شرکت چینی Dipsic مدل جدید V4.1 Flash را با معماری کارآمد و پشتیبانی بومی برای درک بصری منتشر کرد که نتایج معیار بهتری نسبت به پرچمداران رقیب دارد.
به گزارش سرویس هوش مصنوعی تکناک، شرکت هوش مصنوعی چینی که در ابتدای سال 2025 با معرفی مدل استدلالی ارزان قیمت خود توجه ها را به خود جلب کرد، به تازگی مدل فلش DeepSeek-V4.1 را عرضه کرده است. مدلی که ادعا می شود هوشمندتر، سریعتر و کارآمدتر است. این شرکت اعلام کرد که این مدل کوچکترین عضو خانواده معماری جدید آنها یعنی DeepSik V4 است که اکنون به صورت بومی از درک بصری پشتیبانی می کند. همچنین گفته می شود که این مدل برای قابلیت بیشتر، استنتاج سریعتر، نرخ پردازش (درآمد) بالاتر و مقیاس پذیری نسبت به مدل های بزرگتر طراحی شده است.
مدل فلش DeepSeek-V4.1 از طراحی Mixture of Experts با 552 میلیارد پارامتر استفاده می کند که هوش بیشتری را با هزینه کمتر ارائه می دهد. این مدل همچنین از معماری جدید Causal Encoder-Decoder استفاده می کند، به این معنا که تنها از هشت میلیارد پارامتر فعال برای ورودی و 16 میلیارد پارامتر برای خروجی استفاده می کند. DeepSeek همچنین از روشهای پیشآموزشی جدید و یادگیری تقویتی در مقیاس بزرگ در مرحله پس از آموزش برای دستیابی به نتایج معیاری استفاده کرده است که از مدلهای شاخص مانند Kimi-K3، GLM-5.3، Claude Opus 5، GPT 5.6-Sol و DeepSeek-V4-Pro فراتر میرود. نتایج کامل بنچمارک ها در جدول زیر قابل مشاهده است:
نتایج محک فراتر از رقبا
| معیارها | DeepSeek V4.1-Flash | DeepSeek V4-Pro 0813 | DeepSeek V4-Flash 0731 | GLM 5.3 | کیمی کی 3 | GPT 5.6-Sol | کار را ببندید 5 |
|---|---|---|---|---|---|---|---|
| الماس GPQA | 90.9 | 92.4 | 89.9 | 88.1 | 92.9 | 94.1 | 93.4 |
| لطفا | 36.8 (39.1*) | 42.7* | 37.8* | 42.0* | 43.5 | 44.5 | 56.3 |
| نیروهای کد (رده بندی) | 3471 | 3348 | 3289 | – | – | – | – |
| MathAreana Apex | 65.6 | 65.3 | 58.6 | – | 65.6 | – | – |
| ترمینال-نیمکت 2.1 | 90.6 | 87.9 | 82.7 | 88.2 | 88.3 | 88.8 | 89.1 |
| Terminal-Bench 3.0 | 30.0 | 11.8 | 7.6 | 28.3 | 17.7 | 34.4 | 43.3 |
| Terminal-Bench 4.0 | 31.2 | 12.4 | 7.0 | 37.9 | 12.6 | 39.9 | 51.8 |
| DeepSWE نسخه 1.1 | 74.2 | 62.7 | 54.4 | 66.9 | 67.5 | 73.0 | 74.0 |
| برنامه بنچ | 20.3 | 15.5 | – | 19.0 | 17.5 | 23.0 | 37.0 |
| NL2Repo-Bench | 65.4 | 61.5 | 54.2 | 58.0 | 58.0 | 56.8 | 75.3 |
| CyberGym | 88.1 | 83.3 | 76.7 | 84.5 | 80.0 | 84.5 | – |
| SEC-Bench Pro | 62.8 | 56.4 | 30.9 | – | – | 74.3 | – |
| ExploitGym | 15.3 | 5.4 | 1.8 | 15.0 | – | 33.7 | 22.1 |
| HLE (با ابزار) | 63.9 | 60.0 | 51.5 | 62.5 | 59.8 | – | 63.6 |
| اتوماسیون-نیمکت | 54.8 | 43.2 | 37.7 | 48.8 | 46.7 | 45.8 | 50.3 |
| آخرین امتحان نمایندگان | 31.8 | 25.7 | 25.2 | 28.5 | 27.6 | 26.7 | 28.6 |
| نمودار (با ابزار) | 78.9 | – | – | – | 68.1 | 79.9 | 84.0 |
| BabyVision (بدون ابزار) | 89.6 | – | – | – | 85.7 | 88.9 | 94.1 |
| ZeroBench-Main (با ابزار) | 49.0 | – | – | – | 41.0 | 53.0 | 52.0 |
* یک زیر مجموعه متنی از HLE را نشان می دهد.
یکی از مسائلی که جامعه فناوری را آزار داده است، افزایش چشمگیر هزینه های حافظه به دلیل اولویت بندی حافظه با پهنای باند بالا (HBM) در مراکز داده هوش مصنوعی بوده است. دیپسیک در این زمینه بسیار احتیاط کرده است، زیرا در مقایسه با نسل قبلی، این مدل به مقدار بسیار کمتری از حافظه کش KV نیاز دارد. شامل یک چهارم HBM و یک هشتم فضای ذخیره سازی SSD. دیپسیک بیان کرده است که هزینه های کش بخش بزرگی از هزینه های عامل ها را تشکیل می دهد، بنابراین با فشرده سازی کش، هزینه ها به طور قابل توجهی کاهش می یابد.
* یک زیر مجموعه متنی از HLE را نشان می دهد.
این مدل جدید اکنون با پشتیبانی بومی برای قابلیت های چندوجهی در DeepSeek API در دسترس است. در همین حال، مدلهای V4-Flash و V4-Flash-Vision-Exp بازنشسته شدهاند و اگر برنامهها برای استفاده از آنها پیکربندی شده باشند، درخواستها بهطور موقت به V4.1-Flash هدایت میشوند. همچنین فرآیند جایگزینی V4-Pro را آغاز کرده است، زیرا V4.1-Flash از نظر عملکرد، هزینه، سرعت و زمان کل اجرای آن بهتر است. از ساعت 04:00 UTC در 14 سپتامبر، تمام درخواستهای DeepSeek-V4-Pro به V4.1-Flash با نرخ V4.1-Flash هدایت میشوند تا زمانی که V4.1-Pro منتشر شود.
بر اساس این گزارش نیووین و با انتشار امروز، شرکای رسمی DeepSik WorkBuddy_AI و OpenCode اکنون به طور کامل از V4.1-Flash پشتیبانی میکنند، بنابراین میتوانید در حال حاضر کدنویسی vibe را با این مدل تجربه کنید.
جزئیات قیمت گذاری API جدید
جزئیات قیمت گذاری API برای این مدل جدید به شرح زیر است:
| قیمت گذاری API مدل DeepSeek-V4.1-Flash | ورودی (Hit Cache) | ورودی (Cache Miss) | خروجی |
|---|---|---|---|
| ساعات غیر اوج مصرف | 0.003 دلار | 0.15 دلار | 0.6 دلار |
| ساعات اوج مصرف | 0.006 دلار | 0.3 دلار | 1.2 دلار |
ساعات اوج مصرف: روزهای هفته از ساعت 01:00 تا 04:00 و از 06:00 تا 10:00 UTC (سایر اوقات، از جمله تعطیلات آخر هفته و تعطیلات رسمی، ساعات غیر اوج مصرف در نظر گرفته می شوند).
تاریخ اجرا: از 04:00 UTC، 10 سپتامبر 2026.
به عنوان یک مدل منبع باز، انتظار می رود بسیاری دیگر از شرکت های هوش مصنوعی آن را به محصولات خود اضافه کنند.
گفتگو در مورد این post