Новая модель DeepSeek делает ставку на код и автономных ИИ-агентов

DeepSeek выпустила V4.1-Flash-1017 — новую версию языковой модели, рассчитанную прежде всего на разработчиков и автономные ИИ-системы. Компания сосредоточилась на повышении эффективности при решении задач программирования и сокращении объема лишнего текста, который модель генерирует в процессе работы.

Новый результат в тесте DeepSWE

В опубликованных результатах DeepSeek V4.1-Flash-1017 получила 77 баллов в тесте DeepSWE v1.1. Предыдущая версия модели набрала 74,2 балла. В рамках этого испытания новинка также опередила Claude Opus 5 с результатом 74 балла и GPT-5.6-Sol, набравшую 73 балла.

Однако говорить о безусловном превосходстве DeepSeek пока нельзя. Claude Opus 5 показала лучшие результаты в Terminal-Bench 4.0, ProgramBench и NL2Repo-Bench, а также в тесте HLE, который проводился без дополнительных инструментов.

Компания отдельно указывает на различия в условиях испытаний. Например, для Terminal-Bench 4.0 использовалась среда Claude Code, тогда как DeepSWE v1.1 работал на базе Mini-SWE-V2. Поэтому сопоставление результатов требует учитывать не только итоговые баллы, но и условия каждого теста.

Доступ к модели и ее основные задачи

Веса V4.1-Flash-1017 опубликованы на платформе Hugging Face. Использовать модель также можно через веб-сервис DeepSeek, фирменное приложение и API компании.

Основная область применения новинки — генерация и анализ программного кода, обработка технических материалов и выполнение многоэтапных задач с помощью ИИ-агентов. Сокращение количества лишних токенов может снизить вычислительные расходы и ускорить выполнение отдельных операций, особенно в сценариях, где модель многократно обращается к инструментам.

DeepSeek добавила поиск и извлечение веб-контента

Помимо обновленной модели, компания представила два API, которые позволяют ИИ-системам обращаться к интернет-источникам.

Search API предназначен для поиска информации и выдачи структурированных результатов. Fetch API решает другую задачу: получает содержимое конкретной веб-страницы и возвращает его в формате Markdown, удобном для дальнейшей обработки языковой моделью.

Такие инструменты могут использоваться при создании автономных агентов и систем RAG, которые формируют ответы на основе внешних документов и веб-материалов. В этом случае поиск помогает найти подходящие источники, а извлечение страниц — передать их содержимое модели.

Дата выхода и цена

DeepSeek установила цену каждого сервиса на уровне $0,75 за 1000 успешных запросов. Оплачиваются только результативные вызовы: пустые ответы, системные ошибки и тайм-ауты не должны включаться в счет.

Начало тарификации использования инструментов было назначено на 1 ноября. Таким образом, разработчики получили отдельные средства для поиска и загрузки веб-контента, которые можно подключать к собственным ИИ-приложениям.

Выпуск V4.1-Flash-1017 и запуск Search API с Fetch API показывают, что DeepSeek развивает не только языковые модели, но и инфраструктуру для их практического применения. При этом сравнительные тесты пока демонстрируют неоднозначную картину: новая версия сильна в отдельных задачах программирования, но результаты конкурентов зависят от конкретного испытания.

Не пропустите интересное!

Підписывайтесь на наши каналы и читайте анонсы хай-тек новостей, тестов и обзоров в удобном формате!

Мы в Facebook Мы в Instagram Мы в Telegram