DeepSeek V4.1 Flash выходит в общий доступ: 552 млрд параметров на новой архитектуре, веса под лицензией MIT и несостоявшийся закат V4 Pro

DeepSeek V4.1 Flash больше не двухдневный эксперимент. Модель, которая 8 и 9 сентября находилась в живом API вендора под ID, содержащим собственную дату истечения — deepseek-v4.1-flash-expires-on-0910, — действительно вышла 10 сентября 2026 года в приложении DeepSeek, веб-интерфейсе и API, где теперь носит имя модели deepseek-flash. Три вещи в этом релизе масштабнее, чем предполагала бета. Первая — бумажная часть: DeepSeek опубликовала технический отчёт — без особой тонкости озаглавленный Pushing the Limits of KV Cache Compression — и веса под лицензией MIT для мультимодальной модели-смеси экспертов с 552 млрд параметров, построенной на новой архитектуре Causal Encoder-Decoder. Эти веса — не обещание: 48 шардов safetensors общим объёмом около 510 ГБ появились в сети утром дня релиза, что превращает неподтверждённый лозунг беты «новая архитектура, нативная мультимодальность» в нечто, что читатель может скачать и изучить. Вторая — форма линейки. DeepSeek V4 Flash и DeepSeek-V4-Flash-Vision-Exp выведены из эксплуатации, их старые ID всё ещё перенаправляются на новую модель по тарифам Flash, а план постепенно вывести DeepSeek V4 Pro 14 сентября был отозван до наступления этой даты: V4 Pro по-прежнему обслуживается по неизменным тарифам, и DeepSeek обещала предупредить, прежде чем что-либо изменится. Самая дешёвая модель семейства заняла место флагмана по цене и по собственным бенчмаркам DeepSeek, и DeepSeek говорит, что архитектура под ней была спроектирована с возможностью масштабирования до более крупных моделей. То, что стоит выше неё, по состоянию на 25 сентября — догадка одного трекера: трёхуровневая линейка Flash, Pro и Ultra на 522B, 2T и 8T, — предложенная аккаунтом, опубликовавшим её как спекуляцию, и не подтверждённая ничем, что опубликовала DeepSeek. Третья — то, чего у беты никогда не было. Artificial Analysis теперь опубликовала первые внешние оценки модели: балл Intelligence Index 39 в режиме Reasoning при максимальном усилии для сентябрьских весов и 45 для чекпойнта 1017 (прирост на шесть баллов, который делит с GLM-5.3 второе место среди моделей с открытыми весами, на один балл позади MiMo-V2.6-Pro), против 36 у DeepSeek V4 Pro 0813 по той же шкале, что делает 552B-модель самой высокооценённой моделью DeepSeek, которую измерял этот сайт. Ещё десять пунктов появились позже релиза и указывают в разные стороны. 25 сентября руководитель направления тестирования моделей в ARC Prize открыл pull request, добавляющий полноценный профиль DeepSeek V4.1 Flash в испытательный стенд фонда — оценщика, чью таблицу эта область воспринимает как потолок в рассуждениях, а не как проверку производительности, — причём без приложенного результата и без обещания такового. Три дня спустя сторонняя лаборатория опубликовала новость противоположного рода: завершённое измерение на другом лидерборде, которое ставит DeepSeek V4.1 Flash рядом с другой моделью с открытыми весами и обнаруживает, что она слабее из двух, — и обнаруживает, что число меняется сильнее от харнесса, обёрнутого вокруг модели, чем от самой модели. В Exploit Bench — бенчмарке Carnegie Mellon, оценивающем, насколько далеко агент продвигается к полной эксплуатации production-сборки V8, — DeepSeek V4.1 Flash в среднем набрала 4,7 из 16 при собственной конфигурации бенчмарка по умолчанию и 9,3 под Claude Code, тогда как GLM-5.3-Flash достигала пика 10,6 под Codex и падала до 6,2 под тем самым харнессом, который лучше всего подходит DeepSeek V4.1 Flash. Третий — наименее драматичный и самый простой для проверки: 7 октября проект vLLM опубликовал собственный трёхнедельный отчёт об обслуживании этой модели, сообщив, что его текущая сборка в 1,9 раза быстрее при низкой конкурентности и в 5,3 раза превосходит по пропускной способности при ограничении в 150 TPS собственную реализацию day-0, — сравнение движка с самим собой «до и после», а не очередная внешняя оценка, и тема раздела о скорости ниже. Четвёртый — о том, сколько стоит использование модели, а не о том, какие баллы она набирает, и он менялся дважды за три дня: 12 октября OpenCode — агент для программирования, который оценивает эту модель по месячному лимиту использования, а не по тарифицируемым токенам, — поднял лимит для неё с $60 до $80 (собственное заявление платформы о продукте, который она продаёт, на её собственной странице тарифов), а 15 октября он начал обслуживать ту же модель бесплатно под вторым id модели с контекстом в 200 000 токенов против окна в 1M, которое есть у тарифицируемого предложения. Пятый, от 14 октября, измеряет стоимость обслуживания модели, а не её качество: Artificial Analysis добавила DeepSeek V4.1 Flash в AA-AgentPerf — свой аппаратный бенчмарк для агентного инференса — с результатами на ускорителях NVIDIA и AMD: при 100 токенах в секунду на пользователя NVIDIA GB300 NVL72 лидирует в этой области с примерно 261 млн токенов в секунду на мегаватт, и те же прогоны обслуживают модель всего на двух ускорителях, что и составляет раздел ниже, выраженный во второй валюте. Шестой — сам релиз, который был заменён: 17 октября DeepSeek заменила чекпойнт под тем же именем модели deepseek-flash на DeepSeek-V4.1-Flash-1017 — новые веса, таблица бенчмарков вендора, которая превосходит сентябрьскую модель в каждой опубликованной строке, та же тарифная сетка и тот же конверт в 1M токенов, — и, по состоянию на 18 октября, внешнее измерение новых весов, которое противоречит строке, с которой вендор начинает: Artificial Analysis оценивает чекпойнт 1017 в 45 по своему Intelligence Index и в 33,8 по Terminal-Bench 4.0 под собственным харнессом против 42,3 в карточке DeepSeek. Седьмой пункт — спор, который породил этот разрыв. 19 октября аккаунт-трекер, имеющий историю раннего объявления таких релизов, заявил, что «абсолютно уверен»: 42,3 — реальная цифра, «потому что это лучше GLM-5.3», и попросил Artificial Analysis прогнать модель в нативном харнессе. Сайт уже ответил днём ранее — числом на восемь с половиной баллов ниже. Восьмой — не балл: 20 октября трекер DeepSeek опубликовал транскрипт агента, в котором чекпойнт 1017 отклонил джейлбрейкнутую персону при включённом dsh-purge — плагине, созданном, чтобы снимать собственные ограничения харнесса, — а заметки третьей стороны по abliteration оценили долю отказов нетронутого чекпойнта в 97 из 100 вредоносных запросов в режиме чата и в 98 в режиме размышления, при этом DeepSeek не опубликовала собственной оценки безопасности ни для одного из чекпойнтов. Девятый — не балл и не цена: на этой неделе DeepSeek открыла инференс-движок, на котором работает её собственный сервис, с кривой декодирования для чекпойнта 1017 и производственными цифрами за ней, а обсуждение, которое вынесло это на поверхность на этой неделе, сопоставляет эту кривую с бенчмарком Ascend 950DT от 30 сентября, который ставит решение Huawei примерно в пять–семь раз позади на чип, — раздел о серверном кремнии ниже. Десятый — не балл, не цена и не чекпойнт: 22 октября YuyuantanTan, аккаунт о текущих событиях, который ведёт China Media Group, сообщил, что DeepSeek и MiniMax завершили регистрационные процедуры, привязанные к проекту китайского каталога технологического экспорта, и закончили открытие исходников и зарубежное лицензирование. Это сообщение государственных СМИ о двух компаниях, а не уведомление регулятора или заявление компании, и это развитие, которое отвечает на вопрос, открытый проектом каталога 16 октября: могут ли MIT-веса, о которых идёт речь в этом материале, продолжать публиковаться и отправляться за рубеж. Раздел о лицензии ниже отделяет то, что говорит отчёт, от того, чего он не говорит.

Всё нижеследующее разделяет два типа утверждений. Спецификации, бенчмарки и цены взяты из собственного changelog DeepSeek, карточки модели и технического отчёта — опубликованы поставщиком, проведены поставщиком и никем другим не воспроизведены. С тех пор этот разрыв сократили четыре независимых инструмента — составной индекс, таблица ядер сообщества, кибербенчмарк под управлением харнесса и аппаратный бенчмарк сервинга — один из которых, индекс, теперь прогнан для обоих чекпойнтов. Ни один из них не воспроизводит ни одной строки поставщика, а ARC Prize всё ещё создаёт оценку рассуждений, и из неё пока ничего не опубликовано. 17 октября DeepSeek заменила модель за тем же именем API на чекпойнт DeepSeek-V4.1-Flash-1017. В течение одного дня это означало, что все внешние цифры в этом материале описывали веса, которые поставщик больше не предоставлял, а для тех, которые предоставлял, внешней оценки не было; 18 октября Artificial Analysis повторно прогнала свой индекс на новом чекпойнте и опубликовала результат 45 против 39 для сентябрьских весов. Остальные три инструмента не перезапускались: кибербенчмарк, таблица ядер и аппаратный бенчмарк по-прежнему описывают сентябрьские веса, и ни одна независимая оценка, старая или новая, не воспроизводит ни одной из собственных строк бенчмарков DeepSeek. Цифра стоимости сервинга, опубликованная проектом vLLM 17 октября, новее только по дате публикации: график, лежащий в её основе, датирован 16 октября, днём до замены, поэтому он описывает те же устаревшие веса. В своём текущем индексе (v4.3.2) Artificial Analysis оценивает сентябрьский чекпойнт DeepSeek V4.1 Flash в 39, а чекпойнт 1017 — в 45, характеризуя оба как значительно выше медианы 19 для моделей с открытыми весами сопоставимого размера; это подлинные сторонние цифры и первые в этом материале, которые произвела не DeepSeek. Каждая из них — один составной показатель из десяти оценок, а не воспроизведение какой-либо отдельной строки поставщика, и он ничего не говорит об экономике контекста в 1M. Показатели отказов в этом материале — четвёртый тип утверждений, и они помечены там, где появляются: они исходят от людей, создающих нецензурированные производные этих весов, а не от DeepSeek и не от лаборатории оценок, и DeepSeek не опубликовала оценку безопасности ни для одного из чекпойнтов. Аппаратные цифры в разделе о сервинге — ещё один класс: кривая декодирования NVIDIA и производственные показатели — это собственные измерения DeepSeek своего собственного движка, опубликованные вместе с кодом на этой неделе, а точки Ascend взяты из таблицы бенчмарка, воспроизведённой в ветке на X, которая не опубликована на сайте ни одного из поставщиков. Там, где цифра принадлежит DeepSeek, в материале это указано. Ещё один класс находится вне этой таксономии. Сообщение от 22 октября о том, что DeepSeek и MiniMax завершили регистрацию в рамках проекта экспортного каталога, — это материал государственных СМИ — YuyuantanTan медиахолдинга China Media Group, растиражированный китайскими финансовыми изданиями, — а не уведомление Министерства торговли, и DeepSeek не опубликовала заявления, подтверждающего это. Сам каталог — правительственный проект, открытый для комментариев до 15 ноября, и везде, где он здесь упоминается, он называется проектом. Названия сборок, привязанные к этому сообщению, — V4.1F-1017 и M3.1-Flash — происходят из одного аккаунта в X от 23 октября и не фигурируют в сообщении государственных СМИ или в изданиях, которые его передали; чекпойнт, который называет этот пост, на момент его написания уже шесть дней был доступен для скачивания.

Чекпойнт от 17 октября: что изменилось в DeepSeek-V4.1-Flash-1017

Пять недель спустя после выпуска, вокруг которого построен этот материал, DeepSeek заменила модель, лежащую в его основе. Запись в журнале изменений от 17 октября состоит из трёх предложений: «DeepSeek V4.1 Flash обновлена до DeepSeek-V4.1-Flash-1017. Официальные модели для веб-сайта и APP также обновлены до новой версии. Способ вызова API и цены остались прежними — просто используйте deepseek-flash, чтобы получить доступ к последней модели». Всё в этой цитате — слова поставщика о его собственном продукте, и все три утверждения можно проверить на собственных страницах DeepSeek, а не принимать на веру: строка версии модели в таблице Models & Pricing теперь содержит DeepSeek-V4.1-Flash-1017 там, где раньше было указано DeepSeek-V4.1-Flash; тарифная сетка рядом с ней — то же разделение на внепиковые и пиковые тарифы, опубликованное 10 сентября: $0.003, $0.15 и $0.60 за 1 млн токенов вне пиковых часов, с удвоением до $0.006, $0.30 и $1.20 в пиковые окна будних дней; а в руководстве быстрого старта API по-прежнему указывается deepseek-flash как строка модели, при этом контекст в 1M токенов, потолок вывода 384K и ограничение параллелизма в 2 500 запросов не изменились. Выведенные из эксплуатации ID псевдонимов ведут себя так, как было сказано в сентябрьской заметке: deepseek-v4-flash и deepseek-v4-flash-vision-exp по-прежнему принимаются и теперь отвечают как DeepSeek-V4.1-Flash-1017 по ценам Flash. DeepSeek объявила об этом же изменении со своего аккаунта в тот же день, и пост стоит прочитать вместе с журналом изменений, потому что он короче и прямолинейнее: «DeepSeek-V4.1-Flash-1017 здесь! Более сильные результаты в бенчмарках, более быстрое выполнение задач и более короткие выходные данные, чем у предыдущей версии, — парето-улучшение по производительности и стоимости. Уже доступна на нашем веб-сайте, в приложении и через API», а далее — те же три тестовых стенда и та же инструкция обновиться до DeepSeek Harness 0.2.1-rc.1 или новее. Всё в нём — это описание поставщиком собственного продукта в своём канале: фраза «уже доступна на нашем веб-сайте, в приложении и через API» — это пересказ фразы из журнала изменений «официальные модели для веб-сайта и APP также обновлены», а утверждения о бенчмарках, времени выполнения, длине вывода и Парето-улучшении взяты из карточки модели — с одним отличием, важным для всех, кто решает, стоит ли её пробовать. В карточке рядом с каждой строкой бенчмарка стоит число; в посте чисел нет, и ни пост, ни журнал изменений не приводят цифр для утверждения о времени выполнения и длине вывода. Два из четырёх пунктов, с которыми DeepSeek здесь выступает, по-прежнему остаются заявлениями поставщика, а не опубликованными результатами, а график, стоящий за утверждением о Парето — тот, что приложен к посту, — принадлежит самой DeepSeek и построен на её собственных измерениях стоимости задач.

Веса изменились вместе с ним, и именно это читатель может проверить, не доверяя журналу изменений. Второй репозиторий, deepseek-ai/DeepSeek-V4.1-Flash-1017, появился на Hugging Face ранним утром 17 октября под той же лицензией MIT: снова 48 шардов safetensors, тот же общий объём около 510 ГБ, каждый шард того же размера, что и его сентябрьский аналог, и хеш каждого шарда отличается. Та же форма, другое содержимое — именно так «незначительное обновление» должно выглядеть снаружи, и это также означает, что архитектурные утверждения, о которых эта статья сообщает с сентября, не затронуты: конфигурационный файл, объявляющий 552B-каркас, 384 маршрутизируемых эксперта, путь prefill с 8B активных параметров на токен и путь декодирования на 16B, побайтово идентичен файлу из сентябрьского репозитория, поэтому KV-кэш размером 890 байт на токен — это та же конструкция, а не новая. Чего в новом репозитории нет, так это документации. В нём нет технического отчёта, папки evaluation и шаблона чата Jinja; карточка модели сообщает, что релиз не включает шаблон чата, и вместо этого указывает на справочник по кодированию на Python и новый инструментарий на Rust deepseek-recipe для преобразования запросов в форматах Chat Completions, Responses и Anthropic в формат промпта модели. Всем, кто закрепляет веса по имени репозитория, следует знать, что две загрузки различаются не только своими хешами. Список файлов показывает, как именно: все 48 шардов имеют другую контрольную сумму и идентичный размер в байтах, тогда как файлы, не являющиеся весами, — конфигурация, объявляющая архитектуру, лицензия и вся папка encoding, — побайтово одинаковы в обоих репозиториях. Семь файлов есть в сентябрьском репозитории и отсутствуют в этом, и ничего не добавлено взамен: технический отчёт, папка evaluation, шаблон чата, два рисунка, которые карточка раньше встраивала, и .gitignore. Карточка модели также сужает один параметр обслуживания. Сентябрьская карточка рекомендовала top_p либо 0,95, либо 1,0; карточка от 17 октября рекомендует 1,0 при temperature 1,0, окне контекста 1M и max_tokens не менее 256K — без изменений.

Именно в собственной таблице бенчмарков DeepSeek обновление и должно проявиться, и это вендорская таблица ровно того же рода, что и сентябрьские строки: прогоны одной и той же компании, никем не воспроизведённые, опубликованные для модели, чьи веса были публично доступны всего несколько часов. По сравнению с сентябрьским чекпойнтом показатели выше в каждой строке, которая есть в карточке — HLE без инструментов 42,6 против 36,8, или 44,0 против 39,1 на текстовом подмножестве; 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; и ZeroBench-main с инструментами 51,0 против 49,0 при Pass@5. В той же таблице 1017 сопоставляется с фронтирными моделями, с которыми DeepSeek сравнивает себя: теперь он превосходит GPT-5.6 Sol на Terminal-Bench 4.0 — 42,3 против 39,9, — но всё ещё отстаёт от Opus 5 с 51,8, и опережает обе на DeepSWE v1.1 — 77,0 против 73,0 и 74,0 — строка, считанная с графика, приложенного к собственному анонсу вендора, и самое цитируемое число недели. На NL2Repo-Bench он поднимается до 68,2 и всё ещё находится позади Opus 5 с 75,3, и это та же картина, что была у сентябрьской таблицы: сильнее всего в агентной работе с обвязкой, позади в строках, которые вознаграждают глубину рассуждений. Строку Terminal-Bench 4.0 стоит прочитать дважды, потому что теперь это единственная строка в той таблице, у которой есть независимый аналог. DeepSeek прогонял её в обвязке Claude Code; Artificial Analysis прогоняет те же 66 задач через mini-swe-agent, и его результат от 18 октября для этих весов — 33,8, на восемь с половиной пунктов ниже вендорских 42,3. В собственной таблице DeepSeek эта строка превосходит GLM-5.3 на 4,4 пункта — 42,3 против 37,9. В обвязке Artificial Analysis те же веса отстают от GLM-5.3 на восемь — 33,8 против 41,9.

Одна строка мелким шрифтом стоит больше нескольких из этих дельт. В сентябрьской карточке Terminal-Bench 4.0 оценивался с DeepSeek Harness в режиме Minimal; в карточке 1017 сказано, что для Terminal-Bench 4.0 использовался харнесс Claude Code, а для DeepSWE v1.1 — Mini-SWE-V2. Исследование харнессов, приведённое ниже в этом материале, показало разброс в семь пунктов у одной модели на семи агентных CLI, поэтому скачок Terminal-Bench 4.0 на одиннадцать пунктов, полученный при другом харнессе, нельзя трактовать как одиннадцать пунктов модели. В карточке указано, какой харнесс использовался, и именно это делает строку аудируемой, а не просто впечатляющей, но эта строка — два изменения под одним числом. Независимый прогон разделяет их, и не в пользу вендора. Artificial Analysis оценила те же веса 1017 на Terminal-Bench 4.0 под mini-swe-agent — харнессом, который она держит постоянным для всех моделей в этой таблице, — и получила 33,8 против 26,8 у сентябрьского чекпойнта на том же харнессе. На фиксированном харнессе чекпойнт даёт семь пунктов, а не одиннадцать, а число DeepSeek в заголовке на восемь с половиной пунктов выше того, что те же веса набирают при фиксированном для всех моделей харнессе. Остальная часть подачи DeepSeek — о затратах, а не о баллах, и это та же ось, на которой продавали сентябрьский релиз: changelog утверждает, что обновление сокращает время выполнения задач и длину вывода, называет результат «новым оптимумом Парето по производительности и стоимости на нескольких харнессах» и говорит, что оно оптимизировано для DeepSeek Harness, Tencent CodeBuddy и WorkBuddy, рекомендуя DeepSeek Harness 0.2.1-rc.1 или новее. Время выполнения и длина вывода — это ровно те величины, которые свидетельства о многословности в этом материале отслеживают извне, и теперь DeepSeek утверждает, что сократила обе, — не приложив ни одной цифры. Теперь существует одно внешнее измерение нового чекпойнта, и оно не показывает сокращения ни времени выполнения, ни длины вывода: в индексном прогоне Artificial Analysis веса 1017 показывают 288,8 секунды на задачу против 289,9 в сентябре и 89 495 выходных токенов на задачу против 88 574 — оба показателя не изменились, а экономия затрат оказалась совсем в другом месте. Пост, который DeepSeek опубликовала в тот же день в своём аккаунте, сжимает всё это до «более быстрого выполнения задач и более коротких выводов», а затем называет эту пару улучшением Парето по производительности и стоимости — утверждение из changelog в более краткой форме, из того же источника и столь же не подтверждённое измерениями. Это вендор повторяет сам себя, а не второй источник, — и это важно, потому что число с того графика — именно то, которое внешний мир повторяет всю неделю. Единственный артефакт в анонсе, в котором действительно есть цифры, — это график, приложенный к посту, и на нём DeepSWE v1.1 Pass@1 отложен в зависимости от средней стоимости одной задачи на харнессе mini_swe_v2. Его подпись стоит прочитать до строки о Парето: данные публичного лидерборда под ним датированы 22 сентября на самом графике — за три с половиной недели до чекпойнта, который этот график призван продвигать, — а линии сравнения для моделей OpenAI приписаны собственному графику OpenAI по DeepSWE, а не общему прогону. Одна точка на этом графике новая. Всё, с чем её сравнивают, было опубликовано до того, как она появилась.

В тот же день, что и замена, самое широко разошедшееся прочтение этой таблицы принадлежало человеку, заинтересованному в том, где будет работать модель. Юйчэнь Цзинь (Yuchen Jin), занимающийся AI-системами в Databricks, написал, что DeepSeek-V4.1-Flash-1017 «набирает 77 баллов в DeepSWE v1.1», что это «производительность уровня Opus 5 при в 83 раза меньшей стоимости» и что «мы запустим её на Databricks». Цифра 77 — это собственная строка DeepSeek, взятая из графика, приложенного к анонсу вендора, и никто за пределами компании её не воспроизвёл. Обе точки сравнения принадлежат Цзиню, и они чётко делятся на одну, которая выдерживает внешнюю проверку, и одну, которая не выдерживает. «Уровень Opus 5» подтверждается: независимые борды, публикующие DeepSWE v1.1, в собственных прогонах помещают название этой модели в тот же район. Лидерборд APEX от Mercor — 113 оригинальных задач из 91 репозитория, оценённых в харнессе mini-swe-agent, — указывает Opus 5 Max на 71,4% и запись DeepSeek V4.1 Flash Max на 71,7%, а борд llm-stats по тому же бенчмарку ставит Claude Opus 5 на 68,8% против 74,2% у DeepSeek-V4.1-Flash. Честное прочтение этой пары уже, чем получается из поста: два борда, независимо измеряющие этот бенчмарк, сходятся в том, что на нём модель как минимум не уступает Opus 5, и ни один из бордов не показывает 77, потому что оба содержат либо сентябрьскую цифру, либо собственный прогон, и ни один не помечает запись чекпойнтом 1017. «Уровень Opus 5» можно обосновать как утверждение о некоем диапазоне. А вот число, из которого оно выведено, пока не воспроизводимо.

Половина поста, касающаяся 83×, — это его собственные расчёты, а не опубликованная цифра, и именно к ней стоит относиться с осторожностью. Ни одно табло не приводит стоимость за задачу для чекпойнта 1017, а диаграмма поставщика, лежащая в основе собственного заявления DeepSeek о Парето, откладывает стоимость за задачу на логарифмической оси от десяти центов до двадцати долларов — именно такой разброс и требуется для столь большого кратного отношения. Если считать только по тарифам из прайс-листа, разрыв меньше 83×: Claude Opus 5 берёт $5 за 1 млн входных токенов и $25 за 1 млн выходных против $0.30 и $1.20 у DeepSeek-V4.1-Flash в будние пиковые окна, что даёт примерно 17× на входе и 21× на выходе, причём итог сильно зависит от доли попаданий в кэш и от того, сколько токенов требуется на задачу. Направление аргумента о стоимости не оспаривается — ни здесь, ни где-либо ещё в этой статье. Конкретная кратность — это утверждение о сравнении, которого никто не публиковал.

Databricks — это та часть того поста, которую читатель может сверить с документацией, и документация говорит больше, чем сам пост. DeepSeek V4.1 Flash доступна в Databricks Unity Gateway с 11 сентября — на следующий день после запуска DeepSeek — с вводом текста и изображений через Foundation Model APIs платформы под именем сервиса system.ai.deepseek-v4-1-flash; 7 октября платформа добавила для неё приоритетную оплату по токенам (pay-per-token) и зарезервированную выделенную пропускную способность (reserved provisioned throughput). Она также назначена платформой целевой точкой для этого семейства: Databricks запланировала вывод DeepSeek V4 Pro (0813) из эксплуатации на 30 октября, а DeepSeek V4 Flash (0731) — на 5 ноября, указав DeepSeek V4.1 Flash в качестве рекомендуемой замены в обоих примечаниях. Но ни одна страница Databricks не говорит о том, что готовится чекпоинт от 17 октября. Это утверждение — слова одного сотрудника, высказанные от его собственного имени: внутренний сигнал о намерении, а не объявленная дата выпуска; при этом на странице поддерживаемых моделей модель по-прежнему указана без метки чекпоинта. Таким образом, изменение доступности на этой неделе является перспективным и исходит от источника внутри платформы, а не от самой платформы; то, к чему клиент Databricks может обратиться сегодня, — это сентябрьские веса, а замена, о которой шла речь в этом материале — новые веса под тем же именем и с той же тарифной сеткой — будет выглядеть именно так, когда произойдёт.

То, что не изменилось, так же важно, как и то, что изменилось. Три из четырёх независимых инструментов по-прежнему охватывают сентябрьские веса и только их: таблица стенда Exploit Bench, доска сообщества по ядрам и аппаратные прогоны AA-AgentPerf — все были получены до замены, а две доски DeepSWE v1.1, носящие имя этой модели, публикуют запись без указания чекпойнта. Четвёртый изменился 18 октября: Artificial Analysis добавила отдельную строку для чекпойнта 1017, оценила его в 45 по своему Intelligence Index и в 33.8 по Terminal-Bench 4.0, а сентябрьскую строку оставила на 39 и 26.8. Это первый раз, когда число в этом материале было получено кем-то, кроме DeepSeek, на весах, которые DeepSeek сейчас обслуживает. Изменение API — это обновление чекпойнта под именем, которое DeepSeek уже задокументировала как указывающее на последнюю модель Flash, — противоположность сентябрьскому плану заставить deepseek-v4-pro отвечать как другая модель; именно это различие проводили разработчики, когда возражали против того плана. Для вызывающей стороны практический эффект узок и конкретен: запрос deepseek-flash теперь получает другие веса по той же цене, с более хорошей таблицей от производителя за ними и, с 18 октября, с оценкой от одной третьей стороны — более низкой в той единственной строке, где существуют обе. На OrcaRouter идентификатор модели и тарифная карта тоже не изменились — DeepSeek V4.1 Flash маршрутизируется по собственной прайс-листовой цене DeepSeek с переданной наценкой 0% — именно так должно выглядеть со стороны вызывающей стороны обновление модели производителем без изменения её имени или цены.

Что на самом деле вышло 10 сентября

Запись в changelog начинается с одного предложения: «Сегодня мы официально выпускаем модель DeepSeek-V4.1-Flash». DeepSeek описывает её как самого маленького представителя нового семейства модельных структур, обладающего нативным визуальным пониманием, и это первый релиз в этом цикле, который вышел с приложенным техническим отчётом. Со стороны API это смена названия, а не миграция:

• Название модели — deepseek-flash в собственном API DeepSeek; базовый URL, ключ и формат запроса остаются неизменными.

• Снято с эксплуатации — DeepSeek V4 Flash и DeepSeek-V4-Flash-Vision-Exp больше не работают. Их старые ID по-прежнему принимаются и теперь направляются к V4.1 Flash с оплатой по тарифам Flash, поэтому существующие интеграции продолжают работать без изменения кода.

• V4 Pro — DeepSeek объявила, что с 12:00 по пекинскому времени 14 сентября запросы deepseek-v4-pro будут перенаправляться на V4.1 Flash по ценам V4.1 Flash до выпуска V4.1 Pro, но затем отменила это решение до наступления указанной даты. V4 Pro по-прежнему обслуживается, тарификация не изменилась, и DeepSeek заявляет, что уведомит о любых дальнейших изменениях.

• Envelope — контекстное окно на 1M токенов, максимальный вывод — 384K, 2,500 одновременных запросов на аккаунт, поддержка ввода изображений, режим мышления включён по умолчанию с возможностью отключения.

• Веса — в тот же день на Hugging Face под лицензией MIT появился репозиторий deepseek-ai/DeepSeek-V4.1-Flash: 48 шардов safetensors общим объёмом около 510 ГБ, рядом с ними технический отчёт в формате PDF и эталонная реализация инференса в папке inference.

Последний пункт — это ещё и то место, где история с выведенным из эксплуатации ID модели касается всех, у кого deepseek-v4-flash жёстко прописан в продакшн-пути: он всё ещё разрешается, но отвечает уже другая модель. DeepSeek прямо дала понять, что это шим совместимости, а не обещание, — и это превращает его в дедлайн миграции, замаскированный под уведомление об устаревании.

Архитектура теперь задокументирована

Два дня назад этот раздел мог бы быть просто списком того, что никто не опубликовал. Технический отчёт расставляет всё по местам, и структурное утверждение оказывается буквальным, а не маркетинговым. DeepSeek V4.1 Flash — это мультимодальная модель смеси экспертов с 552 млрд параметров, и новое в ней — это то, что определяет стоимость её работы:

• Базовая сеть — 552B всего параметров, смесь экспертов: на каждом слое один общий и 384 маршрутизируемых эксперта, на каждый токен активны шесть маршрутизируемых экспертов.

• CED — трансформер на 40 слоёв, разделённый на каузальный энкодер на 20 слоёв и декодер на 20 слоёв. Глобальный кэш KV декодера проецируется из финальных скрытых состояний энкодера, а не выводится из собственных скрытых состояний каждого слоя декодера — именно здесь достигается основная экономия памяти.

• Асимметрия активации — примерно 8B параметров активны на каждый токен во время prefill и 16B во время decode, поэтому чтение длинного промпта существенно дешевле, чем генерация из него.

• KV-кэш — согласно отчету, 890 байт на токен глобального KV-кэша, примерно четверть от DeepSeek V4 Flash, с использованием FP4-кэширования основного KV-кэша с одним масштабным коэффициентом на 16 каналов и переиспользованием между слоями.

{{1}}Внимание и декодирование{{/1}} — {{2}}Compressed Sparse Attention 2{{/2}} с {{3}}режимами Full, Reindex и Reuse{{/3}} и {{4}}иерархическим разреженным индексатором{{/4}}, {{5}}Single-Pass mHC{{/5}} и {{6}}спекулятивным декодированием DSpark{{/6}}.

• Engram — таблица условной памяти на 196 млрд параметров, доступ к которой осуществляется разреженно через поиск на основе токенов; она расположена рядом с путём смеси экспертов, а не внутри стека внимания. Это самый крупный единый блок весов в этом релизе, и именно указанное для неё в карточке модели число делает размер загрузки понятным.

• Зрение — DeepSeek-ViT с двухслойным MLP-проектором, обучаемый с самого начала предобучения языковой модели, а не «прикрученный» к текстовой основе впоследствии.

• Обучение — 45T токенов мультимодального корпуса, с разреженным вниманием, обученным на длине последовательности 64K, и контекстом, расширенным до 1M на отметке 34T токенов. Пост-обучение включает SFT, затем RL, затем дистилляцию по политике.

• Затраты на рассуждение — непрерывно регулируемое целое число от 1 до 100, более тонкая регулировка, чем уровни low, high и max, которые предоставляет DeepSeek V4 Pro.

Показатель KV-кэша — это тот, чьи последствия выходят за пределы спецификации, и именно здесь дизайн оправдывает себя. Контекстное окно на 1 млн токенов полезно только в том случае, если вы можете позволить себе его заполнить. Экономика длинного контекста предыдущего поколения была болезненной по двум причинам: глобальный кэш рос с каждым слоем, который применял внимание к промпту, а большая часть ёмкости постоянного кэша тратилась на хранение состояния скользящего окна, которое переставало быть полезным через считаные минуты. Ответ отчёта нацелен на обе. Соответствует ли эксплуатируемый продукт этому при 1 млн токенов в условиях реальной параллельной нагрузки — это утверждение, которое всё ещё требует третьей стороны: существующие теперь независимые оценки измеряют модель, а не экономику длинного контекста, — но механизм теперь задокументирован, а не выведен умозрительно, и раздел ниже разбирает его по частям.

Внутри кэша: как на самом деле достигаются 890 байт на токен

Название отчёта — это и есть тезис. Прочитайте его, и утверждение об эффективности перестаёт выглядеть побочным эффектом архитектуры mixture-of-experts и начинает выглядеть как проектный замысел — именно к такому прочтению независимые материалы пришли с момента выпуска. Причина, по которой это важно с коммерческой, а не академической точки зрения, заключается в том, где на самом деле формируется счёт агента: DeepSeek формулирует это так, что на длительных агентных нагрузках доминирует строка попаданий в кэш, а значит, размер кэша становится рычагом затрат первого порядка. По цифрам DeepSeek, глобальный кэш составляет 890 байт на токен — примерно в 437 раз меньше, чем у оригинального DeepSeek V1, и около четверти от DeepSeek V4 Flash. Если посчитать для полного окна, это разница между примерно 890 МБ глобального KV для одной последовательности в 1 млн токенов и около 3,5 ГБ при показателе на токен у V4 Flash. Основную часть сжатия обеспечивают три изменения: одно касается того, сколько хранится, одно — того, что считывается, и одно — того, что вообще сохраняется.

Формат хранения — самый понятный из них. Основной глобальный кэш хранится в FP4 с раскладкой E2M1 и одним масштабом E4M3 на каждые 16 каналов — вдвое уже кэша FP8, который хранил DeepSeek V4, и вчетверо уже FP16. Это остаётся жизнеспособным потому, что DeepSeek квантовал кэш во время обучения, а не во время обслуживания, так что шум, вносимый более узким форматом, — это то, с чем модель научилась работать, а не то, что навязывается ей afterwards. Не всё сжималось таким образом: локальный кэш со скользящим окном остаётся в FP8, поскольку в отчёте его рассматривают как часть, чувствительную к дальнейшему сужению.

Compressed Sparse Attention 2 отвечает за то, что читается. Каждому слою внимания статически назначается один из трёх режимов — Full, Reindex или Reuse, — поэтому слои декодера могут разделять состояние ключей и состояние индексатора вместо того, чтобы каждому хранить своё; при этом первый слой в режиме Full формирует пул кандидатов, которым должны ограничиваться последующие слои индексирования. Согласно приведённым в отчёте цифрам, этот пул составляет 16 384 позиции, а разреженный выбор выполняется среди 512 лучших элементов — именно это отвязывает стоимость индексирования от длины контекста: DeepSeek утверждает, что переход с контекста 4K на 1M добавляет лишь примерно четверть вычислений на каждый сгенерированный токен, а не рост, примерно пропорциональный размеру окна, который подразумевала прежняя архитектура. Эта единственная цифра — самое полезное в отчёте для всех, кто пытается оценить стоимость рабочей нагрузки с длинным контекстом, и вместе с тем именно она не имеет никакого внешнего подтверждения — ни одно из внешних измерений в этом материале не проверяло дальний предел контекстного окна.

Изменение, которое вносит наибольший вклад в части постоянного хранения, носит самое непрезентабельное название. DeepSeek V4 держал две вещи в своем постоянном кеше более 72 часов при типичных нагрузках: глобальный KV и состояние внимания со скользящим окном. Состояние скользящего окна актуально минуты, но занимало почти половину емкости постоянного кеша — хранилища, рассчитанного на дни, для данных с минутной полезностью. V4.1 Flash полностью исключает состояние SWA из постоянного кеша и помещает его в пул, собранный примерно из 10% DRAM хоста каждой машины, со временем жизни порядка минут. Когда сеанс возобновляется, а этого состояния уже нет, SWA Bounded Replay приближенно восстанавливает его: вместо воспроизведения layers × window tokens он воспроизводит только самое последнее окно, заявленный размер которого — 128 токенов, и принимает, что восстановленное состояние математически не идентично полному воспроизведению. DeepSeek сообщает, что не заметила существенного влияния аппроксимации на качество, и моделировала такое же поведение на этапе после обучения. Если сложить это с более узким глобальным кешем, постоянный объем KV падает примерно до одной восьмой от DeepSeek V4 Flash при идентичных нагрузках — это большее сокращение, чем цифра в одну четверть, которая стоит первой в спецификации, потому что здесь накладываются два изменения, а не одно изменение формата.

На всём этом лежат два ограничения. В отчёте нет сравнения сквозной задержки или стоимости, поэтому постоянный кэш в восемь раз меньше — это не продемонстрированная рабочая нагрузка в восемь раз дешевле: сжатие снижает давление на память, и на это реагирует только та часть счёта, которая привязана к памяти. И экономия не происходит сама собой. Движку нужно реализовать проекцию encoder-decoder, три режима CSA2, раскладку кэша FP4 и Bounded Replay, прежде чем это число что-то будет значить; поэтому 890 байт лучше читать как спецификацию от самой DeepSeek для её собственного обслуживаемого API, а не как обещание насчёт локальной сборки — квантованные конверсии для llama.cpp, Ollama и LM Studio в репозитории не несут этот кэш с собой. Заголовочная цифра также охватывает текстовые токены; визуальные эмбеддинги остаются за её пределами. В любом self-hosted-варианте доверять стоит только тому числу, которое вы измерили сами. То, насколько далеко с этим может продвинуться движок, уже не гипотетично, хотя всё ещё не независимо. vLLM реализовал обрезку на стороне декодера и Bounded Replay за три недели после релиза и опубликовал результаты до и после в разделе о скорости ниже — это самое близкое к проверке спецификации на данный момент, причём проверка сделана движком, измеряющим собственную работу, а не оценщиком, измеряющим модель.

Независимая оценка, проведённая дважды: 39 для сентябрьских весов, 45 для 1017

Artificial Analysis опубликовала первую внешнюю оценку DeepSeek V4.1 Flash, и это та цифра, которую не смогла дать бета-версия. В текущей версии Artificial Analysis Intelligence Index (v4.3.2) модель набирает 39 в режиме Reasoning при максимальном уровне усилий. В той же шкале и при той же настройке DeepSeek V4 Pro 0813 набирает 36, а DeepSeek V4 Flash 0731 — 34. В совокупности эти три строки говорят то, что заявлял собственный маркетинг DeepSeek и чего бенчмарки DeepSeek не могли установить сами по себе: самая маленькая модель в семействе теперь стала самой сильной. Artificial Analysis называет 39 значением, значительно превышающим медиану 19 для моделей с открытыми весами сопоставимого размера. В течение пяти недель это была оценка только сентябрьского чекпойнта: в листинге оценщика была только сентябрьская дата выпуска, и ничего больше. 18 октября это изменилось, и это изменение — та новость, которой у этой статьи не было, когда она впервые вышла. Появилась вторая строка для DeepSeek V4.1 Flash 1017, датированная 17 октября, с оценкой 45 по тому же индексу при том же максимальном уровне усилий. Это ставит веса 1017 вровень с GLM-5.3 с результатом 45, на два балла ниже GPT-5.6 Sol с 47 и на шесть ниже Claude Opus 5 с 51 — и делает этот чекпойнт моделью DeepSeek с самым высоким баллом, которую измерял сайт, через пять недель после того, как сентябрьские веса получили этот титул. Это также дает модели позицию, которой у нее раньше не было, и о которой оценщик прямо говорит в своей публикации от 19 октября: второе место в таблице моделей с открытыми весами, наравне с GLM-5.3 и на один балл позади MiMo-V2.6-Pro с 46, а Step 5 Preview и Kimi K3 — еще на балл позади, с 44. Эти шесть баллов распределены по десяти оценкам неравномерно. В той же публикации сообщается о самых крупных сдвигах в компонентах агентных возможностей и знаний — Elo GDPval-AA v2.1 — 1 746 против 1 600, Elo AA-Briefcase v1.1 — 1 570 против 1 420, а доля отсутствия галлюцинаций AA-Omniscience — 33% против 4%, при этом точность выросла с 43% до 46%, а индекс этой оценки сместился с -5 до +5. Это собственные цифры оценщика по его собственным тестам, опубликованные им, а не воспроизведенные здесь, и они описывают модель, которая стала заметно менее склонной выдумывать ответ, — это улучшение иного рода, чем улучшение скорости, с которого начинается список изменений DeepSeek.

Сравнение, которое здесь имеет значение, — внутреннее, потому что это то же сравнение, которое делает таблица маршрутизации DeepSeek. V4.1 Flash имеет 552 млрд общих параметров при 16 млрд активных на токен; DeepSeek V4 Pro 0813 имеет около 1,6 трлн общих параметров при примерно 49 млрд активных. Модель с примерно третью от основы набирает на три балла больше по композитному показателю, который её создатель не запускал, — на девять баллов больше, если учитывать веса 1017, поскольку флагман на 1,6 трлн не сдвинулся с 36. Компромисс между размером и баллами — вся суть конструкции Causal Encoder-Decoder, и независимый оценщик, не заинтересованный в результате, теперь получил число, согласующееся с ней.

Ценовая часть утверждения тоже подтверждается, и это первое сравнение цен в материале, которое не взято из тарифной карты DeepSeek. Artificial Analysis указывает DeepSeek V4.1 Flash на уровне $0.30 за 1M входных токенов и $1.20 за 1M выходных против $1.32 и $3.96 у DeepSeek V4 Pro 0813 — в 4,4 раза дешевле на входе и в 3,3 раза на выходе, при смешанной цене $0.18 за 1M по пропорции 7:2:1 попаданий в кэш, входных и выходных токенов на сайте. Он также дешевле более старой и меньшей модели DeepSeek V4 Flash 0731, которую заменяет: сайт указывает для неё $0.44 и $1.32, при этом она на пять баллов ниже. Дешевле модели, которую заменяет, дешевле модели, которую вытесняет, и опережает обе по индексу.

С этой цифрой связаны две оговорки. Это композитная оценка, составленная из десяти оценок, выполненных при максимальном уровне рассуждений, поэтому она ничего не говорит о настройках с меньшим уровнем усилий, которые фактически использует большая часть продакшен-трафика, и ничего о том, как сохраняется качество на дальнем конце окна в 1M токенов. И это оценка одного оценщика: независимая, но не воспроизведённая — к тому же сама композитная оценка была пересмотрена с тех пор, как эта статья впервые её процитировала, с v4.3 до v4.3.2, что сдвинуло оценку DeepSeek V4.1 Flash с 40 до 39, а его предшественника — с 35 до 34. То, что она действительно подтверждает, узко и полезно: единственное утверждение, которое бета не могла подкрепить, — что модель на 552B действительно конкурентоспособна с собственным флагманом DeepSeek на 1.6T, — теперь имеет источник вне DeepSeek. Строка 1017 несёт те же две оговорки и ещё одну. Это оценка одного оценщика для весов, которые на пять недель новее большей части приведённых здесь данных, и это одна композитная оценка, а не воспроизведение какой-либо строки вендора. Его цена за задачу также изменилась на сайте: сентябрьский чекпойнт сегодня указан как $0.49 за задачу Intelligence Index, тогда как в этой статье изначально фигурировало $0.27, а чекпойнт 1017 — $0.26. Воспринимайте долларовую цифру как живое число на чужом дашборде, а не как константу — и это тот же урок, который преподала сама оценка индекса, когда она изменилась с 40 на 39. Таблица стоимости рядом с оценкой — это остальная часть оговорки, и она работает в обе стороны. Модель на одну позицию выше к тому же стоит вдвое дешевле: MiMo-V2.6-Pro достигает 46 при $0.13 за задачу Intelligence Index против $0.26 здесь, а собственное сравнение Artificial Analysis помещает GPT-6.1 Sol при среднем уровне усилий на 48 при цене $0.21. В чём чекпойнт 1017 действительно выигрывает, так это в очном противостоянии, которое DeepSeek продвигает с сентября: он превосходит GLM-5.3-Flash по обеим осям той таблицы — 45 против 42 и $0.26 против $0.28 за задачу, — а это та пара, где возможности и стоимость движутся в одном направлении.

Следующая внешняя оценка: {{1}}ARC Prize{{/1}} {{2}}создаёт тест{{/2}}

25 сентября руководитель направления тестирования моделей в ARC Prize Мэтт Мазур открыл пул-реквест в собственном репозитории фонда для бенчмаркинга ARC-AGI-3, добавив полноценный адаптер провайдера DeepSeek: один профиль с именем deepseek-v4-1-flash-low-provider-adapter, в поле model которого указано deepseek-ai/DeepSeek-V4.1-Flash. Утверждение, что ARC Prize намеревается оценивать эту модель, появилось в виде одного поста в соцсети, поэтому мы проверили его по собственному коду фонда, а не по этому посту. Адаптер, профиль, его модульные тесты и документация есть в диффе, а сам репозиторий — это харнесс, который политика тестирования ARC Prize определяет для своего интерактивного агентного бенчмарка. Чего не существует — так это результата: пул-реквест открыт и не смержен, нет ни балла, ни даты публикации, ни утверждения о том, какие уровни рассуждений будут опубликованы. Важно то, как устроено измерение, а не новость о том, что результат появится. ARC-AGI задаёт вопрос, которого не задают другие лидерборды: модель может быть быстрой, дешёвой и сильной внутри харнесса и всё равно набирать шестьдесят с чем-то на задачах, которых она не видела. Это вопрос, который DeepSeek V4.1 Flash пока никто не задавал.

Профиль точно определяет, как будет работать такой запуск, и три детали повлияют на число, которое в итоге получится. Он запускает модель с низким уровнем усилия рассуждений, а не с максимальным, передаёт ответы потоком, задаёт контекст харнесса на 1M токенов с триггером сжатия сводки на 175 000 токенов и ограничивает вывод 262 144 токенами. Он маршрутизирует запросы через OpenAI-совместимый эндпоинт Baseten, а не через собственный эндпоинт DeepSeek, и настроен на $0.30 за 1M входных токенов и $1.20 за 1M выходных — это пиковые тарифы DeepSeek из прайс-листа, а не цифры для непиковых периодов, приведённые ниже в этом материале. ARC Prize вычисляет стоимость за задачу исходя из цен, настроенных в профиле, поэтому итоговая цифра будет рассчитана по пиковому тарифу — об этом стоит помнить, прежде чем сравнивать её с $0.042 за задачу, которые показал DeepSeek V4 Flash 0731 во время тестирования. Другая необычная особенность — это обходной путь для того, как ведёт себя режим размышления DeepSeek: историческое содержимое рассуждений воспроизводится только тогда, когда запрос содержит инструменты, поэтому адаптер заставляет модель выдавать каждое действие ARC как вызов инструмента submit_action и воспроизводит точное сообщение ассистента вместе с прикреплёнными к нему рассуждениями, а не парсит действия из обычного текста.

Планка, по которой это будет измеряться, задана собственной таблицей ARC Prize. DeepSeek V4 Flash 0731 — чекпойнт, выводимый из эксплуатации V4.1 Flash, — это подтверждённая запись таблицы для уровня Flash, из которого он происходит: 61,4% на ARC-AGI-2 при максимальном уровне рассуждений и 89,0% на ARC-AGI-1, по цене $0,042 и $0,021 за задачу. Dots3-Note Preview находится на уровне 76,8% на ARC-AGI-2 — это те 77%, на которые указывает пост, отметивший адаптер, — а ожидание того же аккаунта, что любой показатель ниже 80% от намного более крупного, нативно мультимодального преемника разочарует, — это его формулировка, а не опубликованная цель. Оставшаяся часть этой формулировки заслуживает пометки: утверждение, что V4.1 Flash генерирует на 29% больше токенов, чем модель, которую он заменяет, не имеет указания источника и не определено, и ни в одной публикации DeepSeek или ARC Prize не сказано, что именно оно измеряет.

Одно предостережение насчёт того, о какой таблице идёт речь. Адаптер появился в репозитории ARC-AGI-3 — стенде для интерактивного агентного бенчмарка фонда, — а отдельный репозиторий, который запускает ARC-AGI-1 и ARC-AGI-2, вообще не содержит записи V4.1: его список моделей не обновлялся с 27 июля и по-прежнему указывает более старые эндпоинты DeepSeek. Так что факт, который можно датировать, состоит в том, что ARC Prize встроила эту модель в свой агентный стенд; а появится ли она также в таблице ARC-AGI-2, где находится сравнение с 61,4%, — публичный код сегодня не показывает. Практическая трактовка для тех, кто выбирает модель, расширилась. Теперь в игре четыре независимых инструмента для DeepSeek V4.1 Flash — композитный индекс, который прогоняли дважды, по одному разу на чекпоинт; лидерборд ядер сообщества; кибербенчмарк под управлением стенда; и, с 14 октября, бенчмарк обслуживания на аппаратном обеспечении, — и два из них помещают модель внутрь стенда на задачах, которых она не видела. Более новый из этих двух — композитный индекс, который включает Terminal-Bench 4.0 начиная с index v4.3: 66 терминальных задач, pass@1, усреднённый по трём повторам, каждая модель под одним и тем же агентным стендом. Его результат от 18 октября для весов 1017 — 33,8. Кибербенчмарк, описанный ниже, подходит ближе всех, и на нём эта модель проигрывает единственное очное сравнение, которое проводит. Профиль ARC — это оценка, созданная, чтобы ответить на вопрос о рассуждении, и она по-прежнему остаётся той, у которой нет числа. Пока он не запущен, потолок рассуждений модели не измерен, и число, с которым его следует сопоставлять, — это число её предшественника.

Первая внешняя кибероценка: испытательный стенд меняет число сильнее, чем модель

28 сентября лаборатория оценки Generality Labs опубликовала продолжение своей более ранней работы по кибербезопасности под названием «Имеет ли значение харнесс при запуске кибербенчмарков?» — это первое завершённое внешнее измерение, в котором DeepSeek V4.1 Flash сравнивается с другой моделью с открытыми весами на одном и том же кибербенчмарке. Этот бенчмарк — Exploit Bench, оценка Carnegie Mellon авторства Сынхён Ли и проф. Дэвида Брамли, которая измеряет, насколько далеко агент продвигается по лестнице из шестнадцати возможностей — от достижения уязвимого кода до запуска бага, построения примитивов эксплойта и выполнения произвольного кода — против production V8 с включённой песочницей безопасности V8. Лаборатория запустила две модели, DeepSeek V4.1 Flash и GLM-5.3-Flash от Z.ai, с бюджетом 250 млн токенов на задачу для 10 задач, отобранных из исходных 41 задачи бенчмарка с помощью Item Response Theory, и повторила каждую модель в семи конфигурациях харнесса: шесть агентных CLI — Claude Code, Codex, Kimi CLI, ReAct, Gemini CLI и OpenCode — плюс собственный вариант бенчмарка по умолчанию, который в отчёте обозначен как Original. Original — вовсе не сторонний CLI: у него нет лимита токенов, есть потолок в 300 ходов и нет сжатия контекста. Аккаунт, который отметил этот результат, описывает Original примерно как цикл while на Python; это его характеристика, а не исследователей, чьё собственное описание приведено выше.

Результат — это разброс, который не показал бы ни один отдельный балл. Средняя оценка способностей — из 16. DeepSeek V4.1 Flash лучше всего показывает себя под Claude Code — 9.3, Codex на втором месте с 8.9; та же модель опускается до 7.4 на Kimi CLI, 5.9 на OpenCode, 5.7 на Gemini CLI, 5.3 на ReAct и 4.7 под Original — собственном варианте бенчмарка по умолчанию, и это худший результат из семи. GLM-5.3-Flash переворачивает этот рейтинг на обоих концах. Её лучшая конфигурация — Codex с 10.6, что выше 10.02, которые собственный набор данных исследования даёт для Mythos Preview на полном наборе из 41 задачи, хотя исследователи предупреждают, что подвыборка из 10 образцов не вполне репрезентативна; её худший результат — Claude Code с 6.2, та же обвязка, что является лучшей для DeepSeek V4.1 Flash, а также 8.9 на Gemini CLI, 8.2 на Kimi CLI, 8.1 на OpenCode, 7.7 на ReAct и 6.4 под Original. В среднем по всем семи GLM-5.3-Flash находится около 8.0, а DeepSeek V4.1 Flash — около 6.7. Так что обе части утверждения, которое распространялось вместе с этим результатом, подтверждаются опубликованными данными: выбор обвязки стоит нескольких баллов, и на этом бенчмарке DeepSeek V4.1 Flash — более слабая из двух моделей, кроме случая Claude Code, где она лидирует более чем на три.

Исследователи прямо заявляют, что не могут полностью объяснить разброс. Их единственная положительная зацепка — то, как каждая обвязка сжимает контекст, и разница заключается в формулировке. Промпт сжатия ReAct просит модель: «Напиши сводку-продолжение, которая позволит тебе (или другому экземпляру тебя) возобновить работу»; в опубликованных лабораторией транскриптах это иногда приводит к тому, что модель объявляет работу завершённой, после чего обвязка снова её будит, и она десятки раз отправляет один и тот же отчёт, пока не исчерпается бюджет. Codex формулирует тот же момент как «Создай сводку для передачи другой LLM, которая возобновит задачу», и лаборатория выдвигает гипотезу, что именно обращение к другому агенту заставляет модель продвигаться вперёд при длительных бюджетах. Они называют это гипотезой, а не причиной. Одна ошибка конфигурации также важна для чтения таблицы: сжатие ReAct было установлено на 100K токенов вместо предполагаемого триггера, поэтому оно срабатывало гораздо чаще, чем предусматривалось дизайном, что занижает строки ReAct обеих моделей. Собственные оговорки исследования стоит учитывать вместе с любой цифрой из него — две модели, 10 образцов на конфигурацию обвязки, 70 вопросных образцов на модель против исходных 41 задачи бенчмарка, а также три образца, которые выдали ошибку или так и не завершились, два из них — GLM-5.3-Flash. Авторы заявляют, что малая выборка по своей природе шумная, что не следует предполагать, будто результат распространяется на другие области и задачи, и что предыдущая работа METR не обнаружила статистически значимых различий между обвязками на долгосрочных задачах. Это сторонняя лаборатория, запускающая чужой бенчмарк, а не владельцы бенчмарка, и он не прошёл рецензирование. Чего оно не является, так это цифрой от вендора, и это первая сторонняя цифра в этой статье, которая противоречит собственной истории вендора, а не просто не подтверждает её.

Здесь есть одна вещь, на которую роутер может повлиять, и одна, на которую не может. Он не может выбрать ваш харнесс — это агентный цикл, который вы уже используете, и весь смысл этого исследования в том, что этот выбор имеет решающее значение. А что он может — так это сделать модельную половину пары изменением в одну строку. DeepSeek V4.1 Flash и GLM-5.3-Flash можно маршрутизировать через OrcaRouter по одному OpenAI-совместимому ключу, по собственной прейскурантной цене провайдера с нулевой наценкой, так что команда, которая хочет найти собственное сочетание модели и харнесса, может заменить модель под фиксированным харнессом без второго контракта или второй интеграции и оставить проверенную модель в резерве для автоматического переключения при сбое, если замена окажется регрессом. Это тот же аргумент, который раздел о внедрении приводит ниже, применённый к решению, которое исследование харнесса только что сделало конкретным: согласно этим данным, харнесс, который вы используете, может значить больше, чем модель, которую вы используете, а именно модельную сторону этой пары можно изменить за полдня.

Где оно достигает фронтира, а где всё ещё проигрывает

В сентябрьской карточке модели V4.1 Flash сравнивается с Opus-5.0, GPT-5.6 Sol, Kimi K3 и GLM-5.3 при максимальном усилии рассуждения, а собственные DeepSeek V4 Pro и DeepSeek V4 Flash используются в качестве внутренних базовых ориентиров. Все приведённые ниже цифры — по данным производителя, получены на стендах DeepSeek и не воспроизведены ни одной третьей стороной. В карточке отмечается, что агентные результаты используют минимальный режим DeepSeek Harness с контекстом в 1M токенов для бенчмарков кода и окном 512K для визуальных, поэтому они не сопоставимы напрямую с опубликованными сторонними цифрами по тем же бенчмаркам. Независимые оценки в разделах выше — это разные измерения на разных наборах оценок; они поддерживают общую картину и не подтверждают ни одну отдельную строку ниже, а строки от 17 октября в разделе выше взяты из другой карточки и другого прогона тех же бенчмарков.

В агентной и кодовой работе показатели вендора ставят V4.1 Flash выше названных им фронтирных моделей:

• Terminal-Bench 2.1 — 90.6, по сравнению с 89.1 для Opus-5.0, 88.8 для GPT-5.6 Sol и 87.9 для DeepSeek V4 Pro

• DeepSWE v1.1 — 74.2 решено, против 74.0, 73.0 и 62.7

• CyberGym — 88,1 против 84,5 у GPT-5.6 Sol и GLM-5.3, и 83,3 у DeepSeek V4 Pro

• AutomationBench — 54.8, против 50.3 у Opus-5.0 и 37.7 у DeepSeek V4 Flash

• Agent's Last Exam — 31.8, против 28.6 и 25.7

• Codeforces — рейтинг 3,471, впереди DeepSeek V4 Pro с 3,348 и DeepSeek V4 Flash с 3,289

• MathArena Apex — 65.6, на уровне Kimi K3 и впереди DeepSeek V4 Pro (65.3)

И на более сложных агентных наборах этого не происходит:

• Terminal-Bench 3.0 — 30.0, значительно уступая Opus-5.0 с 43.3 и GPT-5.6 Sol с 34.4, хотя намного опережает DeepSeek V4 Pro с 11.8

• Terminal-Bench 4.0 — 31.2, против 51.8 и 39.9, и снова впереди DeepSeek V4 Pro на 12.4

• ProgramBench — 20.3 против 37.0 у Opus-5.0

• NL2Repo-Bench — 64.0 против 75.3 у Opus-5.0

• HLE — 36.8, против 56.3 и 44.5

• ExploitGym — 15.3, против 33.7 и 22.1

Форма этого списка информативнее любой отдельной строки. V4.1 Flash выходит за фронтир в бенчмарках, где вознаграждается длительное использование инструментов внутри харнесса, и проигрывает в тех, где вознаграждается глубина рассуждений — ровно та закономерность, которую ожидаешь от модели, спроектированной вокруг пропускной способности и экономики контекста, а не вокруг сырого потолка рассуждений. Внутреннее сравнение — самое поразительное: V4.1 Flash обходит DeepSeek V4 Pro практически по каждой строке, включая строки, где оба проигрывают Opus-5.0. DeepSeek не утверждает, что её самая дешёвая модель — лучшая модель на рынке. Она утверждает, что её самая дешёвая модель — лучшая модель, которую делает DeepSeek, и это утверждение подтверждает её собственная таблица маршрутизации.

Сколько это стоит, и как на самом деле выглядит сравнение с Pro

Тарифная карта от 10 сентября теперь представляет собой просто карту V4.1 Flash, опубликованную на странице DeepSeek «Models & Pricing» с разделением на пиковые и непиковые часы:

• Вход, попадание в кэш — $0.003 за 1M токенов в непиковое время, $0.006 в пиковое время

• Ввод, промах кэша — $0,15 за 1M токенов вне пика, $0,30 в пик

• Вывод — $0.60 за 1 млн токенов вне пикового времени, $1.20 в пиковое время

• Пиковые окна — 01:00–04:00 и 06:00–10:00 UTC, с понедельника по пятницу; во все остальные часы действует половина пиковой ставки

• В юанях — ¥0,02, ¥1 и ¥4 в непиковые часы, удваиваясь до ¥0,04, ¥2 и ¥8 в пиковые часы.

Сравните это с моделью, которую она вытесняет. DeepSeek V4 Pro берёт $0.022 за 1 млн входных токенов с попаданием в кэш, $0.66 за входные токены с промахом кэша и $1.98 за выходные токены в непиковые часы — примерно 4.4× по входным токенам с промахом кэша и 3.3× по выходным токенам. Это те цифры, которые перемаршрутизация от 14 сентября применила бы к каждому вызову deepseek-v4-pro; именно поэтому план был в такой же мере историей о цене, как и историей о возможностях, и они по-прежнему остаются причиной, по которой это сравнение важно: DeepSeek отозвал перемаршрутизацию, а не тарифную сетку. Artificial Analysis приходит к той же арифметике на основе собственных прайс-листов — $0.30 и $1.20 за 1 млн для V4.1 Flash против $1.32 и $3.96 для DeepSeek V4 Pro 0813, те же 4.4× и 3.3×, а также средневзвешенные $0.18 за 1 млн при используемом на сайте соотношении 7:2:1 для попаданий в кэш, входных и выходных токенов. Тарифная сетка также дешевле DeepSeek V4 Flash 0731 — модели, которую она выводит из эксплуатации, — которая на том же сайте указана как $0.44 и $1.32.

Цена за токен — это не стоимость выполнения задачи, и бета-версия служит тому доказательством. В первый день тестировщики сообщали, что пятиминутные сессии на новой модели быстрее истощают баланс, чем такое же реальное время работы на DeepSeek V4 Flash, потому что модель рассчитана на быструю выдачу токенов, а счёт растёт пропорционально токенам, а не минутам. Карточка тарифа, цена которой составляет четверть цены Pro, — выгодное приобретение, если задача выполняется за сопоставимое количество токенов; она не даст ни выигрыша, ни проигрыша, если модели придётся дольше размышлять, чтобы прийти к тому же результату.

Там, где внешняя цифра по этому вопросу всё же существует, она указывает в обе стороны. Artificial Analysis оценивает DeepSeek V4.1 Flash в $0,27 за задачу Intelligence Index на собственном оценочном наборе — реальная цифра на задачу, полученная вне DeepSeek, и низкая. Но тот же прогон сгенерировал 250 млн выходных токенов против медианы 140 млн у сопоставимых моделей, и в резюме сайта модель называют очень многословной в одном предложении с тем, что называют быстрой. Многословность бесплатна внутри тестового стенда и дорога в продакшене, и это как раз тот механизм, который описывали бета-тестеры, когда сообщали, что балансы расходуются быстрее в пересчёте на реальное время. Честное состояние вопроса о цене за задачу таково: один независимый оценщик теперь измерил обе его половины на собственном оценочном наборе, и ответ по-прежнему зависит от того, что вы запускаете. Композитный показатель не может показать, куда уходит дополнительный вывод, а бета-тестеры тоже этого не говорили. Первые практические отчёты показывают, и они в разделе о скорости ниже: модель многословна, потому что она проверяет. Обновление от 17 октября — первый раз, когда DeepSeek заявила, что сдвинула эту цифру: в changelog сказано, что новый checkpoint «сокращает время выполнения задач и длину вывода», а пост несколькими часами позже говорит то же самое меньшим числом слов — «более быстрое выполнение задач и более короткие выводы». Это DeepSeek от своего имени отвечает на ровно ту величину, на которую жаловалось внешнее измерение, не прилагая цифр ни к одному из утверждений. Первый внешний взгляд на это 18 октября обнаружил, что совокупный объём снизился — 210 млн выходных токенов по индексу против 250 млн за сентябрь — а цифра на задачу осталась на том же уровне: 89 495 токенов против 88 574.

Сколько стоит месяц: лимит в $80, а затем бесплатный тариф

Карточка выше отвечает на вопрос, сколько стоит токен. Другая цифра менялась дважды, и оба раза она исходила от OpenCode — кодирующего агента, чья подписка Go оценивает доступ к этой модели как ежемесячный лимит использования, а не как тарифицируемые токены — говоря о своей собственной подписке, а не о модели. 25 сентября аккаунт платформы опубликовал: «Operation Cheepseek Phase 2: $60 of usage for DeepSeek v4.1 Flash is now permanent.» 12 октября он опубликовал продолжение в том же формате — «Operation Cheepseek Phase 3: $80 of usage for DeepSeek V4.1 Flash» — и на его странице цен для этой модели было указано $80, тогда как в конце сентября там было $60. Это чтение было сделано во второй раз 13 октября по той же странице и вернуло ту же строку: $80 на тарифе Go за $10 в месяц, $160 на Go Plus. Таким образом, эта цифра — не утверждение одного поста о самом себе; это опубликованная цена одной платформы за размещение этой модели, и она всё ещё была там днём позже. Вместе два поста говорят о том, что в итоге означало «permanent»: отсутствие даты истечения — и более высокая цифра три недели спустя. Чего это изменение не означает — это нового способа доступа к модели — он появится три дня спустя, в абзаце ниже. DeepSeek V4.1 Flash отвечает на собственном API DeepSeek с 10 сентября, и OrcaRouter поддерживает его по собственным тарифам DeepSeek с момента выпуска, поэтому веса, архитектура и каждая строка бенчмарков в этой статье не затронуты пересмотром цен на подписку; то, что изменилось в октябре, — это кто готов размещать модель и на каких условиях.

Бесплатная запись — это изменение иного рода, чем любое из тех двух, и единственная из трёх, которая меняет то, что читатель может сделать на этой неделе. 15 октября OpenCode добавил отдельную запись для этой модели — DeepSeek V4.1 Flash Free, id модели deepseek-v4.1-flash-free — предоставляемую бесплатно. Публичный список моделей платформы возвращает её рядом с тарифицируемым id, в документации Console есть запись о бесплатных моделях, где она описывается как бесплатная на ограниченное время, а её провайдер — как следующий политике нулевого хранения и не обучающийся на данных, а опубликованная таблица цен указывает для входа, выхода и чтения из кэша значение «Free». Но это не полный продукт. Каталожные ограничения бесплатной записи — добавленные в models.dev, каталог, из которого берётся собственный список моделей OpenCode, 15 октября — называют тарифицируемую запись базовой моделью и ограничивают окно до 200 000 токенов с потолком вывода 32 000 токенов, по сравнению с контекстом 1M и максимальным выводом 384K, которые есть у тарифицируемой записи deepseek-v4.1-flash. Это те же самые веса при более узких условиях обслуживания, а не меньшая или дистиллированная модель, и ограничение вывода — это условие, которое первым даёт о себе знать в агентной работе, где одно редактирование файла может его превысить. Платформа не устанавливает дату окончания для этой договорённости и не публикует для неё тарифную сетку, потому что тарифа нет. Ничего из этого не исходит от DeepSeek: это коммерческое решение одной платформы о модели, которой она не владеет, изложенное в её собственном списке моделей, её собственной документации и её собственной таблице цен, и оно — единственный источник всего этого. Мы не нашли независимых измерений того, как бесплатный эндпоинт ведёт себя под нагрузкой, а «ограниченное время» — это формулировка платформы, а не график. Воспринимайте это как самый дешёвый способ уже сегодня получить окно в 200 000 токенов для этой модели, а не как изменение того, чем модель является.

Механика взята с той страницы тарифов, прочитанной 12 октября и перечитанной 13 октября. Go — это подписка за $10 в месяц, и её таблица сопоставляет каждую модель на ней с оценочным количеством запросов за пять часов и месячным лимитом использования, в отдельных столбцах для двух уровней. У DeepSeek V4.1 Flash самый большой лимит на странице: $80 в месяц и 34 670 оценочных запросов за пять часов в Go, с удвоением до $160 и 69 330 в Go Plus. В строках модель тарифицируется по собственной тарифной карточке DeepSeek — $0,15 за 1 млн входных токенов, $0,60 за выходные и $0,003 за чтение из кэша вне пиковых часов, с удвоением до $0,30, $1,20 и $0,006 в окна пиковой нагрузки в будние дни — и это данные поставщика, неизменные с сентябрьского чтения, которое уже содержал этот раздел. Двух вещей, которые страница показывала тогда, на ней сегодня нет, и обе стоит отметить, потому что более раннее чтение на них опиралось: правило расходования по трём корзинам — 20% за любые пять часов, 50% за неделю и 100% за месяц — больше не отображается, а URL документации, откуда изначально были взяты оценки запросов, opencode.ai/docs/go, при проверке вернул 404. Приведённые выше количества запросов — это расчёты платформы по форме вызова, которую она не публикует, а не наши.

Изменение можно проверить по странице, как и тот факт, что теперь таких случаев было больше одного. В конце сентября те же строки читались как $60 без указания срока действия: после того как промо-квота $15 была умножена в четыре раза до $60 и получила 20 сентября как дату, когда множитель перестанет действовать; оценки запросов были опубликованы в двух столбцах — 6,500 / 16,250 / 32,500 в стандартном варианте против 26,000 / 65,000 / 130,000 с применённым множителем. При обоих прочтениях в строках указано $80, а опубликованные оценки для этой модели составляют 34,670 за пять часов и 69,330 в месяц — более высокая денежная квота соседствует с более низким месячным числом запросов, чем в расширенном наборе сентября, и оба набора не могут описывать одну и ту же предполагаемую структуру вызовов. На странице не указан состав токенов и не даётся никаких объяснений, поэтому различие — это факт о двух прочтениях, а не то, что мы можем разрешить извне. Сами ставки никогда не были скидкой в тарифной карточке DeepSeek — ценообразование по токенам на протяжении всего времени было у вендора, и остаётся таковым. Чего квота не делает — она ничего не говорит о качестве: это суждение одной платформы о том, что она может обслуживать трафик этой модели по таким ставкам без крайнего срока; это свидетельство об экосистеме обслуживания, а не о модели.

Различие имеет значение при выборе, потому что фиксированный потолок и счётчик со сквозной передачей тарифа — это разные продукты. DeepSeek V4.1 Flash доступен на OrcaRouter по собственному тарифу DeepSeek с наценкой 0% — $0,15 за 1 млн входных и $0,60 за 1 млн выходных токенов в непиковые часы; это те же цифры, что указаны в карточке выше, и к ним ничего не прилагается: не нужно покупать подписку и не нужно исчерпывать месячный лимит. Потолок в $80 при фиксированной месячной цене — подходящая форма для одного разработчика, который весь день запускает агента, когда главный вопрос — сколько стоит месяц; а потолок, который уже один раз поднимали на треть, ещё и напоминает, что эта цифра — коммерческое решение, а не свойство модели. Бесплатный тариф с окном в 200 000 токенов — подходящая форма, чтобы попробовать модель на этой неделе, и неподходящая для кодовых баз, которым нужно полное окно; это единственное, что не совпадает у двух тарифов одной и той же модели. Тариф поставщика, переданный без изменений, — подходящая форма для сервиса, когда вопрос в том, сколько стоит каждый вызов и дойдёт ли до вас следующее изменение цены от провайдера в день, когда оно произойдёт. Оба варианта отвечают на вопрос, сколько стоит эта модель; они отвечают на него для разных категорий плательщиков.

Скорость: цифры беты, заявление производителя и собственные результаты движка «до и после»

Когда открылась бета, главной темой стала пропускная способность. Разработчики сообщали о примерно 420 выходных токенов в секунду при длинных генерациях с пиками выше 500, а один широко разошедшийся запуск выдал более 71 000 токенов менее чем за три минуты. Это по-прежнему измерения сообщества, сделанные в неконтролируемых условиях, и воспринимать их следует именно так — но механизм, стоящий за ними, теперь задокументирован, а не предполагается. KV-кэш размером 890 байт на токен и путь декодирования, активирующий 16 млрд параметров, — это решение, созданное для пропускной способности, так что архитектура по крайней мере имеет подходящую форму, чтобы выдавать подобные числа. Насколько они велики на самом деле — вопрос следующего абзаца, и ответ меньше.

В собственном заявлении DeepSeek, опубликованном в списке изменений, говорится, что V4.1 Flash «всесторонне превзошла V4 Pro по производительности, стоимости, скорости и общему времени». Ключевую роль здесь играет словосочетание total time — «общее время»: производитель представляет скорость как завершение задачи, а не как количество токенов в секунду — метрику, которая выдерживает проверку при столкновении с реальным циклом агента, который записывает файл, читает ошибку и пробует снова. Artificial Analysis теперь даёт измеренную цифру для более раннего заявления: 185 выходных токенов в секунду для DeepSeek V4.1 Flash против 175 для DeepSeek V4 Flash 0731. Это реальная независимая цифра, и она примерно вдвое меньше 420 токенов в секунду, о которых разработчики сообщали во время бета-теста; поэтому бета-цифры должны оставаться там, где им место, — в колонке неконтролируемых условий.

7 октября проект vLLM опубликовал отчёт о трёх неделях после релиза, и это первая измеренная цифра скорости в этом материале, которая не является ни счётчиком токенов, ни рекламным слоганом вендора. В публикации от имени Inferact и команды vLLM проект сообщает, что DeepSeek V4.1 Flash в текущей сборке работает в 1,9 раза быстрее собственной реализации day-0 при низкой конкурентности и обеспечивает в 5,3 раза большую пропускную способность при ограничении 150 TPS — именно эта цифра указана в резюме, тогда как в теле того же поста говорится «около 5×». Оба показателя измерены на агентном бенчмарке обслуживания SemiAnalysis AgentX: за цифрой низкой задержки стоят TP4 и внимание FlashInfer, а за пропускной способностью — DEP2 с data-parallel attention, на оборудовании NVIDIA GB200 и GB300. В этом результате стоит чётко разделять три вещи. Он сравнивает vLLM с vLLM: базовый вариант — это собственный рецепт day-0 проекта, а не другой движок и не другая модель, поэтому цифра говорит о том, насколько улучшился стек обслуживания, а не о том, как эта модель соотносится с чем-либо ещё. Это собственный отчёт среды выполнения о собственной работе, и ни одна третья сторона его не воспроизвела. И наибольший единичный прирост даёт среда выполнения, а не веса — SWA bounded replay, который повторно прогоняет только последние 128 токенов скользящего окна вместо повторного проигрывания этого окна по всем слоям, теперь поставляется по умолчанию для этой модели и включается одним флагом. Проект сообщает о сокращении времени до первого токена примерно на 30% благодаря replay плюс захвату CUDA-графов, о сокращении вычислений prefill на 30–40% благодаря оптимизации на стороне декодера и о сокращении TTFT почти на 70% при пропускной способности около 100K, когда три оптимизации складываются. Также сообщается, где replay вредит: без CUDA-графов он медленнее базового варианта на коротких промптах — до 12% хуже при 1K токенов, потому что накладные расходы на запуск перевешивают сэкономленную работу. Точность проверяли на GSM8K и GPQA; значимых различий не зафиксировано, расхождения — в пределах примерно 1,5 стандартной ошибки; эту цифру стоит сопоставить с собственным утверждением отчёта о том, что bounded replay является приближённым, а не точным. Проект добавляет, что модели нигде в бенчмарке не требовалось выгружать KV-cache и что выгрузка, как ожидается, начнёт окупаться только при более высокой конкурентности, когда prefill и decode разделены между машинами. Это измерение отличается от таблицы ядер ниже, в которой оцениваются ядра, написанные моделью; цифры vLLM касаются того, во сколько обходится обслуживание модели после того, как движок реализовал её архитектуру, и здесь отчитывается именно этот движок. Проект снова опубликовал пост 17 октября — в день, когда DeepSeek заменил контрольную точку, — и цифра, с которой он начал, была иного рода: 1,3 млрд токенов на доллар совокупной стоимости владения на SemiAnalysis AgentX при 830 000 токенов в секунду на GPU с учётом кэшированных, входных и выходных токенов вместе, при этом сохраняя 100 выходных токенов в секунду для каждого пользователя. Это результат по стоимости обслуживания, а не прирост скорости, и раздел о стоимости обслуживания ниже разбирает его полностью. На этот абзац влияют три вещи: это тот же проект, та же модель и тот же бенчмарк спустя три недели после отчёта 7 октября; проект представляет тот отчёт как первую главу — с 5-кратной агентной пропускной способностью относительно day zero — и говорит, что следующая глава ещё впереди, а второго поста о DeepSeek в его блоге с тех пор не появилось; и кривая затрат всё ещё остаётся записью на стороне среды выполнения, а не внешним вердиктом о модели. Это различие также объясняет, почему эта цифра важна для того, кто никогда не будет запускать узел. Никакая из этих работ не выполняется вызывающей стороной: стек обслуживания, который становится в 1,9 раза быстрее при низкой конкурентности, ускоряет обрабатываемые им запросы, а доступ к этой модели через API — это то, как большинство команд получит выгоду, не владея оборудованием. DeepSeek V4.1 Flash доступна на OrcaRouter по собственному тарифу DeepSeek с наценкой 0%, по тому же ключу, совместимому с OpenAI, что и остальная линейка, с проверенной моделью в качестве автоматического резервного переключения — модель и цены меняются в темпе провайдера, а выбор движка остаётся на стороне провайдера.

Сколько стоит обслуживание: первые независимые показатели оборудования

14 октября Artificial Analysis добавила DeepSeek V4.1 Flash в AA-AgentPerf — бенчмарк, который она запускает на ускорительных системах, а не на моделях, — и результат стал первым публичным ответом на вопрос, который не может разрешить прайс-лист: сколько этой модели способен обслуживать один мегаватт мощности дата-центра. AA-AgentPerf воспроизводит записанные сессии агентов-программистов — многоходовые рассуждения, вызовы инструментов, контексты, растущие свыше 100K токенов, включая попадания в кэш промптов, — на работающем стеке обслуживания и находит наибольшее число одновременных агентов, которое система выдерживает, при этом каждый из них всё ещё соответствует целевому показателю скорости на агента. Для этой модели главный результат — стоечное решение NVIDIA. При 100 выходных токенах в секунду на пользователя GB300 NVL72 лидирует с примерно 261 млн токенов в секунду на мегаватт, опережая B300 с примерно 220 млн, B200 с 193 млн, GB200 с 178 млн и MI355X от AMD с 128 млн. Это цифры Artificial Analysis, снятые сегодня с её страницы датацентрового инференса; это её измерения конкретного оборудования и конфигураций обслуживания, а не измерения вендора. Две детали стоит запомнить. Числа на мегаватт вычисляются по мощности ускорителя, измеренной во время прогона, — кристалл GPU плюс HBM, — а не по номинальному TDP. И каждая точка на графике указывает движок, версию и числовой формат, стоящие за ней, так что это число — утверждение о стеке обслуживания, а не только о весах.

Причина, по которой график этой модели не похож на графики других, — её размер. DeepSeek V4.1 Flash умещается всего на двух ускорителях, поэтому стоечная система даёт здесь меньше преимущества, чем на более крупной модели: Artificial Analysis сообщает, что B300 остаётся в пределах примерно 20% от GB300 NVL72 по всей кривой и лидирует на обоих её концах — наибольшая пропускная способность на мегаватт, когда скорость на пользователя разрешено снижать, и самый быстрый одиночный агент, когда нет. При размере батча один все варианты Blackwell и MI355X показывают примерно от 600 до 670 токенов в секунду для одного пользователя против 372–392 на H100 и H200. В сравнении с DeepSeek V4 Pro 0813 на той же оси меньшая модель даёт примерно 1,3× пропускной способности на мегаватт на GB300 и примерно 6,2× на B200 на отметке 100 ток/с — заявление об эффективности, которое раздел об архитектуре делает со стороны KV-кэша, приходит от третьей стороны, измерившей систему, а не спецификацию. Конфигурации, стоящие за этими цифрами, показывают главный приём конструкции в продакшене, а не только на бумаге: как в двухускорительных запусках на B300, так и на MI355X таблица Engram на 196B обслуживается из закреплённой памяти хоста через путь CPU-offload в vLLM, а не находится на ускорителе — механизм, описанный в примечаниях к выпуску, теперь виден в конфигурации, стоящей за опубликованным измерением. Вторая цифра стоимости, в другой валюте, приходит из бенчмарка, на котором основан пост vLLM от 7 октября. 17 октября проект vLLM опубликовал график, согласно которому DeepSeek V4.1 Flash достигает 1,3 млрд токенов на доллар совокупной стоимости владения на SemiAnalysis AgentX, с отдельными кривыми для GB300 NVL72 под Dynamo, GB200 NVL72, B200, H100 и MI300X. Уровень затрат, лежащий в его основе, обозначен как «владение при объёмах крупного гиперскейлера», а лежащие под ним допущения по чипо-часам варьируются от $0,95 для MI300X и $1,17 для H100 до $1,73 для B200 и $2,31 для GB300, взятых из собственного обзора цен SemiAnalysis за июль 2026 года. С этим связаны два ограничения. Это проект vLLM сообщает о модели затрат SemiAnalysis, и ни одна из сторон не получила её воспроизведения. И график датирован 16 октября, за день до того, как DeepSeek заменил веса, стоящие за именем модели, поэтому он тоже описывает сентябрьский чекпоинт. Таким образом, в этом материале для одной модели фигурируют три валюты: токены в секунду на пользователя, токены в секунду на мегаватт и токены на доллар. Последняя — та, на которую может опираться покупатель без датацентра, потому что именно в таком виде улучшение затрат провайдера в конечном итоге доходит до него. Это по-прежнему измерение обслуживания, а не качества: здесь ничто не говорит о том, насколько хороша модель, и аппаратные результаты одного лидерборда не являются воспроизведением какой-либо строки бенчмарка выше. Что это действительно устанавливает, так это то, что у стоимостной стороны тарифной карты этой модели теперь есть внешние доказательства. Модель, которую провайдер может обслуживать с пропускной способностью в несколько раз выше на мегаватт, — это модель, которую провайдер может позволить себе держать дешёвой, а DeepSeek V4.1 Flash доступна на OrcaRouter по собственной прейскурантной цене DeepSeek с наценкой 0%, и это тот механизм, который передаёт улучшение затрат провайдера дальше, а не удерживает его.

Сколько стоит движок на чипах двух поставщиков

До этой недели на вопрос о пропускной способности этой модели отвечали только чужие измерения — рантайм, учитывающий собственную работу, сайт бенчмарков, измеряющий систему, разработчики, считающие токены в бете. На этой неделе DeepSeek открыла DeepInfer — фреймворк, который, по её словам, обеспечивает работу продакшен-сервиса этой модели, — под Apache-2.0: репозиторий появился 16 октября, а первый коммит был сделан 20 октября. Вместе с ним опубликован график Парето для декодирования чекпоинта 1017, измеренный на 64 ускорителях SM100 в пределах одного домена масштабирования. Важна именно конфигурация, напечатанная на графике, потому что от неё зависит приведённое ниже сравнение: экспертный параллелизм 64 при параллелизме данных 64, «384+64 эксперта», указанные на графике, контекст в 131 072 токена, фиксированная длина черновика DSpark в три токена и 75%-я доля принятия токенов. На конце с наименьшей интерактивностью кривая достигает чуть менее 30 000 выходных токенов в секунду на ускоритель, затем проходит через значения в середине 20 000, когда скорость на одного пользователя превышает 100 токенов в секунду, а у правого края графика опускается до нескольких тысяч. Это DeepSeek измеряет собственный движок на собственной модели, поэтому цифра не является независимой, — но это первая кривая декодирования для этой архитектуры, опубликованная лабораторией, которая её создала, а скрипт свипа, с помощью которого она получена, лежит в том же репозитории.

Документ, опубликованный рядом с кодом, задаёт рабочую точку, и именно поэтому приведённые ниже цифры указаны для 230 выходных токенов в секунду, а не для некоего абстрактного максимума. Собственные производственные показатели DeepSeek оценивают декодирование в 14 тыс. токенов в секунду на ускоритель, тогда как сервис обеспечивает 230 выходных токенов в секунду на пользователя — 300 в задачах программирования — при доле попаданий во входной кэш 96%, среднем входе 77 тыс. токенов, среднем времени до первого токена 400 мс и p99 в одну секунду, а prefill выделен в соотношении почти 1:1 с декодированием, в рамках одного кластера, который, по словам компании, обслуживает 155 трлн токенов в день. Показатель выручки рядом с этими цифрами — 38 долларов за час работы ускорителя по непиковому тарифу — это первое число затрат, которое DeepSeek публично привязала к обслуживанию этой модели. Ничто из этого не прошло аудит, всё это — описание собственного сервиса самим поставщиком, и всё же это самая конкретная из существующих картина того, во что обходится эксплуатация этой архитектуры.

Другая половина сравнения опирается на кремний Huawei, и это та половина, источник которой слабее. В таблице бенчмарка от 30 сентября под заголовком “Ascend 950DT DeepSeek-V4.1-Flash Benchmark” сообщается, что модель развёрнута на 32 чипах при смешанной точности FP8–FP4, с вниманием с параллелизмом по данным и mixture-of-experts с параллелизмом по экспертам, на последовательности длиной 128K токенов, с использованием спекулятивного декодирования DSpark при принудительно заданной конфигурации балансировщика нагрузки с параллелизмом по экспертам и средней принятой длиной 4,1 токена. В ней приведены три точки. В столбце задержки указано время на один выходной токен, поэтому обратная величина каждой записи — это скорость на пользователя для соответствующей строки, и именно это позволяет сопоставить таблицу с кривой:

• Глобальный батч 1 536, 9,41 мс на выходной токен — около 106 выходных токенов в секунду на пользователя — 5 102 токена в секунду на чип.

• Глобальный батч 384, 4,40 мс на выходной токен — около 227 выходных токенов в секунду на пользователя — 2 727 токенов в секунду на чип.

• Глобальный батч 2 560, 13,79 мс на выходной токен — около 73 выходных токенов в секунду на пользователя — 5 800 токенов в секунду на чип, самый высокий показатель в таблице, и именно его использует её заголовок.

Если наложить их на кривую NVIDIA, именно две средние строки вызывают наибольшие вопросы, потому что они соответствуют скоростям, на которых сервис реально работает. В ветке, где всплыла эта таблица, сравнение трактуется как 25 500 токенов в секунду на ускоритель против 5 102 при 100 выходных токенах в секунду на пользователя и 20 000 против 2 727 при 230 — разрыв в пять раз в первой рабочей точке и в 7,4× во второй. Прямое чтение той же опубликованной кривой несколько сдвигает эти показатели NVIDIA: пиксельный проход по изображению даёт значения ближе к 28 000 на отметке 100 токенов и ближе к 17 000 при 230, по разные стороны от цифр из ветки; получаемый ими диапазон составляет около пяти с половиной раз в первой рабочей точке и около шести во второй, что сужает диапазон из ветки, не меняя его формы. Вот чего стоит бенчмарк, считанный с графика, и это не меняет направление результата. Стоит также отметить, что заголовочная цифра 5 800 в таблице — это её наименее интерактивная строка, точка, где кривая NVIDIA ближе всего к своему собственному пику и где соотношение снова возвращается примерно к пяти.

Я не смог найти эту таблицу на собственных страницах DeepSeek или Huawei; она попала в этот материал как изображение, прикреплённое к ветке в X, и три показателя Ascend следует рассматривать как неопубликованный вендорский бенчмарк, пока кто-нибудь не опубликует прогон, стоящий за ними. Что можно проверить — это асимметрия в конфигурациях, и она следует из собственной документации DeepSeek. В заметках о развёртывании DeepInfer рекомендуется prefill при экспертном параллелизме от 2 до 8 и decode при 64–128, на «обычных машинах с 8 GPU для prefill, обычных суперузлах с 64–128 GPU для decode». На NVIDIA это единый домен NVLink, внутри которого и был измерен график выше. На Ascend собственная коммуникационная библиотека DeepSeek прямо говорит, что не завершено: «Более крупные размеры EP и combine остаются в стадии оптимизации», причём combine несёт дополнительные накладные расходы на локальную редукцию и конкуренцию за HBM с путём URMA, а работа над прошивкой Huawei ещё предстоит — это предостережение публично присутствует в DeepEP-Ascend с первого релиза 29 сентября. Вот честный способ читать этот разрыв: число NVIDIA получено в конфигурации, под которую настраивали DeepInfer, а число Ascend — на стеке, автор которого сам говорит, что путь wide-EP всё ещё дорабатывается. Часть пяти-семикратного разрыва — это чип, часть — межсоединения и программное обеспечение под ними, и никто не разделил эти две составляющие.

Сколько этот разрыв стоит в деньгах, зависит от цен, которые никто не публиковал, но в ветке всё равно проводят расчёты: при примерно 139 000 долларов за ускоритель Blackwell, экстраполированных из цен на стойки на сером рынке, против предполагаемых 37 000 долларов за 950DT, NVIDIA должна обеспечить примерно в 3,8 раза большую пропускную способность на чип, чтобы хотя бы сравняться с Ascend по стоимости приобретения; в ветке точку пересечения оценивают примерно в 6 800 токенов в секунду на чип. Опубликованные значения для Ascend лежат ниже этой линии; прогноз из ветки о том, что подход wide-EP поднимет их до 8 000–10 000, лежит выше неё, и это прогноз, а не измерение. Все исходные данные зыбкие — цена на сером рынке, предполагаемая цена и цифры, снятые с кривой, — и ни один из них не учитывает сети, энергопотребление, охлаждение, обслуживание или ценность самой возможности вообще купить это оборудование.

Для тех, кому никогда не придётся монтировать узел в стойку, полезная часть — не табло. Полезно то, что самая дешёвая модель в линейке DeepSeek теперь задокументирована как недорогая в обслуживании на кремнии двух вендоров, причём собственный движок вендора опубликован, а цифры, стоящие за ним, можно скачать, — это именно тот род доказательств, на котором держится цена. Тарифная сетка от этого не меняется: DeepSeek V4.1 Flash доступна на OrcaRouter по собственной прайс-листовой цене провайдера — $0,15 за 1 млн входных токенов и $0,60 за 1 млн выходных по непиковым тарифам, — и передаётся без наценки, 0%, так что когда стоимость обслуживания у провайдера падает, экономия приходит в виде цены, которой не обязательно меняться, а не в виде маржи перепродажи. Стоимость обслуживания, о которой спорят на оборудовании двух вендоров, — это цена, под которой больше запаса для снижения, чем под той, которую вообще никто не измерял.

Разработка ядер: первая таблица лидеров, которая не принадлежит DeepSeek

Строки бенчмарка выше — это собственные результаты DeepSeek, полученные на их тестовом стенде, а внешние оценки, которые существуют сейчас, измеряют общее рассуждение и киберэксплуатацию, а не низкоуровневое программирование. Также существует первый сторонний взгляд на инженерию ядер этой модели, и он появился в форме, которую DeepSeek не заказывала: проводимый сообществом агентный бенчмарк, который просит модели писать настоящие ядра CUDA и оценивает результаты относительно руфлайна — теоретического потолка аппаратного обеспечения. Таблица лидеров — kernelbench.com, работающая на RTX PRO 6000, и она не зависит от обоих вендоров. Его методология аудита сообщается сообществом, а не проходит рецензирование, поэтому воспринимайте его проценты как ориентировочный сторонний сигнал, а не как сертифицированное измерение; это также первая таблица результатов в этой истории, где показатели DeepSeek стоят рядом с показателями прямого конкурента.

Главная строка — та, вокруг которой построена архитектура. Собственное разреженное внимание DeepSeek V4.1 Flash — стек CSA2, создающий кэш размером 890 байт на токен, — было написано самой моделью в виде CUDA-ядра и достигло 50,19% от плотно-эквивалентной roofline, заняв четвёртое место в таблице после Claude Fable 5.1 с 106,27%, Claude Opus 5 с 103,67% и Claude Fable 5 с 72,66%. Первое, что бросается в глаза: собственная архитектура разработчика — это то ядро, в котором он лучше всего; модель, обученная на дизайне с разреженным вниманием, пишет ядро разреженного внимания эффективнее, чем что-либо ещё в таблице ниже первой тройки. Второе — это сравнение, которое отметил инсайдер. Попытка GLM-5.3 Flash с тем же ядром достигает 4,45% roofline — на порядок ниже, чем V4.1 Flash в той же строке той же таблицы. Именно этот разрыв, а не какой-либо опубликованный DeepSeek бенчмарк, и есть то, что означает «огромное улучшение в разработке ядер».

Сравнение не ограничивается строкой разреженного внимания, и более полная картина важна, потому что заголовок твита называет GLM-5.3 Flash, тогда как цитируемая в нём статья фактически ссылается на другую, более крупную GLM-5.2 в её собственной строке fused-MoE — несоответствие в названиях, к которому стоит отнестись внимательно. В строках, где обе модели уровня flash действительно завершили прогон, V4.1 Flash выигрывает во всех: Kimi-Linear Decode — 17,10× против 13,64×, MegaQwen Decode — 5,39% от roofline против 3,92%, TopK Bitonic — 4,25% против 7,17% у GLM-5.3 Flash, Sonic MoE — 10,81% (лучший результат, показанный какой-либо моделью в таблице для этого ядра) против 10,21%, и KDA CUTLASS — 3,74% против 2,26%. Ещё на двух ядрах у GLM-5.3 Flash нет ни одного завершённого прогона — fused MoE и симуляционное ядро Grid + MinGRU, где V4.1 Flash показывает 28,56% от roofline. (Единственная строка, где GLM-5.3 Flash обходит V4.1 Flash, — это TopK Bitonic, 7,17% против 4,25%, и это также строка, где ни одна из моделей не приближается к лидеру таблицы.) Общая картина та же, что и в заголовке: в низкоуровневой работе на GPU V4.1 Flash не просто опережает меньшую модель Z.ai — он в другой лиге, а на двух самых сложных ядрах меньшая модель вообще не финиширует.

Таблица лидеров не делает одного — не говорит, какая часть этого разрыва обусловлена моделью, а какая — архитектурой, для которой её просят писать. DeepSeek V4.1 Flash — это модель с 552 млрд параметров, собственное внимание которой построено по схеме разреженного внимания; GLM-5.3 Flash — меньшая модель, при обучении которой никогда не задействовался тот же стек CSA2. Модель, которую просят написать ядро для архитектуры, похожей на её собственное обучающее распределение, имеет встроенное преимущество, именно поэтому наиболее честное прочтение таблицы — это указание направления, а не вердикт в прямом сравнении: инженерия ядер теперь является измеряемой способностью этой модели, она действительно сильна, и конкретное сравнение, проведённое источником, подтверждается на общих строках. Таблица также отвечает на вопрос, на который не могла ответить спецификация: реализуем ли 890-байтовый кэш на практике. Модель, которая пишет собственное ядро разреженного внимания, достигающее половины roofline, — это модель, чей основной дизайн по крайней мере реализуем на реальном оборудовании тем же классом инженеров, которым пришлось бы её обслуживать.

Если честно, это встаёт в один ряд со всем остальным в этом материале: ещё одно стороннее измерение, которое DeepSeek не проводил, на этот раз — способность писать ядра GPU, не покрытая ни одной строкой бенчмарка ни одного вендора. Это единственный общественный замер на одном поколении GPU, выполненный один раз, и его аудит не проходил рецензирование, так что это скорее указание на направление, чем сертифицированная оценка. Но это первое внешнее число, показывающее, для чего нужна новая архитектура: дешёвая модель уровня Flash, которую просят выполнить низкоуровневую системную работу, на которую сама DeepSeek тратит свои инженерные усилия, достигает примерно половины того, что позволяет аппаратное обеспечение, тогда как её прямой конкурент уровня Flash достигает менее одной двадцатой.

Быстрые исправления, медленные подтверждения: первые отчёты о практическом опыте

Пропускная способность — это та половина истории о скорости, которую счётчик токенов увидеть не может. Практические отчёты, накопившиеся с момента выпуска, измеряют другую половину — как модель ведёт себя на пути к ответу и во что это поведение обходится, — и они расходятся во мнениях, считать ли обнаруженное особенностью. Три независимых описания рассказывают об одной и той же картине. Ни одно из них не является контролируемой оценкой; приведённые ниже цифры — это отдельные практики, выполняющие собственные задачи, и их следует воспринимать как отчёты об использовании, а не как измерения.

Самое чёткое описание поведения даёт MindStudio, который поручил DeepSeek V4.1 Flash создать с нуля интерактивный 3D-просмотрщик. Его цепочка рассуждений, по словам рецензента, «показала, как он проверяет собственные вычисления, а не просто выдаёт код». Модель обнаружила ошибку демпфирования в орбитальном управлении прямо во время сборки, вывела исправление из первых принципов, а затем «перепроверила исправление в безголовом браузере, прежде чем объявить задачу выполненной». Во второй задаче — дашборде на основе Docker — она обнаружила один перевёрнутый оператор сравнения и подтвердила исправление, восемь раз опросив живой эндпоинт, пока обновлялись числа. Именно это описывали тестировщики беты, когда называли модель склонной к излишним размышлениям, и нет ничего плохого ни в одном отдельном шаге этого: ошибка была найдена, исправлена и проверена. Это и есть та самая претензия. С ошибкой уже разобрались, другая сессия DeepSeek уже подтвердила исправление меньше чем за минуту, а модель всё равно продолжала проверять. MindStudio расценивает эту привычку как достоинство и говорит об этом; единственным критическим замечанием MindStudio в том тесте была задача по физике, которая зациклилась, пока её не остановили вручную при первой попытке, а затем была правильно решена при повторной.

Прочтение с другой стороны — это о времени. Составленная сообществом подборка тестов V4.1 Flash описывает физическую задачу — стакан с водой, срезанный под косым углом, — в которой модель потратила двенадцать минут и примерно 130 000 токенов на пути к правильному ответу, проведя три раунда самопроверки, о которой её не просили, прежде чем сошлась. Тот же материал документирует режим отказа на крайнем пределе этой привычки: цепочка рассуждений иногда впадает в повторяющийся цикл «let me write», который прокручивает токены со скоростью примерно 200 в секунду без продвижения, а его совет относится к стороне клиента, а не модели: задайте потолок max_tokens и тайм-аут запроса, и пусть они обрежут этот цикл. Там также отмечено, что задачу того же класса удалось решить за восемнадцать секунд в запуске, где усилие рассуждения было снижено до low, и это напоминание о том, что большая часть этого — вопрос настройки, а не дефект.

Самое убедительное свидетельство того, что объём верификации — не то же самое, что корректность, даёт обзор Tencent Cloud Labs, в котором DeepSeek V4.1 Flash был исполнителем, а GPT-6 Astra — проверяющим при воспроизведении статьи. Было проведено три раунда, и Astra ни разу не опровергла основной алгоритм. Что проверяющий продолжал исправлять раунд за раундом, так это вспомогательный каркас, который V4.1 Flash построил для себя, — постановку экспериментов, статистическую конструкцию и интерпретацию, которую он выводил из собственных результатов. Число тестов выросло с 82 до 97, а затем до 110, и все они каждый раз проходили. На фоне базового решения с полным перебором конфигурация, выбранная моделью, совпадала с оптимумом в 8,89% случаев при собственных параметрах статьи, в 11,04% — при рандомизированной уверенности и в 10,30% — при рандомизированной конфигурации. Самое резкое наблюдение Astra касалось теста, который, как утверждалось, проверяет целочисленные границы: он выполнил 153 проверки расширений и ноль ветвей для целочисленных границ. Модель может пройти набор тестов, который написала сама, и всё равно не ответить на вопрос, и этот разбор — проработанный пример такого разрыва, а не утверждение, что он существует. Область применения узкая, и авторы это признают — один селектор спекулятивной длины, смоделированные значения уверенности, никакого сквозного прогона, — но форма совпадает с той, которую описывают другие отчёты.

Рядом с цифрами Artificial Analysis это перестаёт выглядеть как единичный случай. Первая независимая оценка модели охарактеризовала её одновременно как очень быструю и очень многословную: 185 выходных токенов в секунду и 250 млн выходных токенов, сгенерированных на её оценочном наборе, против медианы в 140 млн у сопоставимых моделей. Сводный показатель не может сказать, куда уходит дополнительный вывод. Практические отчёты — могут. Эти токены не балласт — это модель проводит проверку. Тот же объём всплывает с совершенно другой стороны в баг-репорте для стороннего терминального клиента: там содержимое рассуждений на маршруте deepseek-flash добавлялось к видимому ответу вместо того, чтобы отделяться в блок размышлений, порождая цельные текстовые блоки размером до 73 003 символов внутреннего монолога, при этом ничего не сохранялось для воспроизведения в последующих ходах. Этот баг относится к клиенту, а не к DeepSeek, и он не является свидетельством о качестве — но он хорошо иллюстрирует, сколько размышлений выдаёт эта модель, когда обвязка не отделяет их.

Ничто из этого не опровергает приведённую выше ценовую арифметику; это её объясняет. Модель, которая проверяет сама себя, стоит своих токенов в агентной работе, где неверное исправление обходится дороже, чем токены, потраченные на доказательство его правильности, и плохо подходит для длинного цикла тривиальных правок, где подтверждение составляет большую часть прогона. Две вещи делают эту разницу управляемой. Регулятор усилия рассуждения — это непрерывное целое число от 1 до 100, а не три фиксированных уровня, поэтому одну и ту же модель можно понижать для дешёвой работы и повышать для сложной — восемнадцатисекундный результат выше получился именно так. А дешёвая страховка должна находиться на стороне клиента: потолок max_tokens и тайм-аут запроса превращают повторяющийся цикл из счёта к оплате в усечённый ответ. И то, и другое — настройки, которые стоит зафиксировать до того, как производственный путь укажет на эту модель, и ни одну из них модель не сделает для себя сама.

Отказы: чекпоинт отказывает, и этот отказ поддаётся измерению.

20 октября внимание к DeepSeek-V4.1-Flash-1017 привлекла не строка в бенчмарке, а отказ. Трекер DeepSeek, который уже цитировался в этом материале, опубликовал скриншот из сеанса агента, работавшего с чекпойнтом 1017 при применённом dsh-purge, и сообщил, что модель всё равно отказалась: запуск, по словам автора публикации, «отказался от роли», причём модель рассудила, что запрос был «попыткой промпт-инъекции» и что ей «не следует принимать эту роль». Автор поста интерпретировал это так: чекпойнт «*не* полностью наивен в отношении джейлбрейков», а DeepSeek «начинает задумываться о безопасности». dsh-purge — это не промпт-трюк, вставленный в сообщение пользователя. Это публичный плагин DeepSeek Harness — 9 897 звёзд на GitHub и версия 1.1.71 по состоянию на 20 октября — созданный для удаления собственного переписывания промптов и внедряемых суффиксов харнесса, а в его англоязычном README проводится именно то разграничение, вокруг которого строится этот тест: харнесс «переписывает промпты, шлюзы одобрения, политику песочницы и миграцию сеансов во время выполнения», поэтому вопрос только «ответит ли модель» принимает блокировку на уровне хоста за отказ модели, а плагин существует, чтобы разделить эти два слоя в вашей собственной установке. В этом сеансе разделение оказалось на стороне модели. Счётчики на том же скриншоте — 156 шагов, 33,7 млн токенов, 232 токена в секунду — описывают полноценный запуск агента, а не одноразовый промпт, а в собственном резюме агента сказано, что плагин механически отработал нормально и «та конкретная модель от него отказалась».

Это скриншот одной сессии, сделанный одним человеком, и именно так к нему и следует относиться. Промпт не показан, вердикт — это собственное резюме агента, а не оценённый ответ, а аккаунт — наблюдатель за DeepSeek, а не лаборатория по оценке, поэтому ничего из поста нельзя воспроизвести по самому посту. Серьёзного отношения он заслуживает потому, что обе его половины можно проверить по источникам, независимым от человека, который его опубликовал: плагин, который является публичным и документирует собственный механизм, и поведение чекпойнта при отказах, которое теперь подсчитал кто-то другой.

Цифры — в документации производной сборки. Опубликованная 17 октября на Hugging Face abliterated-сборка сообщества для весов 1017 содержит измерение, ради которого эта сборка и понадобилась. На 100 отложенных вредоносных запросах при жадном декодировании по 384 токена на каждый нетронутый чекпойнт отказал 97 раз в режиме чата и 98 раз в режиме размышления; после проецирования подпространства отказов ранга 2 из 40 основных слоёв те же 100 промптов дали 4 и 9 отказов. Это сторонние цифры о весах DeepSeek, полученные без доступа к обучающему конвейеру DeepSeek, и при этом это один набор промптов, один оценщик и одна квантизация модели — преобразование в Q8_0, а не FP8, который поставляет DeepSeek, — поэтому честная интерпретация — «почти всегда», а не «97,0%». Судя по этим данным, описание автора публикации верно: чекпойнт отказывает надёжно в обоих своих режимах.

Чего рисунок не подтверждает, так это представления о том, что перед нами новая позиция. Сентябрьский чекпойнт уже существовал. Команда, стоящая за нецензурированной сентябрьской сборкой, измерила нетронутую модель на полном наборе HarmBench из 320 промптов и сообщила об успешности атак 42,8% при отключённом рассуждении и 1,6% при максимальном усилии — иными словами, модель, которую заменяет эта, отказывала примерно в 98% запросов этого класса, когда ей разрешали думать. Два измерения получены на разных наборах промптов, разными оценщиками и при разной квантизации, поэтому их нельзя вычитать одно из другого; совпадает у них форма. Отказ при высоком усилии уже был поведением сентябрьской модели, и чекпойнт 1017 находится в том же диапазоне. Более узкое утверждение — то, что фактически проверяет сессия 20 октября, и именно его стоит сохранить: отказ сохранился несмотря на плагин, созданный специально для снятия ограничений на стороне харнесса, и сохранился как суждение модели о промпте, а не как блокировка на уровне хоста.

Ничего из этого не документировано поставщиком. Сентябрьская карточка модели DeepSeek содержит раздел оценки, и в нём только бенчмарки — ни доли отказов, ни результатов red-team, ни оценки безопасности — а карточка 1017 вообще не содержит раздела оценки, поскольку эта папка была убрана вместе с техническим отчётом. Поэтому поведение этой модели при отказах описывают исключительно люди, строящие вокруг неё свои решения: авторы производных моделей, подсчитывающие промпты, и трекер, читающий транскрипт. Для любого, кто направляет агента на этот чекпоинт, это и есть тот самый практический пробел. Отказ внутри цикла агента — это не сноска к политике контента; это неудачный вызов инструмента посреди запуска, и он проявляется как любой другой сбой отдельного вызова — поэтому меры смягчения здесь те же, что и для тайм-аута. В OrcaRouter это решение о маршрутизации, а не изменение кода: чекпоинт 1017 и модели DeepSeek, на которые можно было бы переключиться, находятся за одним эндпоинтом, поэтому вызов, вернувшийся с отказом, можно повторить на второй модели, а не завершать запуск. Сам отказ принадлежит модели, и ничто на уровне маршрутизации этого не меняет.

Количество производных — последняя независимая деталь, и оно указывает в ту же сторону. Поиск на Hugging Face по названию чекпоинта 20 октября вернул 121 публичный репозиторий, и в названиях 25 из них присутствуют uncensored, abliterated или derisked — сборки, единственная цель которых — удалить поведение, с которым столкнулась сессия 20 октября; первая из них была опубликована в тот же день, когда выложили веса. Это не свидетельство того, хороша ли модель, и не рекомендация; это свидетельство того, что в весах есть работающий механизм отказа, который можно удалить, потому что люди, которые вычищают такое, не утруждаются, когда вычищать нечего. Это также задаёт ожидания для всех, кто разворачивает модель у себя: скачанный чекпоинт — это тот, который отказывает, а каждый uncensored-вариант в этом списке — другая модель, а не настройка.

Вопрос о V4 Pro и ступени выше Flash

Во время бета-тестирования форма обратной связи DeepSeek спрашивала у тестировщиков, «может ли промежуточная версия полностью заменить онлайн-версию DeepSeek V4 Pro». Это был поразительный вопрос, заданный пользователям, потому что он подразумевал, что будущее флагманской модели ещё не предопределено. Ответ, последовавший 9 и 10 сентября, был сугубо операционным: с 12:00 по пекинскому времени 14 сентября deepseek-v4-pro перестанет обслуживаться, а его трафик будет перенаправлен на V4.1 Flash по ценам Flash, при этом V4.1 Pro была названа возможной преемницей. Разработчики возразили, и возражение состояло не в том, что замена плоха, — а в том, что строковый идентификатор модели — это контракт, и подмена весов за производственным ID ломает конвейеры, настроенные под промпты, и агентные циклы, построенные под старые веса. Не прошло и двух дней, как DeepSeek отозвала план. В её собственном журнале изменений теперь сказано, что она «решила продолжать предоставлять API-услуги для DeepSeek V4 Pro после 14 сентября 2026 года, при этом порядок оплаты останется неизменным», и что в случае изменений она уведомит дополнительно. Об этом заявил сам вендор, а не журналисты, и это можно проверить на странице Models & Pricing, где deepseek-v4-pro по-прежнему указан рядом с deepseek-flash.

Чего таблица маршрутизации не объясняет — так это почему. 9 сентября teortaxesTex — один из аккаунтов-осведомителей, сообщивших о бете, — заявил, что DeepSeek признала: предобучение V4-Pro пошло не так; по его словам, компания с этим «облажалась». Это по-прежнему утверждение из единственного источника, сделанное аккаунтом, тяготеющим к инсайдерской информации, и публично DeepSeek ничего не признала: в журнале изменений вывод из эксплуатации представлен как следствие того, что новая модель лучше, а не того, что старая сломана. Что можно проверить со стороны — это то, как выглядел запуск V4 Pro в режиме общей доступности 13 августа. Объявление отозвали примерно в течение суток. Репозиторий Hugging Face ненадолго содержал конфигурацию уровня Flash под именем Pro, прежде чем веса исправили. А независимая оценка того, что подавалось под этим именем, оказалась лишь чуть выше, чем у гораздо меньшей DeepSeek V4 Flash, тогда как официальные графики показывали результаты почти флагманского уровня — в текущем индексе artificial-analysis они различаются всего на один пункт: 36 против 35. В независимых публикациях назывались разные причины — поведение рассуждений, переобученное под собственный оценочный стенд DeepSeek, путаница при развёртывании и с весами или, как утверждает утечка, предобучение, которое действительно пошло не так. Перенаправление не позволяет установить, какая из них верна, и с тех пор DeepSeek его отменила; остаётся то, что вендор оценивает свою новейшую модель в четверть ставки флагмана за промах кэша и ставит её выше этого флагмана в собственных бенчмарках — обычно компании так не поступают, когда всё идёт по плану.

Flash, Pro, Ultra: что DeepSeek сказал, а что — лишь догадка

Документация самого DeepSeek прямо указывает, что это лишь нижняя ступень чего-то большего. В журнале изменений DeepSeek V4.1 Flash назван «самой маленькой моделью в нашем новом семействе архитектур», а про архитектуру сказано, что она «спроектирована для более высокого потолка возможностей, более быстрого вывода, более высокой пропускной способности и масштабирования до более крупных моделей». Технический отчёт замыкает тот же круг ещё более сильными формулировками: модель «служит новой отправной точкой для наших дальнейших усилий по масштабированию», и компания заявляет, что «будет добиваться совместного масштабирования архитектуры модели, предобучения и постобучения, чтобы и дальше исследовать передний край интеллекта моделей». Оба предложения принадлежат самой компании, оба были опубликованы 10 сентября, и ни одно из них не является анонсом продукта. Они обязывают DeepSeek строить более крупные модели на этой архитектуре; в них не называется конкретная модель, не указываются её размеры и даты.

Всё после этой строки — домыслы. 25 сентября трекер @teortaxesTex — тот же аккаунт, чей пост от 9 сентября о предобучении V4 Pro уже приводится в этом материале — интерпретировал закономерность как полную трёхуровневую линейку: «DeepSeek довольно ясно даёт понять, что на этом не остановится… Похоже, они намерены сделать целую линейку: Flash-Pro-Ultra. Может быть, 522B-2T-8T?» Размеры названы догадкой человеком, который их предлагает, и эта оговорка действительно важна: ни в списке изменений DeepSeek, ни в карточке модели, ни в техническом отчёте, ни в организации Hugging Face, ни на странице с ценами, ни в списке моделей не упоминается уровень Ultra и ничего выше 552B. Предположенная лестница также представляет собой более шаткую арифметику, чем кажется. Её нижняя ступень, 522B, — это не выпущенная модель на 552B: либо эта цифра — опечатка вместо числа, которое DeepSeek уже опубликовала, либо она указывает на чекпоинт, которого никто не видел, и извне невозможно определить, что именно. Её верхняя ступень, 8T, в пять раз превышает флагманскую модель 1.6T, репозиторий которой DeepSeek открыл в апреле, — в год, когда самый последний релиз компании был спроектирован так, чтобы активировать 8B параметров на токен, поскольку стоимость инференса, а не количество параметров, была тем ограничением, которое компания стремилась преодолеть.

Тот же источник отдельно упомянул модель DeepSeek с 3 трлн параметров как нечто, над чем лаборатория работала, но не была уверена, что сможет предоставлять её на экономически выгодных условиях, — это другое утверждение о другом предмете, столь же неподтверждённое. Их не нужно согласовывать друг с другом, поскольку ни у одного нет второго источника. Проверить можно направление: лаборатория, которая называет свою новейшую модель самой маленькой в семействе, а её архитектуру — такой, что она масштабируется до более крупных моделей, планирует выпускать модели выше этой ступени. Какие названия будут у ступеней и насколько большими они будут, не сказано ни в одном документе, который читатель может открыть сегодня.

Для всех, кто выбирает модель, а не следует дорожной карте, в этом вся суть. Если семейство действительно расширится вверх, перед большинством команд всё равно будет стоять решение: переходить ли на уже существующую ступень — и самый дешёвый способ сохранить эту возможность — не ждать. DeepSeek V4.1 Flash доступна на OrcaRouter по собственным тарифам DeepSeek с наценкой 0%, поэтому если преемник уровня Pro появится по другой цене, изменение отразится в тарифной сетке, а не в контракте. DeepSeek V4 Pro стоит на том же ключе за ней, благодаря чему появление третьего уровня позже станет решением о маршрутизации, а не миграцией.

Веса по лицензии MIT меняют то, что с ними можно делать.

DeepSeek V4.1 Flash выпускается под лицензией MIT, а веса были выложены в организации deepseek-ai на Hugging Face 10 сентября — в тот же день, что и API, а не спустя недели. Репозиторий — deepseek-ai/DeepSeek-V4.1-Flash: 48 шардов safetensors общим объёмом около 510 ГБ, технический отчёт в формате PDF рядом с ними и папка inference, содержащая эталонную реализацию и скрипт преобразования, который разбивает контрольную точку по рангам тензорного параллелизма. Этот репозиторий — сентябрьская контрольная точка; актуальная с 17 октября — deepseek-ai/DeepSeek-V4.1-Flash-1017, которая несёт ту же лицензию MIT, те же 48 шардов и те же примерно 510 ГБ, но заменяет каждый шард и удаляет отчёт, шаблон чата и папку evaluation.

Стоит уточнить, что представляет собой эта загрузка, потому что это не полноточный релиз. Safetensors содержат примерно 204 млрд параметров в FP8 и 557 млрд в INT8 против примерно 2 млрд в BF16, а конфиг объявляет квантование fp8 — чекпоинт, который вы скачиваете, уже сжат, и именно так модель с 763 млрд параметров умещается примерно в 510 ГБ. Самый крупный единый блок внутри него — это таблица Engram: две таблицы FP8, занимающие около 189 ГиБ от загрузки, из которых каждый шаг декодирования читает лишь несколько строк.

Для модели с основой на 552 млрд параметров именно лицензия — та часть, которая меняет решения. MIT разрешительна: без порога по выручке и без оговорки о допустимом использовании, заслуживающей юридической проверки, а профиль активаций — 8 млрд на токен на этапе предзаполнения, 16 млрд на этапе декодирования, с кэшем объёмом 890 байт на токен — именно он делает её обслуживание реалистичным вне гиперскейлера, хотя число параметров выглядит большим. Впрочем, эта последняя цифра — свойство полного стека кэша, а не весов, поэтому самостоятельно развёрнутый движок, который реализует квантованный формат, но не остальную часть архитектуры, окажется значительно выше неё.

Разрешительная лицензия — это не экспортное разрешение, и в течение шести октябрьских дней казалось, что эта разница может иметь значение. 16 октября Министерство коммерции и Министерство науки и технологий Китая опубликовали Уведомление № 48 от 2026 года — проект пересмотра каталога технологий, запрещённых или ограниченных к экспорту, который впервые включает веса моделей ИИ и исходный код. В нём предлагается 40 дополнений в сферах ИИ, биотехнологий и солнечной энергетики, 23 из которых связаны с ИИ, а публичное обсуждение продлится до 15 ноября. Два исключения в проекте играют главную роль для такой модели, как эта: технология, уже находящаяся в общественном достоянии благодаря выпуску с открытым исходным кодом или академической публикации, не подлежит контролю, а доступ для зарубежных пользователей через API, приложения, SaaS и облегчённый доступ на устройстве не рассматривается как экспорт технологии модели. Пороговые значения, о которых сообщается в отраслевой прессе, сочетают нижний порог в два триллиона параметров, место в мировом топ-10 по бенчмаркам производительности и безопасности и обучение на ключевых или важных национальных данных. Модель с 552 млрд параметров проходит первый порог; подпадает ли она под два других, читатель не может определить извне, поскольку в проекте не опубликованы определения, — и поэтому для весов, уже размещённых на Hugging Face, решающее значение имеет исключение для общественного достояния, а не проверка размера.

22 октября изменилась не сама формулировка, а запись о соблюдении требований. YuyuantanTan сообщил, что DeepSeek и MiniMax завершили процедуры регистрации, а также закончили открытие исходного кода и зарубежное лицензирование. В сообщении не говорится, какие выпуски засчитываются как открытие исходного кода, не названы ни модель, ни чекпойнт, ни дата, и в нём не объявлено о новых весах; видимыми в этом окне релизами с открытым исходным кодом являются движок DeepInfer и набор инструментов deepseek-recipe, рассмотренные выше. Версия утверждения на уровне сборки уже и появилась позже: 23 октября аккаунт в X, давно отслеживающий DeepSeek, опубликовал, что DeepSeek и MiniMax соответственно «получили разрешения на открытие исходного кода V4.1F-1017 и M3.1-Flash». Эта атрибуция принадлежит автору поста, ни одна из компаний не опубликовала заявление, подтверждающее её, и ни один регулятор не опубликовал уведомление с указанием регистрации какой-либо из компаний. Чекпойнт, который упоминается в посте, был доступен на Hugging Face под лицензией MIT с 17 октября — на шесть дней раньше. Какое бы разрешение ни было предоставлено, оно не служило условием для загрузки: репозиторий появился первым.

Для читателя практическая суть уже, чем окружающие её заголовки, и она разворачивается в двух направлениях. Ничто в контрольной точке от 17 октября, лицензии MIT или репозитории не изменилось 22 октября; загрузка, шарды и описанные выше различия хешей остались в точности такими, как были. Изменился ответ на вопрос, может ли китайская лаборатория продолжать публиковать подобные веса, пока каталог всё ещё находится на стадии консультаций: сообщение государственных СМИ говорит «да» для DeepSeek и MiniMax — согласно проекту, который исключает уже публичную технологию и выводит доступ к API за рамки определения экспорта. Ограничение кроется в грамматическом времени. Исключение сделано для технологии, уже находящейся в открытом доступе; это описание подходит для сентябрьской и октябрьской контрольных точек и не будет автоматически описывать релиз, выпущенный после окончательного утверждения каталога, — а временная обязанность по регистрации, которая, как сообщается, вступила в силу 16 октября, была освещена в сообщениях, но не опубликована полностью. Любой, кто планирует скачать следующий релиз DeepSeek, планирует исходя из правила, которого пока не существует. Любой, кто сегодня обращается к V4.1 Flash или запускает веса 1017, полагается на исключение, которое предусмотрено проектом и которому не противоречит ни одно из изложений временной меры.

Поддержка сервинга появилась в тот же день и задаёт практический минимум. vLLM опубликовал day-0-рецепт, проверенный на оборудовании NVIDIA и AMD, а SGLang в том же окне выпустил day-0-поддержку инференса и RL через свой стек обучения Miles. Оба поставлялись как preview-образы, а не стабильные пакеты — контейнер vLLM имел тег от 9 сентября, на день раньше собственного GA модели. Эта часть истории сдвинулась 22 сентября, когда vLLM выпустил v0.30.0: первую стабильную версию vLLM с поддержкой этой архитектуры, где DeepSeek V4.1 Flash указан в поддержке новых моделей, собственный vLLM-рецепт модели теперь требует версии 0.30.0 или новее, а тег образа для дня запуска выведен из обращения. Примечания к выпуску — это собственный отчёт проекта о своей работе, а не измеренный результат, и читать их следует именно так. Версии приписывают хранение всего KV-кэша модели в MXFP8 за счёт рекорда FlashMLA V4.1 на SM100, а также асинхронную предвыборку для выгруженных в CPU обращений к Engram и data-parallel-шардирование Engram — два изменения, наиболее важных для модели, у которой таблица Engram — самый крупный единый блок в загрузке. Ни одно из этих двух изменений не подкреплено числом извне проекта, и в примечаниях к выпуску чисел нет — но 7 октября, через три недели после выпуска, проект опубликовал сравнение до и после для модели в целом: в 1,9 раза быстрее при низкой конкурентности и в 5,3 раза выше пропускная способность при ограничении 150 TPS по сравнению с собственной day-0-сборкой, с указанием merged pull request, стоящего за каждой оптимизацией. Цифры и их ограничения приведены в разделе о скорости выше. Чего не существует, так это внешнего воспроизведения — каждое число в том посте является измерением, выполненным самим проектом. Что выпуск действительно решает, так это упаковку: 762 коммита от 315 участников, 104 из которых — впервые участвующие, в тегированной версии, а не в preview-образе. Собственная арифметика vLLM-рецепта по-прежнему определяет минимум примерно в 614 ГБ VRAM для 510-ГБ чекпоинта плюс запас — восьми-GPU узел H200 или шасси GB200 NVL4 — и предупреждает, что контекст в 1M токенов на практике следует ограничивать, а не принимать как должное. Более узкий KV-кэш меняет объём памяти, необходимый работающему движку, а не размер чекпоинта, поэтому минимальное требование к узлу остаётся. В материале SGLang добавляется рычаг, специфичный для этой архитектуры: перенос таблицы Engram в память хоста одним флагом окружения увеличил ёмкость KV-кэша примерно на 36% в тесте на четырёх GB300 при сопоставимой пропускной способности декодирования и сопоставимом времени до первого токена, а ограниченный реплей SWA на стороне декодера поднял пропускную способность prefill в 1,56 раза на восьми H200. С этим связаны два ограничения. Референсная реализация в репозитории описывает себя как читаемый пример, а не production-движок сервинга, а потребительские среды выполнения отставали: путь квантования, который позволил бы запустить это на ноутбуке или Mac Studio, на момент запуска не был открыт. Коротко говоря, веса действительно открыты, и стек сервинга действительно существует — на оборудовании, которое считается узлами, а не GPU, и это честная причина, по которой разрешительная лицензия не означает автоматически локальную сборку. Репозиторий 1017 ничего не меняет в этом минимуме — чекпоинт тот же: 510 ГБ в тех же 48 шардах, а заметки о среде выполнения, которые его сопровождают, — это те, что были опубликованы для сентябрьских весов.

Что открытые веса сами по себе не дают, так это сигнал качества — но этот пробел теперь частично закрыт, и 18 октября он закрылся ещё сильнее. Сейчас существуют четыре независимых инструмента, один из них запущен дважды: Intelligence Index от Artificial Analysis, который оценивает сентябрьский чекпоинт в 39, а чекпоинт 1017 — в 45; исследование Exploit Bench, приведённое выше, — кибербенчмарк, запущенный под семью агентными харнессами; сообщественный стенд ядер в разделе ниже; и, начиная с 14 октября, собственные результаты AA-AgentPerf от Artificial Analysis для этой модели, которые измеряют оборудование, на котором она обслуживается, а не то, насколько она хороша. Сравнение «до и после» от проекта vLLM от 7 октября, приведённое выше, измеряет ещё другую вещь — сколько стоит обслуживание модели, а не то, насколько она хороша, — и представляет собой собственный отчёт среды выполнения о себе. Ни один из них не является оценкой рассуждений в том роде, который строит ARC Prize, три из четырёх по-прежнему описывают сентябрьский чекпоинт, а для большинства конкретных строк в этой статье единственным источником остаётся карточка модели — но сводный показатель больше не принадлежит к этому списку: 45 и 33,8 под ним были получены на весах, которые DeepSeek предоставляет сегодня. Это не обвинение; это состояние доказательной базы, и поэтому эта статья разделяет два вида чисел. Открытые веса действительно означают, что модель не останется привязанной к эндпоинту DeepSeek, что важно для всех, у кого блокером была резидентность данных, а не цена.

Как внедрить это, не ставя под угрозу продакшен

С момента релиза на нашей стороне изменилась одна вещь, и благодаря этому данный раздел проще, чем был бы на прошлой неделе: теперь DeepSeek V4.1 Flash доступен на OrcaRouter. Он отвечает на идентификатор модели deepseek/deepseek-v4.1-flash через тот же OpenAI-совместимый эндпоинт, что и остальные модели линейки, по собственному тарифу DeepSeek — $0,15 за 1 млн входных токенов, $0,60 за 1 млн выходных и $0,003 за 1 млн чтений из кэша в непиковые часы, с удвоением в пиковые окна будних дней — и всё это передаётся с наценкой 0%. Последнее стоит пояснить отдельно: сумма, которую с вас списывают, — это сумма провайдера, а не цена перепродажи, поэтому снижение цены поставщиком действует здесь в тот же день, а не тогда, когда будет пересмотрен договор. DeepSeek V4 Flash и DeepSeek V4 Pro работают на том же ключе, поэтому описанная ниже миграция — это изменение маршрутизации, а не смена платформы. Контрольная точка от 17 октября ничего из этого не меняет: DeepSeek сохранил и имя API-модели, и тарифную сетку, так что обновление не меняет на нашей стороне ни идентификатор, ни цену — именно так выглядит сквозная передача, когда поставщик обновляет модель, не затрагивая ни то, ни другое.

Это также аргумент в пользу того, чтобы не торопиться с миграцией. Изменение маршрутизации 14 сентября стало бы примером того, как поставщик меняет смысл идентификатора модели у вас под ногами, если бы DeepSeek не отменила его под давлением; и этот эпизод — самое наглядное недавнее напоминание о том, что строка модели — это контракт, который провайдер может переписать. Это же и правильная рамка для разговора о линейке выше: трёхуровневое семейство — это план, а этот план уже один раз менялся. Для модели, у которой пока что есть лишь внешние оценки — составной индекс, шумная таблица по кибербезопасности и доска ядер сообщества — и вообще нет послужного списка в продакшене, более безопасная схема — та, для которой и создан роутер: направить часть трафика, похожего на продакшен-трафик, на новую модель, держать за ней проверенную модель как автоматический резерв для переключения при сбое, чтобы регрессия качества стоила повторной попытки, а не инцидента, и позволить DSL маршрутизации решать, какие вызовы стоят того, чтобы отдать их непроверенной модели, а какие должны оставаться на рабочей лошадке. Миграция на V4.1 Flash, вероятно, — правильная цель. Но это не та миграция, которую стоит запускать сразу после анонса.

Открытые вопросы

• Независимые бенчмарки — их число выросло с нуля до четырёх инструментов, и ни один из них не измеряет рассуждения модели так, как это задумано в ARC Prize. Оценка Artificial Analysis 39 — это композит из десяти оценок при максимальном уровне усилий на рассуждение, а её 45, опубликованная 18 октября, — тот же композит, применённый к более новым весам. Исследование Exploit Bench выше — это оценка киберэксплуатации в рамках фиксированного бюджета токенов, и оно ставит DeepSeek V4.1 Flash ниже GLM-5.3-Flash. Пользовательская таблица лидеров по ядрам на kernelbench.com — это таблица по kernel-инженерии. Результаты AA-AgentPerf от Artificial Analysis, опубликованные 14 октября, — это таблица оборудования: сколько токенов в секунду на мегаватт каждая ускорительная система обеспечивает для этой модели, и ничего о качестве. Никто не воспроизвёл отдельные строки бенчмарков DeepSeek, и не опубликовано ни одного независимого измерения при настройках усилий, используемых в продакшене, или на дальнем краю окна в 1M токенов. Чекпойнт от 17 октября больше не является неизмеренным: 18 октября Artificial Analysis добавила строку 1017 с результатом 45 в своём индексе и 33,8 в Terminal-Bench 4.0, и показатель бенчмарка на восемь с половиной пунктов ниже заявленного в таблице поставщика для тех же весов. Теперь не хватает второго мнения об этой цифре — один оценщик, один стенд, один прогон — и хоть какой-нибудь независимой оценки для четырёх измерений, предшествовавших замене. Единственная оценка, созданная для ответа на вопрос о рассуждениях, всё ещё в разработке — у ARC Prize есть профиль DeepSeek V4.1 Flash в её стенде для бенчмаркинга в открытом pull request, без прикреплённого результата — и ARC-AGI вообще никогда не оценивала этот чекпойнт: 61,4% на ARC-AGI-2, которые возродило появление адаптера, принадлежат DeepSeek V4 Flash 0731, модели, которую V4.1 Flash выводит из эксплуатации. Самая новая цифра, привязанная к этой модели, 77,0 на DeepSWE v1.1, — строка с самым слабым источником в статье: это собственная диаграмма DeepSeek, считанная с изображения, приложенного к анонсу поставщика, и внешнего прогона DeepSWE v1.1 на чекпойнте 1017 не существует — результат Artificial Analysis от 18 октября относится к тем же весам, но к другому бенчмарку. Две независимые таблицы лидеров, публикующие результаты этого бенчмарка, ставят эту модель на 71,7% и 74,2%, чего достаточно, чтобы поставить её рядом с Opus 5, и недостаточно, чтобы подтвердить цифру поставщика — и ни одна из них не указывает, какой чекпойнт она измеряла.

• Самостоятельный хостинг ниже порога узла — поддержка vLLM с первого дня стала стабильным релизом 22 сентября с версией v0.30.0, которая добавляет путь KV-кэша в формате MXFP8 и асинхронный оффлоад Engram; поддержка SGLang с первого дня по-прежнему поставляется как preview-образ. Ни то, ни другое не сдвигает аппаратный порог, который находится на уровне узла с восемью GPU, поскольку именно 510-ГБ чекпоинт его задаёт — и собственные заметки DeepSeek о развёртывании, опубликованные вместе с DeepInfer, ещё больше заостряют вопрос: один узел prefill рядом с одним узлом decode развернуть можно, но рекомендуемая конфигурация decode — экспертный параллелизм от 64, из-за чего минимальная эффективная единица — это 64 GPU для prefill рядом с 64 GPU для decode. Публикация проекта vLLM от 7 октября — самый полный измеренный реестр оптимизаций, опубликованный по этой модели — в 1,9 раза при низкой конкурентности и в 5,3 раза при ограничении в 150 TPS по сравнению с собственной сборкой первого дня, наряду с приведёнными выше цифрами SGLang — а дополнение от 17 октября добавляет кривую «токенов на доллар», которая действительно охватывает конфигурации H100, MI300X и B200 наряду с решениями стоечного масштаба. Оба материала — это собственная оценка проекта своего рантайма. Ни то, ни другое не сдвигает порог: более дешёвый токен на GB300 или H100 всё равно не позволяет уместить 510-ГБ чекпоинт на настольной машине, так что это более быстрый путь к тому же порогу, а не более низкий порог. Смогут ли более поздние релизы и квантования от сообщества перенести это на меньшие машины — открытый вопрос для всех, кому нужны веса, а не эндпоинт, и именно он решает, является ли разрешительная лицензия практически применимой.

• Что такое V4.1 Pro — DeepSeek называет его преемником V4 Pro, но не опубликовала ни даты, ни спецификаций, ни цены, а анонсированное перенаправление существующего трафика Pro на модель уровня Flash было отменено до вступления в силу. То, что находится выше Flash, компания описывает лишь как масштабирование архитектуры до более крупных моделей; линейка Flash, Pro и Ultra и её размеры 522B, 2T и 8T — это предположение одного наблюдателя, а не DeepSeek.

• Стоимость выполнения одной задачи — Artificial Analysis теперь приводит показатель на задачу для обоих чекпойнтов: $0.49 за задачу Intelligence Index для сентябрьских весов, пересчитанные по сравнению с $0.27, которые впервые приводились в этом материале, и $0.26 для 1017. Это первое внешнее свидетельство в пользу какой-либо части утверждения DeepSeek о Парето, и оно уже, чем само утверждение. Те же строки показывают, что чекпойнт 1017 генерирует 210 млн выходных токенов по всему индексу против 250 млн у сентябрьского — в совокупности выходные данные короче, — но 89 495 выходных токенов на задачу против 88 574, что вовсе не короче, и 288,8 секунды на задачу против 289,9, что не быстрее. Собственная разбивка затрат сайта относит всю экономию на входную сторону: строка выходных данных не меняется — $0.106 на задачу против $0.107, — тогда как входные данные падают с $0.379 до $0.155, а записи в кэш — с $0.322 до $0.095. Обойдётся ли задача дешевле, зависит от того, сколько токенов ей требуется, а это свойство рабочей нагрузки, а не тарифной сетки. Собственное описание обновления от DeepSeek указывает в противоположном направлении: в журнале изменений утверждается, что новый чекпойнт сокращает время выполнения задач и длину выходных данных, а публикация от 17 октября повторяет это как «более быстрое выполнение задач и более короткие выходные данные». Ни там, ни там не приводится число, и внешнее измерение, лежащее в основе этого пункта, теперь проверило их: по двум названным DeepSeek величинам веса 1017 сдвинулись примерно на один процент, причём в противоположных направлениях, от исходной точки пятинедельной давности. Третья цифра находится на другой стороне того же баланса: на графике проекта vLLM от 17 октября модель оценивается в 1,3 млрд токенов на доллар совокупной стоимости владения на SemiAnalysis AgentX, при уровне затрат, который предполагает объёмы крупного гиперскейлера. Более дешёвое обслуживание также не решает вопрос этого пункта — более низкая стоимость за токен оставляет показатель токенов на задачу, то есть то, за что фактически платит вызывающая сторона, ровно там, где его обнаружило сентябрьское измерение.

• Неуправляемая верификация — практикующие тестировщики сообщают о периодических повторных циклах в цепочке рассуждений и о двенадцатиминутных размышлениях с шестизначным числом токенов над задачами, которые решаются за секунды при более низкой настройке усилий. Ни один независимый бенчмарк не измеряет, как часто происходит то или другое или во что это обходится в продакшене, а сообщаемая на данный момент мера смягчения — это клиентские ограничения на токены, а не что-либо, что модель делает сама для себя. Исследование Exploit Bench выше документирует тот же режим отказа с другой стороны: повторяющийся цикл отчётов, который оно показывает в транскриптах ReAct, порождается промптом сжатия харнесса, а не собственным рассуждением модели, — это напоминание о том, что цикл в транскрипте не обязательно является дефектом модели.

• Разработка ядер — сообщественная доска CUDA-ядер от kernelbench.com (RTX PRO 6000, roofline-масштабированная) показывает DeepSeek V4.1 Flash на уровне 50,19% от dense-эквивалентного roofline на собственном ядре sparse-attention, четвёртое место в общем зачёте, против 4,45% у GLM-5.3 Flash в той же строке. Доска управляется сообществом и не проходит рецензирование; не опубликовано ни второго поколения GPU, ни воспроизведения.

• Длинный контекст на дальнем конце — разреженное внимание обучалось на 64K и было расширено до 1M на отметке в 34T токенов. Насколько качество держится вблизи конца полного окна в 1M — именно это позволила бы установить независимая оценка длинного контекста.

• Реконструкция кэша на границах — SWA Bounded Replay восстанавливает отброшенное состояние скользящего окна приблизительно, а не точно, и DeepSeek говорит, что результат может различаться в зависимости от того, где попадание в кэш приходится в рамках сессии. В отчёте отмечается, что заметного влияния на качество не наблюдалось; экстремальные или непроверенные условия — это именно то, где подобное приближение и дало бы о себе знать, а никто за пределами DeepSeek это не изучал.

• Действительно ли рабочие нагрузки уровня Pro перейдут — принудительное перенаправление было отменено, так что ничего не сдвинется, пока команда сама не решит перейти, а команды, которые платили по тарифам Pro за глубину рассуждений, с наибольшей вероятностью заметят разницу в возможностях на задачах в духе Terminal-Bench 3.0, где V4.1 Flash со значительным отрывом уступает Opus-5.0.

• Условия и поведение бесплатного тарифа — 15 октября OpenCode добавил бесплатную позицию для этой модели с окном в 200 000 токенов и потолком вывода в 32 000 токенов, описав её на своих страницах как доступную в течение ограниченного времени. Переживёт ли эта договорённость данную формулировку, выдержит ли эндпоинт нагрузку и имеет ли DeepSeek в этом хоть какой-то голос — обо всём этом не сказано: единственный источник — собственный список моделей платформы, её документация и таблица цен; нет даты окончания, которую можно было бы кому-то предъявить, и никто не опубликовал замеров бесплатного маршрута.

• Безопасность и отказы — DeepSeek не публикует ни долю отказов, ни результаты red team, ни оценку безопасности ни для одного из чекпойнтов, и ни одна независимая лаборатория не оценивала эту модель по бенчмарку джейлбрейков. Цифры в этом материале взяты у людей, создающих нецензурированные производные: 97 из 100 вредоносных промптов были отклонены в режиме чата и 98 в режиме размышления — на одном наборе промптов и с одним оценщиком — а также из единственного скриншота агентской сессии, в котором модель отказалась принять джейлбрейкнутую персону. Сохраняется ли такое поведение при низких усилиях рассуждения, на языках кроме английского, против автоматизированных атак, а не промпта с персоной, и в обвязке, переписывающей системный промпт, не измерял никто.

• Документальное оформление следующего чекпоинта: отчёт от 22 октября закрывает вопрос регистрации для весов, которые уже являются публичными, поскольку проект каталога исключает технологии, уже находящиеся в общественном достоянии. Но он не решает вопрос о релизе, следующем за этим. Каталог — это проект, открытый для комментариев до 15 ноября; его пороговые значения сообщаются, а не публикуются в тексте; а временная регистрационная обязанность, которая, как утверждается, вступила в силу 16 октября, не опубликована в полном объёме. Сам V4.1F-1017 уже выпущен, распространяется по лицензии MIT и не имеет ограничений доступа; правило, которое будущему чекпоинту DeepSeek придётся соблюсти, прежде чем его можно будет скачать, пока не существует.

Бета была вопросом на два дня: сможет ли модель уровня Flash нести обязанности Pro. Релиз — это ответ DeepSeek тарифной сеткой и планом маршрутизации, а затем отзыв плана маршрутизации в течение двух дней, когда разработчики возразили против того, что продакшн-модель меняют у них под ногами. Это более слабое утверждение, чем подразумевал анонс, и более честное: доказательства качества для этого шага — собственные бенчмарки DeepSeek плюс внешние измерения, которые в основном указывают в ту же сторону. Самое новое из них — кибербенчмарк, прогнанный в семи агентных обвязках, — указывает в другую сторону в единственном сравнении, которое он делает, и компания оставила выбор клиентам, а не сделала его за них. С момента релиза веса прошли путь от обещания до загрузки на 510 ГБ, модель — от вендорского эндпоинта до чего-то, на что можно маршрутизировать трафик, а стек инференса — от рецепта первого дня до измеренного: vLLM сообщил, что через три недели он в 1,9 раза быстрее при низкой конкурентности, а затем, в день смены чекпоинта, опубликовал кривую затрат, которая оценивает модель в 1,3 млрд токенов на доллар совокупной стоимости владения на SemiAnalysis AgentX. На этой неделе открылся и слой под всем этим: DeepSeek опубликовала DeepInfer — движок, на котором работает её собственный сервис, — с кривой декодирования для этого чекпоинта, продакшн-показателями за этой кривой и неопубликованным сентябрьским бенчмарком, который ставит Huawei 950DT в пять–семь раз позади NVIDIA на чип при той скорости, с которой DeepSeek фактически обслуживает запросы. Спустя пять недель сам чекпоинт сменился один раз: 17 октября принёс новые веса под тем же именем и по той же цене, с вендорской таблицей, которая лучше в каждой публикуемой строке, и другой обвязкой под одной из них. Два дня спустя пришло внешнее измерение, и это самое полезное число в этом материале: Artificial Analysis оценила веса 1017 в 45 баллов по своему индексу — на уровне GLM-5.3 для второго места среди моделей с открытыми весами, на балл позади MiMo-V2.6-Pro — и в 33,8 по Terminal-Bench 4.0 против 42,3 у вендора на том же бенчмарке; то есть обвязка, которая льстит модели в собственной таблице DeepSeek, — не та обвязка, в которой это число выживает. Если выбирать сегодня, честная позиция такова: V4.1 Flash выглядит лучшим соотношением цены и качества в линейке DeepSeek, имеет на своём счету четыре независимых инструмента — ни один из них не является оценкой рассуждений, один теперь прогнан против чекпоинта, который DeepSeek обслуживает с 17 октября, — пятую оценку в процессе создания, отсутствие послужного списка в продакшене, стек инференса, два сильнейших числа которого — прирост скорости и кривая затрат — оба происходят от проекта, написавшего рантайм, и внешний киберрезультат, который уже противоречит сам себе в зависимости от того, в какую обвязку вы заворачиваете модель, бесплатный тариф на 200 000 токенов, появившийся на одной платформе 15 октября, и первый раунд отчётов практического тестирования, описывающих модель, которая проверяет собственную работу дальше, чем большинство вызывающих сторон попросит, — это причина направить на неё часть трафика, а не причина мигрировать на основании анонса. Обновление, анонсированное DeepSeek 17 октября, меняет веса и добавляет вендорское утверждение — более быстрое выполнение задач, более короткие ответы, — и первое внешнее измерение этих весов поддерживает в лучшем случае половину этого: стоимость одной задачи в индексе сократилась на 46%, тогда как время на задачу и выходные токены на задачу почти не изменились. Днём позже самым широко прочитанным утверждением об этом чекпоинте стало высказывание руководителя: 77 баллов по DeepSWE v1.1 при в 83 раза меньшей стоимости — от сотрудника Databricks, который также говорит, что чекпоинт появится на этой платформе. Половина этого выдерживает контакт с независимыми таблицами, которые теперь ставят имя этой модели выше Opus 5 на указанном бенчмарке. Другая половина пока нет: 77 — это собственная строка DeepSeek, невоспроизведённая, а 83× — арифметика без опубликованной стоимости на задачу за ней. Документация самого Databricks подтверждает, что модель есть на их платформе и что две модели DeepSeek ниже неё запланированы к уходу; она не подтверждает, что чекпоинт прибывает. Это утверждение теперь второе по интересности о чекпоинте, а не первое. 19 октября аккаунт-трекер, который заранее назвал несколько таких релизов, объявил себя «абсолютно уверенным» в 42,3 по Terminal-Bench 4.0 на том основании, что это превосходит GLM-5.3, и попросил Artificial Analysis прогнать модель в нативной обвязке. Сайт уже это сделал. В его собственной обвязке те же веса набирают 33,8 — ниже 41,9 у GLM-5.3, а не выше. Вендорская строка реальна и принадлежит DeepSeek; вывод, сделанный из неё, не выдерживает того, чтобы его прогнал кто-то другой.

Если вам нужна та версия, которая оставляет ваши варианты открытыми, все три доступны по одному ключу и по собственным тарифам DeepSeek с наценкой 0%. Сам релиз: DeepSeek V4.1 Flash на OrcaRouter — контекст 1M токенов, потолок вывода 384K, ввод изображений, по цене $0.15 за 1M входных токенов и $0.60 за 1M выходных токенов в непиковые часы. Модель, которую он заменяет: DeepSeek V4 Flash на OrcaRouter. А флагман, который DeepSeek решила продолжать обслуживать: DeepSeek V4 Pro на OrcaRouter. Направьте часть трафика на новую модель, оставьте проверенную модель за ней в качестве резервной, и пусть маршрутизация решает.

Выбор модели — это также вопрос о том, что уже пошло не так: задокументированные инциденты с ИИ и сбои агентов для моделей этого класса собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, степень серьёзности, оценку уверенности и флаг оспаривания.