح بالأدوات، ومن شأن تشغيل بلا حالة أن يخبرك ما إذا كانت الزيادة راجعة إلى الاستدلال الرياضي أم إلى استخدام أفضل لبيئة Python المعزولة.

إلى أن يتحقق أحد تلك الأمور، تبقى الخلاصة الصادقة ضيقة. فنقطة حفظ عمرها تسعة أيام، وترخيص MIT، وسعر إدخال 0.30 دولار، قد استقرت في النطاق نفسه الذي يقع فيه Qwen3.8-Max وClaude Haiku 5.5 على أصعب مستوى رياضيات عام — على متتبعيْن، وبأقصى جهد، ومن أصل واحد وأربعين مسألة، ودون أن يتبنّاها المختبر الذي بناها. هذا كافٍ لتبرير قضاء أصيل من تقييماتك الخاصة، لكنه لا يكفي لتبرير إعادة كتابة شريحة عرض عن المعايير القياسية.

مقارنات في هذه المقالة2

مستخرج من هذه المقالة · المعايير: Artificial Analysis · يُحدَّث يوميًا