
DeepSeek V4.1 Flash 1017 מזנק ב-19 נקודות ב-FrontierMath Tier 4 — ו-DeepSeek מעולם לא הזכירה זאת
- GoogleחדשGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 לכל 1M טוקנים · 90 tok/s
- AnthropicחדשAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 לכל 1M טוקנים · 97 tok/s
- orcaחדשOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaחדשOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 לכל 1M טוקנים · 88 tok/s
- OrcaחדשOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 לכל 1M טוקנים · 134 tok/s
- OrcaחדשOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 לכל 1M טוקנים · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 לכל 1M טוקנים · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 לכל 1M טוקנים · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447אינטליגנציה
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 192 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929אינטליגנציה
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 134 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733אינטליגנציה
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 128 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 186 tok/s
מספר הבנצ'מרק המעניין ביותר שמצורף לDeepSeek V4.1 Flash 1017 הוא כזה שהספק לא פרסם. ב-21 באוקטובר 2026, חמישה ימים לאחר שהצ'קפוינט שוחרר, הוסיף העוקב BenchLeader תוצאת FrontierMath Tier 4 עבור המודל: 46.3% במאמץ החשיבה המרבי. זה במרחק של שאלה אחת בלבד מQwen3.8-Max, שמדד 46.3% ב-2 באוגוסט, ושווה לClaude Haiku 5.5, שמדד 46.3% ב-7 באוקטובר. זה גם בערך תשע-עשרה נקודות מעל המקום שבו נמצא כל צ'קפוינט קודם של DeepSeek באותו לוח. ה-changelog של DeepSeek לעדכון מ-17 באוקטובר מפרט תשעה בנצ'מרקים. אף אחד מהם אינו בנצ'מרק מתמטיקה. הוא מוגש ב-OrcaRouter לצד הבנייה מספטמבר תחת deepseek/deepseek-v4.1-flash, כך שתוכלו להריץ את אותה קבוצת פרומפטים מול שני הצ'קפוינטים.
הפער בין מה ש-DeepSeek הצהירה לבין מה שמדד צד שלישי הוא הסיפור כאן. צ'קפוינט 1017 הוכרז כמהדורה שמוקדשת לעלות ולמהירות — הביטוי ביומן השינויים הוא "שיפור פארטו בביצועים מול עלות", עם פלטים קצרים יותר והשלמת משימות מהירה יותר. טבלת הבנצ'מרקים באותו יומן שינויים כולה עבודה אג'נטית: HLE ללא כלים, Terminal-Bench 4.0, DeepSWE v1.1, ProgramBench, Apex Bench, Agents' Last Exam. מתמטיקה לא מופיעה ברשימה. לכן או שהמתמטיקה של DeepSeek השתפרה כתופעת לוואי שלא פורסמה של העבודה האג'נטית, או שלאתר מעקב אחד יש שורה שאין לאחרים. שתי הקריאות ראויות להתייחסות רצינית, והן מובילות להמלצות שונות.
מה ש-Tier 4 v2 למעשה דורש, ולמה מספר הבעיות חשוב יותר מהאחוז
FrontierMath Tier 4 v2 הוא השכבה ברמת המחקר של המבחן של Epoch AI: סט הרחבה פרטי של 43 בעיות ברמת מחקר, שפורסם ב-12 ביוני 2026, כאשר מודלים מורשים להריץ Python בארגז חול חסר מצב מול רשימת ספריות קבועה. נראה שהמכנה שנכנס לניקוד הוא 41 — הציונים שפורסמו מתחלקים בו בצורה נקייה, שכן 19 נכונות מתוך 41 הן 46.34% ו-11 מתוך 41 הן 26.83%. כך או כך, הסט קטן מספיק כדי שבעיה אחת שווה בערך 2.4 נקודות אחוז, וזה הפרט שקובע את כל השאר בעמוד הזה. שני ציונים שנראים רחוקים זה מזה בטבלת מובילים יכולים להיות במרחק של שמונה שאלות זה מזה.
שזה בדיוק מה שמשקפים המספרים של DeepSeek. ציון של 46.3% מסתכם בתשע-עשרה תשובות נכונות מול המכנה הזה. הציון של 26.8% שנושאות נקודות הביקורת המוקדמות יותר מסתכם באחת-עשרה. כל ה"זינוק של תשע-עשרה נקודות" הוא שמונה בעיות. זהו הבדל אמיתי — שמונה מתוך ארבעים ואחת אינן רעש במובן הרגיל — אבל זו גם דגימה קטנה מספיק כדי שכלי אחד שהשתנה, הנחיית מערכת שהשתנתה או הגדרת מאמץ שונה יוכלו להזיז מודל בכמה מקומות בדירוג. כשארבעה מודלים יושבים בתיקו על 46.3%, הם לא מופרדים באופן משמעותי. כולם נמצאים בטווח של בעיה אחת זה מזה.
המסלול: שלוש נקודות ביקורת שטוחות, ואז צעד
הסיבה ש-46.3 נרשם כידיעה חדשה ולא כתוצר לוואי של עיגול היא מה שקדם לו. לאורך ארבעת הערכים האחרונים של DeepSeek ב-FrontierMath Tier 4 v2, הקו שטוח ואז הופך לאנכי:
• DeepSeek V4 Flash 0731 — 24.4%, צ'קפוינט יולי
• DeepSeek V4 Pro 0813 — 26.8%, ספינת הדגל של אוגוסט
• DeepSeek V4.1 Flash (0910) — 26.8%, הגרסה מספטמבר שהחליפה את שניהם
• DeepSeek V4.1 Flash 1017 — 46.3%, נקודת הביקורת של אוקטובר, במאמץ מקסימלי
הדרגות הקלות יותר גם הן זזו, אך במידה מתונה: BenchLeader מציין 71.2% ב-FrontierMath דרגות 1–3 עבור גרסת 1017 לעומת 67.4% עבור גרסת ספטמבר. זו הצורה שהייתם מצפים לראות משיפור אמיתי ביכולת — כמה נקודות היכן שהשאלות ניתנות לפתרון, ותזוזה גדולה בהרבה היכן שהן אינן ניתנות לפתרון. זו גם הצורה שהייתם מצפים לראות משינוי בהרנס שמסייע באופן לא פרופורציונלי לבעיות הקשות ביותר, ולכן החלק הבא חשוב.
באיזה לוח אתה מאמין תלוי באיזה לוח אתה קורא
בדקנו חמישה טרקרים. שניים מהם מציגים כעת 46.3% עבור בילד 1017. שלושה לא.
• BenchLeader — 46.3% ברמה 4 ו-71.2% ברמות 1–3, במאמץ מרבי, התוצאה נוספה ב-21 באוקטובר 2026
• DataLearner, שכעת מוצג כ-LLMLearner — 46.34%, במקום ה-21 בשיתוף, הוערך בתצורת "Max (With Tools)", התוצאה האחרונה נוספה ב-26 באוקטובר 2026, ומסומן בלוח כציון המשקלים הפתוחים הטוב ביותר
• benchlm.ai — 26.829%, במקום ה-30, "פתרון בעיות מתמטיות איטרטיבי באמצעות Python", העמוד עודכן ב-25 באוקטובר 2026
• tensor.news — אין בכלל שורה 1017; הרשומה של DeepSeek V4.1 Flash מציגה 26.83%, נמדד ב-9 בספטמבר 2026
• trustthebench — 26%, בעמוד עם תאריך 26 באוגוסט 2026, שמקדים את נקודת הביקורת לחלוטין

לשלושת המתנגדים יש בעיית מקור משותפת. הנתון 26.83 הוא, עד שתי ספרות עשרוניות, הציון שגרסת ספטמבר קיבלה. כלי מעקב שמצמיד תווית מודל חדשה למדידה ישנה מייצר בדיוק את הדפוס הזה, והעמוד הנושא תאריך אוגוסט הוא עדות חד-משמעית לכך שלפחות אחד מהם עושה זאת. זה לא הופך את 46.3 לסמכותי — זה הופך את 26.8 למיושן ולא לסתירה.
מה שיכריע את זה הוא מערכת בדיקה שנייה. לא ה-46.3 ולא ה-71.2 שוחזרו מחוץ לשכבת המעקב, ו-DeepSeek לא פרסמה הערכת מתמטיקה משלה עבור נקודת הביקורת הזו. התייחסו למספר כאל אות חזק מצד שלישי, ולא כאל עובדה מבוססת לגבי המודל. אם אתם זקוקים לנתון שניתן להגן עליו במסמך רכש, אין לכם כזה עדיין.
למה DeepSeek תשחרר שיפור במתמטיקה ולא תזכיר אותו
טבלת ה-changelog מסבירה את ההשמטה טוב יותר מכל תיאוריית קונספירציה. עדכון 1017 מוצג כמהדורה של קידוד וסוכנים, ומספרי הספק כולם באותו סגנון: HLE ללא כלים עלה מ-36.8 ל-42.6, Terminal-Bench 4.0 מ-31.2 ל-42.3, DeepSWE v1.1 מ-74.2 ל-77.0, ProgramBench מ-20.3 ל-29.1, Apex Bench מ-64.6 ל-72.1. מודל שמכוונן על מסלולים סוכניים ארוכים — שבהם התגמול הוא סיום משימה רב-שלבית ולא פליטת טוקן סופי נכון — ירכוש סיבולת מתמטית כתוצר לוואי. מתמטיקה קשה והרצות סוכנים ארוכות מתגמלות את אותה התנהגות: להמשיך לבדוק, לא לעצור מוקדם.

בודקים עצמאיים מצאו את ההיפך ממה שהתאוריה הזו חוזה, וזה מה שהופך את כל העניין למעניין. במדגם של מתמטיקה קשה, מדד הייחוס של המעריך מצא שפלט החשיבה במאמץ מינימלי ירד מ-1,974 טוקנים ל-790, כאשר הפלט החציוני ב-AIME ירד מ-1,681 ל-1,124. חשיבה קצרה יותר במאמץ מינימלי אינה מה שהיית מצפה ממודל שהרוויח זה עתה תשע-עשרה נקודות במתמטיקה מחקרית. הפיוס הסביר ביותר תלוי במאמץ: ה-46.3 נרשם במאמץ מקסימלי, ומה שהשתנה הוא כמה חשיבה המודל מבצע כשנותנים לו לחשוב, ולא כמה ביעילות הוא חושב כשלא נותנים לו.
היכן 46.3 למעשה ממוקם
היותך שווה-לטוב מבין המודלים הסיניים אינה אותו דבר כמו להיות סמוך לחזית, ואותו לוח מבהיר זאת בתוך כמה שורות. מובילי Tier 4 v2 הם סוג אחר לגמרי של מודל: GPT-6.1 Sol ב-100%, GPT-6 Astra ב-97.6%, Claude Opus 5.5 ב-95%, Claude Fable 5 ב-90.2%, GPT-6 Sol ב-90%. המודל הקרוב ביותר מעל אשכול 46.3 הוא GPT-5.4 ב-49%. בלוח המובילים של LLMLearner, 46.3 מסומן כציון משקלי המשקלים הפתוחים הטוב ביותר בלוח. ציון של חצי מאה בדרג הקשה ביותר הוא תוצאה מצוינת עבור מודל במשקלים פתוחים ותוצאה גרועה עבור מודל חזית, ו-DeepSeek V4.1 Flash 1017 נמצא בבירור בקטגוריה הראשונה.
• ניקוד Tier 4 v2 — DeepSeek V4.1 Flash 1017 46.3% לעומת Qwen3.8-Max 46.3% לעומת Claude Haiku 5.5 46.3% (תיקו, מקום 21)
• FrontierMath דרגות 1–3 — DeepSeek V4.1 Flash 1017 עם 71.2% לעומת גרסת ספטמבר של עצמו עם 67.4%
• משקלים — ברישיון MIT, ניתנים להורדה, תערובת מומחים עם 552B פרמטרים וטבלת זיכרון מותנה נפרדת; לפי העוקבים, טביעת הרגל המלאה על הדיסק קרובה ל-763B פרמטרים
• מחיר — $0.30 למיליון קלט ו-$1.20 למיליון פלט בשעות שיא, $0.15 ו-$0.60 בשעות שפל, ללא שינוי מאז ספטמבר
• הקשר — 1M טוקנים, עם קלט תמונות
• טענות ספקים בתחום המתמטיקה — אין; FrontierMath אינו מופיע כלל בטבלאות שפרסמה DeepSeek

הקריאה המעשית: אם העבודה שלך היא מתמטיקה בסגנון תחרותי והחלופה שלך הייתה מודל במשקלים פתוחים, 46.3 משנה את החישוב, כי זה מציב מודל בן 552B ברישיון MIT באותו טווח כמו שני מודלים קנייניים שעולים יותר לכל טוקן. אם החלופה שלך הייתה מודל סגור מהשורה הראשונה, שום דבר כאן לא סוגר את הפער — הפער בין 95 ל-46 ב-Tier 4 אינו שגיאת עיגול.
לבדוק את הטענה על הבעיות שלך עצמך, בלי להמר על נתיב פרודקשן על סמך זה
בהינתן ש-46.3 נשען על 41 בעיות פרטיות ושכבת מעקב אחת, הצעד ההגיוני הוא למדוד אותו מול עומס העבודה שלך ולא לסמוך על אף אחד משני המספרים. DeepSeek V4.1 Flash 1017 מוגש ב-OrcaRouter בתור deepseek/deepseek-v4.1-flash-1017, לצד גרסת ספטמבר תחת deepseek/deepseek-v4.1-flash — מה שאומר שאתה יכול להריץ את אותה קבוצת פרומפטים מול שני ה-checkpoints דרך מפתח API אחד ולראות אם פער שמונה הבעיות מופיע בהערכות שלך. אין חוזה שני ואין שינוי בקוד; מחרוזת המודל היא ההבדל היחיד.
שני דברים בשכבת הניתוב רלוונטיים להחלטה כה לא מגובשת. התמחור מועבר לפי מחיר המחירון של הספק עם 0% תוספת, כך שתעריף שעות השפל של DeepSeek, $0.15 ו-$0.60, פעיל כאן באותו יום שבו הוא פעיל בכל מקום, ושינוי מחיר של ספק אינו ממתין לכך שנסנכרן קטלוג. שימושי יותר כאשר בנצ'מרק שנוי במחלוקת: מעבר אוטומטי לגיבוי וה-DSL של הניתוב מאפשרים לך לשלוח את פרוסת המתמטיקה הקשה לבנייה 1017 במאמץ מקסימלי ולעבור למודל חזק יותר כגיבוי כשהוא מחזיר תשובה שאינך יכול לאמת — כך שרווח לא מוכח של תשע-עשרה נקודות עולה לך כלל ניתוב ולא מיגרציה.
מה היה משנה את הסיפור הזה?
שלושה דברים ראויים למעקב, וכל השלושה ניתנים לבדיקה. הראשון הוא האם benchlm.ai ו-tensor.news יעדכנו את 1017 השורות שלהם למשהו אחר מאשר 26.8; אם שני עוקבים נוספים יתכנסו למדידת אוקטובר, הקריאה שלפיה מדובר בשורות מיושנות תאושר, והמספר יהפוך לרגיל. השני הוא האם DeepSeek יוסיף שורת מתמטיקה לטבלת ההשוואה שלו ביומן שינויים עתידי — ספק שסבר שהרוויח תשע עשרה נקודות ב-FrontierMath היה כנראה אומר זאת, והשתיקה שם היא ראיה קלה נגד. השלישי הוא שחזור ללא כלים. ה-46.3 נרשם כאשר כלים היו מותרים, וריצה חסרת מצב תגיד לך האם הרווח הוא היסק מתמטי או שימוש טוב יותר בארגז חול של Python.
עד שאחד מאלה ינחת, הסיכום הכנה הוא צר. צ'קפוינט בן תשעה ימים, רישיון MIT ומחיר קלט של $0.30 הגיעו לאותו טווח כמו Qwen3.8-Max ו-Claude Haiku 5.5 ברמת המתמטיקה הציבורית הקשה ביותר — בשני טרקרים, במאמץ מרבי, מתוך ארבעים ואחד בעיות, ללא תביעה מצד המעבדה שבנתה אותו. זה מספיק כדי להצדיק אחר צהריים של הערכות משלך. זה לא מספיק כדי להצדיק שכתוב של שקופית בנצ'מרק.
השוואות במאמר הזה2
זוהה מתוך המאמר הזה · בנצ'מרקים: Artificial Analysis · מתעדכן יומית
