DeepSeek-V4.1-Flash-1017: domysł 45 na 46, trzyzdaniowy changelog i jeden wiersz wspólny dla obu tabel wyników

DeepSeek-V4.1-Flash-1017 istnieje naprawdę i ma jeden dzień. Możesz przeczytać wpis w changelogu z datą 2026-10-17, pobrać 763 miliardy parametrów wag na licencji MIT z Hugging Face i wywołać go już teraz pod niezmienionym deepseek-flash ciągiem modelu i według niezmienionego cennika. Czego nie możesz zrobić, to sprawdzić, gdzie się plasuje. Najbardziej merytoryczny post o DeepSeek V4.1 Flash dzień po tym, jak pojawiła się jego aktualizacja, nie był wynikiem — był przypuszczeniem. Uważny obserwator laboratorium oszacował przyszły wynik modelu w Artificial Analysis Intelligence Index na 45 do 46, przewidział Grok 4.7 jako model, który ledwie wyprzedzi, oraz AA-Omniscience jako ewaluację, która go spłaszczy, i podał 57% jako rozsądne oczekiwanie w Vals Index. Każda z tych liczb to prognoza dotycząca tabeli wyników, na której nie ma jeszcze wiersza 1017. Premiera jest faktem. Pozycja w rankingu to zakład, a najciekawsze jest to, dlaczego nikt nie może tego dziś rozstrzygnąć.

Co faktycznie wydano 17 października

Główne źródło jest krótkie. Wpis w dzienniku zmian DeepSeek z 2026-10-17 mówi, że V4.1 Flash „został uaktualniony do DeepSeek-V4.1-Flash-1017”, że modele webowe i aplikacyjne przeszły wraz z nim, że „sposób wywoływania API i cennik pozostają bez zmian” oraz że wywołania do deepseek-flash trafiają do najnowszego modelu. To całe twierdzenie na poziomie specyfikacji. Odpowiadające mu repozytorium, deepseek-ai/DeepSeek-V4.1-Flash-1017, zostało utworzone o 02:40 UTC 17 października i ostatnio zmodyfikowane o 05:46 UTC tego samego dnia; jego indeks safetensors obejmuje łącznie 763 205 315 794 parametrów w typach tensorów BF16, F32, F8_E4M3 i I8. Licencja to MIT. Nie ma w tym żadnego wycieku.

Lista zmian dodaje trzy rzeczy, które nie są liczbami. Nazywa tę aktualizację „poprawą pareto pod względem wydajności i kosztu”. Wymienia harnessy, pod które ją dostrajano — D​eepSeek Harness, T​encent CodeBuddy i WorkBuddy — i zaleca użytkownikom przejście na D​eepSeek Harness 0.2.1-rc.1 lub nowszy. Pokazuje też cztery dema projektów wyrenderowane jako animacje: trójwymiarowy model Zakazanego Miasta, przeglądarkową grę wyścigową, remake Portala 2 zbudowany w Godocie oraz scenę 3D zatytułowaną „Valley of Ages”. To artefakty marketingowe, a nie pomiary — i właśnie dlatego ten tekst trzyma je w osobnym akapicie niż wyniki.

To, co się nie zmieniło, jest równie istotne jak to, co się zmieniło, ponieważ to właśnie ta część wiąże się z pieniędzmi:

• Cennik — bez zmian. Wejście przy trafieniu w pamięć podręczną: $0.006 za milion tokenów w godzinach szczytu i $0.003 poza godzinami szczytu; wejście przy chybieniu pamięci podręcznej: $0.30 / $0.15; wyjście: $1.20 / $0.60. Szczyt oznacza godziny 01:00–04:00 i 06:00–10:00 UTC od poniedziałku do piątku, z wyłączeniem chińskich świąt publicznych.

• Ciąg modelu — bez zmian. deepseek-flash wskazuje teraz punkt kontrolny 1017. Wycofane nazwy deepseek-v4-flash i deepseek-v4-flash-vision-exp są nadal akceptowane i nadal kierują do niego, a rozliczanie odbywa się według stawek Flash.

• Envelope — bez zmian na poziomie karty. Okno kontekstu 1 mln tokenów, max_tokens na poziomie 256K lub wyższym, zalecane temperature 1.0 i top_p 1.0.

• Uciążliwa wada pakowania — również bez zmian. Nadal nie ma szablonu czatu Jinja. Repozytorium dostarcza encoding/encoding.py jako implementację referencyjną obejmującą rozmowę wieloturową, wywoływanie narzędzi, tryb myślenia, liczbowy poziom wysiłku rozumowania, komunikaty systemowe w środku rozmowy i przeplatane obrazy, a użytkowników produkcyjnych kieruje do deepseek-recipe, biblioteki Rust z powiązaniami Pythona.

Karta 1017 nie powtarza architektury. Kształt rodziny — szkielet 552B, Causal Encoder-Decoder podzielony na 20-warstwowy przyczynowy enkoder i 20-warstwowy dekoder, asymetryczna aktywacja 8B parametrów podczas prefillu i 16B podczas dekodowania, 384 ekspertów routowanych z 6 aktywnymi na token, uwaga CSA2, buforowanie głównego KV w FP4 oraz 196B pamięci warunkowej Engram — pochodzi z karty wrześniowej, raportu technicznego zatytułowanego Przesuwanie granic kompresji pamięci podręcznej KV, oraz cytowania w samej karcie modelu. Czytelnik, który chce te liczby, powinien zaczerpnąć je z wrześniowego dokumentu, a nie ze strony 1017, która nigdy nie twierdzi, że je zawiera.

Jedenaście wierszy dostawców — i ten, który indeks faktycznie odczytuje

Tabela testów porównawczych dostawcy jest jedynym porównywalnym artefaktem w wydaniu i została opublikowana jako obraz w dzienniku zmian oraz jako tabela w formacie Markdown na karcie modelu. Odczytane z karty: kolumna 1017 w porównaniu z kolumną wrześniową: HLE bez narzędzi 42,6 (44,0 w podzbiorze wyłącznie tekstowym) wobec 36,8 (39,1); Terminal-Bench 4.0 42,3 wobec 31,2; DeepSWE v1.1 77,0 wobec 74,2; ProgramBench 29,1 wobec 20,3; NL2Repo-Bench 68,2 wobec 65,4; Automation-Bench v1.0.6 60,5 wobec 54,8; Agents' Last Exam 35,4 wobec 31,8; Apex Bench v1.1 72,1 wobec 64,6; Chartography z narzędziami 83,0 wobec 78,9; BabyVision z narzędziami 92,5 wobec 89,6; ZeroBench-main z narzędziami 51,0 wobec 49,0. Wszystkie jedenaście wierszy idzie w górę. Dwa przypisy opatrują tabelę zastrzeżeniami: symbol dagera oznacza podzbiór HLE wyłącznie tekstowy, a Terminal-Bench 4.0 uruchomiono w środowisku Claude Code, podczas gdy DeepSWE v1.1 uruchomiono w Mini-SWE-V2.

Teraz porównaj to z Artificial Analysis Intelligence Index, którego dotyczy szacunek 45–46. Bieżąca wersja indeksu to 4.3.2 i jest to ważona kompozycja dziesięciu ewaluacji w czterech kategoriach: Agenci 30%, Kodowanie 20%, Rozumowanie naukowe 20%, Ogólne 30%. Wagi są opublikowane i stanowią cały argument. AA-Briefcase v1.1 ma wagę 15%. AA-Omniscience ma wagę 15%, podzieloną na dokładność 10% i wskaźnik braku halucynacji 5%. Terminal-Bench 4.0 ma wagę 10%. HLE ma wagę 10%. CritPt — zestaw niepublikowanych zadań z fizyki na poziomie badawczym — ma wagę 10%. GDPval-AA v2.1 ma wagę 10%, GDP.pdf 10%, SciCode 10%, AutomationBench-AA 5% i AA-LCR v1.1 5%.

Tylko jedna z tych dziesięciu ewaluacji pojawia się w jedenastowierszowej tabeli D​eepSeek pod tą samą nazwą i w tej samej konfiguracji: Terminal-Bench 4.0, przy jednej dziesiątej indeksu. HLE występuje po obu stronach, ale nie identycznie — kolumna dostawcy to podzbiór czystego tekstu, a indeks obejmuje zbiór wyłącznie tekstowy liczący 2158 pytań. Wszystko inne, co odczytuje indeks, w tym dwa najcięższe składniki, nie ma w ogóle wiersza dostawcy. To jest mechanika stojąca za tym domysłem, a nie krytyka laboratorium: chodzi po prostu o to, że tabela dostawcy i indeks złożony są budowane z różnych części, a nakładanie się ma szerokość jednego wiersza.

Skąd pochodzi 45–46 i dlaczego nie możesz tego sprawdzić

Prognoza to arytmetyka oparta na wyniku z września. Artificial Analysis obecnie ocenia wrześniowy checkpoint DeepSeek V4.1 Flash na 39 w konfiguracji rozumowania przy maksymalnym wysiłku, co plasuje go na dziewiątym miejscu spośród 120 modeli w Intelligence Index i znacznie powyżej mediany wynoszącej 19 dla modeli z otwartymi wagami w jego klasie rozmiarów. Ten sam wpis obejmuje koszt 0,27 USD na zadanie indeksowe, 175,9 tokena wyjściowego na sekundę i 1,23 sekundy do pierwszego tokena. Prognoza 45–46 jest zatem twierdzeniem o około sześciu lub siedmiu punktach indeksu z jednej wymiany checkpointu — nietypowo dużym skoku w jednym kroku, i właśnie dlatego autor posta złagodził ją sformułowaniem „byłoby przyzwoicie”, zamiast jej przewidywać.

Wylądowanie tam umieściłoby 1017 w zatłoczonym towarzystwie. Modele obecnie na poziomie 46 to Grok 4.7 na ustawieniach xhigh i high, MiMo-V2.6-Pro oraz G​PT-6 Astra na ustawieniu low effort. Na poziomie 45 znajdują się Qwen3.8-Max (0902), M​use Spark 1.3 na xhigh i G​LM-5.3 na max. Na poziomie 44 znajdują się S​tep 5 Preview i Kimi K3 na max. Sześć lub siedem punktów przesunęłoby tanią warstwę D​eepSeek z poniżej klastra modeli otwartych do jego środka, a porównanie wybrane przez autora wpisu — „lepszy niż G​rok” — to takie, które stałoby się dosłownie prawdziwe przy wyniku 45 lub 46 i przy tym samym ustawieniu wysiłku co Grok 4.7, a kosztowałoby przy tym o rząd wielkości mniej na zadanie. To jest użyteczny kształt tego przypuszczenia: nie sama liczba całkowita, lecz implikowana przez nią pozycja ceny do wyniku.

Jest jeszcze jeden powód, by ostrożnie podchodzić do samej wartości bazowej. Opracowanie podmiotu trzeciego opublikowane we wrześniu podawało wrześniowy punkt kontrolny na poziomie 40 w indeksie, na szóstym miejscu spośród 113; witryna podaje dziś 39 na dziewiątym miejscu spośród 120, w ramach nazwanej wersji indeksu. Te same wagi, inne publikowane liczby całkowite, ponieważ indeks jest wersjonowany, a jego populacja rośnie. Każda prognoza oparta na liczbie, która zmieniła się już dwukrotnie, to prognoza na piasku, a uczciwa wersja twierdzenia 45–46 to przedział dotyczący przedziału.

Predykcja Omniscience to ta z mechanizmem.

Spośród wszystkiego w tym sygnale twierdzenie, że 1017 „znowu zostanie pogrążone przez Omniscience”, jest tą częścią, za którą stoi testowalny mechanizm, a nie samo wyczucie. AA-Omniscience nie jest quizem wiedzy z progiem zaliczenia. Ocenia rzetelność faktograficzną na podstawie około 6000 pytań obejmujących 42 tematy, przyznaje punkty za poprawne odpowiedzi, odejmuje za halucynacje, a wstrzymanie się od odpowiedzi pozostawia neutralne — więc odmowa odpowiedzi bije błędne zgadywanie. Model dostrojony pod przepustowość agentową i krótkie odpowiedzi, co opisuje changelog 1017, to model z mniejszą liczbą tokenów namysłu na odpowiedź. Czy to pomaga, czy szkodzi w indeksie, który karze pewne siebie błędne odpowiedzi, pozostaje realnie otwartym pytaniem, a „znowu” odgrywa w tym zdaniu istotną rolę: sugeruje, że wrześniowy checkpoint już tam wypadł poniżej oczekiwań. Indeks publikuje dokładność Omniscience i wskaźnik braku halucynacji jako osobne liczby, ale strona modelu D​eepSeek nie pokazuje wyników dla poszczególnych benchmarków, więc wrześniowego podziału wyników Omniscience nie da się obecnie odczytać z witryny. Ta prognoza jest wiarygodna i dziś niemożliwa do sfalsyfikowania.

Druga połowa tego samego zarzutu — że indeks „nadal używa zepsutego CritPt” — wskazuje na rzeczywistą właściwość kompozytu. CritPt to nieopublikowana fizyka na poziomie badawczym: problemy, których odpowiedzi nie trafiły jeszcze do danych treningowych, co czyni go odpornym na zanieczyszczenie, a jednocześnie hałaśliwym i wolno odświeżanym. Odpowiada za jedną dziesiątą indeksu, tę samą wagę co HLE i Terminal-Bench 4.0. Rodzina modeli, która nigdy nie opublikowała wiersza z wynikiem CritPt, wnosi 10-procentową martwą strefę do każdej prognozy jej dotyczącej. Obie połowy tej krytyki to w istocie ta sama obserwacja: indeks i dostawca mierzą różne rzeczy, a prognoza musi zasypać tę lukę założeniami.

Numer Vals to inna płyta z inną podstawą.

Liczba 57% zasługuje na osobny akapit, ponieważ jest to jedyna część sygnału, która przekłada się na opublikowaną liczbę, a to przełożenie jest o rok nieaktualne, ale w dobrym kierunku. Indeks Vals AI umieszcza wrześniowy DeepSeek V4.1 Flash na poziomie 57,86%, na piętnastym miejscu spośród 56 modeli i jako najlepszy model o otwartych wagach, nieznacznie przed Kimi K3 z 57,81%, przy deklarowanych 0,30 USD za test. Zatem „57% na Vals brzmi sensownie” nie jest prognozą w górę — to prognoza mniej więcej płaskich wyników na tablicy, na której wrześniowy checkpoint był już liderem wśród modeli o otwartych wagach. Dwie tablice, dwie różne oczekiwania, od tego samego autora, w tym samym zdaniu: duży skok w indeksie i żaden skok na Vals. Ta asymetria jest najbardziej informacyjną rzeczą w poście, ponieważ mówi, że autor oczekuje, iż zyski z 1017 trafią do ewaluacji, którym indeks przypisuje dużą wagę, a Vals małą — pracy agentowej w stylu Terminal-Bench, a nie szerokości ogólnej pracy opartej na wiedzy.

Co właściwie musiałoby zostać ponownie uruchomione?

Żadna z krążących niezależnych liczb nie opisuje wag 1017. DeepSeek zastąpił model stojący za stabilną nazwą API, co oznacza, że każda opublikowana liczba po cichu przeszła w inne ręce: wynik podawany dla DeepSeek V4.1 Flash z wrześniowego przebiegu opisuje teraz wagi, których dostawca już nie udostępnia, natomiast wagi, które udostępnia, nie mają żadnego zewnętrznego wyniku. Dla każdego, kto traktuje wymianę checkpointu jako zmianę konfiguracji, praktyczna zasada jest ta zaczerpnięta z oprogramowania: wymaga ona tego samego przebiegu regresji. Warto odpowiedzieć na pięć pytań w odniesieniu do 1017, zanim znajdzie się w pobliżu ścieżki produkcyjnej.

• Czy Terminal-Bench 4.0 można odtworzyć? Dostawca przeniósł go z 31,2 na 42,3 w harnessie C​laude Code, a to jeden z niewielu wierszy, które czyta niezależny panel. Wybór harnessu przez dostawcę, który schlebia modelowi, to najstarszy tryb awarii w raportowaniu benchmarków.

• Czy zysk z DeepSWE utrzymuje się przy innym szkielecie? 77,0 w Mini-SWE-V2 wobec 74,2 z września. DeepSWE wykazywał duży rozrzut między harnessami, więc tezą jest delta, a nie sam poziom.

• Czy długość wyjścia rzeczywiście spada? Twierdzenie o kosztach z changelogu opiera się na krótszych wyjściach, a nie tylko na szybszych. W API rozliczanym za użycie to różnica między poprawą w sensie Pareto a błędem zaokrąglenia.

• Czy pokrętło poziomu wysiłku rozumowania działa prawidłowo? Wysiłek jest wartością numeryczną, a opcje low, high i max mapują się na zdefiniowane wartości; domyślna jest opcja high, natomiast temperatura jest akceptowana, ale ignorowana w trybie myślenia. Testuj przy dokładnie takiej wartości wysiłku, jaką wysyła produkcja, ponieważ uruchomienie zestawu testów na max nie mówi nic o wdrożeniu na high.

• Czy wieloturowe korzystanie z narzędzi nadal odbywa pełny obieg? W przypadku narzędzi pole reasoning_content z każdej wcześniejszej tury — także z tur bez wywołania narzędzia — musi zostać zwrócone, inaczej żądanie kończy się niepowodzeniem. To właśnie tego rodzaju regresja pojawia się po cichu przy podmianie checkpointu.

Jeśli chcesz przeprowadzić ten przebieg regresyjny bez przenoszenia ścieżki produkcyjnej na niezmierzone wagi, właśnie do takiego przypadku zbudowano mechanizm failover OrcaRouter: umieść 1017 za łańcuchem zapasowym, skieruj do niego ruch, którego stratę możesz zaakceptować, i pozwól, aby nieudana lub wolna odpowiedź została ponowiona u różnych dostawców, zanim zobaczy ją wywołujący. Kwestia ceny to druga połowa argumentu i ta prostsza — D​eepSeek pozostawił cennik Flash bez zmian, a ponieważ OrcaRouter przekazuje cenę katalogową dostawcy bezpośrednio dalej z 0% marży, zmiana, która nie zmienia ceny D​eepSeek, nie zmienia też naszej. Do DeepSeek V4.1 Flash możesz dotrzeć już dziś po stawkach samego D​eepSeek, bez drugiej umowy i bez zmian w kodzie, w czasie gdy ranking nadrabia zaległości.

Pytania, które sygnał pozostawia otwarte

Dlaczego podmiana checkpointu miałaby w ogóle zmieniać indeks, jeśli architektura jest ta sama? Ponieważ indeks przypisuje ocenom pracy agentowej i kodowania połowę swojej łącznej wagi, a to właśnie w tych ocenach zmiany po treningu tego rodzaju ujawniają się najszybciej. Najsłabszą opublikowaną kategorią modelu z września była praca agentowa w stosunku do jego ceny; changelog 1017 dotyczy niemal wyłącznie pracy agentowej i kosztu na zadanie. Prognoza jest zakładem, że ta sama architektura plus lepszy trening po wstępnym treningu trafi tam, gdzie według wag powinna.

Czy jest jakiś sposób, by poznać numer 1017, zanim Artificial Analysis go opublikuje?Tylko pośrednio. Dwa wiersze agentowe publikowane przez dostawcę — Terminal-Bench 4.0 i Automation-Bench — są najbliższymi wskaźnikami zastępczymi, a oba są danymi zgłaszanymi przez samego dostawcę. Trzecią drogą jest obserwowanie, czy wrześniowy wpis na niezależnej liście rankingowej zostanie przemianowany, ponownie uruchomiony czy pozostawiony bez zmian; nieaktualny wiersz, który zachowuje dawny wynik, podczas gdy udostępniane wagi się zmieniają, to najwyraźniejszy sygnał, że dana liczba nie znaczy już tego, co twierdzi.

Czy niezmieniona cena oznacza, że twierdzenie o Pareto jest prawdziwe? Oznacza to, że twierdzenie można zweryfikować. „Poprawa Pareto w zakresie wydajności i kosztów” przy stałym cenniku jest prawdziwa tylko wtedy, gdy liczba tokenów wyjściowych na zadanie spada, ponieważ to jedyna pozostała dźwignia. Dostawca twierdzi, że zarówno czas wykonania zadania, jak i długość danych wyjściowych spadły. To jedyne twierdzenie na stronie, które czytelnik może zweryfikować na podstawie własnego rachunku.

Co obejrzeć dalej

Prognoza, którą trzeba ocenić, jest konkretna — i właśnie dlatego warto ją zachować. Jeśli w Intelligence Index pojawi się wiersz 1017 na poziomie 45 lub 46, autor posta przewidział zarówno pozycję, jak i mechanizm — ważenie mocno faworyzujące agentowość plus znany słaby punkt w Omniscience — a użyteczna lekcja polega na tym, że kompozyt stał się przewidywalny na podstawie tabeli dostawcy, gdy tylko uważnie odczytało się wagi. Jeśli wynik wyniesie 39 z września lub mniej, lekcja jest odwrotna i droższa: jedenastowierszowa tabela dostawcy, w której każdy wiersz rośnie, wciąż może pozostawić wynik kompozytowy bez zmian, ponieważ wiersze, które się zmieniły, to nie te, które się liczą. Każdy z tych wyników to jedno badanie jednego modelu, a nie werdykt o laboratorium, a liczbą, która to rozstrzyga, jest ta, której czytelnik nie może dziś obliczyć.

To, co czytelnik może zrobić już dziś, kosztuje mniej niż prognoza. Wagi są na licencji MIT, a API działa w cenie z września, więc miesiąc, zanim ktokolwiek opublikuje ranking, to miesiąc, w którym warto wyrobić sobie własne zdanie w trzech pytaniach, które mają dla Ciebie znaczenie: czy szybciej wykonuje Twoje zadania agentowe, czy mówi mniej, robiąc to, i czy daje sobie radę z wieloturówymi ścieżkami narzędzi, które faktycznie realizujesz.

Nota źródłowa: każda liczba dotycząca DeepSeek w tym tekście — jedenaście wierszy benchmarków, łączna liczba 763B parametrów, okno 1M tokenów, licencja MIT, niezmieniony cennik i zalecenia dotyczące harnessu — pochodzi z wpisu w changelogu dostawcy z 17 października, jego karty modelu na Hugging Face oraz opublikowanej strony z cenami. Każda niezależna liczba — 39 w Intelligence Index, dziewiąte miejsce na 120, koszt 0,27 USD na zadanie indeksowe, 175,9 tokena na sekundę oraz waga dziesięciu ewaluacji, która odpowiada za wynik — pochodzi z Artificial Analysis, odczytanego 18 października 2026 r. Prognoza 45–46, oczekiwanie Vals na poziomie 57% i przewidywanie Omniscience to szacunki jednego obserwatora dotyczące modelu, który nie ma wiersza 1017 na żadnej z tych tablic, i wszędzie, gdzie się pojawiają, są oznaczone jako szacunki.

Udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami jak to są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom istotności, stopień pewności i znacznik sporności.