DeepSeek-V4.1-Flash-1017: Terminal-Bench 4.0 вырос с 31,2 до 42,3

17 октября 2026 года DeepSeek выпустила обновление под названием DeepSeek-V4.1-Flash-1017. Это не новое поколение моделей. Число в имени — дата релиза, а сам чекпоинт остался открытым и лицензионным под MIT. Модель предназначена для рассуждений, написания кода, агентных сценариев и работы с изображениями.

Главное изменение — результаты в тестах. Terminal-Bench 4.0 вырос с 31,2 до 42,3 балла. Одновременно модель стала решать задачи быстрее и отдавать более короткие ответы. Ниже разбираем, где именно выросли цифры, кто теперь выигрывает и что придётся переделать в инфраструктуре.

Что вообще выпустили

Это небольшое обновление внутри одной линейки, а не переписывание модели. DeepSeek называет его точечным релизом с датой в имени и присвоила ему тот же номер поколения — V4.1-Flash.

Веса лежат на Hugging Face под лицензией MIT. Это значит, что модель можно свободно использовать, менять и распространять, в том числе в коммерческих продуктах и в своих контурах.

Модель заявлена сразу для четырёх задач: рассуждения, написание кода, агентные сценарии и работа с картинками вместе с текстом.

Бенчмарки: что изменилось в цифрах

Главный сдвиг произошёл в агентных и кодинг-тестах. Вот полный список изменений из таблицы в model card:

Что стоит за этими названиями:

• Terminal-Bench 4.0 — насколько хорошо агент доводит задачи до конца прямо в командной строке. Это самый тяжёлый набор из перечисленных.
• NL2Repo-Bench — умеет ли модель по описанию на обычном языке развернуть структуру целого репозитория.
• HLE (Humanity's Last Exam) — общий тест знаний без доступа к инструментам.
• Automation-Bench — насколько уверенно модель переводит ручные сценарии в автоматические.
• Chartography, BabyVision, ZeroBench-main — зрение плюс вызов инструментов.

Отдельная деталь: модель стала не только точнее, но и быстрее. DeepSeek прямо пишет, что обновление сокращает время выполнения задач и длину ответов. Для тех, кто гоняет модели в проде, это прямой выигрыш: меньше токенов на ту же задачу означает ниже задержку и ниже счёт за вызов.

Сравнение с конкурентами

Вендор сравнивал релиз с четырьмя моделями: K3, GLM-5.3, GPT-5.6 Sol и Opus 5. Общая картина такая: на агентных и кодинг-тестах DeepSeek теперь первый, а на «чистых» знаниях и общих рассуждениях Opus 5 по-прежнему впереди.

Именно на Terminal-Bench 4.0 позиция поменялась радикально. Предыдущая версия отставала и от GLM-5.3, и от GPT-5.6 Sol. Теперь DeepSeek обгоняет обе.

Логика тут простая и повторяется из релиза в релиз: Flash-модели сильны там, где нужно вызывать инструменты и делать много шагов подряд. Там, где нужно просто знать факт или рассуждать в уме, флагманские модели по-прежнему выигрывают.

Почему так выросли агентные результаты

Технический отчёт к этой линейке называется «DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression». То есть главные инженерные усилия ушли в сжатие KV-кэша.

KV-кэш — это служебная память трансформера. Когда модель читает текст, она не пересчитывает внимание ко всем предыдущим словам заново, а сохраняет результат в этой структуре. Проблема в том, что кэш растёт вместе с длиной диалога и начинает занимать заметную долю видеопамяти.

Чем сильнее сжат кэш, тем больше одновременных запросов можно обслужить на той же видеопамяти. Модель при этом остаётся той же — число параметров не меняется.

Для агента это работает напрямую. Агентный сценарий — это десятки вызовов инструментов, и вся история диалога копится в контексте. Чем экономнее устроена память, тем длиннее такая цепочка проходит без потери качества.

Плюс сам релиз поддерживает контекст на 1 миллион токенов. Без нормального сжатия кэша такой размер контекста остался бы красивой цифрой в описании.

Как устроен релиз

Технические характеристики:

Обратите внимание на минимальную длину ответа в 256 тысяч токенов. Это не опечатка: DeepSeek просит выделять под генерацию минимум 256K токенов. Значение нужно задавать заранее, иначе длинные рассуждения могут оборваться на середине.

Главная неудобство: нет Jinja-шаблона

Почти все открытые модели сейчас работают через Jinja-шаблон. Простыми словами: это текстовый файл с шаблоном, который берёт историю сообщений и превращает её в одну строку промпта. Вы не собираете эту строку вручную — библиотека делает это за вас по готовому правилу.

В этой версии такого шаблона нет. Это заметная деталь для всех, кто до сих пор подключал модель одной строкой в библиотеке.

Вместо него DeepSeek даёт две вещи:

• Свою эталонную реализацию на Python в папке encoding репозитория модели. К ней приложены тесты на многоходовые диалоги, вызов инструментов, режим размышлений, числовые настройки глубины рассуждений, смену системного сообщения прямо посреди диалога и чередование текста с картинками.
• Отдельный проект deepseek-recipe. Это набор библиотек на Rust с обвязкой для Python, сделанный под продакшен.

deepseek-recipe: что делает тулкит

deepseek-recipe берёт запрос в привычном формате — Messages, Chat Completions или Responses API — и переводит его во внутренний формат диалога DeepSeek. Дальше он кодирует диалог в промпт или в готовые идентификаторы токенов. На выходе тулкит разбирает ответ модели обратно, в том числе потоковый режим.

Что именно покрывает библиотека:

• цепочки размышлений модели;
• вызовы инструментов;
• изображения;
• настройки генерации.

Чего она не делает — и это важно понимать до того, как вы начнёте планировать внедрение:

• сам запуск модели (то есть вычисления) остаётся на вас;
• выполнение инструментов остаётся на вас;
• передачу по HTTP и логику запросов вы пишете сами.

По сути это аккуратно сделанный слой кодирования промптов. Он снимает самую неприятную часть работы с ручным форматированием, но не заменяет вам весь сервис.

Стоит ли переезжать

Если вы уже работаете на V4.1 Flash, переход выглядит простым: та же линейка, та же лицензия MIT, веса обновляются на месте. Прирост в Terminal-Bench 4.0 почти в полтора раза — это не косметика, а заметная разница для агентов, которые гоняют задачи в терминале.

Если вы только выбираете модель, вендорская таблица подсказывает профиль: автоматизация в терминале, генерация репозиториев и многошаговая работа с инструментами. На этих задачах 1017 обгоняет K3, GLM-5.3 и GPT-5.6 Sol, а Opus 5 обыгрывает по части агентных метрик.

Отдельно считайте трудозатраты: без Jinja-шаблона модель не заработает «из коробки» в привычном пайплайне. Либо берёте эталонный код на Python, либо подключаете deepseek-recipe. Это единственная настоящая сложность во всём обновлении.

Итог

DeepSeek-V4.1-Flash-1017 — дешёвое и быстрое обновление с серьёзным приростом. Модель стала первым номером в агентных и кодинг-тестах среди пяти рассмотренных вендором моделей, обошла Opus 5 по части агентных метрик и при этом стала работать быстрее и отвечать короче. Лицензия MIT, открытые веса и контекст в миллион токенов делают её удобным кандидатом для агентов на длинных цепочках. Единственное, что придётся переделать, — слой кодирования промптов: Jinja-шаблона в релизе нет, вместо него папка encoding и тулкит deepseek-recipe.