DeepSeek V4.1 Flash 1017.

1Ano ang DeepSeek V4.1 Flash 1017

Ang DeepSeek-V4.1-Flash ang pinakamaliit na model sa V4.1 family ng DeepSeek, na may built-in na pag-unawa sa mga larawan. Dumating ito sa API ng DeepSeek noong 10 Setyembre 2026; noong 17 Oktubre, pinalitan ito ng DeepSeek ng DeepSeek-V4.1-Flash-1017, na tinatawag nitong minor update (DeepSeek API changelog).

Pinapahusay ng update ang mga benchmark sa reasoning, coding, agentic at visual, at natatapos ng model ang mga task nang mas maikli ang output at mas mabilis. Inayos ito ng DeepSeek para sa sarili nitong DeepSeek Harness, sa Tencent CodeBuddy at sa WorkBuddy, at inirerekomenda nito ang DeepSeek Harness 0.2.1-rc.1 o mas bago (Hugging Face).

Sinusunod ng pangalan ang nakagawian ng DeepSeek na lagyan ng petsa ang mga update: ang 1017 ay buwan at araw, 17 Oktubre.

2Benchmarks: 1017 laban sa V4.1 Flash at iba pa

Sa mga numerong ito, nangunguna ang 1017 sa lahat ng model sa table sa DeepSWE, Agents' Last Exam at Apex Bench, at naiiwan sa Opus 5 sa reasoning nang walang tools, sa trabaho sa terminal at sa pagbuo ng buong programa. Umangat din ito sa mga test sa chart at larawan gaya ng Chartography (83.0, mula 78.9) at BabyVision (92.5, mula 89.6).

Bumababa rin ang gastos bawat task. Sa mga chart ng DeepSeek na iniulat ng The Decoder, ang isang DeepSWE task ay nagkakahalaga ng kaunti sa ilalim ng $0.20 sa pinakamataas na setting, kumpara sa mga $0.50 sa naunang bersyon.

3Parameters, context at laki

Mga 189 GiB ng download ay dalawang Engram table: isang malaking memory na hinahanapan ng model sa halip na kinukuwenta, ilang row bawat token. Itinatabi ito ng mga runtime gaya ng DwarfStar sa SSD at binabasa lang ang mga row na kailangan, kaya kayang tumakbo ng model sa mas maliit na memory kaysa sa laki ng download nito (antirez sa Hugging Face).

4Pangalan sa API at presyo

Sa API ng DeepSeek, deepseek-flash ang tawag sa model, at nakaturo na ito sa 1017; ang mga lumang pangalang deepseek-v4-flash at deepseek-v4-flash-vision-exp ay idinadaan dito sa ngayon. Ayon sa DeepSeek, hindi nagbago ang paraan ng pagtawag at ang mga presyo sa 1017 (DeepSeek).

Inirerekomenda ng DeepSeek ang temperature na 1.0, top_p na 1.0 at puwang para sa mahahabang sagot (max_tokens na hindi bababa sa 256K). Walang kasamang Jinja chat template ang weights: binubuo ang mga prompt gamit ang encoding code sa repository ng model.

5Kaya mo ba itong patakbuhin sa sarili mong Mac?

Oo, pero sa pinakamalalaking Mac lang. Kayang hawakan nang buo ng Mac Studio na may 512 GB na memory (M3 Ultra o M5 Ultra) ang mga 4-bit build; sapat ang 256 GB para sa 2-bit build na nasa SSD ang mga Engram table; kayang mag-stream mula sa SSD ng 128 GB na Mac, pero mabagal. Ang unang nailathalang run, sa M3 Ultra na may 512 GB, ay nakabuo ng mga 6.5 token bawat segundo.

Kung aling build ang ida-download, ang mga command at ang bilis ay nasa step-by-step na gabay namin: Patakbuhin ang DeepSeek V4.1 Flash sa Mac.

Para sa ibang Mac, ilang sentimo lang bawat milyong token ang API, at maayos tumakbo nang lokal ang mas maliliit na open model: tingnan ang pinakamagandang Mac para sa local LLM.

6Pagtrabahuhin ang idle na oras ng malaking Mac

Ang Mac Studio na binili para magpatakbo ng ganitong mga model ay naghihintay lang sa halos buong araw. Ipinapahiram ng MLX Node ang bakanteng oras na iyon sa MLX Network, na nagpapatakbo ng AI job sa mga Mac gamit ang MLX framework ng Apple, at kumikita ng MLX tokens para sa na-verify na trabaho: hanggang 1 MLX bawat araw sa libreng seat, at hanggang 320 sa Ultra dedicated seat na tumatakbo sa isang Ultra Mac. Naka-lock ang na-mine na MLX nang 30 araw, mas maikli kung may dedicated seat; tingnan ang mga panganib.

7Mga tanong

Ano ang DeepSeek V4.1 Flash 1017?

Ito ang update noong 17 Oktubre 2026 ng DeepSeek-V4.1-Flash, ang open-weight na mixture-of-experts model ng DeepSeek. Pareho ang architecture at pangalan sa API, at mas mataas ang score nito sa mga benchmark sa reasoning, coding, agent at larawan.

Ano ang pagkakaiba ng V4.1 Flash at 1017?

Parehong laki ng model at API, mas bagong training. Sa mga test ng DeepSeek, 42.3 ang score ng 1017 sa halip na 31.2 sa Terminal-Bench 4.0 at 77.0 sa halip na 74.2 sa DeepSWE v1.1, at mas maiikli ang mga sagot nito, kaya mas mura ang mga task.

Ilan ang parameters ng DeepSeek V4.1 Flash?

552 bilyon lahat-lahat. Nag-a-activate ito ng 8 bilyon bawat token habang binabasa ang prompt at 16 bilyon habang sumusulat, at may dagdag na dalawang malaking Engram lookup table na puwedeng manatili sa disk.

Libre ba ang DeepSeek V4.1 Flash 1017?

Libreng i-download at gamitin ang weights sa ilalim ng MIT license. May bayad ang paggamit nito sa API ng DeepSeek: $0.15 bawat milyong input token at $0.60 bawat milyong output token, ayon sa OpenRouter.

Kaya ko bang patakbuhin nang lokal ang DeepSeek V4.1 Flash 1017?

Oo, kung napakalaki ng memory. Sa Mac, kayang patakbuhin ng Mac Studio na may 512 GB ang mga 4-bit build at ng 256 GB ang 2-bit build na nasa SSD ang mga Engram table. Mas mabuti para sa mas maliliit na Mac ang API o mas maliit na model.