مدل DeepSeek-V4.1-Flash-20261017 در صدر مدل‌های متن‌باز در Arena.ai قرار گرفت
شرکت DeepSeek با معرفی مدل جدید خود، DeepSeek-V4.1-Flash-20261017، موفق شد جایگاه نخست را در میان مدل‌های متن‌باز در جدول امتیازات Code Arena WebDev پلتفرم Arena.ai کسب کند. این مدل توانست با پیشی گرفتن از Kimi K3 (Max)، با هزینه‌ای حدود یک دهم مدل رقیب، این موفقیت را به دست آورد.
رتبه برتر در Code Arena WebDev
بر اساس به‌روزرسانی منتشر شده توسط Arena.ai در تاریخ ۱۸ اکتبر ۲۰۲۶، مدل جدید DeepSeek با کسب امتیاز ۱۶۷۰ در بخش Code Arena WebDev، در جایگاه اول مدل‌های متن‌باز و دوازدهم در کل جدول قرار گرفت. این جدول شامل وظایف مربوط به کدنویسی عامل‌محور (agentic) و فرانت‌اند است.
مدل Kimi K3 (Max) که پیش از این در صدر رتبه‌بندی مدل‌های متن‌باز قرار داشت، اکنون جای خود را به مدل DeepSeek داده است. Arena.ai هزینه اجرای مدل DeepSeek را تقریباً ۱۰ برابر کمتر از Kimi K3 (Max) تخمین زده است. این پلتفرم همچنین این عرضه را به عنوان عاملی برای جابجایی مرز کارایی-هزینه (Pareto frontier) برای مدل‌های متن‌باز در گردش کار کدنویسی معرفی کرده است.
به‌روزرسانی جزئی با بهبودهای قابل توجه
نسخه منتشر شده در تاریخ ۱۷ اکتبر، از نظر فنی یک به‌روزرسانی جزئی محسوب می‌شود و مدل DeepSeek که در سپتامبر ۲۰۲۶ عرضه شده بود را بهبود می‌بخشد. با این حال، این به‌روزرسانی جزئی منجر به بهبود عملکرد در تمامی معیارهای سنجش (benchmarks) شده توسط DeepSeek شده است. مقایسه‌هایی با نسخه سپتامبر نشان‌دهنده پیشرفت‌های چشمگیر است:
- DeepSWE v1.1: ۷۷.۰ (در مقایسه با ۷۴.۲)
- Terminal-Bench 4.0: ۴۲.۳ (در مقایسه با ۳۱.۲)
- Automation-Bench: ۶۰.۵ (در مقایسه با ۵۴.۸)
معماری و مشخصات فنی
این مدل بر اساس معماری Mixture-of-Experts (MoE) ساخته شده است. از نظر فنی، ستون فقرات مدل شامل ۵۵۲ میلیارد پارامتر است و ۱۹۶ میلیارد پارامتر اضافی Engram نیز به آن افزوده شده است. با این حال، مدل تمامی این پارامترها را به طور همزمان فعال نمی‌کند.
در مرحله پیش‌پردازش (prefill)، که ورودی کاربر خوانده و پردازش می‌شود، ۸ میلیارد پارامتر فعال می‌گردد. در مرحله تولید خروجی (decoding)، این رقم به ۱۶ میلیارد پارامتر می‌رسد.
سایر ویژگی‌های برجسته این مدل شامل ساختار Causal Encoder-Decoder، قابلیت پردازش تصویر بومی (native vision) و بهینه‌سازی‌های KV cache است. پنجره زمینه (context window) این مدل تا ۱ میلیون توکن قابل افزایش است.
دسترسی و هزینه‌ها
وزن‌های این مدل تحت مجوز MIT در Hugging Face منتشر شده‌اند. برای توسعه‌دهندگانی که تمایلی به میزبانی مستقل ندارند، API دیپ‌سیک با قیمت ۰.۳۰ دلار به ازای هر میلیون توکن ورودی و ۱.۲۰ دلار به ازای هر میلیون توکن خروجی در زمان اوج مصرف، ارائه می‌شود.
DeepSeek که رسماً با نام Hangzhou DeepSeek شناخته می‌شود، یک آزمایشگاه هوش مصنوعی چینی است که هویت خود را بر پایه مدل‌های متن‌باز بنا نهاده است. خانواده مدل V4.1 این شرکت به طور خاص بر کدنویسی عامل‌محور با بازدهی بالا و هزینه کم تمرکز دارد.
تأثیر بر تیم‌های مهندسی
این پیشرفت تأثیر مستقیمی بر تیم‌های مهندسی خواهد داشت که در انتخاب مدل‌های مورد استفاده در ابزارهای خود تصمیم‌گیری می‌کنند. مدلی که در رتبه ۱۲ کلی، در میان رقابت با مدل‌های متن‌باز و بسته قرار می‌گیرد و هزینه‌ای معادل ۰.۳۰ دلار به ازای هر میلیون توکن ورودی دارد، گزینه جذابی برای هدایت حداقل بخشی از گردش کارها به سمت خود محسوب می‌شود.
با این حال، رتبه ۱۲ کلی به این معناست که هنوز ۱۱ مدل بالاتر از آن قرار دارند و دستیابی به بالاترین جایگاه جدول همچنان در حال حاضر دور از دسترس است.
