
DeepSeek V4.1 Flash 1017 поднимается на 19 баллов в FrontierMath Tier 4 — а DeepSeek об этом даже не упомянул
- GoogleНОВИНКАGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 за 1 млн токенов · 90 tok/s
- AnthropicНОВИНКАAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 за 1 млн токенов · 97 tok/s
- orcaНОВИНКАOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaНОВИНКАOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 за 1 млн токенов · 88 tok/s
- OrcaНОВИНКАOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 за 1 млн токенов · 134 tok/s
- OrcaНОВИНКАOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 за 1 млн токенов · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 за 1 млн токенов · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 за 1 млн токенов · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Интеллект
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 за 1 млн токенов · 192 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Интеллект
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 за 1 млн токенов · 134 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Интеллект
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Интеллект
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 за 1 млн токенов · 128 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Интеллект
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Интеллект
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 за 1 млн токенов · 186 tok/s
Самая интересная цифра бенчмарка, связанная с DeepSeek V4.1 Flash 1017, — та, которую вендор не опубликовал. 21 октября 2026 года, через пять дней после выпуска чекпоинта, трекер BenchLeader добавил для модели результат FrontierMath Tier 4: 46,3% при максимальном уровне рассуждений. Это отстоит на одну задачу от Qwen3.8-Max, который 2 августа показал 46,3%, и на одном уровне с Claude Haiku 5.5, который 7 октября показал 46,3%. Это также примерно на девятнадцать пунктов выше, чем любой более ранний чекпоинт DeepSeek на той же таблице. В собственном журнале изменений DeepSeek для обновления от 17 октября перечислены девять бенчмарков. Ни один из них не является математическим бенчмарком. Он доступен на OrcaRouter вместе с сентябрьской сборкой под deepseek/deepseek-v4.1-flash, так что вы можете прогнать один и тот же набор запросов на обоих чекпоинтах.
Разрыв между тем, что заявила DeepSeek, и тем, что измерила третья сторона, — вот в чём суть. Чекпоинт 1017 был анонсирован как релиз, посвящённый стоимости и скорости: в changelog используется формулировка «парето-улучшение соотношения производительности и затрат», а также говорится о более коротких ответах и более быстром выполнении задач. Таблица бенчмарков в том же changelog состоит исключительно из агентных задач: HLE без инструментов, Terminal-Bench 4.0, DeepSWE v1.1, ProgramBench, Apex Bench, Agents' Last Exam. Математики в списке нет. Так что либо математика DeepSeek улучшилась как неанонсированный побочный эффект агентной работы, либо у одного сайта-трекера есть строка, которой нет у остальных. Обе трактовки стоит воспринимать всерьёз, и они ведут к разным рекомендациям.
Что на самом деле требует Tier 4 v2 и почему количество проблем важнее процентного показателя
FrontierMath Tier 4 v2 — это исследовательский уровень бенчмарка Epoch AI: закрытый расширенный набор из 43 задач исследовательского уровня, выпущенный 12 июня 2026 года, при этом моделям разрешено запускать Python в песочнице без сохранения состояния с фиксированным списком библиотек. Оцениваемый знаменатель, судя по всему, равен 41 — опубликованные результаты чисто делятся на него, поскольку 19 правильных из 41 составляют 46,34%, а 11 из 41 — 26,83%. Так или иначе, набор настолько мал, что одна задача стоит примерно 2,4 процентного пункта, и именно эта деталь определяет всё остальное на этой странице. Два результата, которые на таблице лидеров выглядят далеко разнесёнными, могут отличаться на восемь вопросов.
Именно таковы и цифры DeepSeek. Оценка 46,3% соответствует девятнадцати правильным ответам при таком знаменателе. Оценка 26,8%, которую показывают более ранние чекпоинты, соответствует одиннадцати. Весь «скачок на девятнадцать пунктов» — это восемь задач. Это реальная разница — восемь задач из сорока одной не являются шумом в обычном смысле, — но это ещё и выборка, достаточно малая, чтобы одно изменённое средство, изменённый системный промпт или другая настройка усилий могли переместить модель на несколько мест. Когда четыре модели делят 46,3%, они не разделены значимым образом. Все они находятся в пределах одной задачи друг от друга.
Траектория: три плоские контрольные точки, затем шаг
То, что 46,3 воспринимается как новость, а не как артефакт округления, объясняется тем, что было до этого. На последних четырёх записях DeepSeek в FrontierMath Tier 4 v2 линия сначала плоская, а затем вертикальная:
DeepSeek V4 Flash 0731 — 24,4%, июльская контрольная точка
DeepSeek V4 Pro 0813 — 26,8%, августовский флагман
• DeepSeek V4.1 Flash (0910) — 26,8%, сентябрьский релиз, заменивший оба.
• DeepSeek V4.1 Flash 1017 — 46,3 %, октябрьский чекпоинт, при максимальных усилиях
Более лёгкие уровни тоже сдвинулись, но скромно: BenchLeader указывает 71,2% на FrontierMath уровней 1–3 для сборки 1017 против 67,4% для сентябрьской. Это именно та картина, которую ожидаешь от настоящего прироста возможностей — несколько пунктов там, где вопросы поддаются решению, и гораздо больший сдвиг там, где нет. Это также картина, которую ожидаешь от изменения харнесса, которое непропорционально помогает на самых сложных задачах, поэтому следующая часть важна.
Какому форуму вы доверяете, зависит от того, какой форум вы читаете.
Мы проверили пять трекеров. Два из них теперь показывают 46,3% для сборки 1017. Три — нет.
• BenchLeader — 46,3% на уровне 4 и 71,2% на уровнях 1–3 при максимальном усилии; результат добавлен 21 октября 2026 г.
• DataLearner, теперь под именем LLMLearner — 46,34%, делит 21-е место, оценка проводилась в конфигурации «Max (With Tools)», последний результат добавлен 26 октября 2026 года, и в таблице отмечен как лучший результат среди открытых весов.
• benchlm.ai — 26,829%, 30-е место, «итеративное решение математических задач с использованием Python», страница обновлена 25 октября 2026 г.
• tensor.news — строки 1017 вообще нет; в записи DeepSeek V4.1 Flash указано 26,83%, измерено 9 сентября 2026 г.
• trustthebench — 26%, на странице, датированной 26 августа 2026 года, что полностью предшествует контрольной точке

У троих несогласных общая проблема происхождения данных. Цифра 26.83 — с точностью до двух знаков после запятой — это оценка, которую получила сентябрьская сборка. Трекер, переносящий ярлык новой модели на старое измерение, даёт в точности такую картину, а страница с августовской датой однозначно доказывает, что по крайней мере один из них этим занимается. Это не делает 46.3 авторитетным — это делает 26.8 устаревшим, а не противоречащим.
Окончательно решить вопрос помог бы второй испытательный стенд. Ни 46.3, ни 71.2 не были воспроизведены за пределами слоя отслеживания, а DeepSeek не публиковал собственной математической оценки для этого чекпойнта. Рассматривайте это число как сильный сторонний сигнал, а не как установленный факт о модели. Если вам нужна защитимая цифра для закупочного документа, у вас её пока нет.
Почему DeepSeek выпустил бы улучшение в математике и не упомянул об этом
Таблица в журнале изменений объясняет это опущение лучше любой теории заговора. Обновление 1017 представлено как релиз, посвящённый программированию и агентным системам, и показатели вендора полностью выдержаны в этом ключе: HLE без инструментов — с 36.8 до 42.6, Terminal-Bench 4.0 — с 31.2 до 42.3, DeepSWE v1.1 — с 74.2 до 77.0, ProgramBench — с 20.3 до 29.1, Apex Bench — с 64.6 до 72.1. Модель, настроенная на длинных агентных траекториях, где вознаграждение — это завершение многошаговой задачи, а не выдача правильного финального токена, приобретёт математическую выносливость как побочный эффект. Сложная математика и длительные прогоны агента вознаграждают одно и то же поведение: продолжать проверять и не останавливаться раньше времени.

Независимые тестировщики обнаружили противоположное тому, что предсказывает эта теория, и именно это делает всю историю интересной. На выборке сложных математических задач evaluator sference зафиксировал, что объём рассуждений при минимальных усилиях упал с 1 974 токенов до 790, а медианный объём вывода на AIME снизился с 1 681 до 1 124. Более короткие рассуждения при минимальных усилиях — не то, что ожидаешь от модели, которая только что прибавила девятнадцать пунктов в исследовательской математике. Наиболее вероятное объяснение состоит в зависимости от усилий: 46,3 было зафиксировано при максимальных усилиях, и изменилось то, сколько модель думает, когда ей позволяют думать, а не то, насколько эффективно она думает, когда ей не позволяют.
Где на самом деле находится 46.3
Совместное лучшее место среди китайских моделей — это не то же самое, что быть близко к фронтиру, и та же таблица делает это очевидным уже в пределах пары строк. Лидеры Tier 4 v2 — это совершенно иной класс моделей: GPT-6.1 Sol со 100%, GPT-6 Astra с 97,6%, Claude Opus 5.5 с 95%, Claude Fable 5 с 90,2%, GPT-6 Sol с 90%. Ближайшая модель выше кластера 46,3 — GPT-5.4 с 49%. В таблице лидеров LLMLearner 46,3 обозначено как лучший результат среди open-weights моделей на этой таблице. Оценка в полсотни на самом сложном уровне — отличный результат для open-weights модели и плохой для фронтирной модели, и DeepSeek V4.1 Flash 1017 уверенно относится к первой категории.
• Результат Tier 4 v2 — DeepSeek V4.1 Flash 1017 46,3% против Qwen3.8-Max 46,3% против Claude Haiku 5.5 46,3% (равные показатели, 21-е место)
• FrontierMath уровней 1–3 — DeepSeek V4.1 Flash 1017: 71,2% против 67,4% у его собственной сентябрьской сборки
• Веса — с лицензией MIT, доступные для скачивания, смесь экспертов с 552B параметрами и отдельной таблицей условной памяти; трекеры оценивают полный объём на диске примерно в 763B параметров
• Цена — $0.30 за миллион входных и $1.20 за миллион выходных токенов в часы пик, $0.15 и $0.60 вне часов пик, без изменений с сентября.
• Контекст — 1 млн токенов, с вводом изображений
• Заявления вендора о математике — отсутствуют; FrontierMath нигде не фигурирует в опубликованных таблицах DeepSeek

Практический вывод: если ваша работа — это математика соревновательного уровня, а альтернативой была модель с открытыми весами, то 46,3 меняет расклад, потому что ставит модель на 552B параметров с лицензией MIT в один диапазон с двумя проприетарными моделями, которые стоят дороже за токен. Если вашей альтернативой была передовая закрытая модель, здесь ничто не закрывает разрыв — разброс от 95 до 46 на Tier 4 не является ошибкой округления.
Проверка утверждения на своих задачах, без ставки на кон производственного пути.
Учитывая, что 46.3 опирается на 41 закрытую задачу и один слой отслеживания, разумно измерить его на собственной рабочей нагрузке, а не доверять ни одному из этих чисел. DeepSeek V4.1 Flash 1017 доступен на OrcaRouter как deepseek/deepseek-v4.1-flash-1017, наряду с сентябрьской сборкой под deepseek/deepseek-v4.1-flash — а значит, вы можете прогнать один и тот же набор промптов на обоих чекпойнтах через один API-ключ и увидеть, проявится ли разрыв в восемь задач в ваших собственных оценках. Второго контракта нет, и изменения кода не требуются; разница только в строке модели.
Две вещи в слое маршрутизации важны для столь нерешённого решения. Цены передаются по прейскурантной цене провайдера с наценкой 0%, поэтому внепиковый тариф DeepSeek в $0.15 и $0.60 действует здесь в тот же день, когда он действует где-либо ещё, а изменение цены поставщиком не ждёт, пока мы синхронизируем каталог. Что ещё полезнее, пока бенчмарк оспаривается: автоматическое переключение при сбое и DSL маршрутизации позволяют отправлять сегмент сложной математики в сборку 1017 на максимальном уровне усилий и переключаться на более сильную модель, когда она возвращает ответ, который вы не можете проверить, — так что неподтверждённый прирост на девятнадцать пунктов обойдётся вам в правило маршрутизации, а не в миграцию.
Что изменило бы эту историю
За тремя вещами стоит следить, и все три можно проверить. Первое — обновят ли benchlm.ai и tensor.news свои 1017 строк на что-то отличное от 26.8; если ещё два трекера сойдутся на октябрьском измерении, трактовка об устаревшей строке подтвердится, и число станет обычным. Второе — добавит ли DeepSeek математическую строку в собственную сравнительную таблицу в будущем журнале изменений; вендор, который считал бы, что получил девятнадцать пунктов на FrontierMath, вероятно, сказал бы об этом, и молчание там — слабое свидетельство против. Третье — воспроизведение без инструментов. Значение 46.3 было записано при разрешённых инструментах, и запуск без состояния показал бы, является ли прирост математическим рассуждением или лучшим использованием песочницы Python.
Пока хотя бы одно из этого не подтвердится, честный вывод остаётся узким. Девятидневный чекпойнт, лицензия MIT и цена ввода $0,30 оказались в том же диапазоне, что Qwen3.8-Max и Claude Haiku 5.5, на самом сложном публичном математическом уровне — по двум трекерам, при максимальных усилиях, из сорока одной задачи, причём лаборатория, его создавшая, об этом не заявила. Этого достаточно, чтобы оправдать полдня собственных проверок. Этого недостаточно, чтобы переписывать слайд с бенчмарком.
Сравнение в этой статье2
Определено по этой статье · Бенчмарки: Artificial Analysis · обновляется ежедневно
