أطلقت DeepSeek مؤخرًا الجيل الجديد من نموذج الذكاء الاصطناعي V4.1-Flash. وفقًا للتعريف الرسمي، على الرغم من أن الحجم الإجمالي للمعلمات في V4.1-Flash والمعلمات النشطة أقل من V4-Pro، إلا أن أدائه وسرعة الاستدلال والتحكم في التكاليف كانت أكثر تميزًا، خاصة في المهام المتعلقة بالوكيل والبرمجة، حيث تجاوزت بعض نتائج اختبارات الأداء V4-Pro وGPT-5.6 Sol وغيرها من النماذج الرائدة.
أداء DeepSeek V4.1-Flash في الأداء والتكلفة
أشارت DeepSeek إلى أن V4.1-Flash يستخدم هيكل خليط من الخبراء، مع إجمالي عدد معلمات يبلغ 5520 مليار، وعدد المعلمات النشطة في مرحلة الإدخال يبلغ 80 مليار، بينما في مرحلة الإخراج يبلغ 160 مليار. بالمقارنة، كان إجمالي عدد المعلمات في الجيل السابق V4-Flash يبلغ 2840 مليار، بينما وصل إجمالي عدد المعلمات في V4-Pro إلى 16 تريليون. واحدة من التحسينات الرئيسية في هذا النموذج هي تقليص كبير في ذاكرة KV، حيث انخفضت الذاكرة المستخدمة إلى حوالي 890 بايت لكل توكن، بينما وصلت سرعة الإخراج إلى حوالي 214.4 توكن في الثانية، ووقت استجابة التوكن الأول كان 1.13 ثانية.
أعطت الهيئة المستقلة AA تقييمًا “بسرعة ملحوظة أسرع”.
فيما يتعلق بالأداء، أفادت DeepSeek أن V4.1-Flash يتفوق على GPT 5.6 Sol وClaude Opus 5 في اختبارات العمليات النهائية، وإصلاح الأكواد، والمهام الآلية تحت إعدادات عالية من قوة الاستدلال. ومع ذلك، في المهام العامة ذات الصعوبة العالية، كانت نتائج هذا النموذج متوسطة نسبيًا. تظهر بيانات AA أن مؤشر الذكاء الشامل لـ V4.1-Flash هو 40 نقطة، وهو أعلى من المستوى الوسيط لمعظم النماذج المفتوحة المصدر المماثلة، ولكنه لا يزال أقل من النماذج الرائدة.
من المهم ملاحظة أن AA قد قامت مؤخرًا بتحديث نظام التقييم، حيث تم تشديد معايير التقييم بشكل ملحوظ، مما أدى إلى خفض درجات العديد من النماذج ذات الدرجات العالية.
فيما يتعلق بالأسعار، تظهر بيانات AA أن سعر V4.1-Flash هو US$0.30 لكل مليون توكن مدخل (حوالي HK$2)، وسعره هو US$1.20 لكل مليون توكن مخرج (حوالي HK$9)، بينما التكلفة الشاملة تبلغ حوالي US$0.18 (حوالي HK$1)، وهو أقل من المتوسط لنماذج مماثلة. إذا تم الوصول إلى الذاكرة المؤقتة، يمكن أن ينخفض السعر إلى US$0.01 لكل مليون توكن (حوالي HK$0). كما أشارت AA إلى أن النموذج يقدم إجابات طويلة، حيث كانت كمية التوكنات المخرجة في التقييم أعلى بكثير من النماذج المماثلة، مما قد يؤثر على الوقت والتكاليف في الاستخدام الفعلي.
على المستوى التقني، قدم V4.1-Flash هيكلًا جديدًا يسمى CED، حيث تم تقسيم 40 طبقة من Transformer إلى 20 طبقة من المشفرات السببية و20 طبقة من المفككات، مما يقلل من الحسابات المتكررة الناتجة عن الانتباه المتقاطع التقليدي، ويجمع بين طرق مثل CSA2 وFP4 لتقليل استخدام الذاكرة والتخزين. بشكل عام، تركز تحديثات DeepSeek هذه المرة على تحسين تنفيذ الوكلاء، وقدرات البرمجة، وتكاليف النشر.