Вечером 17 октября 2026 года китайская компания DeepSeek выпустила обновлённую версию своей нейросети — DeepSeek-V4.1-Flash-1017. Это формально «минорное» обновление модели V4.1-Flash, вышедшей ранее в том же месяце, но по масштабу изменений и по заявленным результатам оно заметно: разработчики усилили способности модели к программированию, логическим рассуждениям и выполнению многоэтапных агентских задач, а также сократили длину ответов и время выполнения запросов. Веса модели выложены в открытый доступ под лицензией MIT, а в прайсе DeepSeek имя deepseek-flash теперь указывает именно на версию 1017 — прежние имена отключены, так что обновление раскатано по существующим тарифам автоматически.

Что изменилось в версии 1017

Согласно опубликованным разработчиками данным, ключевым направлением доработки стала оптимизация под ИИ-агентов: модель обучена самостоятельно запускать код, находить в нём ошибки и исправлять их, а также отвечать более лаконично. Для этого DeepSeek усилила обучение с подкреплением — нейросеть поощряется за точные решения без лишних объяснений. Меньше токенов в ответе означает потенциально более быстрые и дешёвые запросы. Руководитель постобучения компании У Юй назвал происходящее началом эры программирования, доступного каждому, подчёркивая акцент на скорости разработки и работе с кодом.

Результаты в бенчмарках

По опубликованным DeepSeek результатам, компактная модель превзошла Claude Opus 5 в нескольких тестах. В DeepSWE 1.1 новинка набрала 77% против 74% у Opus 5.0 (у GPT-5.6 Sol — 73%). В AutomationBench результат составил 60,5% против 50,3% у Opus 5 и 45,8% у GPT-5.6 Sol, а в Apex Bench — 72,1% против 65,8%. В исходной публикации также заявлено превосходство над рядом других моделей, включая решения OpenAI. Важно, что все эти цифры приведены в материалах самой компании: подробностей о методике сравнения и независимого подтверждения результатов разработчики не публиковали.

Архитектура и обучение

Архитектурная основа предыдущей версии сохранена: в модели используются Causal Encoder-Decoder, Compressed Sparse Attention 2, квантование FP4 и SWA Bounded Replay. Изменения касаются в первую очередь этапа постобучения и целевых функций, а не фундаментальной структуры сети. Такой подход позволяет сохранить скорость инференса и низкую стоимость вывода при одновременном улучшении качества на агентских и программных задачах.

Цена и доступность

Модель доступна сразу в нескольких каналах: на официальном сайте DeepSeek, в мобильном приложении и через API, а её веса опубликованы на Hugging Face под открытой лицензией MIT — скачать, запустить и встроить в коммерческий продукт может любой разработчик без разрешения и отчислений. По данным прайса, модель содержит 763,2 млрд параметров (около 510 ГБ файлов), а тариф составляет 15 центов за миллион входных токенов вне пиковых часов и 60 центов за миллион выходных; в пиковые часы цена вдвое выше. По тем же позициям прайса это примерно в 4,1 раза дешевле старшей модели Pro того же вендора. За первые полтора суток после публикации карточку модели лайкнули более 1 100 раз, а веса скачали свыше 10 000 раз.

Оговорки и независимая проверка

Главная оговорка к заявлению о превосходстве над Claude Opus 5 и GPT-5.6 Sol состоит в том, что результаты получены во внутренних тестах DeepSeek и пока не подтверждены независимыми лабораториями. Методика сравнения, состав промптов и условия прогона в открытых материалах не раскрываются, поэтому цифры стоит воспрининимать как заявленные разработчиком, а не как верифицированный факт. Если результаты подтвердятся на практике, для разработчиков это означает возможность автоматизировать программирование и агентские задачи на заметно более дешёвой открытой модели, что может изменить расстановку сил в сегменте доступных LLM.