Увечері 17 жовтня 2026 року китайська компанія DeepSeek випустила оновлену версію своєї нейромережі — DeepSeek-V4.1-Flash-1017. Це формально «мінорне» оновлення моделі V4.1-Flash, що вийшла раніше того ж місяця, але за масштабом змін і за заявленими результатами воно помітне: розробники посилили здібності моделі до програмування, логічних міркувань і виконання багатоетапних агентських завдань, а також скоротили довжину відповідей і час виконання запитів. Ваги моделі викладено у відкритий доступ під ліцензією MIT, а в прайсі DeepSeek ім'я deepseek-flash тепер вказує саме на версію 1017 — колишні імена відключено, тож оновлення розгорнуто за наявними тарифами автоматично.

Що змінилося у версії 1017

Згідно з опублікованими розробниками даними, ключовим напрямом доопрацювання стала оптимізація під ШІ-агентів: модель навчена самостійно запускати код, знаходити в ньому помилки та виправляти їх, а також відповідати лаконічніше. Для цього DeepSeek посилила навчання з підкріпленням — нейромережа заохочується за точні рішення без зайвих пояснень. Менше токенів у відповіді означає потенційно швидші й дешевші запити. Керівник постобучення компанії У Юй назвав те, що відбувається, початком ери програмування, доступного кожному, наголошуючи на акценті на швидкості розробки та роботі з кодом.

Результати в бенчмарках

За опублікованими DeepSeek результатами, компактна модель перевершила Claude Opus 5 у кількох тестах. У DeepSWE 1.1 новинка набрала 77% проти 74% у Opus 5.0 (у GPT-5.6 Sol — 73%). В AutomationBench результат становив 60,5% проти 50,3% у Opus 5 і 45,8% у GPT-5.6 Sol, а в Apex Bench — 72,1% проти 65,8%. У початковій публікації також заявлено перевагу над низкою інших моделей, включно з рішеннями OpenAI. Важливо, що всі ці цифри наведено в матеріалах самої компанії: подробиць про методику порівняння та незалежного підтвердження результатів розробники не публікували.

Архітектура та навчання

Архітектурну основу попередньої версії збережено: у моделі використовуються Causal Encoder-Decoder, Compressed Sparse Attention 2, квантування FP4 і SWA Bounded Replay. Зміни стосуються насамперед етапу постобучення та цільових функцій, а не фундаментальної структури мережі. такий підхід дає змогу зберегти швидкість інференсу та низьку вартість виведення за одночасного поліпшення якості на агентських і програмних завданнях.

Ціна та доступність

Модель доступна одразу в кількох каналах: на офіційному сайті DeepSeek, у мобільному додатку та через API, а її ваги опубліковано на Hugging Face під відкритою ліцензією MIT — завантажити, запустити й вбудувати в комерційний продукт може будь-який розробник без дозволу та відрахувань. За даними прайсу, модель містить 763,2 млрд параметрів (близько 510 ГБ файлів), а тариф становить 15 центів за мільйон вхідних токенів поза піковими годинами та 60 центів за мільйон вихідних; у пікові години ціна вдвічі вища. За тими ж позиціями прайсу це приблизно в 4,1 раза дешевше за старшу модель Pro того ж вендора. За перші півтори доби після публікації картку моделі лайкнули понад 1 100 разів, а ваги завантажили понад 10 000 разів.

Застереження та незалежна перевірка

Головне застереження до заяви про перевагу над Claude Opus 5 і GPT-5.6 Sol полягає в тому, що результати отримано у внутрішніх тестах DeepSeek і поки що не підтверджено незалежними лабораторіями. Методику порівняння, склад промптів і умови прогону у відкритих матеріалах не розкривають, тому цифри варто сприймати як заявлені розробником, а не як верифікований факт. Якщо результати підтвердяться на практиці, для розробників це означає можливість автоматизувати програмування та агентські завдання на помітно дешевшій відкритій моделі, що може змінити розстановку сил у сегменті доступних LLM.