دیپسیک مدل هوش مصنوعی چندوجهی V4.1-Flash را معرفی کرد
شرکت چینی دیپسیک مدل جدید V4.1 Flash را با معماری کارآمد و پشتیبانی بومی از درک بصری منتشر کرد که نتایج بنچمارکی برتر از پرچمداران رقیب دارد. اخبار هوش مصنوعی تکناک، شرکت هوش مصنوعی چینی که در ابتدای سال ۲۰۲۵ با معرفی مدل استدلال کمهزینه خود توجهها را به خو…
خلاصه تحلیلی خبر
شرکت چینی دیپسیک مدل جدید V4.1 Flash را با معماری کارآمد و پشتیبانی بومی از درک بصری منتشر کرد که نتایج بنچمارکی برتر از پرچمداران رقیب دارد. اخبار هوش مصنوعی تکناک، شرکت هوش مصنوعی چینی که در ابتدای سال ۲۰۲۵ با معرفی مدل استدلال کمهزینه خود توجهها را به خو…
موضوعات اصلی: پشتیبانی شبکه، هوش مصنوعی، مدل، 1-Flash، جدید، پشتیبانی
شرکت چینی دیپسیک مدل جدید V4.1 Flash را با معماری کارآمد و پشتیبانی بومی از درک بصری منتشر کرد که نتایج بنچمارکی برتر از پرچمداران رقیب دارد.
اخبار هوش مصنوعیتکناک، شرکت هوش مصنوعی چینی که در ابتدای سال ۲۰۲۵ با معرفی مدل استدلال کمهزینه خود توجهها را به خود جلب کرد، بهتازگی مدل DeepSeek-V4.1 Flash را منتشر کرده؛ مدلی که طبق ادعا هوشمندتر، سریعتر و کارآمدتر است. این شرکت اعلام کرده که این مدل کوچکترین عضو از خانواده معماری جدید یعنیدیپسیک V4آنهاست که اکنون بهصورت بومی از درک بصری (visual understanding) پشتیبانی میکند. همچنین گفته شده که این مدل برای توانمندی بیشتر، استنتاج سریعتر، نرخ پردازش (throughput) بالاتر و مقیاسپذیری به سمت مدلهای بزرگتر طراحی شده است.
مدل DeepSeek-V4.1 Flash از طراحی Mixture of Experts با ۵۵۲ میلیارد پارامتر بهره میبرد که هوشمندی بیشتری را با هزینه پایین ارائه میدهد. این مدل همچنین از معماری جدید Causal Encoder-Decoder استفاده میکند، به این معنا که تنها از هشت میلیارد پارامتر فعال برای ورودی و ۱۶ میلیارد پارامتر برای خروجی بهره میبرد. دیپسیک همچنین از روشهای جدید پیشآموزش و یادگیری تقویتشده در مقیاس بزرگ در مرحله پسآموزش استفاده کرده است تا به نتایج بنچمارکی دست یابد که از مدلهای پرچمداری نظیر Kimi-K3، GLM-5.3، Claude Opus 5، GPT 5.6-Sol و DeepSeek-V4-Pro فراتر میرود. نتایج کامل بنچمارکها در جدول زیر قابل مشاهده است
نتایج بنچمارک فراتر از رقبا
| بنچمارکها | DeepSeek V4.1-Flash | DeepSeek V4-Pro 0813 | DeepSeek V4-Flash 0731 | GLM 5.3 | Kimi K3 | GPT 5.6-Sol | Claude Opus 5 |
|---|---|---|---|---|---|---|---|
| GPQA Diamond | 90.9 | 92.4 | 89.9 | 88.1 | 92.9 | 94.1 | 93.4 |
| HLE | 36.8(39.1*) | 42.7* | 37.8* | 42.0* | 43.5 | 44.5 | 56.3 |
| Codeforces (Rating) | 3471 | 3348 | 3289 | ||||
| MathAreana Apex | 65.6 | 65.3 | 58.6 | 65.6 | |||
| Terminal-Bench 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 v1.1 | 74.2 | 62.7 | 54.4 | 66.9 | 67.5 | 73.0 | 74.0 |
| ProgramBench | 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 (w/tools) | 63.9 | 60.0 | 51.5 | 62.5 | 59.8 | 63.6 | |
| Automation-Bench | 54.8 | 43.2 | 37.7 | 48.8 | 46.7 | 45.8 | 50.3 |
| Agents’ Last Exam | 31.8 | 25.7 | 25.2 | 28.5 | 27.6 | 26.7 | 28.6 |
| Chartography(w/tools) | 78.9 | 68.1 | 79.9 | 84.0 | |||
| BabyVision (w/tools) | 89.6 | 85.7 | 88.9 | 94.1 | |||
| ZeroBench-main (w/tools) | 49.0 | 41.0 | 53.0 | 52.0 |
* نشاندهنده زیرمجموعه متنی از HLE است.
یکی از مسائلی که جامعه فناوری را بهشدت آزار داده، افزایش چشمگیر هزینههای حافظه بهدلیل اولویتدهی به حافظههای با پهنای باند بالا (HBM) در مراکز داده هوش مصنوعی بوده است. دیپسیک در این زمینه با این مدل بسیار ملاحظهکار بوده است، چرا که این مدل در مقایسه با نسل قبلی، به مقدار بسیار کمتری از KV cache نیاز دارد؛ از جمله یکچهارم میزان HBM و یکهشتم فضای ذخیرهسازی SSD. دیپسیک اعلام کرده است که هزینههای مربوط به cache-hit بخش بزرگی از هزینههای عاملها (agents) را شامل میشود، بنابراین با فشردهسازی کش، هزینهها بهطور قابل توجهی کاهش مییابد.
* نشاندهنده زیرمجموعه متنی از HLE است.
این مدل جدید اکنون با پشتیبانی بومی از قابلیتهای چندوجهی (multimodal) 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 تنظیم شده باشند، درخواستها بهطور موقت به سمت V4.1-Flash هدایت میشوند. همچنین روند جایگزینی V4-Pro نیز آغاز شده است، زیرا V4.1-Flash در زمینههای عملکرد، هزینه، سرعت و زمان اجرای کل، از آن بهتر عمل میکند. از ساعت ۰۴:۰۰ UTC در تاریخ ۱۴ سپتامبر، تمام درخواستهای DeepSeek-V4-Pro با نرخهای مربوط به V4.1-Flash به سمت V4.1-Flash هدایت خواهند شد تا زمانی که V4.1-Pro عرضه شود.
طبق گزارشنئووینو با عرضه امروز، شرکای رسمی دیپسیک یعنی WorkBuddy_AI و OpenCode اکنون بهطور کامل از V4.1-Flash پشتیبانی میکنند، بنابراین امکان تجربه vibe coding با این مدل از همین حالا فراهم است.
جزئیات قیمتگذاری API جدید
جزئیات قیمتگذاری API این مدل جدید به شرح زیر است
| قیمتگذاری API مدل DeepSeek-V4.1-Flash | ورودی (Cache Hit) | ورودی (Cache Miss) | خروجی (Output) |
|---|---|---|---|
| ساعات غیر اوج | $ 0.003 | $ 0.15 | $ 0.6 |
| ساعات اوج مصرف | $ 0.006 | $ 0.3 | $ 1.2 |
ساعات اوج مصرف (Peak hours): روزهای هفته از ساعت ۰۱:۰۰ تا ۰۴:۰۰ و از ۰۶:۰۰ تا ۱۰:۰۰ UTC (سایر زمانها از جمله آخر هفتهها و تعطیلات رسمی، جزو ساعات غیر اوج یا off-peak محسوب میشوند).
تاریخ اجرا: از ساعت ۰۴:۰۰ UTC، ۱۰ سپتامبر ۲۰۲۶.
به عنوان یک مدل متنباز، انتظار میرود بسیاری از شرکتهای دیگر در حوزه هوش مصنوعی نیز آن را به محصولات خود اضافه کنند.
نوشتهدیپسیک مدل هوش مصنوعی چندوجهی V4.1-Flash را معرفی کرداولین بار درTechnoc. پدیدار شد.
برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.