DeepSeek-V4.1-Flash-1017: догадка «45 → 46», журнал изменений из трёх предложений и одна строка, которую разделяют обе таблицы результатов

D​eepSeek-V4.1-Flash-1017 реален, и ему всего один день. Вы можете прочитать запись в журнале изменений от 2026-10-17, скачать с Hugging Face 763 миллиарда параметров весов под лицензией MIT и вызвать его прямо сейчас по неизменной строке модели deepseek-flash по неизменной тарифной сетке. Чего вы не можете — это посмотреть, какое место он занимает в рейтинге. Самый содержательный пост о DeepSeek V4.1 Flash на следующий день после выхода обновления был не результатом, а догадкой. Один из внимательных наблюдателей лаборатории оценил будущий балл модели по Artificial Analysis Intelligence Index в 45–46, предсказал, что она слегка обгонит Grok 4.7, а AA-Omniscience назвал оценкой, которая её приземлит, и назвал 57% справедливым ожиданием по Vals Index. Каждая из этих цифр — прогноз относительно таблицы результатов, в которой пока нет строки 1017. Релиз — факт. Место в рейтинге — ставка, и самое интересное — почему сегодня никто не может дать окончательный ответ.

Что на самом деле вышло 17 октября

Первоисточник короток. Запись в журнале изменений D​eepSeek от 2026-10-17 гласит, что V4.1 Flash «был обновлён до D​eepSeek-V4.1-Flash-1017», что модели для веба и приложения перешли вместе с ним, что «способ вызова API и тарифы остались неизменными», а вызовы deepseek-flash попадают на новейшую модель. Это и есть всё утверждение на уровне спецификации. Соответствующий репозиторий deepseek-ai/D​eepSeek-V4.1-Flash-1017 был создан в 02:40 UTC 17 октября и в последний раз изменён в 05:46 UTC того же дня; его индекс safetensors насчитывает в сумме 763 205 315 794 параметра по типам тензоров BF16, F32, F8_E4M3 и I8. Лицензия — MIT. Ничего из этого не является утечкой.

В журнале изменений добавляются три вещи, которые не являются числами. Обновление называется в нём «парето-улучшением по соотношению производительность — стоимость». В нём перечислены испытательные стенды, на которых его настраивали, — D​eepSeek Harness, T​encent CodeBuddy и WorkBuddy, — а пользователям рекомендуется перейти на D​eepSeek Harness 0.2.1-rc.1 или более позднюю версию. И в нём показаны четыре демонстрации проектов, выполненные в виде анимации: 3D-модель Запретного города, браузерная гоночная игра, ремейк Portal 2, созданный в Godot, и 3D-сцена под названием «Valley of Ages». Это маркетинговые материалы, а не измерения, и именно поэтому в этой статье они вынесены в отдельный абзац, отдельно от оценок.

То, что не изменилось, так же важно, как и то, что изменилось, потому что именно с этим связаны деньги:

• Тарифная сетка — без изменений. Входные данные при попадании в кэш — $0.006 за миллион токенов в часы пик и $0.003 вне часов пик; входные данные при промахе кэша — $0.30 / $0.15; выходные данные — $1.20 / $0.60. Часы пик — это 01:00–04:00 и 06:00–10:00 UTC с понедельника по пятницу, за исключением государственных праздников Китая.

• Строка модели — без изменений. deepseek-flash теперь соответствует контрольной точке 1017. Устаревшие имена deepseek-v4-flash и deepseek-v4-flash-vision-exp по-прежнему принимаются и по-прежнему направляются к ней с тарификацией по тарифам Flash.

• Envelope — без изменений на уровне карточки. Контекстное окно на 1M токенов, max_tokens на уровне 256K или выше, рекомендуются temperature 1.0 и top_p 1.0.

• Недочёт упаковки — тоже без изменений. Шаблона чата Jinja по-прежнему нет. Репозиторий поставляет encoding/encoding.py как эталонную реализацию, охватывающую многоходовой диалог, вызов инструментов, режим размышления, числовую настройку усилий рассуждения, системные сообщения посреди диалога и чередующиеся изображения, и рекомендует пользователям в продакшене deepseek-recipe — библиотеку на Rust с привязками для Python.

Карточка 1017 не повторяет архитектуру. Форма семейства — магистраль на 552B, Causal Encoder-Decoder, разделённый на 20-слойный причинный энкодер и 20-слойный декодер, асимметричная активация 8B параметров при prefill и 16B при decode, 384 маршрутизируемых эксперта, 6 из которых активны на токен, внимание CSA2, кэширование основного KV в FP4 и 196B условная память Engram — происходит из сентябрьской карточки, технического отчёта под названием Раздвигая пределы сжатия KV-кэша, и собственной ссылки в карточке модели. Тому, кому нужны эти числа, следует брать их из сентябрьского документа, а не со страницы 1017, где они вообще не заявлены.

Одиннадцать строк поставщиков, и та, которую индекс фактически читает

Таблица бенчмарков поставщика — единственный сопоставимый артефакт в релизе; она опубликована как изображение в списке изменений и как markdown-таблица на карточке модели. Если читать по карточке, столбец 1017 против сентябрьского столбца: HLE без инструментов — 42,6 (44,0 на текстовом подмножестве) против 36,8 (39,1); Terminal-Bench 4.0 — 42,3 против 31,2; DeepSWE v1.1 — 77,0 против 74,2; ProgramBench — 29,1 против 20,3; NL2Repo-Bench — 68,2 против 65,4; Automation-Bench v1.0.6 — 60,5 против 54,8; Agents' Last Exam — 35,4 против 31,8; Apex Bench v1.1 — 72,1 против 64,6; Chartography с инструментами — 83,0 против 78,9; BabyVision с инструментами — 92,5 против 89,6; ZeroBench-main с инструментами — 51,0 против 49,0. Все одиннадцать строк растут. К таблице есть две сноски: символ кинжала обозначает текстовое подмножество HLE, а Terminal-Bench 4.0 запускался в среде Claude Code, тогда как DeepSWE v1.1 — в Mini-SWE-V2.

Теперь сопоставьте это с Artificial Analysis Intelligence Index — именно к нему относится предположение о 45–46. Текущая версия индекса — 4.3.2, и это взвешенная композитная оценка из десяти испытаний по четырём категориям: «Агенты» — 30%, «Программирование» — 20%, «Научные рассуждения» — 20%, «Общее» — 30%. Веса опубликованы, и на них держится весь аргумент. AA-Briefcase v1.1 даёт 15%. AA-Omniscience даёт 15%, разделённые на точность — 10% и долю ответов без галлюцинаций — 5%. Terminal-Bench 4.0 даёт 10%. HLE даёт 10%. CritPt, набор задач по неопубликованной физике исследовательского уровня, даёт 10%. GDPval-AA v2.1 даёт 10%, GDP.pdf — 10%, SciCode — 10%, AutomationBench-AA — 5% и AA-LCR v1.1 — 5%.

Только одна из этих десяти оценок появляется в таблице D​eepSeek из одиннадцати строк под тем же названием и с той же конфигурацией: Terminal-Bench 4.0, с весом в одну десятую индекса. HLE присутствует с обеих сторон, но не идентично — столбец вендора представляет собой подмножество чисто текстовых заданий, а индекс использует набор из 2 158 вопросов только в текстовом виде. Всё остальное, что читает индекс, включая два самых тяжёлых компонента, вообще не имеет строки вендора. Такова механика, стоящая за этой догадкой, а не критика лаборатории: просто таблица вендора и составной индекс строятся из разных частей, и пересечение составляет всего одну строку.

Откуда берётся 45–46 и почему вы не можете это проверить

Прогноз — это простая арифметика от сентябрьской оценки. Artificial Analysis в настоящее время оценивает сентябрьский чекпойнт DeepSeek V4.1 Flash в 39 в его конфигурации рассуждений при максимальном усилии, что ставит его на девятое место из 120 моделей в Intelligence Index и значительно выше медианы 19 для открытых моделей его класса размера. Та же запись имеет стоимость $0,27 за индексную задачу, 175,9 выходных токенов в секунду и 1,23 секунды до первого токена. Прогноз 45–46, следовательно, представляет собой заявление о примерно шести или семи индексных пунктах от одной замены чекпойнта — необычно большой одношаговый скачок, и именно поэтому автор поста выразился осторожно — «было бы неплохо», — а не стал это предсказывать.

Попадание туда поставило бы 1017 в плотную компанию. Сейчас на 46 находятся G​rok 4.7 при xhigh и high, MiMo-V2.6-Pro и G​PT-6 Astra при low effort. На 45 расположились Qwen3.8-Max (0902), M​use Spark 1.3 при xhigh и G​LM-5.3 при max. На 44 — S​tep 5 Preview и Kimi K3 при max. Шесть или семь баллов переместили бы дешёвый уровень D​eepSeek с позиции ниже кластера открытых весов в его середину, а выбранное автором поста сравнение — «лучше, чем G​rok» — 45 или 46 сделали бы буквально верным при собственной настройке усилий G​rok 4.7, при этом стоимость за задачу была бы на порядок меньше. В этом и заключается полезная суть догадки: не само целое число, а позиция по соотношению цены и оценки, которую оно подразумевает.

Есть ещё одна причина осторожно относиться к самой базовой линии. Сторонняя публикация, вышедшая в сентябре, приводила сентябрьское контрольное значение на уровне 40 по индексу при ранге шестом из 113; сегодня на сайте указано 39 при девятом из 120 — для конкретной именованной версии индекса. Те же веса, но другие опубликованные целые числа, потому что индекс ведётся по версиям, а его состав растёт. Любой прогноз, построенный на числе, которое уже дважды сдвигалось, — это прогноз, построенный на песке, а честная версия утверждения о 45–46 — это диапазон о диапазоне.

Предсказание «Всеведение» — это то, у которого есть механизм.

Из всего в сигнале утверждение, что 1017 «снова провалится на Omniscience», — это та часть, за которой стоит проверяемый механизм, а не просто ощущение. AA-Omniscience — это не викторина на знание с проходным баллом. Он оценивает фактическую надёжность примерно на 6000 вопросах по 42 темам, начисляет баллы за правильные ответы, снимает за галлюцинации, а воздержание оставляет нейтральным — поэтому воздержаться от ответа лучше, чем угадать неправильно. Модель, настроенная на агентную пропускную способность и короткие ответы, — а именно это описывает changelog 1017, — это модель с меньшим числом токенов на размышление на каждый ответ. Помогает это или вредит на индексе, который штрафует уверенные неправильные ответы, — действительно открытый вопрос, и слово «снова» в этом предложении несёт смысл: оно подразумевает, что сентябрьский чекпойнт уже не впечатлил на этом индексе. Индекс публикует точность Omniscience и показатель отсутствия галлюцинаций как отдельные числа, но на странице модели DeepSeek не выводятся цифры по отдельным бенчмаркам, поэтому сентябрьскую разбивку результатов Omniscience сейчас нельзя увидеть на сайте. Прогноз правдоподобен и на сегодняшний день неопровержим.

Вторая половина той же жалобы — что индекс «до сих пор использует сломанный CritPt», — указывает на реальное свойство составного индекса. CritPt — это неопубликованная физика исследовательского уровня: задачи, ответы на которые ещё не попали в обучающие данные; именно это делает его устойчивым к загрязнению, но одновременно и шумным, и медленно обновляемым. На него приходится десятая часть индекса — тот же вес, что и у HLE и Terminal-Bench 4.0. Семейство моделей, которое никогда не публиковало строку CritPt, несёт 10%-ю слепую зону в каждый прогноз, который о нём делается. Обе половины критики на самом деле — одно и то же наблюдение: индекс и вендор измеряют разные вещи, и прогнозу приходится преодолевать этот разрыв с помощью допущений.

Номер Vals — это другая плата с другой базой.

Цифра 57% заслуживает отдельного абзаца, потому что это единственная часть сигнала, которая соотносится с опубликованным числом, и это соответствие отстаёт на год, но в правильном направлении. Индекс Vals AI ставит сентябрьскую DeepSeek V4.1 Flash на 57,86% — пятнадцатое место среди 56 моделей и лучший результат среди моделей с открытыми весами, минимально впереди Kimi K3 с 57,81% при заявленной цене $0,30 за тест. Так что «57% на Vals звучит справедливо» — это не прогноз вверх, а прогноз примерно ровной производительности на рейтинге, где сентябрьский чекпойнт уже был лидером среди открытых весов. Два рейтинга, два разных ожидания — от одного и того же автора поста, в одном и том же предложении: большой шаг вперёд по индексу и никакого шага по Vals. Эта асимметрия — самое информативное в посте, потому что она говорит: автор ожидает, что улучшения 1017 проявятся в оценках, которым индекс придаёт большой вес, а Vals — малый: работа в стиле Terminal-Bench с агентными задачами, а не широта общего интеллектуального труда.

Что на самом деле пришлось бы запустить заново

Ни одна из независимых цифр, находящихся в обращении, не описывает веса 1017. DeepSeek заменил модель за стабильным именем API, а значит, принадлежность каждой опубликованной цифры незаметно сменилась: оценка, указанная для DeepSeek V4.1 Flash по сентябрьскому прогону, теперь описывает веса, которые поставщик больше не обслуживает, тогда как для весов, которые он действительно обслуживает, внешней оценки нет вообще. Для всех, кто считает замену контрольной точки изменением конфигурации, практическое правило взято из разработки ПО: она требует такого же регрессионного прогона. Прежде чем 1017 приблизится к пути в продакшн, стоит ответить на пять вопросов.

• Воспроизводится ли Terminal-Bench 4.0? Вендор поднял его с 31.2 до 42.3 в харнессе Claude Code, и это одна из немногих строк, которые читает независимый совет. Выбор вендорского харнесса, который льстит модели, — старейший режим отказа в отчетности по бенчмаркам.

• Сохраняется ли прирост DeepSWE при использовании другого скаффолда? 77,0 в Mini-SWE-V2 против сентябрьского значения 74,2. DeepSWE показал большой разброс между харнессами, поэтому заявление касается дельты, а не уровня.

• Действительно ли длина вывода сокращается? Утверждение журнала изменений об экономии затрат опирается на более короткие выводы, а не только на более быстрые. В API с оплатой по потреблению это разница между улучшением по Парето и ошибкой округления.

• Правильно ли работает регулятор интенсивности рассуждений? Интенсивность задаётся числом: значения low, high и max сопоставлены определённым величинам, high используется по умолчанию, а temperature принимается, но игнорируется в режиме размышления. Тестируйте при том же точном значении интенсивности, которое отправляет продакшен, потому что прогон набора тестов на max ничего не говорит о развёртывании на high.

• По-прежнему ли корректно проходит многоходовое использование инструментов? При работе с инструментами reasoning_content из каждого предыдущего хода — включая ходы без вызова инструментов — должен возвращаться, иначе запрос завершается ошибкой. Именно такую регрессию незаметно вносит замена контрольной точки.

Если вы хотите провести этот регрессионный прогон, не переводя продакшн-путь на неизмеренные веса, это именно тот случай, для которого создан фейловер OrcaRouter: поставьте 1017 в цепочку резервных вариантов, направьте на него трафик, потеря которого для вас приемлема, и позвольте неудачному или медленному ответу повторяться у разных провайдеров, прежде чем его увидит вызывающая сторона. Ценообразование — вторая половина аргумента и более простая: D​eepSeek не изменил тарифную карту Flash, а поскольку OrcaRouter передаёт прейскурантную цену провайдера напрямую с наценкой 0%, изменение, которое не сдвигает цену D​eepSeek, не сдвигает и нашу. Вы можете получить доступ к DeepSeek V4.1 Flash по собственным тарифам D​eepSeek уже сегодня, без второго контракта и без изменений в коде, пока таблица лидеров догоняет.

Вопросы, которые сигнал оставляет открытыми

Почему замена контрольной точки вообще сдвигает индекс, если архитектура та же?Потому что индекс придаёт агентным и кодинговым оценкам вес в половину своего общего итога, а именно на этих оценках быстрее всего проявляются подобные изменения после дообучения. Самой слабой опубликованной категорией сентябрьской модели была агентная работа относительно её цены; журнал изменений 1017 почти целиком посвящён агентной работе и стоимости за задачу. Прогноз — это ставка на то, что та же архитектура плюс лучшее постобучение попадут туда, куда указывают веса.

Есть ли какой-нибудь способ узнать число 1017 до того, как Artificial Analysis опубликует его? Только косвенно. Две агентные строки, которые публикует поставщик, — Terminal-Bench 4.0 и Automation-Bench — являются ближайшими прокси, и обе основаны на самоотчётах. Третий путь — следить за тем, будет ли сентябрьская запись на независимой доске переименована, перезапущена или оставлена без изменений; устаревшая строка, сохраняющая старый балл при изменении обслуживаемых весов, — самый ясный сигнал о том, что число больше не означает то, что заявляет.

Означает ли неизменная цена, что утверждение о Парето-улучшении реально? Это означает, что утверждение можно проверить. «Парето-улучшение по соотношению производительности и стоимости» при фиксированном тарифе верно только в том случае, если количество выходных токенов на задачу снижается, поскольку это единственный оставшийся рычаг. Поставщик утверждает, что и время выполнения задачи, и длина вывода снизились. Это единственное утверждение на странице, которое читатель может проверить по своему собственному счёту.

Что посмотреть дальше

Прогноз, который предстоит оценить, конкретен — именно поэтому его стоит сохранить. Если строка 1017 появится в Intelligence Index на уровне 45 или 46, автор прогноза угадал и позицию, и механизм — взвешивание с сильным перекосом в сторону агентности плюс известное слабое место в Omniscience, — и полезный урок состоит в том, что композитный показатель стал предсказуем по таблице вендора, как только веса были внимательно прочитаны. Если же он окажется на уровне сентябрьских 39 или ниже, урок будет противоположным и более дорогим: таблица вендора из одиннадцати строк, которая растёт по каждой строке, всё равно может оставить композитный балл неизменным, потому что сдвинувшиеся строки — не те строки, которые имеют значение. Любой из исходов — это один опрос одной модели, а не вердикт о лаборатории, и число, которое это решает, читатель сегодня вычислить не может.

То, что читатель может сделать сегодня, обходится дешевле, чем прогноз. Веса распространяются по лицензии MIT, а API работает по сентябрьской цене, поэтому месяц до того, как кто-либо опубликует рейтинг, — это месяц, чтобы сформировать собственное мнение по трём вопросам, которые важны для вас: быстрее ли он выполняет ваши агентные задачи, говорит ли он меньше при этом и выдерживает ли он многоходовые сценарии работы с инструментами, которые вы действительно используете.

Примечание к источникам: каждая цифра, относящаяся к DeepSeek, в этом материале — одиннадцать строк бенчмарков, общий объём в 763 млрд параметров, окно в 1 млн токенов, лицензия MIT, неизменённая тарифная сетка и рекомендации по харнессу — взята из собственной записи в changelog вендора от 17 октября, его карточки модели на Hugging Face и опубликованной страницы с ценами. Каждая независимая цифра — 39 в Intelligence Index, девятое место из 120, $0,27 стоимости на одну задачу индекса, 175,9 токена в секунду и весовой коэффициент по десяти оценкам, который определяет итоговый балл, — взята из Artificial Analysis по состоянию на 18 октября 2026 года. Прогноз 45–46, ожидание Vals на уровне 57% и предсказание Omniscience — это оценки одного наблюдателя о модели, у которой нет строки 1017 ни на одном из этих лидербордов, и везде, где они появляются, они обозначены как оценки.

Задокументированные сбои ИИ и инциденты с агентами, стоящие за такими релизами, как этот, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, степень уверенности и флаг оспаривания.