DeepSeek-V4.1-Flash-1017: การเดาจาก 45 เป็น 46 บันทึกการเปลี่ยนแปลงสามประโยค และแถวเดียวที่ทั้งสองกระดานคะแนนมีร่วมกัน

D​eepSeek-V4.1-Flash-1017 มีอยู่จริงและเพิ่งเปิดตัวได้หนึ่งวัน คุณสามารถอ่านบันทึกการเปลี่ยนแปลง (changelog) ลงวันที่ 2026-10-17 ดาวน์โหลดน้ำหนักโมเดล 763 พันล้านพารามิเตอร์ภายใต้สัญญาอนุญาต MIT จาก Hugging Face และเรียกใช้งานได้ทันทีด้วยสตริงโมเดล deepseek-flash ที่ไม่เปลี่ยนแปลง ในอัตราค่าบริการเดิม สิ่งที่คุณทำไม่ได้คือค้นหาว่ามันอยู่ในอันดับใด โพสต์ที่มีเนื้อหาสาระที่สุดเกี่ยวกับ DeepSeek V4.1 Flash ในวันถัดจากที่การอัปเดตเปิดตัว ไม่ใช่ผลลัพธ์ แต่เป็นการคาดเดา ผู้ติดตามห้องแล็บ closely รายหนึ่งคาดการณ์ว่าคะแนน Artificial Analysis Intelligence Index ในที่สุดของโมเดลนี้จะอยู่ที่ 45 ถึง 46 โดยคาดว่า Grok 4.7 จะเป็นตัวเลขที่มันแซงขึ้นไป และ AA-Omniscience คือการประเมินที่จะทำให้มันแบนลง และเสนอ 57% เป็นความคาดหวังที่สมเหตุสมผลบน Vals Index ตัวเลขทุกตัวนั้นเป็นการพยากรณ์เกี่ยวกับกระดานคะแนนที่ยังไม่มีแถว 1017 อยู่เลย การเปิดตัวเป็นข้อเท็จจริง ส่วนอันดับคือการเดิมพัน และส่วนที่น่าสนใจคือทำไมวันนี้ยังไม่มีใครหาข้อสรุปได้

สิ่งที่ถูกจัดส่งจริงในวันที่ 17 ตุลาคมคืออะไร

แหล่งข้อมูลปฐมภูมิมีเนื้อหาสั้น บันทึก changelog ของ DeepSeek ประจำวันที่ 2026-10-17 ระบุว่า V4.1 Flash "ได้รับการอัปเกรดเป็น DeepSeek-V4.1-Flash-1017" โมเดลบนเว็บและในแอปเปลี่ยนตามไปด้วย "วิธีการเรียกใช้ API และราคายังคงเดิม" และการเรียกไปยัง deepseek-flash จะไปถึงโมเดลใหม่ล่าสุด นั่นคือข้อกล่าวอ้างในระดับข้อกำหนดทั้งหมด Repository ที่สอดคล้องกัน คือ deepseek-ai/DeepSeek-V4.1-Flash-1017 ถูกสร้างเมื่อ 02:40 UTC ของวันที่ 17 ตุลาคม และแก้ไขล่าสุดเมื่อ 05:46 UTC ของวันเดียวกัน ดัชนี safetensors ของมันมีพารามิเตอร์รวมทั้งสิ้น 763,205,315,794 ตัว ครอบคลุมประเภทเทนเซอร์ BF16, F32, F8_E4M3 และ I8 สัญญาอนุญาตเป็น MIT ไม่มีส่วนใดเกี่ยวกับเรื่องนี้ที่เป็นการรั่วไหล

บันทึกการเปลี่ยนแปลงเพิ่มสามสิ่งที่ไม่ใช่ตัวเลข โดยเรียกการอัปเดตนี้ว่า “การปรับปรุงแบบ Pareto ด้านประสิทธิภาพ–ต้นทุน” ระบุชื่อฮาร์เนสที่ใช้ปรับจูนโดยเทียบกับ — D​eepSeek Harness, T​encent CodeBuddy และ WorkBuddy — และบอกให้ผู้ใช้ย้ายไปใช้ D​eepSeek Harness 0.2.1-rc.1 หรือใหม่กว่า และยังแสดงเดโมโปรเจกต์สี่รายการที่เรนเดอร์เป็นแอนิเมชัน ได้แก่ แบบจำลอง 3D ของพระราชวังต้องห้าม เกมแข่งรถบนเบราว์เซอร์ รีเมก Portal 2 ที่สร้างใน Godot และฉาก 3D ชื่อ “Valley of Ages” สิ่งเหล่านี้เป็นสื่อการตลาด ไม่ใช่การวัดผล และเป็นเหตุผลที่บทความชิ้นนี้แยกสิ่งเหล่านี้ไว้ในย่อหน้าต่างหากจากคะแนน

สิ่งที่ไม่ได้เปลี่ยนแปลงนั้นมีความสำคัญพอๆ กับสิ่งที่เปลี่ยนแปลง เพราะมันเป็นส่วนที่ผูกกับเงิน:

• ตารางราคา — ไม่มีการเปลี่ยนแปลง อินพุตแบบแคชฮิต $0.006 ต่อล้านโทเค็นในช่วงพีค และ $0.003 นอกช่วงพีค; อินพุตแบบแคชมิส $0.30 / $0.15; เอาต์พุต $1.20 / $0.60 ช่วงพีคหมายถึง 01:00–04:00 และ 06:00–10:00 UTC วันจันทร์ถึงวันศุกร์ ยกเว้นวันหยุดราชการของจีน

• สตริงโมเดล — ไม่เปลี่ยนแปลง ตอนนี้ deepseek-flash จะ resolve ไปยัง checkpoint 1017 ชื่อที่เลิกใช้แล้วอย่าง deepseek-v4-flash และ deepseek-v4-flash-vision-exp ยังคงได้รับการยอมรับและยังคงถูกส่งไปยัง checkpoint นี้ โดยคิดค่าบริการในอัตรา Flash

• Envelope — ไม่เปลี่ยนแปลงในระดับการ์ด หน้าต่างบริบทขนาด 1M โทเค็น แนะนำให้ใช้ max_tokens ที่ 256K หรือสูงกว่า และ temperature 1.0 กับ top_p 1.0

• จุดบกพร่องด้านการแพ็กเกจ — ก็ยังไม่เปลี่ยนแปลงเช่นกัน ยังไม่มี Jinja chat template อยู่ดี รีโพซิทอรีนี้จัดส่ง encoding/encoding.py เป็น implementation อ้างอิงที่ครอบคลุมการสนทนาหลายรอบ การเรียกใช้เครื่องมือ โหมดการคิด ระดับความพยายามในการให้เหตุผลแบบตัวเลข ข้อความระบบที่อยู่กลางบทสนทนา และรูปภาพที่แทรกสลับกัน พร้อมทั้งชี้แนะผู้ใช้ระดับโปรดักชันไปยัง deepseek-recipe ซึ่งเป็นไลบรารี Rust ที่มี Python bindings

การ์ด 1017 ไม่ได้ระบุสถาปัตยกรรมซ้ำ รูปร่างของตระกูลโมเดล — แกนหลัก 552B, Causal Encoder-Decoder ที่แยกเป็น causal encoder 20 เลเยอร์และ decoder 20 เลเยอร์, การเปิดใช้งานแบบอสมมาตรของพารามิเตอร์ 8B ระหว่าง prefill และ 16B ระหว่าง decode, routed experts 384 ตัวโดยมี 6 ตัวที่ active ต่อโทเคน, CSA2 attention, FP4 main-KV caching และ Engram conditional memory ขนาด 196B — มาจากการ์ดเดือนกันยายน รายงานทางเทคนิคชื่อ Pushing the Limits of KV Cache Compression และการอ้างอิงของ model card เอง ผู้อ่านที่ต้องการตัวเลขเหล่านั้นควรนำมาจากเอกสารเดือนกันยายน ไม่ใช่จากหน้า 1017 ที่ไม่เคยอ้างถึงตัวเลขเหล่านั้น

แถวผู้ขายสิบเอ็ดแถว และแถวเดียวที่ดัชนีอ่านจริง

ตาราง benchmark ของผู้จำหน่ายเป็นอาร์ติแฟกต์ที่เทียบเคียงได้เพียงรายการเดียวในรีลีส และเผยแพร่เป็นภาพบน changelog และเป็นตาราง Markdown บน model card เมื่ออ่านจาก model card คอลัมน์ 1017 เทียบกับคอลัมน์กันยายน: HLE แบบไม่ใช้เครื่องมือ 42.6 (44.0 ในชุดย่อยแบบข้อความล้วน) เทียบกับ 36.8 (39.1); Terminal-Bench 4.0 42.3 เทียบกับ 31.2; DeepSWE v1.1 77.0 เทียบกับ 74.2; ProgramBench 29.1 เทียบกับ 20.3; NL2Repo-Bench 68.2 เทียบกับ 65.4; Automation-Bench v1.0.6 60.5 เทียบกับ 54.8; Agents' Last Exam 35.4 เทียบกับ 31.8; Apex Bench v1.1 72.1 เทียบกับ 64.6; Chartography แบบใช้เครื่องมือ 83.0 เทียบกับ 78.9; BabyVision แบบใช้เครื่องมือ 92.5 เทียบกับ 89.6; ZeroBench-main แบบใช้เครื่องมือ 51.0 เทียบกับ 49.0 ทั้งสิบเอ็ดแถวขยับขึ้นทั้งหมด มีเชิงอรรถสองรายการกำกับตาราง: สัญลักษณ์กริช (dagger) ใช้กำกับชุดย่อยแบบข้อความล้วนของ HLE และ Terminal-Bench 4.0 ถูกเรียกใช้ในฮาร์เนส Claude Code ขณะที่ DeepSWE v1.1 ถูกเรียกใช้ใน Mini-SWE-V2

ตอนนี้ลองนำสิ่งนั้นมาเทียบกับ Artificial Analysis Intelligence Index ซึ่งเป็นสิ่งที่การคาดการณ์เลข 45 ถึง 46 อ้างถึง เวอร์ชันดัชนีปัจจุบันคือ 4.3.2 และเป็นคะแนนรวมแบบถ่วงน้ำหนักจากการประเมินสิบรายการภายใต้สี่หมวด ได้แก่ Agents 30%, Coding 20%, Scientific Reasoning 20% และ General 30% น้ำหนักเหล่านี้ได้รับการเผยแพร่ และนั่นคือเหตุผลทั้งหมด AA-Briefcase v1.1 มีน้ำหนัก 15% AA-Omniscience มีน้ำหนัก 15% แบ่งเป็นความแม่นยำ 10% และอัตราการไม่สร้างข้อมูลเท็จ 5% Terminal-Bench 4.0 มีน้ำหนัก 10% HLE มีน้ำหนัก 10% CritPt ซึ่งเป็นชุดโจทย์ฟิสิกส์ระดับงานวิจัยที่ยังไม่ได้ตีพิมพ์ มีน้ำหนัก 10% GDPval-AA v2.1 มีน้ำหนัก 10%, GDP.pdf 10%, SciCode 10%, AutomationBench-AA 5% และ AA-LCR v1.1 5%

มีการประเมินเพียงหนึ่งรายการจากสิบรายการนั้นที่ปรากฏในตารางสิบเอ็ดแถวของ D​eepSeek ภายใต้ชื่อเดียวกันและการกำหนดค่าเดียวกัน: Terminal-Bench 4.0 ซึ่งอยู่ที่หนึ่งในสิบของดัชนี HLE ปรากฏทั้งสองฝั่งแต่ไม่เหมือนกันทุกประการ — คอลัมน์ของผู้ขายเป็นชุดย่อยแบบข้อความล้วน ขณะที่ดัชนีใช้ชุดข้อความล้วนจำนวน 2,158 คำถาม ทุกอย่างอื่นที่ดัชนีอ่าน รวมถึงสององค์ประกอบที่หนักที่สุด ไม่มีแถวของผู้ขายเลย นี่คือกลไกเบื้องหลังการคาดเดา ไม่ใช่คำวิจารณ์ห้องแล็บ: เพียงแต่ตารางของผู้ขายและดัชนีแบบผสมถูกสร้างจากส่วนประกอบที่ต่างกัน และส่วนที่ทับซ้อนกันกว้างเพียงหนึ่งแถว

45–46 มาจากไหน และทำไมคุณจึงตรวจสอบไม่ได้

การคาดการณ์นี้เป็นการคำนวณจากคะแนนของเดือนกันยายน ปัจจุบัน Artificial Analysis ให้คะแนนเช็กพอยต์ DeepSeek V4.1 Flash ประจำเดือนกันยายนอยู่ที่ 39 ในการตั้งค่าการให้เหตุผลที่ความพยายามสูงสุด ซึ่งทำให้อยู่ในอันดับที่ 9 จาก 120 โมเดลบน Intelligence Index และสูงกว่าค่ามัธยฐานที่ 19 ของโมเดลแบบเปิดน้ำหนักในระดับขนาดเดียวกันอย่างมาก รายการเดียวกันนี้มีต้นทุน 0.27 ดอลลาร์ต่องานดัชนี เอาต์พุต 175.9 โทเคนต่อวินาที และใช้เวลา 1.23 วินาทีถึงโทเคนแรก การคาดการณ์ที่ 45 ถึง 46 จึงเป็นการอ้างถึงคะแนนดัชนีราว 6 หรือ 7 คะแนนจากการสลับเช็กพอยต์หนึ่งครั้ง — ซึ่งเป็นการขยับครั้งเดียวที่ใหญ่ผิดปกติ นั่นคือเหตุผลที่ผู้โพสต์จึงใส่ถ้อยคำเผื่อไว้เป็น "would be decent" แทนที่จะคาดการณ์ว่าเป็นเช่นนั้น

การไปลงที่ตรงนั้นจะทำให้ 1017 อยู่ในกลุ่มที่แออัด โมเดลที่อยู่ที่ 46 ในตอนนี้คือ Grok 4.7 ที่ระดับ xhigh และ high, MiMo-V2.6-Pro และ G​PT-6 Astra ที่ระดับ low effort ที่ 45 มี Qwen3.8-Max (0902), M​use Spark 1.3 ที่ระดับ xhigh และ G​LM-5.3 ที่ระดับ max ที่ 44 มี S​tep 5 Preview และ Kimi K3 ที่ระดับ max หกหรือเจ็ดคะแนนจะย้าย tier ราคาถูกของ D​eepSeek จากต่ำกว่ากลุ่ม open-weight ขึ้นมาอยู่ตรงกลางของกลุ่ม และการเปรียบเทียบที่ผู้โพสต์เลือก — "ดีกว่า G​rok" — คือสิ่งที่คะแนน 45 หรือ 46 จะทำให้เป็นจริงตามตัวอักษร ณ ระดับ effort เดียวกับ Grok 4.7 เอง ขณะที่มีต้นทุนต่องานต่ำกว่าประมาณสิบเท่า นั่นคือรูปร่างที่มีประโยชน์ของการคาดเดานี้: ไม่ใช่ตัวเลขจำนวนเต็ม แต่เป็นตำแหน่งราคาต่อคะแนนที่มันสื่อออกมา

ยังมีอีกเหตุผลหนึ่งที่ต้องระวังตัวค่าฐานเอง บทความจากบุคคลที่สามที่เผยแพร่ในเดือนกันยายนอ้างถึงจุดตรวจสอบเดือนกันยายนว่าอยู่ที่ 40 บนดัชนี ในอันดับที่หกจาก 113 ส่วนเว็บไซต์ระบุว่า 39 ในอันดับที่เก้าจาก 120 ในวันนี้ บนดัชนีเวอร์ชันที่ระบุชื่อ น้ำหนักเดียวกัน แต่จำนวนเต็มที่เผยแพร่ต่างกัน เพราะดัชนีมีการกำหนดเวอร์ชันและจำนวนประชากรของดัชนีเพิ่มขึ้น การคาดการณ์ใด ๆ ที่สร้างจากตัวเลขที่ขยับไปแล้วสองครั้งคือการคาดการณ์บนทราย และเวอร์ชันที่ซื่อตรงของข้อกล่าวอ้าง 45–46 ก็คือช่วงหนึ่งเกี่ยวกับอีกช่วงหนึ่ง

คำทำนาย Omniscience คืออันที่มีกลไก

ในบรรดาทุกอย่างที่อยู่ในสัญญาณ ข้ออ้างที่ว่า 1017 “จะโดน Omniscience จัดการหนักอีกครั้ง” เป็นส่วนเดียวที่มีกลไกซึ่งทดสอบได้รองรับอยู่จริง มากกว่าจะเป็นเพียงความรู้สึก AA-Omniscience ไม่ใช่แบบทดสอบความรู้ที่มีเกณฑ์ผ่าน但它ให้คะแนนความน่าเชื่อถือด้านข้อเท็จจริงจากคำถามราว 6,000 ข้อ ครอบคลุม 42 หัวข้อ ให้คะแนนสำหรับคำตอบที่ถูก หักคะแนนสำหรับการฮอลลูซิเนต และปล่อยให้การไม่ตอบเป็นกลาง ดังนั้นการเลือกไม่ตอบจึงดีกว่าการเดาผิด โมเดลที่ปรับแต่งมาเพื่อปริมาณงานแบบเอเจนต์และเอาต์พุตสั้น ซึ่งเป็นสิ่งที่ changelog ของ 1017 ระบุไว้ คือโมเดลที่มีโทเคนในการไตร่ตรองต่อคำตอบน้อยลง การที่สิ่งนั้นจะช่วยหรือฉุดให้แย่ลงบนดัชนีที่ลงโทษคำตอบผิดแบบมั่นใจหรือไม่นั้น เป็นคำถามเปิดที่แท้จริง และคำว่า “อีกครั้ง” มีบทบาทสำคัญในประโยคนั้น มันสื่อว่าเช็กพอยต์เดือนกันยายนได้ผลต่ำกว่าที่คาดไว้อยู่แล้วในจุดนั้น ดัชนีเผยแพร่ความแม่นยำของ Omniscience และอัตราการไม่ฮอลลูซิเนตเป็นตัวเลขแยกกัน แต่หน้าโมเดลของ D​eepSeek ไม่ได้แสดงตัวเลขแยกตาม benchmark ดังนั้นสัดส่วน Omniscience ของเดือนกันยายนจึงยังอ่านจากเว็บไซต์ไม่ได้ในปัจจุบัน คำทำนายนี้น่าเป็นไปได้ และในวันนี้ยังพิสูจน์ว่าผิดไม่ได้

อีกครึ่งหนึ่งของข้อวิจารณ์เดียวกัน — ที่ว่าดัชนี “ยังใช้ CritPt ที่มีปัญหา” — ชี้ไปยังคุณสมบัติที่แท้จริงประการหนึ่งขององค์ประกอบรวม CritPt คือฟิสิกส์ระดับงานวิจัยที่ยังไม่ได้เผยแพร่: โจทย์ที่คำตอบยังไม่อยู่ในข้อมูลฝึก ซึ่งเป็นสิ่งที่ทำให้มันต้านทานการปนเปื้อน และยังเป็นสิ่งที่ทำให้มันมีสัญญาณรบกวนและอัปเดตช้า มันมีน้ำหนักหนึ่งในสิบของดัชนี เท่ากับน้ำหนักของ HLE และ Terminal-Bench 4.0 ตระกูลโมเดลที่ไม่เคยเผยแพร่แถว CritPt กำลังแบกจุดบอด 10% ไปสู่ทุกการพยากรณ์ที่ทำขึ้นเกี่ยวกับตระกูลนั้น ข้อวิจารณ์ทั้งสองครึ่งแท้จริงแล้วคือข้อสังเกตเดียวกัน: ดัชนีและผู้ให้บริการกำลังวัดสิ่งที่แตกต่างกัน และการพยากรณ์ต้องเชื่อมช่องว่างนั้นด้วยสมมติฐาน

หมายเลข Vals เป็นบอร์ดคนละแบบที่มีฐานคนละแบบ

ตัวเลข 57% สมควรมีย่อหน้าเป็นของตัวเอง เพราะมันเป็นส่วนเดียวของสัญญาณที่จับคู่เข้ากับตัวเลขที่เผยแพร่ไว้ และการจับคู่นั้นล้าสมัยไปหนึ่งปีในทิศทางที่ถูกต้อง ดัชนีของ Vals AI จัดให้ DeepSeek V4.1 Flash เวอร์ชันกันยายนอยู่ที่ 57.86% เป็นอันดับที่สิบห้าจาก 56 โมเดล และเป็นรายการ open-weight ที่ดีที่สุด โดยนำหน้า Kimi K3 อยู่เล็กน้อยที่ 57.81% ในราคาที่ระบุไว้ที่ 0.30 ดอลลาร์ต่อการทดสอบ ดังนั้น “57% บน Vals ฟังดูสมเหตุสมผล” จึงไม่ใช่การคาดการณ์ขึ้น — แต่เป็นการคาดการณ์ประสิทธิภาพที่ประมาณเท่าเดิมบนกระดานที่เช็กพอยต์เวอร์ชันกันยายนเป็นผู้นำในกลุ่ม open-weight อยู่แล้ว สองกระดาน สองความคาดหวัง จากผู้โพสต์คนเดียวกัน ในประโยคเดียวกัน: ก้าวกระโดดครั้งใหญ่บนดัชนี และไม่ก้าวเลยบน Vals ความไม่สมมาตรนั้นคือสิ่งที่มีข้อมูลมากที่สุดในโพสต์ เพราะมันบอกคุณว่าผู้โพสต์คาดว่าความก้าวหน้าของ 1017 จะไปปรากฏในการประเมินที่ดัชนีให้น้ำหนักมาก และ Vals ให้น้ำหนักน้อย — งานแบบ agentic สไตล์ Terminal-Bench ไม่ใช่ความกว้างของงานความรู้ทั่วไป

จริง ๆ แล้วอะไรจะต้องถูกรันใหม่

ไม่มีตัวเลขอิสระใดที่หมุนเวียนอยู่ซึ่งอธิบายน้ำหนักของ 1017 ได้ DeepSeek เปลี่ยนโมเดลที่อยู่เบื้องหลังชื่อ API ที่คงที่ ซึ่งหมายความว่าความเป็นเจ้าของตัวเลขที่เผยแพร่ทุกตัวได้เปลี่ยนมือไปอย่างเงียบ ๆ: คะแนนที่อ้างถึงสำหรับ DeepSeek V4.1 Flash จากการรันในเดือนกันยายน ตอนนี้อธิบายน้ำหนักที่ผู้ให้บริการไม่ได้ให้บริการแล้ว ในขณะที่น้ำหนักที่ให้บริการอยู่จริงไม่มีคะแนนจากภายนอกเลยแม้แต่ตัวเดียว สำหรับใครก็ตามที่มองการสลับ checkpoint เป็นการเปลี่ยนแปลงการกำหนดค่า กฎที่ใช้ได้จริงคือกฎที่ยืมมาจากซอฟต์แวร์: ควรได้รับการทดสอบถดถอยชุดเดียวกัน มีคำถามห้าข้อที่ควรตอบโดยเทียบกับ 1017 ก่อนที่มันจะเข้าใกล้เส้นทาง production

• Terminal-Bench 4.0 ทำซ้ำได้หรือไม่? ผู้ขายปรับจาก 31.2 เป็น 42.3 ในฮาร์เนส C​laude Code และเป็นหนึ่งในไม่กี่แถวที่คณะกรรมการอิสระอ่าน การที่ผู้ขายเลือกฮาร์เนสที่ทำให้โมเดลดูดีเกินจริงถือเป็นความล้มเหลวรูปแบบที่เก่าแก่ที่สุดในการรายงานผลเบนช์มาร์ก

• ผล增益ของ DeepSWE ยังคงอยู่หรือไม่เมื่อใช้สแฟโฟลด์ที่ต่างออกไป? 77.0 ใน Mini-SWE-V2 เทียบกับ 74.2 ของเดือนกันยายน DeepSWE มีความแปรปรวนสูงข้ามฮาร์เนส ดังนั้นสิ่งที่อ้างคือส่วนต่าง ไม่ใช่ระดับ

• ความยาวเอาต์พุตลดลงจริงหรือ ข้ออ้างเรื่องต้นทุนใน changelog ตั้งอยู่บนเอาต์พุตที่สั้นลง ไม่ใช่แค่เร็วขึ้นเท่านั้น บน API ที่คิดค่าตามปริมาณการใช้งาน นั่นคือความแตกต่างระหว่างการปรับปรุงแบบ Pareto กับความคลาดเคลื่อนจากการปัดเศษ

• ปุ่มปรับระดับความพยายามในการให้เหตุผลทำงานถูกต้องหรือไม่? ค่าความพยายามเป็นตัวเลข โดย low, high และ max จะแมปกับค่าที่กำหนดไว้ ค่า high เป็นค่าเริ่มต้น และ temperature จะถูกยอมรับแต่ไม่ถูกนำมาใช้ในโหมดคิด ทดสอบที่ค่าความพยายามเดียวกับที่ production ส่งจริง เพราะการรันชุดทดสอบที่ max ไม่ได้บอกอะไรเกี่ยวกับการดีพลอยที่ high

• การใช้เครื่องมือแบบหลายรอบยังคงไป-กลับได้ครบอยู่หรือไม่? เมื่อใช้เครื่องมือ reasoning_content จากทุกรอบก่อนหน้า — รวมถึงรอบที่ไม่มีการเรียกใช้เครื่องมือ — จำเป็นต้องถูกส่งกลับมาด้วย มิฉะนั้นคำขอจะล้มเหลว นี่คือรูปแบบหนึ่งของ regression ที่การสลับ checkpoint ก่อให้เกิดขึ้นอย่างเงียบ ๆ

หากคุณต้องการรัน regression pass นั้นโดยไม่ย้ายเส้นทางโปรดักชันไปยัง weights ที่ยังไม่ได้วัด นี่คือกรณีที่ failover ของ OrcaRouter ถูกสร้างมาเพื่อรองรับ: วาง 1017 ไว้ใน fallback chain ส่งทราฟฟิกที่คุณยอมเสียไปให้มัน และปล่อยให้การตอบกลับที่ล้มเหลวหรือช้า retry ข้ามผู้ให้บริการก่อนที่ผู้เรียกจะเห็นมัน ราคาเป็นอีกครึ่งหนึ่งของเหตุผลและเป็นส่วนที่เรียบง่ายกว่า — D​eepSeek คง rate card ของ Flash ไว้ไม่เปลี่ยนแปลง และเนื่องจาก OrcaRouter ส่งผ่านราคาตามรายการของผู้ให้บริการโดยตรงโดยไม่บวกกำไร 0% การเปลี่ยนแปลงที่ไม่ทำให้ราคาของ D​eepSeek เปลี่ยนก็ไม่ทำให้ราคาของเราเปลี่ยน คุณสามารถเข้าถึง DeepSeek V4.1 Flash ในอัตราของ D​eepSeek เองได้ตั้งแต่วันนี้ โดยไม่ต้องมีสัญญาที่สองและไม่ต้องแก้โค้ด ระหว่างที่ leaderboard ตามทัน

คำถามที่สัญญาณยังไม่ได้ให้คำตอบ

ทำไมการสลับเช็กพอยต์ถึงขยับดัชนีได้เลย ทั้งที่สถาปัตยกรรมเหมือนกัน?เพราะดัชนีให้น้ำหนักกับการประเมินด้าน agentic และการเขียนโค้ดรวมกันถึงครึ่งหนึ่งของคะแนนทั้งหมด และการประเมินเหล่านี้คือจุดที่การเปลี่ยนแปลงจากการ post-training แบบนี้ปรากฏเร็วที่สุด หมวดหมู่ที่เผยแพร่แล้วซึ่งอ่อนที่สุดของโมเดลเดือนกันยายนคืองาน agentic เมื่อเทียบกับราคา ส่วน changelog 1017 เกือบทั้งหมดพูดถึงงาน agentic และต้นทุนต่องาน การพยากรณ์นี้คือการเดิมพันว่า สถาปัตยกรรมเดียวกันบวกกับการ post-training ที่ดีขึ้นจะไปลงเอยตรงจุดที่น้ำหนักบอกว่าควรจะเป็น

มีวิธีใดบ้างที่จะอ่านตัวเลข 1017 ก่อนที่ Artificial Analysis จะเผยแพร่หรือไม่ได้เพียงทางอ้อมเท่านั้น สองแถวแบบ agentic ที่ผู้ขายเผยแพร่ — Terminal-Bench 4.0 และ Automation-Bench — เป็นตัวแทนที่ใกล้เคียงที่สุด และทั้งคู่เป็นการรายงานเอง อีกเส้นทางที่สามคือการจับดูว่ารายการเดือนกันยายนบนบอร์ดอิสระถูกเปลี่ยนชื่อ รันใหม่ หรือปล่อยไว้ตามเดิมหรือไม่; แถวที่ค้างอยู่ซึ่งคงคะแนนเดิมไว้ while ค่าน้ำหนักที่ให้บริการเปลี่ยนไป คือสัญญาณที่ชัดเจนที่สุดว่าตัวเลขหนึ่งไม่มีความหมายอย่างที่มันบอกอีกต่อไป

ราคาที่ไม่เปลี่ยนแปลงหมายความว่าข้อกล่าวอ้างเรื่อง Pareto เป็นจริงหรือไม่ หมายความว่าข้อกล่าวอ้างนั้นสามารถทดสอบได้ “การปรับปรุง Pareto ด้านประสิทธิภาพ–ต้นทุน” ภายใต้อัตราค่าบริการคงที่จะเป็นจริงได้ก็ต่อเมื่อจำนวนโทเค็นเอาต์พุตต่องานลดลง เพราะนั่นคือกลไกเดียวที่เหลืออยู่ ผู้ขายกล่าวว่าทั้งเวลารันของงานและความยาวเอาต์พุตลดลง นั่นคือข้อกล่าวอ้างเดียวในหน้านี้ที่ผู้อ่านสามารถตรวจสอบได้ด้วยใบแจ้งค่าใช้จ่ายของตนเอง

สิ่งที่ควรดูต่อไป

คำพยากรณ์ที่จะต้องถูกให้คะแนนนั้นเฉพาะเจาะจง ซึ่งเป็นสิ่งที่ทำให้มันคุ้มค่าที่จะเก็บไว้ หากแถว 1017 ปรากฏบน Intelligence Index ที่ 45 หรือ 46 ผู้โพสต์ทายตำแหน่งและกลไกได้ถูกต้อง — การให้น้ำหนักที่เน้น agentic มากบวกกับจุดอ่อนที่รู้กันดีใน Omniscience — และบทเรียนที่มีประโยชน์ก็คือ คะแนนคอมโพสิตกลายเป็นสิ่งที่คาดเดาได้จากตารางผู้ขาย เมื่ออ่านน้ำหนักอย่างละเอียดแล้ว หากมันลงเอยที่หรือต่ำกว่า 39 ของเดือนกันยายน บทเรียนก็จะตรงกันข้ามและมีราคาแพงกว่า: ตารางผู้ขายที่มีสิบเอ็ดแถวซึ่งขยับขึ้นในทุกบรรทัดก็ยังทำให้คะแนนคอมโพสิตคงที่ได้ เพราะแถวที่ขยับไม่ใช่แถวที่นับ ไม่ว่าผลลัพธ์ใดก็เป็นการสำรวจหนึ่งครั้งของโมเดลหนึ่งตัว ไม่ใช่คำตัดสินเกี่ยวกับแล็บ และตัวเลขที่ชี้ขาดนั้นเป็นตัวเลขที่ผู้อ่านไม่สามารถคำนวณได้ในวันนี้

สิ่งที่ผู้อ่านทำได้วันนี้ถูกกว่าการคาดการณ์ เวตของโมเดลได้รับอนุญาตแบบ MIT และ API เปิดใช้งานจริงในราคาเดือนกันยายน ดังนั้นเดือนก่อนที่ใครจะเผยแพร่อันดับคือเดือนที่คุณควรสร้างมุมมองของคุณเองต่อสามคำถามที่สำคัญกับคุณ: มันทำงานแบบเอเจนต์ของคุณเสร็จเร็วขึ้นหรือไม่ มันพูดน้อยลงระหว่างทำหรือไม่ และมันรับมือกับเส้นทางการใช้เครื่องมือแบบหลายรอบที่คุณใช้งานจริงได้หรือไม่

ตัวเลขทุกตัวของ DeepSeek ในชิ้นนี้ — แถวผลทดสอบ benchmark สิบเอ็ดแถว พารามิเตอร์รวม 763B หน้าต่างบริบท 1M โทเค็น สัญญาอนุญาต MIT ตารางราคาที่ไม่เปลี่ยนแปลง และคำแนะนำเกี่ยวกับฮาร์เนส — มาจากบันทึก changelog วันที่ 17 ตุลาคมของผู้จำหน่ายเอง การ์ดโมเดลบน Hugging Face และหน้าตาราคาที่เผยแพร่ของบริษัท ตัวเลขอิสระทุกตัว — คะแนน 39 บน Intelligence Index อันดับที่ 9 จาก 120 ต้นทุน $0.27 ต่องาน index 175.9 โทเค็นต่อวินาที และการถ่วงน้ำหนักจากการประเมินสิบรายการที่ทำให้ได้คะแนนนี้ — มาจาก Artificial Analysis ซึ่งอ่านเมื่อวันที่ 18 ตุลาคม 2026 การคาดการณ์ 45 ถึง 46 ความคาดหวัง 57% ของ Vals และการคาดการณ์ของ Omniscience เป็นประมาณการของผู้สังเกตคนหนึ่งเกี่ยวกับโมเดลที่ไม่มีแถว 1017 บนกระดานใด ๆ เหล่านี้ และมีการระบุว่าเป็นประมาณการทุกจุดที่ปรากฏ

ความล้มเหลวของ AI และเหตุการณ์เกี่ยวกับเอเจนต์ที่มีการบันทึกเป็นหลักฐานไว้ ซึ่งอยู่เบื้องหลังการเปิดตัวในลักษณะนี้ ถูกรวบรวมไว้ใน OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง ระดับความเชื่อมั่น และแฟล็กข้อโต้แย้งของตัวเอง