DeepSeek-V4.1-Flash-1017 существует, и ему уже один день. Вы можете прочитать запись в списке изменений от 17.10.2026, скачать 763 миллиарда параметров весов с лицензией MIT с Hugging Face и вызвать модель прямо сейчас под неизменным идентификатором deepseek-flash по прежним тарифам. Чего вы не можете сделать, так это узнать, какое место она занимает в рейтингах. Самая содержательная публикация о DeepSeek V4.1 Flash на следующий день после обновления была не результатом, а догадкой. Внимательный наблюдатель за лабораторией оценил будущий индекс Artificial Analysis Intelligence Index для этой модели в 45–46 баллов, предсказал, что она немного обгонит Grok 4.7, уступит оценке AA-Omniscience и предложил 57% как справедливое ожидание по индексу Vals. Каждая из этих цифр — прогноз для таблицы лидеров, в которой еще нет строки 1017. Релиз — это факт. Место в рейтинге — это ставка, и самое интересное здесь то, почему никто не может подтвердить его сегодня.
Что на самом деле вышло 17 октября
Первоисточник краток. В списке изменений DeepSeek за 17.10.2026 указано, что V4.1 Flash «была обновлена до DeepSeek-V4.1-Flash-1017», что модели для веба и приложений были обновлены вместе с ней, что «метод вызова API и ценообразование остаются без изменений», и что вызовы deepseek-flash обращаются к новейшей модели. Это всё, что касается спецификаций. Соответствующий репозиторий, deepseek-ai/DeepSeek-V4.1-Flash-1017, был создан 17 октября в 02:40 UTC и в последний раз изменен в 05:46 UTC того же дня; его индекс safetensors содержит в общей сложности 763 205 315 794 параметра для типов тензоров BF16, F32, F8_E4M3 и I8. Лицензия — MIT. В этом нет никакой утечки.
Список изменений добавляет три вещи, которые не являются числами. Обновление названо «улучшением по Парето в соотношении производительности и стоимости». Указаны инструменты, на которых проводилась настройка — DeepSeek Harness, Tencent CodeBuddy и WorkBuddy — и пользователям рекомендуется перейти на DeepSeek Harness 0.2.1-rc.1 или более позднюю версию. Также показаны четыре демо-проекта в виде анимации: 3D-модель Запретного города, браузерная гоночная игра, ремейк Portal 2 на движке Godot и 3D-сцена под названием «Valley of Ages». Это маркетинговые артефакты, а не измерения, и именно поэтому в данной статье они вынесены в отдельный абзац, отдельно от оценок.
То, что не изменилось, так же важно, как и то, что изменилось, поскольку именно здесь задействованы деньги:
• Тарифы — без изменений. Входные данные с попаданием в кэш: $0,006 за миллион токенов в пиковые часы и $0,003 в непиковые; входные данные с промахом кэша: $0,30 / $0,15; выходные данные: $1,20 / $0,60. Пиковые часы: 01:00–04:00 и 06:00–10:00 UTC, с понедельника по пятницу, исключая государственные праздники Китая.
• Идентификатор модели — без изменений. deepseek-flash теперь указывает на чекпоинт 1017. Устаревшие названия deepseek-v4-flash и deepseek-v4-flash-vision-exp по-прежнему принимаются и перенаправляются на него, тарификация идет по расценкам Flash.
• Контекстное окно — без изменений на уровне карточки. Окно контекста 1 млн токенов, max_tokens 256 тыс. или выше, рекомендуются temperature 1.0 и top_p 1.0.
• Недостаток упаковки — также без изменений. По-прежнему нет Jinja-шаблона чата. Репозиторий поставляет encoding/encoding.py в качестве эталонной реализации, охватывающей многоходовые диалоги, вызов инструментов, режим мышления, усилия при числовых рассуждениях, системные сообщения в середине диалога и чередующиеся изображения, а также направляет производственных пользователей на deepseek-recipe, библиотеку на Rust с привязками для Python.
Карточка 1017 не повторяет архитектуру. Форма семейства — 552B backbone, причинно-следственный кодировщик-декодировщик, разделенный на 20-слойный причинно-следственный кодировщик и 20-слойный декодировщик, асимметричная активация 8B параметров во время префилла и 16B во время декодирования, 384 маршрутизируемых эксперта с 6 активными на токен, внимание CSA2, кэширование FP4 main-KV и 196B Engram условной памяти — взяты из сентябрьской карточки, технического отчета под названием «Pushing the Limits of KV Cache Compression» и цитирования самой карточки модели. Читатель, которому нужны эти цифры, должен взять их из сентябрьского документа, а не со страницы 1017, которая никогда на них не претендует.
Одиннадцать строк вендора и та, которую действительно считывает индекс
Таблица бенчмарков вендора — единственный сопоставимый артефакт в релизе, опубликованный в виде изображения в списке изменений и в виде markdown-таблицы в карточке модели. Если читать из карточки, столбец 1017 против сентябрьского столбца: HLE без инструментов 42,6 (44,0 на подмножестве только для текста) против 36,8 (39,1); Terminal-Bench 4.0 42,3 против 31,2; DeepSWE v1.1 77,0 против 74,2; ProgramBench 29,1 против 20,3; NL2Repo-Bench 68,2 против 65,4; Automation-Bench v1.0.6 60,5 против 54,8; Agents' Last Exam 35,4 против 31,8; Apex Bench v1.1 72,1 против 64,6; Chartography с инструментами 83,0 против 78,9; BabyVision с инструментами 92,5 против 89,6; ZeroBench-main с инструментами 51,0 против 49,0. Все одиннадцать строк показывают рост. Две сноски уточняют таблицу: символ «кинжал» отмечает подмножество HLE только для текста, а Terminal-Bench 4.0 был запущен в среде Claude Code, в то время как DeepSWE v1.1 был запущен в Mini-SWE-V2.
Теперь сопоставьте это с Artificial Analysis Intelligence Index, о котором идет речь в прогнозе 45–46. Текущая версия индекса — 4.3.2, это взвешенный композит из десяти оценок по четырем направлениям: Агенты (30%), Кодинг (20%), Научные рассуждения (20%), Общие знания (30%). Веса опубликованы, и они составляют весь аргумент. AA-Briefcase v1.1 имеет вес 15%. AA-Omniscience имеет вес 15%, разделенный на точность (10%) и отсутствие галлюцинаций (5%). Terminal-Bench 4.0 имеет вес 10%. HLE имеет вес 10%. CritPt, неопубликованный набор задач по физике исследовательского уровня, имеет вес 10%. GDPval-AA v2.1 имеет вес 10%, GDP.pdf 10%, SciCode 10%, AutomationBench-AA 5% и AA-LCR v1.1 5%.
Только одна из этих десяти оценок появляется в таблице DeepSeek из одиннадцати строк под тем же названием и в той же конфигурации: Terminal-Bench 4.0, составляющая десятую часть индекса. HLE появляется с обеих сторон, но не идентично — столбец вендора представляет собой подмножество чистого текста, а индекс использует набор из 2158 вопросов только для текста. Все остальное, что считывает индекс, включая два самых весомых компонента, вообще не имеет строки вендора. Это механика, стоящая за догадкой, а не критика лаборатории: просто таблица вендора и композитный индекс построены из разных частей, и их пересечение составляет всего одну строку.
Откуда берутся 45–46 и почему это нельзя проверить
Прогноз представляет собой арифметический расчет на основе сентябрьского результата. Artificial Analysis в настоящее время оценивает сентябрьский чекпоинт DeepSeek V4.1 Flash в 39 баллов в конфигурации рассуждений при максимальных усилиях, что ставит его на девятое место из 120 моделей в Intelligence Index и значительно выше медианы в 19 баллов для моделей с открытыми весами такого же класса размера. Та же запись содержит стоимость $0,27 за задачу индекса, 175,9 выходных токенов в секунду и 1,23 секунды до первого токена. Таким образом, прогноз 45–46 — это заявка на прирост примерно в шесть или семь пунктов индекса за счет одной замены чекпоинта — необычно большой шаг, что именно поэтому автор прогноза сопроводил его фразой «было бы неплохо», а не стал утверждать наверняка.
Приземление там поставило бы 1017 в тесную компанию. Модели, которые сейчас находятся на отметке 46, — это Grok 4.7 на уровнях xhigh и high, а также MiMo-V2.6-Pro и GPT-6 Astra при низких затратах усилий. На отметке 45 находятся Qwen3.8-Max (0902), Muse Spark 1.3 на уровне xhigh и GLM-5.3 на уровне max. На 44-й позиции — Step 5 Preview и Kimi K3 на уровне max. Шесть или семь пунктов переместили бы бюджетный уровень DeepSeek из-под кластера моделей с открытыми весами в его середину, а сравнение, которое выбрал автор поста — «лучше, чем Grok», — это то, что модель с показателем 45 или 46 сделала бы буквально правдой при настройке усилий Grok 4.7, при этом обходясь на порядок дешевле за задачу. В этом и заключается полезная суть предположения: не в самом целом числе, а в позиции «цена-качество», которую оно подразумевает.
Есть еще одна причина проявлять осторожность в отношении самой базовой линии. В стороннем обзоре, опубликованном в сентябре, сентябрьская контрольная точка оценивалась в 40 баллов по индексу, занимая шестое место из 113; сегодня на сайте указано 39 баллов и девятое место из 120 для именованной версии индекса. Веса те же, опубликованные целые числа разные, потому что индекс версионируется, а его база растет. Любой прогноз, построенный на числе, которое уже дважды изменилось, — это прогноз, построенный на песке, и честная версия утверждения о 45–46 баллах — это диапазон вокруг диапазона.
Предсказание Omniscience — это то, у которого есть механизм
Из всего потока сигналов утверждение о том, что 1017 «снова будет разгромлена Omniscience», — это та часть, за которой стоит проверяемый механизм, а не просто догадки. AA-Omniscience — это не тест на знания с порогом прохождения. Он оценивает фактическую надежность по примерно 6000 вопросов, охватывающих 42 темы, начисляет баллы за правильные ответы, вычитает за галлюцинации и оставляет воздержание от ответа нейтральным — поэтому отказ от ответа лучше, чем неправильная догадка. Модель, настроенная на агентную пропускную способность и короткие выводы, что и описывает журнал изменений 1017, — это модель с меньшим количеством токенов на размышление для каждого ответа. Помогает это или мешает в индексе, который штрафует за уверенные неправильные ответы, — это реальный открытый вопрос, и слово «снова» в этом предложении имеет значение: оно подразумевает, что сентябрьская контрольная точка уже показала там неудовлетворительные результаты. Индекс публикует точность Omniscience и уровень отсутствия галлюцинаций как отдельные числа, но страница модели DeepSeek не отображает показатели по бенчмаркам, поэтому сентябрьские данные Omniscience в настоящее время невозможно считать с сайта. Предсказание правдоподобно и на сегодняшний день нефальсифицируемо.
Другая половина той же жалобы — о том, что индекс «все еще использует сломанный CritPt» — указывает на подлинное свойство композитного показателя. CritPt — это неопубликованная физика исследовательского уровня: задачи, ответы на которые еще не попали в обучающие данные, что делает их устойчивыми к загрязнению, а также шумными и медленными для обновления. На них приходится десятая часть индекса, такой же вес, как у HLE и Terminal-Bench 4.0. Семейство моделей, которое никогда не публиковало строку CritPt, несет 10% «слепое пятно» в каждом прогнозе, сделанном о нем. Обе половины критики — это, по сути, одно и то же наблюдение: индекс и поставщик измеряют разные вещи, и прогноз должен преодолеть этот разрыв с помощью допущений.
Число Vals — это другая доска с другой базой
Цифра 57% заслуживает отдельного абзаца, потому что это единственная часть сигнала, которая соотносится с опубликованным числом, причем это соответствие отстает на год в правильном направлении. Индекс Vals AI помещает сентябрьский DeepSeek V4.1 Flash на отметку 57,86%, пятнадцатое место из 56 моделей и лидер среди моделей с открытыми весами, незначительно опережая Kimi K3 с 57,81% при заявленной стоимости $0,30 за тест. Таким образом, фраза «57% на Vals звучит справедливо» — это не прогноз роста, а прогноз примерно стабильной производительности на доске, где сентябрьская контрольная точка уже была лидером среди моделей с открытыми весами. Две доски, два разных ожидания от одного и того же автора в одном и том же предложении: большой шаг вперед по индексу и никакого шага на Vals. Эта асимметрия — самая информативная часть поста, потому что она говорит вам, что автор ожидает, что прирост 1017 проявится в оценках, которые индекс сильно взвешивает, а Vals взвешивает слабо — агентная работа в стиле Terminal-Bench, а не широта общих знаний.
Что на самом деле пришлось бы перезапустить
Ни одно из независимых чисел в обращении не описывает веса 1017. DeepSeek заменил модель за стабильным именем API, что означает, что владение каждой опубликованной цифрой тихо перешло из рук в руки: оценка, указанная для DeepSeek V4.1 Flash по результатам сентябрьского прогона, теперь описывает веса, которые поставщик больше не предоставляет, в то время как веса, которые он предоставляет, вообще не имеют внешней оценки. Для любого, кто рассматривает замену контрольной точки как изменение конфигурации, практическое правило — это то, которое взято из разработки ПО: оно требует такого же прогона регрессионных тестов. Пять вопросов стоит прояснить в отношении 1017, прежде чем она попадет в производственную среду.
• Воспроизводится ли Terminal-Bench 4.0? Поставщик переместил его с 31,2 на 42,3 в обвязке Claude Code, и это одна из немногих строк, которые считывает независимая доска. Выбор обвязки поставщиком, который льстит модели, — это старейший режим сбоя в отчетности по бенчмаркам.
• Сохраняется ли прирост DeepSWE при другой структуре? 77,0 в Mini-SWE-V2 против сентябрьских 74,2. DeepSWE показал большой разброс по разным обвязкам, поэтому дельта — это утверждение, а не уровень.
• Действительно ли длина вывода уменьшается? Заявление журнала изменений о стоимости основано на более коротких выводах, а не только на более быстрых. В API с тарификацией это разница между улучшением по Парето и ошибкой округления.
• Ведет ли себя регулятор усилий рассуждения? Усилия числовые, где low, high и max соответствуют определенным значениям, high — это значение по умолчанию, а temperature принимается, но игнорируется в режиме мышления. Тестируйте при точном значении усилий, которое отправляет продакшн, потому что набор тестов, запущенный на max, ничего не говорит вам о развертывании на high.
• По-прежнему ли работает многоходовое использование инструментов? При использовании инструментов reasoning_content с каждого предыдущего хода — включая ходы без вызова инструментов — должен возвращаться, иначе запрос завершится ошибкой. Это тот тип регрессии, который замена контрольной точки вносит незаметно.
Если вы хотите запустить этот регрессионный прогон, не переводя производственный путь на неизмеренные веса, это именно тот случай, для которого создан механизм отработки отказа OrcaRouter: поместите 1017 за цепочку резервного копирования, отправьте ей трафик, который вы готовы потерять, и позвольте сбойному или медленному ответу повториться через других провайдеров, прежде чем вызывающая сторона его увидит. Ценообразование — это вторая половина аргумента и более простая: DeepSeek сохранил тарифную сетку Flash без изменений, и поскольку OrcaRouter передает прейскурантную цену провайдера напрямую с 0% наценкой, изменение, которое не меняет цену DeepSeek, не меняет и нашу. Вы можете получить доступ к DeepSeek V4.1 Flash по собственным тарифам DeepSeek уже сегодня, без второго контракта и без изменения кода, пока таблица лидеров догоняет.
Вопросы, которые оставляет открытыми этот сигнал
Почему замена контрольной точки вообще должна приводить к изменению индекса, если архитектура осталась прежней? Потому что индекс придает агентным и кодинговым оценкам вес в половину от общего значения, а именно в этих оценках изменения после дообучения проявляются быстрее всего. Самой слабой опубликованной категорией сентябрьской модели была агентная работа относительно ее цены; список изменений от 1017 почти полностью посвящен агентной работе и стоимости выполнения задачи. Прогноз — это ставка на то, что та же архитектура в сочетании с улучшенным дообучением приведет к результату, который предсказывают веса.
Есть ли способ узнать число 1017 до того, как Artificial Analysis опубликует его? Только косвенно. Две агентные строки, которые публикует вендор — Terminal-Bench 4.0 и Automation-Bench — являются наиболее близкими прокси-показателями, и оба они основаны на самоотчетах. Третий путь — следить за тем, будет ли сентябрьская запись на независимой доске переименована, перезапущена или оставлена без изменений; устаревшая строка, сохраняющая свой старый балл при изменении обслуживаемых весов, — это самый явный сигнал того, что число больше не означает то, что оно должно означать.
Означает ли неизменная цена, что утверждение о Парето-улучшении реально? Это означает, что утверждение можно проверить. «Парето-улучшение производительности и стоимости» при фиксированном прайс-листе верно только в том случае, если количество выходных токенов на задачу падает, потому что это единственный оставшийся рычаг. Вендор утверждает, что время выполнения задачи и длина вывода сократились. Это единственное утверждение на странице, которое читатель может проверить по своему собственному счету.
За чем следить дальше
Прогноз, который предстоит оценить, конкретен, и именно поэтому его стоит отслеживать. Если строка 1017 появится в Intelligence Index на отметке 45 или 46, значит, автор угадал позицию и механизм — акцент на агентном весе плюс известное «слабое место» в Omniscience, — и полезный урок будет заключаться в том, что композитный показатель стал предсказуемым на основе таблицы вендора, как только веса были внимательно изучены. Если он окажется на уровне или ниже сентябрьского значения 39, урок будет обратным и более дорогостоящим: таблица вендора из одиннадцати строк, которая растет по каждой позиции, все равно может оставить композитный балл неизменным, потому что строки, которые изменились, — это не те строки, которые имеют значение. Любой из результатов — это лишь один опрос одной модели, а не вердикт лаборатории, и число, которое его определяет, читатель сегодня вычислить не может.
То, что читатель может сделать сегодня, дешевле, чем прогноз. Веса распространяются по лицензии MIT, а API работает по сентябрьской цене, поэтому месяц до того, как кто-либо опубликует рейтинг, — это время сформировать собственное мнение по трем вопросам, которые важны для вас: выполняет ли модель ваши агентные задачи быстрее, говорит ли она при этом меньше и справляется ли она с многошаговыми путями инструментов, которые вы действительно используете.
Примечание к источникам: все показатели DeepSeek в этом материале — одиннадцать строк бенчмарков, общее количество параметров 763B, окно в 1 млн токенов, лицензия MIT, неизменный прайс-лист и рекомендации по использованию — взяты из собственного списка изменений вендора от 17 октября, карточки модели на Hugging Face и опубликованной страницы с ценами. Все независимые показатели — 39 в Intelligence Index, девятое место из 120, стоимость $0,27 за задачу индекса, 175,9 токенов в секунду и взвешивание десяти оценок, формирующее балл, — взяты из Artificial Analysis по состоянию на 18 октября 2026 года. Прогноз 45–46, ожидание Vals в 57% и предсказание Omniscience — это оценки одного наблюдателя относительно модели, у которой нет строки 1017 ни на одной из этих досок, и они везде помечены как оценки.
Задокументированные сбои ИИ и агентные инциденты, стоящие за такими релизами, как этот, собраны в архиве инцидентов OrcaRouter AI, где каждая запись содержит свои собственные источники, оценку серьезности, уровень достоверности и пометку о спорности.
