ჩინურმა კომპანია DeepSeek-მა DeepSeek-V4.1-Flash-1017 გამოუშვა – სექტემბერში გამოსული V4.1-Flash მოდელის განახლებული ვერსია. კომპანიის თქმით, ახალი მოდელი წინამორბედს ბენჩმარკებზე უსწრებს, ამოცანებს უფრო სწრაფად ასრულებს და უფრო მოკლე პასუხებს წერს. ის უკვე ხელმისაწვდომია DeepSeek-ის ვებსაიტზე, აპლიკაციასა და API-ში, წონები კი ღიად გამოქვეყნდა.
DeepSeek ამას შესრულებისა და ხარჯის პარეტო-გაუმჯობესებას უწოდებს: მოდელი ერთდროულად უფრო ძლიერიც გახდა და უფრო ეკონომიურიც. ამავე დღეს დეველოპერებისთვის DeepSeek-ის საძიებო API-ც გაიხსნა – Search და Fetch, რომლებიც კომპანიის საკუთარ საძიებო სისტემაზე მუშაობს.
სარჩევი
რა შეიცვალა DeepSeek-V4.1-Flash-1017-ში
ოფიციალური ანონსის მიხედვით, ეს DeepSeek-V4.1-Flash-ის მცირე განახლებაა, სახელში მითითებული 1017 კი გამოშვების თარიღს, 17 ოქტომბერს აღნიშნავს.
განახლებულ ვერსიაში გაუმჯობესდა მსჯელობა, კოდის წერა, აგენტური ამოცანების შესრულება და ვიზუალური ტესტების შედეგები. პარალელურად შემცირდა ამოცანის შესრულების დრო და პასუხის სიგრძე, ანუ იგივე სამუშაოს მოდელი ნაკლები ტოკენით ასრულებს.
The Decoder-ის ცნობით, სრული პროგრამული პროექტების ნულიდან ასაწყობად DeepSeek-მა RLSF გამოიყენა – განმტკიცებით სწავლება საკუთარი უკუკავშირით. ამ მეთოდში მოდელი ჯილდოს სიგნალად საკუთარ შეფასებას იყენებს, ამიტომ ადამიანების შეფასება ან ცალკე ჯილდოს მოდელი საჭირო აღარ არის. კომპანიის თქმით, ამან გააუმჯობესა პროექტების თავიდან ბოლომდე აწყობა – თამაშების პროგრამირებიდან 3D მოდელირებამდე და დიზაინამდე.
ბენჩმარკები: სად უსწრებს და სად ჩამორჩება
DeepSeek-მა 11 ბენჩმარკის შედეგი გამოაქვეყნა და DeepSeek-V4.1-Flash-1017 წინა ვერსიას ყველა მათგანში უსწრებს, 2.0-დან 11.1 ქულამდე სხვაობით. ყველაზე დიდი ნახტომი Terminal-Bench 4.0-ზეა (31.2-დან 42.3-მდე), შესამჩნევად გაიზარდა ProgramBench-ისა (20.3-დან 29.1-მდე) და Apex Bench v1.1-ის (64.6-დან 72.1-მდე) შედეგებიც.
შედარებისთვის ცხრილში ოთხი კონკურენტია: Moonshot AI-ის Kimi K3, Z.ai-ის GLM-5.3, OpenAI-ის GPT-5.6 Sol და Anthropic-ის Claude Opus 5.
სად უსწრებს კონკურენტებს
ოთხ ტესტში DeepSeek-V4.1-Flash-1017 ცხრილის ყველა მოდელს უსწრებს. ფრჩხილებში უახლოესი მეტოქეების შედეგებია:
- DeepSWE v1.1: 77.0 (Claude Opus 5 – 74.0, GPT-5.6 Sol – 73.0)
- Automation-Bench v1.0.6: 60.5 (Claude Opus 5 – 50.3)
- Agents’ Last Exam: 35.4 (Claude Opus 5 – 28.6)
- Apex Bench v1.1: 72.1 (Claude Opus 5 – 65.8)
Terminal-Bench 4.0-ზე ახალი Flash (42.3) GPT-5.6 Sol-ს (39.9), GLM-5.3-სა (37.9) და Kimi K3-ს (12.6) უსწრებს, თუმცა Claude Opus 5-ს ჩამორჩება.
სად ინარჩუნებს უპირატესობას Claude Opus 5
11-დან 7 ტესტში Opus 5 მაინც წინ არის. ყველაზე დიდი სხვაობა HLE-ზეა (ხელსაწყოების გარეშე): Opus 5-ს 56.3 აქვს, ახალ Flash-ს კი – 42.6. Opus 5 უსწრებს Terminal-Bench 4.0-ზეც (51.8 და 42.3), ProgramBench-ზე (37.0 და 29.1) და NL2Repo-Bench-ზე (75.3 და 68.2).
ვიზუალურ ტესტებში სხვაობა მცირეა: Chartography-ზე 84.0 და 83.0, BabyVision-ზე 94.1 და 92.5, ZeroBench-main-ზე კი 52.0 და 51.0. ამ უკანასკნელში GPT-5.6 Sol-იც (53.0) წინ არის, HLE-ზე კი ახალი Flash Kimi K3-საც (43.5) და GPT-5.6 Sol-საც (44.5) ჩამორჩება.
გასათვალისწინებელია, რომ ეს DeepSeek-ის საკუთარი ტესტებია: Terminal-Bench 4.0 Claude Code-ის აგენტურ გარემოში ჩატარდა, DeepSWE v1.1 კი Mini-SWE-V2-ში. დამოუკიდებელი შედეგები ჯერ არ გამოქვეყნებულა, ცხრილში კი Anthropic-ს Claude Opus 5 წარმოადგენს და არა უფრო ახალი Opus 5.5.
ნაკლები ტოკენი, ნაკლები ხარჯი
ტოკენის ფასი არ შეცვლილა, მაგრამ მოკლე პასუხები ერთ ამოცანაზე დახარჯულ თანხას ამცირებს. ამის საჩვენებლად DeepSeek-მა DeepSWE ბენჩმარკის ხარჯების გრაფიკი გამოაქვეყნა, რომელსაც The Decoder დეტალურად აღწერს.
გრაფიკის მიხედვით, ახალი მოდელი DeepSWE-ზე 77.0%-ს აღწევს, ერთ ამოცანაზე კი საშუალოდ $0.20-ზე ოდნავ ნაკლებს ხარჯავს. მსჯელობის დაბალ (low) დონეზე ის 72%-ზე მეტს აგროვებს დაახლოებით $0.10-ის ხარჯით. წინა ვერსია 74.2%-ს აღწევდა, მაგრამ ერთი ამოცანა დაახლოებით $0.50 უჯდებოდა.
იმავე გრაფიკზე კონკურენტი მოდელები ერთ ამოცანაზე $2-დან $10-ზე მეტამდე ხარჯავენ და სიზუსტით ახალ Flash-ს მაინც ვერ უტოლდებიან.
DeepSeek-მა მოდელი სპეციალურად მოარგო DeepSeek Harness-ს, Tencent-ის CodeBuddy-სა და WorkBuddy-ს, ასევე სხვა პლატფორმებს. საუკეთესო შედეგისთვის კომპანია DeepSeek Harness-ის v0.2.1-rc.1 ან უფრო ახალ ვერსიას გირჩევთ.
რა არის DeepSeek Harness, CodeBuddy და WorkBuddy
DeepSeek Harness
DeepSeek Harness ღია კოდის აგენტური გარემოა, რომელიც DeepSeek-მა აგვისტოში MIT ლიცენზიით გამოაქვეყნა. მისი მთავარი პრინციპია, რომ ყველაფერი პლაგინია: ახალი ინსტრუმენტები, უნარები და ინტერფეისის ელემენტებიც პლაგინებით ემატება.
კოდის გარდა, Harness დოკუმენტებთან, ცხრილებთან და დაგეგმილ ამოცანებთანაც მუშაობს და მხოლოდ DeepSeek-ის მოდელებით არ შემოიფარგლება. ის ჯერ წინასწარი ვერსიის (preview) სტატუსშია და ხელმისაწვდომია დესკტოპ აპლიკაციად macOS-ისა და Windows-ისთვის, ასევე ვებ-ინტერფეისით, რომელიც npx @deepseek-ai/dsh web ბრძანებით ეშვება.
CodeBuddy და WorkBuddy
CodeBuddy Tencent Cloud-ის AI ასისტენტია პროგრამისტებისთვის. ის მუშაობს VS Code-ისა და JetBrains-ის IDE-ების პლაგინად, ცალკე IDE-დ და ბრძანების ხაზის ხელსაწყოდ.
WorkBuddy Tencent Cloud-მა 2026 წლის მარტში CodeBuddy-ის არქიტექტურაზე დაყრდნობით გამოუშვა. ეს დესკტოპ აგენტია საოფისე საქმეებისთვის: მომხმარებელი დავალებას ერთი წინადადებით აღწერს და იღებს მზა ანგარიშს, პრეზენტაციას ან ცხრილს, რომელიც მისივე ფაილების საფუძველზე მზადდება. DeepSeek-ის დოკუმენტაციაში ინსტრუქციაც არის, თუ როგორ დაუკავშიროთ deepseek-flash ორივე ხელსაწყოს.
DeepSeek-ის საძიებო API: Search და Fetch
მოდელთან ერთად DeepSeek-მა დეველოპერებს საკუთარი საძიებო სისტემა გაუხსნა. კომპანიის თქმით, ეს AI-ზე ორიენტირებული საძიებო ძრავა მთელი მსოფლიოდან დღეში ასობით მილიონ მოთხოვნას ამუშავებს, ასობით მილიარდ ვებგვერდს ინდექსირებს და მრავალ ენაზე მუშაობს.
DeepSeek ასევე ამბობს, რომ სისტემა ფილტრავს SEO სპამს, GEO-მანიპულაციას, ანუ AI-ძრავების პასუხებზე ხელოვნურ ზემოქმედებას, და დაბალი ხარისხის AI-კონტენტს. ეს დეტალი განსაკუთრებით საინტერესოა მათთვის, ვინც ვებისთვის კონტენტს ქმნის.
DeepSeek-ის საძიებო API ორი ნაწილისგან შედგება:
- Search API – მოთხოვნაზე სტრუქტურირებულ შედეგებს აბრუნებს: სათაურს, ბმულს, მოკლე და ვრცელ შეჯამებას, გამოქვეყნების თარიღს და გვერდის ავტორიტეტულობის დონეს. ერთ მოთხოვნაზე 50-მდე შედეგის მიღებაა შესაძლებელი, მხარდაჭერილია ოპერატორებიც, მათ შორის site:, lang:, after: და before:.
- Fetch API – კონკრეტულ ვებგვერდს ჩამოტვირთავს და მის შიგთავსს Markdown ფორმატში აბრუნებს.
ორივე API-ს ფასი ერთნაირია: $0.75 ყოველ 1000 წარმატებულ მოთხოვნაზე. წარუმატებელი და timeout-ით დასრულებული მოთხოვნები, ისევე როგორც ცარიელი შედეგები, არ ფასდება. ლიმიტი ანგარიშზე წამში 5 მოთხოვნაა, თითოეული API-სთვის ცალ-ცალკე. დეტალები ოფიციალურ დოკუმენტაციაშია.
ერთი პრაქტიკული მომენტი: თუ DeepSeek API-ს DeepSeek Harness-ით, Anthropic-ის Claude Code-ით ან OpenAI-ის Codex-ით იყენებთ, სერვერის მხარეს შესრულებული ძებნა და გვერდების ჩამოტვირთვა უკვე ამ API-ებზე გადის. ასეთი გამოძახებები ჯერჯერობით უფასოა, გადახდა კი პეკინის დროით 1 ნოემბრის 00:00 საათიდან დაიწყება (თბილისის დროით 31 ოქტომბერს, 20:00-ზე).
ღია წონები და ლოკალური გაშვება
DeepSeek-V4.1-Flash-1017-ის წონები ხელმისაწვდომია Hugging Face-სა და ModelScope-ზე, MIT ლიცენზიით. ეს ერთ-ერთი ყველაზე თავისუფალი ლიცენზიაა და მოდელის კომერციულ გამოყენებასაც უშვებს.
რელიზს Jinja ფორმატის ჩატის შაბლონი არ ახლავს. მის ნაცვლად encoding საქაღალდეში Python-ის საცნობარო იმპლემენტაციაა, საწარმოო გამოყენებისთვის კი DeepSeek-მა deepseek-recipe გამოუშვა – Rust-ზე დაწერილი ბიბლიოთეკები, რომლებიც Python-იდანაც მუშაობს.
მოდელის ბარათში რეკომენდებული პარამეტრებია temperature 1.0 და top_p 1.0. კონტექსტური ფანჯარა 1 მილიონი ტოკენია, max_tokens-ისთვის კი სულ მცირე 256K ტოკენია რეკომენდებული.
ფასი და ხელმისაწვდომობა
API-ში DeepSeek-V4.1-Flash-1017-ს deepseek-flash სახელით მიმართავთ, გამოძახების წესი და ფასი კი არ შეცვლილა. ძველი სახელები deepseek-v4-flash და deepseek-v4-flash-vision-exp ისევ მუშაობს: ასეთ მოთხოვნებს ახალი მოდელი ამუშავებს და Flash-ის ფასით ფასდება. სრული ცხრილი ფასების გვერდზეა.
- კონტექსტი: 1 მილიონი ტოკენი, პასუხის მაქსიმალური სიგრძე – 384K ტოკენი
- რეჟიმები: მსჯელობით (ნაგულისხმევი) და მსჯელობის გარეშე, სურათების აღქმის მხარდაჭერით
- ფასი პიკის გარეთ, 1 მილიონ ტოკენზე: შემავალი ტოკენები ქეშიდან – $0.003, ქეშის გარეშე – $0.15, გამომავალი ტოკენები – $0.6
- ფასი პიკის საათებში: ორჯერ მეტი – $0.006, $0.3 და $1.2
თუ deepseek-flash-ს უკვე იყენებთ, კოდში არაფრის შეცვლა არ გჭირდებათ – API DeepSeek-V4.1-Flash-1017-ზე ავტომატურად გადავიდა. საბოლოო დასკვნისთვის კი ღირს დამოუკიდებელ ტესტებს დაველოდოთ, რადგან შედეგები ჯერჯერობით მხოლოდ DeepSeek-ის საკუთარ შეფასებებს ეყრდნობა.
სხვა თემები
DeepSeek-V4.1-Flash: ახალი მულტიმოდალური მოდელი
DeepSeek-V4-Pro – მოდელი ოფიციალურად გამოვიდა
DeepSeek-მა DeepSeek-V4-Flash API ბეტა ვერსიაში ჩაუშვა