DeepSeek-V4.1-Flash-1017: ניחוש של 45 ל־46, יומן שינויים בן שלושה משפטים, והשורה האחת ששני לוחות התוצאות חולקים

D​eepSeek-V4.1-Flash-1017 אמיתי ובן יום אחד. אפשר לקרוא את רשומת יומן השינויים מתאריך 2026-10-17, להוריד 763 מיליארד פרמטרים של משקלים ברישיון MIT מ-Hugging Face, ולקרוא לו ממש עכשיו תחת מחרוזת המודל הלא-משתנה deepseek-flash ובמחירון ללא שינוי. מה שאינך יכול לעשות הוא לחפש היכן הוא מדורג. הפוסט המהותי ביותר על DeepSeek V4.1 Flash יום לאחר שהעדכון שלו עלה לא היה תוצאה — אלא ניחוש. עוקב צמוד של המעבדה העריך את ציון Artificial Analysis Intelligence Index הסופי של המודל ב-45 עד 46, וחזה ש-Grok 4.7 הוא המספר שהוא יחלוף על פניו ו-AA-Omniscience היא ההערכה שמשטחת אותו, והציע 57% כציפייה סבירה ב-Vals Index. כל אחד מהמספרים האלה הוא תחזית לגבי לוח ציונים שאין בו עדיין שורה של 1017. השחרור הוא עובדה. הדירוג הוא הימור, והחלק המעניין הוא מדוע איש לא יכול להכריע בו היום.

מה למעשה שוחרר ב-17 באוקטובר

המקור הראשי קצר. הרשומה של DeepSeek ביומן השינויים ל-2026-10-17 אומרת ש-V4.1 Flash "שודרג ל-DeepSeek-V4.1-Flash-1017", שמודלי הווב והאפליקציה עודכנו יחד איתו, ש"שיטת הקריאה ל-API והתמחור נותרו ללא שינוי", ושקריאות אל deepseek-flash מגיעות למודל החדש. זו כל הטענה ברמת המפרט. המאגר המתאים, deepseek-ai/DeepSeek-V4.1-Flash-1017, נוצר ב-02:40 UTC ב-17 באוקטובר ונערך לאחרונה ב-05:46 UTC באותו יום; אינדקס ה-safetensors שלו מסתכם ב-763,205,315,794 פרמטרים על פני סוגי טנסורים BF16, F32, F8_E4M3 ו-I8. הרישיון הוא MIT. אין בזה שום דליפה.

יומן השינויים מוסיף שלושה דברים שאינם מספרים. הוא מכנה את העדכון "שיפור פארטו בביצועים–עלות". הוא מפרט את ההרנסים שמולם כוונן — D​eepSeek Harness, T​encent CodeBuddy ו-WorkBuddy — ומורה למשתמשים לעבור ל-D​eepSeek Harness 0.2.1-rc.1 ואילך. והוא מציג ארבע הדגמות פרויקטים, המוצגות כאנימציה: מודל תלת-ממדי של העיר האסורה, משחק מרוצים בדפדפן, רימייק של Portal 2 שנבנה ב-Godot, וסצנה תלת-ממדית בשם "Valley of Ages". אלה תוצרי שיווק, לא מדידות, וזו הסיבה שהמאמר הזה משאיר אותם בפסקה נפרדת מהציונים.

מה שלא השתנה הוא בעל משקל לא פחות ממה שכן, כי זה החלק שאליו מחובר כסף:

• מחירון — ללא שינוי. קלט עם פגיעת מטמון: $0.006 למיליון טוקנים בשעות שיא ו-$0.003 מחוץ לשעות שיא; קלט עם החמצת מטמון: $0.30 / $0.15; פלט: $1.20 / $0.60. שעות שיא הן 01:00–04:00 ו-06:00–10:00 UTC, בימים שני עד שישי, למעט חגים ציבוריים בסין.

• מחרוזת מודל — ללא שינוי. deepseek-flash ממופה כעת לנקודת הביקורת 1017. השמות שהוצאו משימוש deepseek-v4-flash ו-deepseek-v4-flash-vision-exp עדיין מתקבלים ועדיין מנותבים אליו, בחיוב לפי תעריפי Flash.

• מעטפת — ללא שינוי ברמת הכרטיס. חלון הקשר של 1M טוקנים, max_tokens ב-256K או יותר, מומלץ temperature 1.0 ו-top_p 1.0.

• פגם באריזה — גם הוא ללא שינוי. עדיין אין תבנית צ'אט של Jinja. המאגר מספק את encoding/encoding.py כמימוש ייחוס המכסה שיחה מרובת-תורות, קריאה לכלים, מצב חשיבה, מאמץ הסקה מספרי, הודעות מערכת באמצע השיחה ותמונות משולבות, ומפנה משתמשי פרודקשן אל deepseek-recipe, ספריית Rust עם ממשקים ל-Python.

כרטיס 1017 אינו מפרט מחדש את הארכיטקטורה. המבנה של המשפחה — שלד של 552B, מקודד-מפענח סיבתי המפוצל למקודד סיבתי בן 20 שכבות ולמפענח בן 20 שכבות, הפעלה אסימטרית של 8B פרמטרים במהלך prefill ו-16B במהלך decode, 384 מומחים מנותבים עם 6 פעילים לכל טוקן, קשב CSA2, מטמון KV ראשי ב-FP4, וזיכרון מותנה Engram בנפח 196B — מגיע מכרטיס ספטמבר, מהדוח הטכני שכותרתו דחיפת גבולות דחיסת מטמון KV, ומהציטוט של כרטיס המודל עצמו. קורא שרוצה את המספרים האלה צריך לקחת אותם ממסמך ספטמבר, ולא מעמוד 1017 שלעולם אינו טוען אותם.

אחת עשרה שורות ספקים, והשורה היחידה שהאינדקס באמת קורא

טבלת הבנצ'מרק של הספק היא הפריט היחיד שניתן להשוואה בגרסה, והיא מפורסמת כתמונה ביומן השינויים וכטבלת Markdown בכרטיס המודל. לפי הקריאה מהכרטיס, עמודת 1017 לעומת עמודת ספטמבר: HLE ללא כלים 42.6 (44.0 בתת-הקבוצה של טקסט בלבד) לעומת 36.8 (39.1); Terminal-Bench 4.0 42.3 לעומת 31.2; DeepSWE v1.1 77.0 לעומת 74.2; ProgramBench 29.1 לעומת 20.3; NL2Repo-Bench 68.2 לעומת 65.4; Automation-Bench v1.0.6 60.5 לעומת 54.8; Agents' Last Exam 35.4 לעומת 31.8; Apex Bench v1.1 72.1 לעומת 64.6; Chartography עם כלים 83.0 לעומת 78.9; BabyVision עם כלים 92.5 לעומת 89.6; ZeroBench-main עם כלים 51.0 לעומת 49.0. כל אחת עשרה השורות עולות. שתי הערות שוליים מסייגות את הטבלה: סמל הפגיון מסמן את תת-הקבוצה של טקסט בלבד ב-HLE, ו-Terminal-Bench 4.0 הורץ בהארנס של C​laude Code בעוד ש-DeepSWE v1.1 הורץ ב-Mini-SWE-V2.

כעת העמידו זאת מול Artificial Analysis Intelligence Index, שזה הדבר שהניחוש של 45 עד 46 עוסק בו. גרסת האינדקס הנוכחית היא 4.3.2, והוא מכלול משוקלל של עשרה מבחנים תחת ארבע כותרות: סוכנים ב-30%, קידוד ב-20%, חשיבה מדעית ב-20%, כללי ב-30%. המשקלים מפורסמים, והם כל הטיעון. AA-Briefcase v1.1 מהווה 15%. AA-Omniscience מהווה 15%, מחולק ל-10% דיוק ול-5% שיעור אי-הזיה. Terminal-Bench 4.0 מהווה 10%. HLE מהווה 10%. CritPt, הסט ברמת מחקר של פיזיקה שלא פורסמה, מהווה 10%. GDPval-AA v2.1 מהווה 10%, GDP.pdf 10%, SciCode 10%, AutomationBench-AA 5% ו-AA-LCR v1.1 5%.

רק אחת מאותן עשר הערכות מופיעה בטבלת אחת-עשרה השורות של D​eepSeek תחת אותו שם ואותה תצורה: Terminal-Bench 4.0, בעשירית מהמדד. HLE מופיע משני הצדדים אך לא באופן זהה — עמודת הספק היא תת-הקבוצה של טקסט בלבד, והמדד מריץ את הסט בן 2,158 השאלות בטקסט בלבד. לכל דבר אחר שהמדד קורא, כולל שני הרכיבים הכבדים ביותר, אין שורת ספק כלל. זהו המכניקה שמאחורי ההשערה, לא ביקורת על המעבדה: זה פשוט שטבלת ספק ומדד מורכב נבנים מחלקים שונים, והחפיפה היא ברוחב שורה אחת.

מאיפה מגיע 45–46, ולמה אינך יכול לבדוק זאת

התחזית מבוססת על אריתמטיקה של ציון ספטמבר. Artificial Analysis מעניק כרגע לצ'קפוינט DeepSeek V4.1 Flash מספטמבר ציון של 39 בתצורת החשיבה שלו במאמץ מרבי, מה שמציב אותו במקום התשיעי מבין 120 מודלים במדד Intelligence Index והרבה מעל החציון של 19 למודלים בעלי משקולות פתוחות בקטגוריית הגודל שלו. לאותה רשומה עלות של $0.27 למשימת אינדקס, 175.9 אסימוני פלט לשנייה ו-1.23 שניות עד לאסימון הראשון. התחזית של 45 עד 46 היא אפוא טענה לכ-שישה או שבעה נקודות אינדקס מהחלפת צ'קפוינט אחת — מהלך חד-שלבי גדול באופן חריג, וזו בדיוק הסיבה שהמפרסם הסתייג ממנה בניסוח "יהיה די טוב" במקום לחזות אותה.

נחיתה שם תכניס את 1017 לחברה צפופה. המודלים שנמצאים כרגע ב-46 הם Grok 4.7 ב-xhigh וב-high, MiMo-V2.6-Pro ו-G​PT-6 Astra ב-low effort. ב-45 נמצאים Qwen3.8-Max (0902), M​use Spark 1.3 ב-xhigh ו-G​LM-5.3 ב-max. ב-44 נמצאים S​tep 5 Preview ו-Kimi K3 ב-max. שש או שבע נקודות יזיזו את השכבה הזולה של D​eepSeek מלמטה של אשכול המשקלים הפתוחים אל תוכו, וההשוואה שהפוסטר בחר — "טוב יותר מ-G​rok" — היא זו ש-45 או 46 יהפכו לנכונה באופן מילולי בהגדרת המאמץ של Grok 4.7 עצמו, בעוד שעלותה למשימה נמוכה בסדר גודל. זה הצורה השימושית של הניחוש: לא המספר השלם, אלא מיקום מחיר-מול-ציון שהוא מרמז עליו.

יש סיבה נוספת להיזהר עם קו הבסיס עצמו. כתבה שפורסמה בספטמבר מטעם צד שלישי ציטטה את נקודת הביקורת של ספטמבר כ-40 במדד, בדירוג שישי מתוך 113; האתר מציג היום 39 במקום התשיעי מתוך 120, בגרסת מדד בעלת שם. אותם משקלים, מספרים שלמים שונים שפורסמו, מפני שהמדד מנוהל בגרסאות והאוכלוסייה שלו גדלה. כל תחזית שנבנית על מספר שכבר זז פעמיים היא תחזית הבנויה על חול, והגרסה הכנה של טענת 45–46 היא טווח על גבי טווח.

תחזית Omniscience היא זו שיש לה מנגנון

מכל מה שבאות, הטענה ש-1017 "ייפול שוב מול Omniscience" היא החלק שיש מאחוריו מנגנון שניתן לבחון ולא רק תחושה. AA-Omniscience אינו מבחן ידע עם ציון עובר. הוא מדרג מהימנות עובדתית על פני כ-6,000 שאלות ב-42 נושאים, מעניק נקודות על תשובות נכונות, מוריד נקודות על הזיות ומשאיר הימנעות מהענה ניטרלית — כך שעדיף להימנע מלענות מאשר לנחש לא נכון. מודל שמכוונן לתפוקה סוכנית ולפלטים קצרים, כפי שמתאר יומן השינויים של 1017, הוא מודל עם פחות טוקנים של שיקול דעת לכל תשובה. האם זה עוזר או מזיק במדד שמעניש תשובות שגויות בטוחות הוא שאלה פתוחה ממשית, ו"שוב" נושאת משקל במשפט הזה: היא מרמזת שהצ'קפוינט מספטמבר כבר לא הרשים שם. המדד מפרסם את הדיוק של Omniscience ואת שיעור היעדר ההזיות כמספרים נפרדים, אך עמוד המודל D​eepSeek אינו חושף נתונים לפי בנצ'מרק, כך שהפילוח של Omniscience מספטמבר לא ניתן לקרוא אותו כרגע מהאתר. התחזית סבירה וכיום אינה ניתנת להפרכה.

החצי השני של אותה תלונה — שהמדד "עדיין משתמש ב-CritPt השבור" — מצביע על תכונה אמיתית של המורכב. CritPt הוא פיזיקה ברמת מחקר שטרם פורסמה: בעיות שתשובותיהן עדיין לא נמצאות בנתוני האימון, וזה מה שהופך אותו לעמיד בפני זיהום ובד בבד לרועש ואיטי לרענון. הוא מהווה עשירית מהמדד, עם אותו משקל כמו HLE ו-Terminal-Bench 4.0. משפחת מודלים שמעולם לא פרסמה שורת CritPt נושאת נקודה עיוורת של 10% לכל תחזית שנעשית לגביה. שני החצאים של הביקורת הם למעשה אותה תצפית: המדד והספק מודדים דברים שונים, והתחזית צריכה לגשר על הפער הזה באמצעות הנחות.

מספר Vals הוא לוח אחר עם בסיס שונה.

נתון 57% ראוי לפסקה משלו, משום שזה החלק היחיד באות שממופה למספר שפורסם, והמיפוי מיושן בשנה – בכיוון הנכון. האינדקס של Vals AI ממקם את DeepSeek V4.1 Flash מספטמבר על 57.86%, במקום ה-15 מתוך 56 מודלים והמוביל מבין המודלים במשקלים פתוחים, בפער זעיר לפני Kimi K3 שעל 57.81%, בעלות מוצהרת של $0.30 לבדיקה. כך ש"57% ב-Vals נשמע הוגן" אינו תחזית כלפי מעלה – הוא תחזית לביצועים שטוחים פחות או יותר בלוח שבו נקודת הביקורת מספטמבר כבר הייתה המובילה במשקלים פתוחים. שני לוחות, שתי ציפיות שונות, מאותו מפרסם, באותו משפט: קפיצה גדולה באינדקס ואפס קפיצה ב-Vals. האסימטריה הזו היא הדבר המאלף ביותר בפוסט, משום שהיא מלמדת שהמפרסם מצפה שהשיפורים של 1017 ינחתו בהערכות שהאינדקס נותן להן משקל רב ושאותן Vals נותן להן משקל מועט – עבודה סוכנית בסגנון Terminal-Bench, ולא רוחב של עבודת ידע כללית.

מה בעצם יצטרך להיות מורץ מחדש

אף אחד מהמספרים העצמאיים במחזור אינו מתאר את המשקלים של 1017. D​eepSeek החליפה את המודל שמאחורי שם API יציב, מה שאומר שהבעלות על כל נתון שפורסם עברה בשקט מיד ליד: ציון שצוטט עבור DeepSeek V4.1 Flash מהרצה בספטמבר מתאר כעת משקלים שהספק כבר לא מספק, ואילו למשקלים שהוא כן מספק אין ציון חיצוני כלל. עבור כל מי שמתייחס להחלפת צ'קפוינט כשינוי תצורה, הכלל המעשי הוא זה שנגזר מהתוכנה: היא מחייבת את אותו סבב רגרסיה. חמישה שאלות שוות מענה ביחס ל-1017 לפני שהוא מתקרב לנתיב ייצור.

• האם Terminal-Bench 4.0 ניתן לשחזור? הספק העלה אותו מ־31.2 ל־42.3 בהרנס של Claude Code, והיא אחת השורות הבודדות שלוח עצמאי קורא. בחירת הרנס של ספק שמחמיאה למודל היא מצב הכשל הוותיק ביותר בדיווח על בנצ'מרקים.

• האם הרווח של DeepSWE שורד סקלפולד שונה? 77.0 ב-Mini-SWE-V2 לעומת 74.2 מספטמבר. DeepSWE הראה פיזור גדול בין סביבות הרצה, כך שהדלתא היא הטענה, לא הרמה.

• האם אורך הפלט באמת יורד? טענת העלות ביומן השינויים נשענת על פלטים קצרים יותר, לא רק מהירים יותר. ב-API בתשלום לפי שימוש, זה ההבדל בין שיפור פארטו לבין שגיאת עיגול.

• האם חוגת מאמץ החשיבה מתנהגת כמצופה? מאמץ הוא ערך מספרי, כאשר low, high ו-max ממופים לערכים מוגדרים, high הוא ברירת המחדל, ו-temperature מתקבל אך מתעלמים ממנו במצב חשיבה. יש לבדוק בערך המאמץ המדויק שסביבת הייצור שולחת, כי הרצת חבילת בדיקות ב-max לא מספרת לך דבר על פריסה ב-high.

• האם שימוש בכלים בריבוי תורות עדיין עובר הלוך-חזור? עם כלים, reasoning_content מכל תור קודם — כולל תורות ללא קריאת כלי — חייב לחזור, אחרת הבקשה נכשלת. זה מסוג הרגרסיות שהחלפת checkpoint מכניסה בשקט.

אם אתם רוצים להריץ את מעבר הרגרסיה הזה בלי להעביר נתיב ייצור למשקולות לא מדודות, זה בדיוק המקרה שעבורו נבנתה יכולת ה-failover של OrcaRouter: הציבו את 1017 מאחורי שרשרת גיבוי, שלחו אליו את התעבורה שאתם מוכנים לאבד, ותנו לתגובה כושלת או איטית לנסות שוב אצל ספקים אחרים לפני שהקורא רואה אותה. התמחור הוא החצי השני של הטיעון והפשוט יותר — D​eepSeek השאירה את מחירון Flash ללא שינוי, ומכיוון ש-OrcaRouter מעבירה את מחיר המחירון של הספק כמו שהוא עם 0% תוספת, שינוי שלא מזיז את המחיר של D​eepSeek לא מזיז את שלנו. אפשר להגיע ל-DeepSeek V4.1 Flash בתעריפים של D​eepSeek עצמה כבר היום, בלי חוזה שני ובלי שינוי קוד, בזמן שטבלת הדירוג מדביקה את הפער.

השאלות שהאות משאיר פתוחות

למה שהחלפת checkpoint תזיז את האינדקס בכלל, אם הארכיטקטורה זהה? כי האינדקס נותן משקל של חצי מסך כללו להערכות agentic וקידוד, ואלה ההערכות שבהן שינויים מסוג זה לאחר אימון באים לידי ביטוי מהר ביותר. הקטגוריה החלשה ביותר שפורסמה של מודל ספטמבר הייתה עבודה agentic ביחס למחיר שלו; ה-changelog של 1017 עוסק כמעט כולו בעבודה agentic ובעלות לכל משימה. התחזית היא הימור שאותה ארכיטקטורה בתוספת אימון לאחר-אימון טוב יותר נוחתת במקום שאליו המשקלים אומרים שהיא אמורה להגיע.

האם יש דרך כלשהי לקרוא מספר 1017 לפני ש-Artificial Analysis מפרסמת אחד?רק בעקיפין. שתי השורות האג'נטיות שהספק מפרסם — Terminal-Bench 4.0 ו-Automation-Bench — הן הפרוקסי הקרובים ביותר, ושתיהן בדיווח עצמי. נתיב שלישי הוא לעקוב אחרי האם הרשומה מספטמבר בלוח עצמאי משנה את שמה, מוערכת מחדש או נשארת כפי שהיא; שורה מיושנת ששומרת על הציון הישן שלה בזמן שהמשקולות המוגשות משתנות היא האות הברור ביותר לכך שמספר כבר לא אומר את מה שהוא אמור לומר.

האם המחיר שלא השתנה אומר שהטענה בדבר פארטו אמיתית? זה אומר שהטענה ניתנת לבדיקה. "שיפור פארטו בביצועים–עלות" בתעריף קבוע הוא אמיתי רק אם מספר טוקני הפלט למשימה יורד, כי זה המנוף היחיד שנותר. הספק אומר שגם זמן הריצה של המשימה וגם אורך הפלט ירדו. זו הטענה היחידה בעמוד שקורא יכול לאמת באמצעות החשבון שלו.

מה לצפות בהמשך

התחזית שיש לדרג אותה היא ספציפית, וזה מה שהופך אותה לשווה שמירה. אם שורה 1017 מופיעה ב-Intelligence Index ב-45 או ב-46, הכותב קרא נכון גם את העמדה וגם את המנגנון — שקלול כבד לכיוון סוכני יחד עם נקודת תורפה ידועה ב-Omniscience — והלקח השימושי הוא שהציון המשולב הפך לצפוי מתוך טבלת הספקים ברגע שקוראים את המשקלים בקפידה. אם היא נוחתת על 39 של ספטמבר או מתחתיו, הלקח הפוך ויקר יותר: טבלת ספקים בת אחת-עשרה שורות שעולה בכל שורה עדיין יכולה להשאיר ציון משולב שטוח, מפני שהשורות שזזו אינן השורות שקובעות. כל אחת מהתוצאות היא סקר אחד של מודל אחד, לא פסק דין על המעבדה, והמספר שמכריע בה הוא כזה שקורא אינו יכול לחשב היום.

מה שקורא יכול לעשות היום זול יותר מתחזית. המשקלים ברישיון MIT וה-API פעיל במחיר של ספטמבר, כך שהחודש שלפני שמישהו מפרסם דירוג הוא החודש שבו כדאי לגבש דעה משלך על שלוש השאלות שחשובות לך: האם הוא מסיים את המשימות האג'נטיות שלך מהר יותר, האם הוא אומר פחות תוך כדי כך, והאם הוא מחזיק מעמד בנתיבי הכלים הרב-תוריים שאתה באמת מריץ.

הערת מקור: כל נתון של DeepSeek בכתבה זו — אחת-עשרה שורות הבנצ'מרק, סך 763B הפרמטרים, חלון של 1M טוקנים, רישיון MIT, כרטיס התעריפים ללא שינוי והמלצות ה-harness — מגיע מרשומת ה-changelog של הספק עצמו מ-17 באוקטובר, מכרטיס המודל שלו ב-Hugging Face ומעמוד התמחור שפורסם. כל נתון עצמאי — ה-39 במדד Intelligence Index, המקום התשיעי מתוך 120, עלות של $0.27 למשימת מדד, 175.9 טוקנים בשנייה, ושקלול עשר ההערכות שממנו נגזר הציון — מגיע מ-Artificial Analysis, כפי שנקרא ב-18 באוקטובר 2026. תחזית 45 עד 46, ציפיית Vals של 57% ותחזית Omniscience הם אומדנים של משקיף אחד בנוגע למודל שאין לו שורת 1017 באף אחד מהלוחות האלה, והם מסומנים כאומדנים בכל מקום שבו הם מופיעים.

הכשלים המתועדים של ה-AI ותקריות הסוכנים שמאחורי גרסאות כמו זו נאספים בארכיון תקריות ה-AI של OrcaRouter, שבו כל רשומה כוללת מקורות משלה, חומרה, דירוג מהימנות ודגל מחלוקת.