İçindekiler
DeepSeek, V4.1 Flash modelinin 1017 sürümünü Hugging Face üzerinde yayımladı. Şirketin "küçük bir güncelleme" olarak tanımladığı sürüm; muhakeme, kodlama, ajan görevleri ve görsel testlerde belirgin artış getiriyor. Model aynı zamanda görev süresini ve ürettiği çıktı uzunluğunu azaltıyor.
Teknik künye
Model 763 milyar parametreli, BF16 hassasiyetinde ve MIT lisansıyla dağıtılıyor. Bağlam penceresi 1 milyon token, önerilen en yüksek çıktı en az 256 bin token. Örnekleme ayarları sıcaklık 1,0 ve top_p 1,0 olarak veriliyor. Model, llama.cpp, LM Studio, Ollama ve Jan gibi araçlarda kullanılabilecek nicelenmiş sürümlere de ayrılmış durumda. Lisans ticari kullanıma da izin veriyor.
Benchmark sonuçları
Kıyaslama tablosu, önceki V4.1 Flash'a göre kazançları net gösteriyor: Terminal-Bench 4.0'da 31,2'den 42,3'e, ProgramBench'te 20,3'ten 29,1'e, Automation-Bench v1.0.6'da 54,8'den 60,5'e, Apex Bench v1.1'de 64,6'dan 72,1'e, Agents' Last Exam'de 31,8'den 35,4'e, DeepSWE v1.1'de 74,2'den 77,0'a çıktı. Araçsız HLE puanı 36,8'den 42,6'ya yükseldi; metin tabanlı alt kümede 44,0. Görsel tarafında Chartography 83,0, BabyVision 92,5 ve ZeroBench 51,0 puan aldı.
Rakiplerle karşılaştırma
Aynı tabloda K3, GLM-5.3, GPT-5.6 Sol ve Opus 5 de yer alıyor. Terminal-Bench 4.0'da Opus 5 (51,8) önde; ancak V4.1 Flash 1017, GLM-5.3 (37,9) ve GPT-5.6 Sol'u (39,9) geçiyor. HLE'de Opus 5 56,3 ile daha yüksek, araçsız HLE'de DeepSeek 42,6 ile GLM-5.3 ve K3 seviyesine yaklaşıyor. DeepSWE v1.1 ve NL2Repo-Bench'te sırasıyla 77,0 ve 68,2 puanla GPT-5.6 Sol'un üzerinde konumlanıyor.
Değerlendirme koşulları önemli
DeepSeek, benchmark koşullarını da paylaşıyor: Terminal-Bench 4.0 için Claude Code, DeepSWE v1.1 için Mini-SWE-V2 ajan altyapısı kullanıldı. Yani puanlar yalnızca modeli değil, çevresindeki ajan düzenini de ölçüyor. Farklı altyapılarla alınan sonuçların birebir karşılaştırılması yanıltıcı olabilir. Tabloda işaretli bazı değerlerin metin tabanlı alt kümeler olduğunu da not etmek gerekiyor.
Ajan uyumu ve maliyet iddiası
Sürümün en pratik iddiası maliyet tarafında: model, görev süresini ve çıktı uzunluğunu azaltarak performans-maliyet sınırını ileri taşıdığını söylüyor. Ajan görevlerinde daha kısa çıktı, daha düşük token faturası anlamına geliyor; Automation-Bench ve Agents' Last Exam'deki artışlar tam olarak bu senaryoya işaret ediyor. DeepSeek ayrıca modelin istem formatını Rust tabanlı deepseek-recipe kütüphaneleriyle üretime taşımış. Bu sürümde Jinja formatlı sohbet şablonu yer almıyor; referans Python kodlayıcı ayrı klasörde veriliyor.
Kimler için?
Kodlama ajanı kuran ekipler, uzun bağlam gerektiren belge iş akışları ve kendi sunucusunda model çalıştıranlar için uygun bir seçenek. Görevi uzun metin üretmek yerine kısa yoldan çözmeyi hedefleyen yapı, ajan döngülerinde maliyeti düşürüyor. Buna karşılık 763 milyar parametre yerel donanımda ciddi kaynak istiyor; nicelenmiş sürümler bu eşiği aşağı çekiyor.
Nasıl çalıştırılır?
Depoda ağırlık dönüşümü ve yerel çıkarım için ayrı klasörler var. DeepSeek, üretim kullanımı için istemleri Conversation formatına çeviren, token kimliklerine kodlayan ve model çıktısını akış halinde ayrıştıran derlenmiş araç takımını da paylaşıyor. Böylece düşünme modu, araç çağrıları ve görsel içerik aynı protokol üzerinden yönetiliyor. Model ayrıca topluluk tarafından nicelendirilerek llama.cpp ve benzeri çalıştırıcılara taşınmış durumda; bu, 763 milyar parametreli bir modeli yerel donanımda denemek isteyenler için pratik bir yol.
Sonuç
DeepSeek V4.1 Flash 1017, "küçük güncelleme" tanımının altını dolduran bir sürüm. Muhakeme ve kodlama testlerinde önceki sürüme göre 10 puana varan artışlar var, lisans MIT ve bağlam penceresi 1 milyon token. Sürüm, ajan çağında rekabetin yalnızca ham zekâ üzerinden değil görev başına maliyet üzerinden yürüdüğünü de gösteriyor.