DeepSeek uvedl novou verzi svého LLM V4.1 Flash. Nová varianta 1017 má být malým upgradem, nicméně v benchmarích dosahuje podstatně lepších výsledků.
Čínský DeepSeek představil aktualizaci svého odlehčeného modelu, která nese název DeepSeek-V4.1-Flash-1017. Jde o mírný update verze V4.1 Flash (0731), který má přinášet zlepšení v uvažování, programování i agentních úlohách. Model nadále využívá architekturu svého předchůdce Causal Encoder-Decoder (CED), Compressed Sparse Attention 2 (CSA2) i FP4 kvantizaci. Díky těmto technologiím se DeepSeeku podařilo udržet extrémně nízké nároky na KV cache, která zabírá pouze 890 bajtů na jeden token, což výrazně snižuje paměťové požadavky při provozu.
V oblasti programování a softwarového inženýrství vykazuje nový model velmi silné výsledky. V benchmarku DeepSWE v1.1 dosahuje skóre 77, čímž překonává i konkurenční modely GPT-5.6 Sol (73) nebo Claude Opus 5, který zde získal 74 bodů. Předchozí verze V4.1 Flash 0731 měla 74,2. Podobný trend vidíme u AutomationBench, kde novinka s výsledkem 60,5 poráží GPT-5.6 Sol se 45,8, Opus 5 s jeho 50,3 i předchůdce s 54,8. Pochopitelně ne u všech benchmarků je nejlepší, nicméně na to, že jde o odlehčený model, jsou výsledky vskutku výborné.
Model prošel optimalizací pro agentní prostředí. Lépe funguje ve smyčkách, kde model sám testuje svůj kód, opravuje ho a znovu zkouší, což dělá podstatně lépe než starší verze. DeepSeek se zaměřil také na extrémní kondenzaci výstupů. Model byl trénován pomocí reinforcement learningu tak, aby přestal být zbytečně zdlouhavý a místo dlouhých vysvětlení poskytoval okamžitě přesný kód nebo odpověď. Kratší odpovědi pak znamenají méně spotřebovaných tokenů, tedy vyšší rychlost a nižší náklady.
Pokud jde o cenu, ta u předchůdce spadla už na pouhých 0,012 USD na 1M vstupních tokenů a 0,12 USD za 1M výstupních. Taková cena je alespoň vedena na OpenRouteru. Novinka je o něco dražší, nicméně i tak je s cenami 0,05 USD za 1M vstupu a 0,5 USD za 1M výstupu extrémně levným modelem, a to i bez ohledu na jeho schopnosti.
