DeepSeek V4.1 Flash: די נייַע ווערסיע זעט בילדער און איז בייפּאַסט V4 Pro
DeepSeek באפרייט V4.1 Flash - אַ מאָדעל וואָס ריפּלייסט צוויי פריערדיקן אָנעס אין אַמאָל: די רעגולער V4 Flash און אַן יקספּערמענאַל ווערסיע מיט בילד דערקענונג. איצט דאָס איז איין מאָדעל וואָס שרייבט קאָד און פּאַרסעס בילדער: לויט אַגענט בענטשמאַרקס, עס בייפּאַסט V4 Pro, האלט אַ קאָנטעקסט פון אַ מיליאָן טאָקענס און ספּענדז וועגן אַ פערטל אַזוי פיל קאַש. אין NeuralSpace V4.1 Flash עס איז שוין בנימצא אין די שמועסן, אין די "קאָד" אָפּטיילונג און דורך API - לאָמיר קוקן אין וואָס איז געביטן קאַמפּערד מיט V4 Flash.
וואָס מאָדעל
פאָרמאַלי, דאָס איז ניט מער אַ רעוויזיע פון די פריערדיקע פלאַש, אָבער דער ערשטער מאָדעל פון אַ נייַע משפּחה פון אַרקאַטעקטשערז. וV4.1 Flash 552 ביליאָן פּאַראַמעטערס קעגן 284 ביליאָן פֿאַר V4 Flash - דער מאָדעל איז נאָוטיסאַבלי גרעסערע. אבער עס זענען ווייניקערע אַקטיוו פּאַראַמעטערס אין יעדער שריט: וועגן 8 ביליאָן ווען לייענען אַרייַנשרייַב און 16 ביליאָן ווען דזשענערייטינג אַ ענטפער.
די נייַע סכעמע איז גערופֿן Causal Encoder-Decoder: 40 טראַנספאָרמער לייַערס זענען צעטיילט אין 20 ענקאָדער לייַערס און 20 דיקאָודער לייַערס, און דער גענעראַל קאַש פון שליסלען און וואַלועס איז געבויט אַמאָל - פֿון די פאַרבאָרגן שטאַטן פון די ענקאָדער, און איז נישט ריקאַלקיאַלייטיד אין יעדער שיכטע ווידער. דאָס איז וואָס די מאָדעל פּראַסעסאַז אַרייַנשרייַב טשיפּער. די אַסיממעטרי איז נישט אויסדערוויילט דורך צופאַל: דער אַגענט לייענט אַ פּלאַץ - טעקעס, דיאַלאָג געשיכטע, ינסטראַקשאַנז - און שרייבט לעפיערעך קליין - רעדאַגירן, קאַמאַנדז, דיסיזשאַנז. דער טייערער טייל איז געווען גרינג געמאכט, דערפאר זענען די אגענטן אויפגאבן געווארן טשיפּער.
קאָנטעקסט - אַ מיליאָן טאָקענס. די ריזאַנינג מי איז קאַנטיניואַסלי אַדזשאַסטאַבאַל, פון 1 צו 100: אַ פּשוט קשיא קענען זיין לויפן טשיפּער, און אַ קאָמפּלעקס קייט קענען זיין לויפן מאַקסימום אָן טשאַנגינג די מאָדעל.
איצט זעט ער בילדער
די מערסט באמערקט חילוק פון די פריערדיקע ווערסיע. V4 Flash האט בלויז אַ טעקסט אַרייַנשרייַב: זי האט נישט וויסן ווי צו קוקן אין בילדער, און פֿאַר דעם DeepSeek סעפּעראַטלי באפרייט אַן יקספּערמענאַל זעאונג מאָדעל. אין V4.1 Flash זעאונג איז געבויט אין די מאָדעל זיך - עס נאַטיוועלי אַקסעפּץ טעקסט און בילדער און ריספּאַנדז מיט טעקסט.
אין פיר, דאָס מיטל אַז אַ סקרעענשאָט פון די צובינד, אַ גראַפיק, אַ פאָטאָגראַפיע אָדער אַ בלאַט פון אַ דאָקומענט קענען זיין געגעבן צו די מאָדעל ווי עס איז. זי וועט באַשרייַבן די בילד, עקסטראַקט טעקסט פון די סקרעענשאָט און אַנאַלייז די דיאַגראַמע. דאָס איז ספּעציעל באַקוועם פֿאַר אגענטן: איין מאָדעל לייענט ביידע די קאָד און די צובינד סקרעענשאָט, און עס איז ניט דאַרפֿן צו באַשטימען צווישן צוויי באַדינונגס.
אַלט מאָדעל נעמען DeepSeek האָבן שוין דיקאַמישאַנד: ריקוועס צו v4-flash און v4-flash-vision-exp זענען איצט רידערעקטיד צו V4.1 Flash - אַלט ינטאַגריישאַנז וועט נישט באַמערקן עפּעס.
דורכגעגאנגען V4 Pro
די ביגאַסט הויכפּונקט פון דער מעלדונג איז געווען אַז V4.1 Flash אַוטפּערפאָרמד די גרעסערע V4 Pro אין אַגענט טאַסקס. דאָ זענען די נומערן פון באַאַמטער מעזשערמאַנץ DeepSeek:
- Terminal-Bench 2.1 (אַרבעט אין די וואָקזאַל) - 90.6 קעגן 87.9 פֿאַר V4 Pro און 82.7 פֿאַר די פריערדיקע V4 Flash;
- CyberGym (סייבערסעקוריטי) - 88.1 קעגן 83.3 פֿאַר V4 Pro;
- DeepSWE v1.1 - 74.2 קעגן 54.4 פֿאַר V4 Flash;
- Terminal-Bench 4.0 - 31.2 קעגן 7.0 פֿאַר V4 Flash.
צו דעם - 90.9 ביי GPQA Diamond, שאַץ 3471 ביי Codeforces און 65.6 ביי MathArena Apex. די ציפערן זענען נישט אומאפהענגיק, זיי זענען געגעבן געווארן דורך DeepSeek אליין, דעריבער דארף מען זיי באהאנדלען ווי א סטעיטמענט, און נישט א אורטייל. אבער די וואָג פון די שפּרינגען אין די פריערדיקע פלאַש איז קענטיק אפילו אָן דריט-פּאַרטיי מעזשערמאַנץ.
דערנאָך, DeepSeek מודיע אַז עס איז ביסלעכווייַז פייזינג אויס V4 Pro: פֿון 14 סעפטעמבער, זיין API רידערעקט ריקוועס צו V4 Pro צו V4.1 Flash און רעכנט זיי מיט די פלאַש קורס. די פּראַקטיש מסקנא איז פּשוט: פלאַש איז ניט מער אַ "יינגער" מאָדעל. איצט עס איז זי וואָס טראגט די הויפּט מאַסע, און די רעגולער און זעאונג ווערסיעס ניט מער עקסיסטירן סעפּעראַטלי.
ווייניקער קאַש מיטל טשיפּער אַגענט טאַסקס
פֿאַר אַגענט-באזירט סינעריאָוז, די הויפּט סייווינגז זענען נישט אין די סימען פּרייַז, אָבער אין די קאַש. דער אַגענט רילייענט די דיאַלאָג געשיכטע, אינסטרוקציעס און פּרויעקט טעקעס איבער און איבער ווידער, און עס איז די קאַשט אַרייַנשרייַב וואָס עסט אַרויף די פאַרנעם פון די רעכענונג. די V4.1 Flash גלאבאלע KV קאַש נעמט וועגן 890 ביטעס פּער סימען - וועגן פיר מאל ווייניקער ווי V4 Flash, און די שטענדיק טייל פון די קאַש איז קאַמפּרעסט מיט וועגן אַכט מאל.
די פּרייַז פון די מאָדעל זיך איז אויך דיקריסט קאָרעוו צו די פריערדיקע פלאַש: קאַשט אַרייַנשרייַב איז 60% טשיפּער, רעגולער אַרייַנשרייַב איז וועגן אַ דריט טשיפּער, רעזולטאַט איז 11% טשיפּער. די גיינז זענען ספּעציעל באמערקט אין טאַסקס וואָס ריסייקאַל גרויס קאַנטעקסץ איבער און איבער ווידער; ווו די לענג פון די נייַע ענטפער איז מער וויכטיק, די סייווינגז זענען מער באַשיידן.
V4 Flash און V4.1 Flash: וואָס האט געביטן
| פּאַראַמעטער | V4 Flash | V4.1 Flash |
|---|---|---|
| אָפּציעס | 284 ביליאָן | 552 ביליאָן |
| אַקטיוו אין שריט | 13 ביליאָן | 8 ביליאָן אַרייַנשרייַב / 16 ביליאָן פּראָדוקציע |
| אַרטשיטעקטורע | MoE-דיקאָודער | Causal Encoder-Decoder |
| פארשטייט בילדער | ניין, באַזונדער זעאונג מאָדעל | יא, געבוירענער |
| קאָנטעקסט | 1 מיליאָן טאָקענס | 1 מיליאָן טאָקענס |
| Terminal-Bench 2.1 | 82,7 | 90,6 |
| DeepSWE v1.1 | 54,4 | 74,2 |
| KV-געלט פּער טאָקען | ~4× מער | 890 ביטעס |
פּרייַז NeuralSpace און ווי צו פּרובירן
די NeuralSpace מאָדעל אַרבעט אין דער זעלביקער קורס ווי די פריערדיקע V4 Flash: $ 0.14 פּער מיליאָן אַרייַנשרייַב טאָקענס און $ 0.28 פּער מיליאָן וויקענדז. אָנהייב - פֿון 3 טאָקענס אויף דיין וואָג; די דעביט קומט פון די אַלגעמיינע וואָג, אָן אַ באַזונדער אַבאָנעמענט און אַ פרעמד קאָרט. צו פּרובירן עס, נאָר איין שריט איז גענוג:
- שמועסן: מאָדעל בלאַט - איר קענען צוטשעפּען אַ בילד אָדער סקרעענשאָט דאָ, און דער מאָדעל וועט סאָרט זיי אויס;
- קאָד: "קאָד" אָפּטיילונג - דער מאָדעל קאַנעקץ צו די פּרויעקט און אַרבעט מיט די ריפּאַזאַטאָרי, טעקעס און וואָקזאַל;
- API: דער שליסל איז ארויס אין די אָפּטיילונג API-קיז, פֿאָרמאַט קאַמפּאַטאַבאַל מיט OpenAI; דאָקומענטאַטיאָן - neuralspace.pro/yi/v1/docs.
אָפט געשטעלטע פֿראגן
V4.1 Flash - איז דאָס אַ נייַע מאָדעל אָדער אַ דערהייַנטיקן? דאָס איז אַ ווערסיע פון אַ נייַע משפּחה פון אַרקאַטעקטשערז, און נישט אַ רעוויזיע פון די פריערדיקע פלאַש: די אַרקאַטעקטשער האט געביטן, די שטיצן טייל איז געוואקסן און זעאונג איז ארויס.
זעט זי די בילדער? יאָ, געבוירן: איר קענען שיקן אַ פאָטאָ, סקרעענשאָט, טשאַרט אָדער דאָקומענט. די לעצטע V4 Flash איז געווען טעקסט.
וואָס איז געשען מיט V4 Pro? DeepSeek איז ביסלעכווייַז פייזינג עס אויס און רידערעקטינג ריקוועס צו V4.1 Flash, וואָס אַוטפּערפאָרמד V4 Pro אין אַגענט-באזירט בענטשמאַרקס.
ווי פיל טוט עס קאָסטן צו פּרובירן? $0.14 / $0.28 פּער מיליאָן טאָקענס, סטאַרטינג פון 3 טאָקענס אין וואָג - ביי די שמועס בלאַט פון די מאָדעל.
וועלן אַלט ריקוועס צו v4-flash ברעכן? ניין: רופן צו v4-flash און v4-flash-vision-exp זענען רידערעקטיד צו V4.1 Flash און גערעכנט לויט זיין קורס.