DeepSeek-V4.1-Flash-1017: Một phỏng đoán từ 45 sang 46, một nhật ký thay đổi ba câu, và hàng duy nhất mà cả hai bảng điểm cùng có

DeepSeek-V4.1-Flash-1017 là thật và nó mới ra đời được một ngày. Bạn có thể đọc mục nhật ký thay đổi ghi ngày 2026-10-17, tải về 763 tỷ tham số trọng số theo giấy phép MIT từ Hugging Face, và gọi nó ngay bây giờ dưới chuỗi mô hình không đổi deepseek-flash tại bảng giá không đổi. Điều bạn không thể làm là tra xem nó xếp hạng ở đâu. Bài đăng có nội dung thực chất nhất về DeepSeek V4.1 Flash một ngày sau khi bản cập nhật của nó ra mắt không phải là một kết quả — mà là một phỏng đoán. Một người theo dõi sát sao phòng thí nghiệm này đặt điểm Artificial Analysis Intelligence Index cuối cùng của mô hình ở mức 45 đến 46, dự đoán Grok 4.7 là mốc mà nó sẽ vượt qua sát sao và AA-Omniscience là bài đánh giá sẽ khiến nó bị san phẳng, đồng thời đưa ra 57% như một kỳ vọng hợp lý trên Vals Index. Mỗi con số đó đều là một dự báo về một bảng điểm chưa có dòng 1017 nào. Việc phát hành là sự thật. Thứ hạng là một canh bạc, và phần thú vị là lý do tại sao hôm nay không ai có thể khẳng định chắc chắn.

Điều gì thực sự đã được phát hành vào ngày 17 tháng 10

Nguồn chính thì ngắn. Mục nhật ký thay đổi của D​eepSeek cho ngày 2026-10-17 cho biết V4.1 Flash “đã được nâng cấp lên D​eepSeek-V4.1-Flash-1017”, rằng các mô hình web và ứng dụng cũng được cập nhật theo, rằng “cách gọi API và giá vẫn không đổi”, và rằng các lệnh gọi đến deepseek-flash sẽ dùng mô hình mới nhất. Đó là toàn bộ tuyên bố ở cấp thông số kỹ thuật. Kho lưu trữ tương ứng, deepseek-ai/D​eepSeek-V4.1-Flash-1017, được tạo lúc 02:40 UTC ngày 17 tháng 10 và được sửa đổi lần cuối lúc 05:46 UTC cùng ngày; chỉ mục safetensors của nó có tổng cộng 763.205.315.794 tham số thuộc các kiểu tensor BF16, F32, F8_E4M3 và I8. Giấy phép là MIT. Không có gì trong đó là rò rỉ.

Nhật ký thay đổi bổ sung ba thứ không phải số. Nó gọi bản cập nhật này là “cải thiện Pareto về hiệu năng–chi phí”. Nó nêu tên các harness mà nó được tinh chỉnh dựa trên — D​eepSeek Harness, T​encent CodeBuddy và WorkBuddy — và bảo người dùng chuyển sang D​eepSeek Harness 0.2.1-rc.1 trở lên. Và nó trình bày bốn bản demo dự án, được kết xuất dưới dạng hoạt ảnh: một mô hình 3D của Tử Cấm Thành, một game đua xe trên trình duyệt, một bản làm lại Portal 2 dựng bằng Godot, và một cảnh 3D có tên “Valley of Ages”. Đó là sản phẩm tiếp thị, không phải phép đo, và đó là lý do bài viết này giữ chúng ở một đoạn riêng tách khỏi các điểm số.

Những gì đãkhông thay đổi cũng quan trọng không kém những gì đã thay đổi, vì đó chính là phần gắn với tiền:

• Bảng giá — không thay đổi. Đầu vào cache-hit $0.006 mỗi triệu token vào giờ cao điểm và $0.003 ngoài giờ cao điểm; đầu vào cache-miss $0.30 / $0.15; đầu ra $1.20 / $0.60. Giờ cao điểm là 01:00–04:00 và 06:00–10:00 UTC, từ Thứ Hai đến Thứ Sáu, không bao gồm các ngày lễ công cộng của Trung Quốc.

• Chuỗi mô hình — không thay đổi. deepseek-flash hiện được ánh xạ tới checkpoint 1017. Các tên đã ngừng lưu hành deepseek-v4-flash và deepseek-v4-flash-vision-exp vẫn được chấp nhận và vẫn định tuyến tới nó, được tính phí theo mức giá Flash.

• Envelope — không thay đổi ở cấp độ thẻ. Cửa sổ ngữ cảnh 1M token, max_tokens từ 256K trở lên, khuyến nghị temperature 1.0 và top_p 1.0.

• Điểm trừ về đóng gói — cũng không thay đổi. Vẫn chưa có mẫu chat Jinja. Kho lưu trữ cung cấp encoding/encoding.py như một triển khai tham chiếu bao gồm hội thoại nhiều lượt, gọi công cụ, chế độ suy nghĩ, mức nỗ lực suy luận dạng số, thông điệp hệ thống giữa cuộc hội thoại và hình ảnh xen kẽ, đồng thời hướng người dùng production đến deepseek-recipe, một thư viện Rust có binding Python.

Thẻ 1017 không trình bày lại kiến trúc. Cấu trúc tổng thể của dòng mô hình — xương sống 552B, một Bộ mã hóa-Giải mã nhân quả được tách thành bộ mã hóa nhân quả 20 lớp và bộ giải mã 20 lớp, kích hoạt không đối xứng 8B tham số trong giai đoạn prefill và 16B trong giai đoạn decode, 384 chuyên gia định tuyến với 6 chuyên gia hoạt động trên mỗi token, cơ chế chú ý CSA2, lưu đệm KV chính bằng FP4, và bộ nhớ có điều kiện Engram 196B — đến từ thẻ tháng Chín, báo cáo kỹ thuật có tiêu đề Đẩy giới hạn của nén bộ nhớ đệm KV, và phần trích dẫn của chính thẻ mô hình. Người đọc muốn có những con số đó nên lấy chúng từ tài liệu tháng Chín, không phải từ một trang 1017 vốn không hề tuyên bố những con số đó.

Mười một dòng nhà cung cấp, và dòng mà chỉ mục thực sự đọc

Bảng điểm chuẩn của nhà cung cấp là tạo tác có thể so sánh duy nhất trong bản phát hành, và nó được công bố dưới dạng hình ảnh trên nhật ký thay đổi và dưới dạng bảng markdown trên thẻ mô hình. Đọc từ thẻ, cột 1017 so với cột tháng Chín: HLE không dùng công cụ 42.6 (44.0 trên tập con chỉ văn bản) so với 36.8 (39.1); Terminal-Bench 4.0 42.3 so với 31.2; DeepSWE v1.1 77.0 so với 74.2; ProgramBench 29.1 so với 20.3; NL2Repo-Bench 68.2 so với 65.4; Automation-Bench v1.0.6 60.5 so với 54.8; Agents' Last Exam 35.4 so với 31.8; Apex Bench v1.1 72.1 so với 64.6; Chartography dùng công cụ 83.0 so với 78.9; BabyVision dùng công cụ 92.5 so với 89.6; ZeroBench-main dùng công cụ 51.0 so với 49.0. Cả mười một dòng đều tăng. Hai chú thích cuối trang bổ sung cho bảng: ký hiệu dagger đánh dấu tập con chỉ văn bản của HLE, và Terminal-Bench 4.0 được chạy trong harness Claude Code trong khi DeepSWE v1.1 được chạy trong Mini-SWE-V2.

Giờ hãy đối chiếu điều đó với Artificial Analysis Intelligence Index, tức là thứ mà phỏng đoán 45-46 đang nói tới. Phiên bản chỉ số hiện tại là 4.3.2, và đây là một tổ hợp có trọng số của mười bài đánh giá thuộc bốn nhóm: Agents chiếm 30%, Coding 20%, Scientific Reasoning 20%, General 30%. Các trọng số được công bố, và chúng chính là toàn bộ lập luận. AA-Briefcase v1.1 chiếm 15%. AA-Omniscience chiếm 15%, chia thành độ chính xác 10% và tỷ lệ không ảo giác 5%. Terminal-Bench 4.0 chiếm 10%. HLE chiếm 10%. CritPt, bộ bài toán vật lý chưa công bố ở cấp độ nghiên cứu, chiếm 10%. GDPval-AA v2.1 chiếm 10%, GDP.pdf 10%, SciCode 10%, AutomationBench-AA 5% và AA-LCR v1.1 5%.

Chỉ một trong số mười bài đánh giá đó xuất hiện trong bảng mười một dòng của D​eepSeek với cùng tên và cùng cấu hình: Terminal-Bench 4.0, ở mức một phần mười chỉ số. HLE xuất hiện ở cả hai bên nhưng không hoàn toàn giống nhau — cột của nhà cung cấp là tập con chỉ-văn-bản, còn chỉ số chạy bộ chỉ-văn-bản gồm 2.158 câu hỏi. Mọi thứ khác mà chỉ số sử dụng, gồm cả hai thành phần nặng nhất, đều không có dòng nào của nhà cung cấp. Đó là cơ chế đằng sau phỏng đoán, không phải lời chỉ trích phòng thí nghiệm: đơn giản là bảng của nhà cung cấp và một chỉ số tổng hợp được xây từ những phần khác nhau, và phần trùng lặp chỉ rộng một dòng.

45–46 đến từ đâu, và tại sao bạn không thể kiểm tra nó

Dự báo này là phép tính số học dựa trên điểm số tháng Chín. Artificial Analysis hiện chấm điểm checkpoint DeepSeek V4.1 Flash tháng Chín ở 39 trong cấu hình suy luận ở mức nỗ lực tối đa, đưa nó lên vị trí thứ chín trong số 120 mô hình trên Intelligence Index và cao hơn hẳn mức trung vị 19 của các mô hình trọng số mở cùng lớp kích thước. Cùng mục đó có chi phí $0.27 mỗi tác vụ chỉ số, 175.9 token đầu ra mỗi giây và 1.23 giây đến token đầu tiên. Do đó, dự báo 45 đến 46 là một tuyên bố về khoảng sáu hoặc bảy điểm chỉ số từ một lần hoán đổi checkpoint — một bước nhảy đơn lẻ lớn bất thường, và chính vì vậy người đăng đã rào đón nó bằng cụm "sẽ khá ổn" thay vì dự đoán nó.

Đạt tới đó sẽ đưa 1017 vào một nhóm đông đúc. Các mô hình hiện ở mức 46 là Grok 4.7 ở xhigh và high, MiMo-V2.6-Pro và G​PT-6 Astra ở mức effort thấp. Ở mức 45 là Qwen3.8-Max (0902), M​use Spark 1.3 ở xhigh và G​LM-5.3 ở max. Ở mức 44 là S​tep 5 Preview và Kimi K3 ở max. Sáu hoặc bảy điểm sẽ đưa hạng giá rẻ của D​eepSeek từ dưới cụm open-weight lên giữa cụm đó, và phép so sánh mà người đăng đã chọn — "tốt hơn G​rok" — chính là phép so sánh mà mức 45 hoặc 46 sẽ khiến thành đúng theo nghĩa đen ở chính thiết lập effort của Grok 4.7, trong khi tốn ít hơn một bậc độ lớn chi phí cho mỗi tác vụ. Đó là hình dạng hữu ích của phỏng đoán: không phải con số nguyên, mà là vị thế giá-so-điểm mà nó ngụ ý.

Có thêm một lý do nữa để thận trọng với chính đường cơ sở. Một bài viết của bên thứ ba công bố hồi tháng Chín đã dẫn mốc kiểm tra tháng Chín là 40 trên chỉ số, ở hạng sáu trong số 113; trang web hôm nay ghi 39 ở hạng chín trong số 120, trên một phiên bản chỉ số được nêu tên. Cùng trọng số, nhưng số nguyên công bố khác nhau, vì chỉ số được đánh phiên bản và quy mô của nó tăng lên. Bất kỳ dự báo nào xây dựng trên một con số đã thay đổi hai lần đều là dự báo trên cát, và phiên bản trung thực của tuyên bố 45–46 là một khoảng về một khoảng.

Dự đoán Omniscience là dự đoán có cơ chế.

Trong toàn bộ tín hiệu, tuyên bố rằng 1017 “sẽ lại bị Omniscience đánh bại” là phần có một cơ chế có thể kiểm chứng đằng sau, chứ không chỉ là cảm giác. AA-Omniscience không phải một bài kiểm tra kiến thức có điểm đạt. Nó chấm điểm độ tin cậy thực tế trên khoảng 6.000 câu hỏi trải khắp 42 chủ đề, cộng điểm cho câu trả lời đúng, trừ điểm cho ảo giác và để việc từ chối trả lời ở mức trung tính — vì vậy từ chối trả lời tốt hơn đoán sai. Một mô hình được tinh chỉnh cho thông lượng agentic và đầu ra ngắn, đúng như changelog 1017 mô tả, là mô hình có ít token suy xét hơn cho mỗi câu trả lời. Việc đó giúp hay hại trên một chỉ số trừng phạt những câu trả lời sai một cách tự tin là một câu hỏi mở thực sự, và từ “again” đang gánh vai trò trong câu đó: nó ngụ ý rằng checkpoint tháng 9 đã gây thất vọng ở đó rồi. Chỉ số này công bố độ chính xác Omniscience và tỷ lệ không ảo giác thành các con số riêng, nhưng trang mô hình D​eepSeek không hiển thị số liệu theo từng benchmark, nên hiện tại không thể đọc được phân tách Omniscience của tháng 9 từ trang web. Dự đoán này hợp lý và, ở thời điểm hiện tại, không thể bị phản chứng.

Nửa còn lại của cùng lời phàn nàn — rằng chỉ số “vẫn dùng CritPt hỏng” — chỉ ra một thuộc tính có thật của chỉ số tổng hợp. CritPt là vật lý ở cấp nghiên cứu chưa công bố: những bài toán mà đáp án vẫn chưa nằm trong dữ liệu huấn luyện, điều khiến nó kháng nhiễm bẩn và cũng là điều khiến nó nhiễu và chậm được làm mới. Nó chiếm một phần mười chỉ số, cùng trọng số với HLE và Terminal-Bench 4.0. Một họ mô hình chưa từng công bố một dòng CritPt nào đang mang theo một điểm mù 10% vào mọi dự báo được đưa ra về nó. Cả hai nửa của lời chỉ trích thực ra là cùng một quan sát: chỉ số và nhà cung cấp đang đo những thứ khác nhau, và dự báo phải bắc cầu khoảng cách đó bằng các giả định.

Số Vals là một bo mạch khác với đế khác

Con số 57% xứng đáng có một đoạn riêng, vì đây là phần duy nhất của tín hiệu khớp với một con số đã công bố, và việc ánh xạ này đã lỗi thời một năm theo đúng hướng. Chỉ số của Vals AI xếp DeepSeek V4.1 Flash bản tháng Chín ở mức 57,86%, thứ mười lăm trong 56 mô hình và là mục trọng số mở đứng đầu, nhỉnh hơn một chút so với Kimi K3 ở 57,81%, với mức giá công bố $0,30 mỗi bài kiểm tra. Vì vậy, “57% trên Vals nghe có vẻ hợp lý” không phải là một dự phóng đi lên — đó là dự phóng về hiệu suất gần như đi ngang trên một bảng xếp hạng nơi checkpoint tháng Chín vốn đã là mô hình trọng số mở dẫn đầu. Hai bảng xếp hạng, hai kỳ vọng khác nhau, từ cùng một người đăng, trong cùng một câu: một bước tiến lớn trên chỉ số và không có bước tiến nào trên Vals. Sự bất đối xứng đó là điều giàu thông tin nhất trong bài đăng, vì nó cho bạn biết người đăng kỳ vọng những tiến bộ của 1017 sẽ rơi vào các đánh giá mà chỉ số này đánh trọng số cao còn Vals đánh trọng số nhẹ — công việc agent kiểu Terminal-Bench, chứ không phải bề rộng của công việc tri thức tổng quát.

Điều gì thực sự sẽ phải được chạy lại

Không có con số độc lập nào đang lưu hành mô tả được các trọng số 1017. DeepSeek đã thay thế mô hình đằng sau một tên API ổn định, nghĩa là quyền sở hữu mọi con số đã công bố đã âm thầm đổi chủ: một điểm số được trích dẫn cho DeepSeek V4.1 Flash từ một lần chạy hồi tháng Chín giờ mô tả các trọng số mà nhà cung cấp không còn phục vụ nữa, trong khi các trọng số mà họ đang phục vụ hoàn toàn không có điểm số bên ngoài. Với bất kỳ ai coi việc hoán đổi checkpoint là một thay đổi cấu hình, quy tắc thực tế là quy tắc rút ra từ phần mềm: nó cần cùng một lượt kiểm thử hồi quy. Năm câu hỏi đáng được trả lời đối với 1017 trước khi nó tiến gần đến một lộ trình sản xuất.

• Terminal-Bench 4.0 có tái lập được không? Nhà cung cấp đã đưa nó từ 31,2 lên 42,3 trong harness C​laude Code, và đây là một trong số ít dòng mà một ban độc lập đọc. Việc lựa chọn harness của nhà cung cấp nhằm tâng bốc một mô hình là kiểu thất bại lâu đời nhất trong báo cáo benchmark.

• Mức tăng của DeepSWE có còn giữ được khi dùng một scaffold khác không? 77.0 trên Mini-SWE-V2 so với 74.2 của tháng 9. DeepSWE đã cho thấy độ phân tán lớn giữa các harness, vì vậy điều được khẳng định là mức chênh lệch, không phải mức tổng thể.

• Độ dài đầu ra có thực sự giảm? Tuyên bố về chi phí trong changelog dựa vào việc đầu ra ngắn hơn, chứ không chỉ nhanh hơn. Trên một API tính phí theo mức sử dụng, đó chính là khác biệt giữa một cải tiến Pareto và một sai số làm tròn.

• Núm chỉnh nỗ lực suy luận có hoạt động đúng không? Nỗ lực là giá trị số, với low, high và max ánh xạ tới các giá trị đã định, high là mặc định, và temperature được chấp nhận nhưng bị bỏ qua trong chế độ thinking. Hãy kiểm thử ở đúng giá trị effort mà production gửi, vì chạy bộ kiểm thử ở max không cho bạn biết gì về một triển khai ở high.

• Sử dụng công cụ đa lượt vẫn còn round-trip chứ? Khi dùng công cụ, reasoning_content từ mọi lượt trước — kể cả những lượt không gọi công cụ — phải được trả về, nếu không yêu cầu sẽ thất bại. Đó chính là kiểu hồi quy mà việc hoán đổi checkpoint âm thầm đưa vào.

Nếu bạn muốn chạy lượt kiểm thử hồi quy đó mà không đưa một tuyến production lên các trọng số chưa được đo lường, thì đây chính là trường hợp mà cơ chế chuyển đổi dự phòng của OrcaRouter được xây dựng để xử lý: đặt 1017 phía sau một chuỗi dự phòng, gửi cho nó lượng lưu lượng mà bạn sẵn sàng mất, và để một phản hồi lỗi hoặc chậm được thử lại trên nhiều nhà cung cấp trước khi bên gọi nhìn thấy. Giá cả là nửa còn lại của lập luận và là nửa đơn giản hơn — D​eepSeek giữ nguyên bảng giá Flash, và vì OrcaRouter chuyển thẳng giá niêm yết của nhà cung cấp với mức cộng thêm 0%, một thay đổi không làm thay đổi giá của D​eepSeek thì cũng không làm thay đổi giá của chúng tôi. Bạn có thể truy cập DeepSeek V4.1 Flash với đúng mức giá của D​eepSeek ngay hôm nay, không cần hợp đồng thứ hai và không cần thay đổi mã, trong khi bảng xếp hạng bắt kịp.

Những câu hỏi mà tín hiệu để ngỏ

Tại sao việc đổi checkpoint lại có thể làm dịch chuyển chỉ số chứ, nếu kiến trúc vẫn như cũ? Bởi vì chỉ số này tính trọng số cho các đánh giá agentic và lập trình bằng một nửa tổng điểm, và đó là những đánh giá mà các thay đổi hậu huấn luyện kiểu này thể hiện rõ nhanh nhất. Hạng mục được công bố yếu nhất của mô hình tháng 9 là công việc agentic so với giá của nó; changelog 1017 gần như hoàn toàn nói về công việc agentic và chi phí mỗi tác vụ. Dự báo này là một đặt cược rằng cùng kiến trúc đó cộng với hậu huấn luyện tốt hơn sẽ đạt đến mức mà các trọng số cho rằng nó nên đạt.

Có cách nào để đọc một con số 1017 trước khi Artificial Analysis công bố một con số như vậy không? Chỉ là gián tiếp. Hai dòng agentic mà nhà cung cấp công bố — Terminal-Bench 4.0 và Automation-Bench — là những đại diện gần nhất, và cả hai đều do tự báo cáo. Con đường thứ ba là theo dõi xem mục tháng Chín trên một bảng độc lập có được đổi tên, chạy lại hay để nguyên hay không; một dòng cũ vẫn giữ điểm cũ trong khi trọng số được phục vụ thay đổi là tín hiệu rõ ràng nhất cho thấy một con số không còn mang ý nghĩa như nó thể hiện nữa.

Giá không đổi có nghĩa là tuyên bố Pareto là thật không? Điều đó có nghĩa là tuyên bố này có thể kiểm chứng được. “Cải thiện Pareto về hiệu năng–chi phí” với một bảng giá cố định chỉ đúng nếu số token đầu ra trên mỗi tác vụ giảm, vì đó là đòn bẩy duy nhất còn lại. Nhà cung cấp nói rằng thời gian chạy tác vụ và độ dài đầu ra đều giảm. Đó là tuyên bố duy nhất trên trang mà người đọc có thể tự kiểm chứng bằng hóa đơn của chính mình.

Xem gì tiếp theo

Dự báo được chấm điểm rất cụ thể, và chính điều đó khiến nó đáng được giữ lại. Nếu một dòng 1017 xuất hiện trên Intelligence Index ở mức 45 hoặc 46, người đăng đã chỉ đúng vị thế và cơ chế — một cách tính trọng số nặng về agentic cùng một điểm yếu đã biết trên Omniscience — và bài học hữu ích là điểm tổng hợp đã trở nên có thể dự đoán được từ bảng nhà cung cấp một khi đọc kỹ các trọng số. Nếu nó rơi vào mức bằng hoặc dưới 39 của tháng Chín, bài học thì ngược lại và đắt giá hơn: một bảng nhà cung cấp mười một dòng mà dòng nào cũng tăng vẫn có thể để điểm tổng hợp đứng yên, vì những dòng đã tăng không phải những dòng quan trọng. Cả hai kết cục đều chỉ là một cuộc thăm dò về một mô hình, không phải phán quyết về phòng thí nghiệm, và con số quyết định nó là con số mà người đọc hôm nay không thể tự tính ra.

Điều một người đọc có thể làm ngay hôm nay rẻ hơn một bản dự báo. Các trọng số được cấp phép MIT và API đang hoạt động với mức giá tháng 9, vì vậy tháng trước khi bất kỳ ai công bố bảng xếp hạng chính là tháng để bạn tự hình thành quan điểm của mình về ba câu hỏi quan trọng với bạn: liệu nó có hoàn thành các tác vụ agentic của bạn nhanh hơn không, liệu nó có nói ít hơn trong khi làm vậy không, và liệu nó có trụ vững trên các luồng công cụ nhiều lượt mà bạn thực sự chạy không.

Ghi chú nguồn: mọi con số DeepSeek trong bài này — mười một dòng benchmark, tổng 763B tham số, cửa sổ 1M token, giấy phép MIT, bảng giá không thay đổi và các khuyến nghị harness — đều đến từ mục changelog ngày 17 tháng 10 của chính nhà cung cấp, model card của mô hình trên Hugging Face và trang giá đã công bố của họ. Mọi con số độc lập — điểm 39 trên Intelligence Index, vị trí thứ chín trong số 120, chi phí 0,27 USD cho mỗi tác vụ index, 175,9 token mỗi giây và trọng số mười bài đánh giá cấu thành điểm số — đều đến từ Artificial Analysis, truy cập ngày 18 tháng 10 năm 2026. Dự báo 45 đến 46, kỳ vọng 57% của Vals và dự đoán Omniscience là ước tính của một người quan sát về một mô hình không có dòng 1017 trên bất kỳ bảng nào trong số này, và chúng đều được ghi nhãn là ước tính ở mọi nơi xuất hiện.

Các lỗi AI và sự cố tác nhân được ghi nhận đằng sau những bản phát hành như bản này được tập hợp trong OrcaRouter AI Incident Archive, trong đó mỗi mục đều có nguồn, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp riêng.