DeepSeek обновила V4.1-Flash и открыла поисковый API

17 октября DeepSeek выпустила DeepSeek-V4.1-Flash-1017, минорное обновление модели V4.1-Flash. Компания называет релиз улучшением по Парето: новая версия лучше проходит бенчмарки, быстрее закрывает задачи и пишет более короткие ответы, поэтому выигрыш получается и по качеству, и по стоимости. Модель уже работает на сайте, в приложении и через API, а веса выложены в открытый доступ под лицензией MIT.

Пишу аналитику про Новые ИИ релизы экспертно у себя в канале, заходите!

Сильнее всего модель подросла на агентных и кодовых задачах. На Terminal-Bench 4.0, который DeepSeek гоняла в обвязке Claude Code, результат вырос с 31,2 до 42,3. В ProgramBench рост с 20,3 до 29,1, в Apex Bench v1.1 с 64,6 до 72,1, в Automation-Bench с 54,8 до 60,5. На Humanity's Last Exam без инструментов новая версия набирает 42,6 против 36,8 у предшественницы.

В сравнении с конкурентами картина неоднородная, и все цифры здесь из таблицы самой DeepSeek. На DeepSWE v1.1 у модели 77,0, это лучший результат среди перечисленных, выше GPT-5.6 Sol (73,0) и Opus 5 (74,0). В Agents' Last Exam тоже первое место с 35,4. При этом на HLE, ProgramBench, NL2Repo-Bench и Terminal-Bench впереди Opus 5, а на HLE отрыв большой: 56,3 против 42,6. Визуальные тесты с инструментами (Chartography, BabyVision, ZeroBench) прибавили по 2-4 пункта.

В метаданных safetensors указано 763 млрд параметров, основная часть весов хранится в FP8, остальное в BF16. Сколько параметров активно на токен, карточка модели не сообщает. Рекомендуемое окно контекста 1 млн токенов, лимит вывода от 256K, температура и top_p по 1,0.

Готового Jinja-шаблона чата в репозитории нет. Вместо него лежит референсная реализация encoding.py на Python, а для продакшена DeepSeek советует свою библиотеку deepseek-recipe на Rust с биндингами для Python. Поднять модель можно через vLLM, SGLang или Docker Model Runner.

Про обучение компания пишет коротко: модель прошла обучение с подкреплением на собственной обратной связи, чтобы лучше вести проект от начала до конца, от создания игры до 3D-моделирования. Подробностей метода пока нет. Отдельно DeepSeek оптимизировала модель под DeepSeek Harness, Tencent CodeBuddy и WorkBuddy. Для Harness нужна версия v0.2.1-rc.1 или новее.

Вместе с моделью DeepSeek открыла два инструментальных API на базе своего поискового движка, который, по словам компании, обрабатывает сотни миллионов запросов в день. Search ищет страницы по запросу и возвращает структурированную выдачу с заголовком, сниппетом, кратким содержанием для модели, датой и оценками релевантности и авторитетности источника. Поддерживаются операторы site:, lang:, after: и before:. Fetch забирает одну страницу и отдаёт её в Markdown.

Каждый эндпоинт стоит $0,75 за 1000 вызовов, причём платить нужно только за успешные ответы с результатом, пустые выдачи и таймауты бесплатны. Лимит 5 запросов в секунду на аккаунт для каждого API. Вызовы через серверные инструменты в DeepSeek Harness, Claude Code и Codex сейчас бесплатны для пользователей DeepSeek API. Оплата начнётся 31 октября 2026 года в 16:00 UTC, то есть в 19:00 по Москве.

Тем, кто собирает агентов для кода и автоматизации, релиз даёт открытую модель с сильными результатами в терминальных и многошаговых задачах и дешёвый поиск от того же поставщика. Короткие ответы при том же качестве напрямую снижают счёт за токены. Веса доступны, так что проверить заявленные цифры на своих задачах можно уже сейчас.

Ссылки: модель на Hugging Face, модель на ModelScope, документация Search и Fetch API. Полный разбор релиза с таблицей бенчмарков на UPROGER.