DeepSeek V4.1 Flash ning nativ multimodal arxitekturasi bilan beta-versiyasini chiqardi
Batafsil
Pandaily
pandaily.com

DeepSeek V4.1 Flash ning nativ multimodal arxitekturasi bilan beta-versiyasini chiqardi

DeepSeek kompaniyasi DeepSeek V4.1 Flash modelining cheklangan ichki beta-versiyasini ishga tushirdi. Bu oʻrta nazorat nuqtasi yangi arxitektura asosida qurilgan boʻlib, u dastlab multimodal qoʻllab-quvvatlaydi.

DeepSeek ushbu chiqarishni avvalgi Flash versiyalariga qaraganda tezroq, kuchliroq va iqtisodiy jihatdan samaraliroq deb taqdim etmoqda. Shu bilan birga, qatʼiyan cheklangan sinov davri davomida Flash darajasidagi narxlash saqlanib qoladi. Kirish model identifikatori tugaguncha beriladi.

Ishlab chiqaruvchilar mavjud API ularning asosiy URL manzilini oʻzgartirmasdan oldindan koʻrinishdan foydalanishlari mumkin. Model identifikatori — deepseek-v4.1-flash-expires-on-0910. Beta-sinovi paytidagi toʻlovlar DeepSeek V4 Flash ga mos keladi, ammo har bir akkaunt 20 ta bir vaqtinchalik soʻrov bilan cheklangan, bu Flash ning ishlab chiqarish quvvatidan sezilarli darajada pastroq. Shunday qilib, bu davr faol trafik uchun emas, balki baholash uchun moʻljallangan.

Model nomida koʻrsatilgan sana ushbu identifikator taxminan 2026-yil 10-sentabrdan boshlab ishlamay qolishini bildiradi, bu 8-sentabrdan boshlanganidan keyin taxminan ikki kunlik kirishni qoldiradi.

Arxitektura nuqtai nazaridan, V4.1 Flash rasmiy ravishda tasvirni qayta ishlash uchun alohida kengaytirish paketini matn modeliga biriktirgan dastlabki V4 Flash Vision eksperimentidan farq qiladi. DeepSeek multimodal kiritish endi qayta ishlangan arxitekturaning ajralmas qismi ekanligini taʼkidlaydi. Bu matn va tasvirlar, shuningdek, boshqa bogʻliq modalitetlar bitta blok ichida qayta ishlanishini anglatadi, tashqi kodlash yoʻli orqali maʼlumotlarni joylashtirish oʻrniga.

Kechikishga optimallashtirilgan mahsulot liniyasi uchun bu oʻzgarish yuqori vizual koʻrsatkichlar haqidagi bayonotdan koʻra, koʻpincha tasvirlar til ketma-ketligiga kiritilishi kerak boʻlganda plagin uslubidagi vizionning qoʻshimcha kechikishini oldini olish urinishi sifatida kam ahamiyatga ega.

Beta-sinovi davrida olingan dasturchilarning dastlabki hisobotlari past parallelizmda sekundiga taxminan 300 dan 500 token gacha barqaror generatsiyani koʻrsatadi. Generatsiya iterativ kodlash va foydalanuvchi interfeysi prototiplash sikllari uchun nisbatan barqaror deb taʼriflanadi, bu yerda bir uzun yakunlangan ketma-ketlikdan koʻra tez-tez takrorlash muhimroq. Shuni taʼkidlash kerakki, bu raqamlar jamoatchilik kuzatuvlari boʻlib, rasmiy benchmarklar emas; DeepSeek ushbu oʻrta yigʻindi uchun parametrlar sonini, kontekst uzunligini yoki rasmiy baholash jadvallarini nashr etmagan.

Sinovga ilova qilingan fikr-mulohaza soʻrovnomasida foydalanuvchilar modelning onlayn muhitda DeepSeek V4 Pro oʻrnini bosishi mumkin deb hisoblayotganlari haqida savol berilgan. Bu kompaniya Flash ning xarajatlar tuzilishini rad etmasdan Pro darajasidagi foydalilikka erishish imkoniyatini oʻrganayotganligini koʻrsatadi.

Umuman olganda, vaqt bilan cheklangan identifikator, parallelizm chegarasi va Pro versiyasini almashtirish haqidagi soʻrov V4.1 Flash ni doimiy SKU emas, balki yangi arxitekturaning vaqtinchalik multimodal oldindan koʻrinishi sifatida taqdim etadi. Ushbu funksiyaga muhtoj boʻlgan dasturchilar modelning identifikatori amal qilmasdan oldin uni sinovdan oʻtkazishlari kerak; ish yuklarini rejalashtirayotganlar esa yangi arxitekturaning standart infratuzilmasi deb hisoblashdan oldin yuqori parallelizm, hujjatlashtirilgan cheklovlar va oʻzgarmas nomga ega keyingi chiqarishni kutishlari kerak.

Oʻxshash hikoyalar

27 milliard parametrli mahalliy StartLux modeli Xitoy AI-benchmarkida DeepSeek V4 Flashdan ustun keldi
Batafsil
pandaily.com

27 milliard parametrli mahalliy StartLux modeli Xitoy AI-benchmarkida DeepSeek V4 Flashdan ustun keldi

Xitoy axborot va aloqa texnologiyalari akademiyasi (CAICT) tomonidan tayyorlangan hisobotga koʻra, mahalliy modellar xaritasiga yangi raqobatchi qoʻshildi. Shanghayda joylashgan StartLux kompaniyasi StartLux-V1.0-27B-Preview modelini ishlab chiqqan boʻlib, faqat 27 milliard parametrdan foydalanib, tekshirilgan AI-benchmarklar seriyasidagi maxsus MCP testining umumiy reytingida ikkinchi oʻrinni egalladi va DeepSeek-V4-Flashni ortda qoldirdi.

MCP testi oltita maxsus vazifani baholaydi: joylashuv boʻyicha navigatsiya, internetda qidirish, brauzer avtomatlashtirish, moliyaviy tahlil, kod omborlarini boshqarish va 3D dizayn. U shuningdek, bir nechta vositalarni muvofiqlashtirish, murakkab vazifalarni bajarish va real sharoitlarda oʻzaro taʼsir qilishga qaratilgan keng qamrovli baholashni oʻz ichiga oladi. Sinovdan oʻtgan modellar orasida DeepSeek-V4-Pro (1,6 trillion parametr), DeepSeek-V4-Flash-0731 (284 milliard), Step-3.7-Flash (198 milliard), StartLux-27B-260715 (27 milliard), Qwen-3.6-27B (27 milliard) va AgentCPM-Explore (4 milliard) mavjud edi.

StartLux-V1.0-27B-Preview modeli 39.25 ball olib, ikkinchi oʻringa chiqdi. Bu unga 284 milliard parametrli DeepSeek-V4-Flash ham, 198 milliard parametrli Step-3.7-Flash ham ustun keldi. Bir xil parametr hajmidagi modellar orasida u Qwen-3.6-27Bni 5.34 ball bilan ortda qoldirdi. Model joylashuv boʻyicha navigatsiyada birinchi oʻrinni egalladi, shuningdek, brauzer avtomatlashtirish va moliyaviy tahlilda birinchi oʻringa chiqdi yoki unda teng keldi, baʼzi hollarda DeepSeek-V4-Pro trilyon modellari darajasiga yetdi.

Bu model Qwen3.6-27B asosida qurilgan va keyin oʻqitishdan soʻng qoʻshimcha yaxshilangan. StartLux oʻzlarining «AI oʻrgatadi AI» (Avtomatik qidiruv) deb nomlagan yondashuvni joriy etdi, bu esa qayta aloqa orqali eksperimental mashgʻulotlarni avtonom ravishda oʻtkazish va strategiyani takomillashtirish imkonini beradi. Kompaniya bu usulning Xitoydagi mahalliy agent modeli uchun birinchi marta qoʻllanilishi ekanligini taʼkidlaydi.

Bu natija sanoatdagi kengroq siljishni aks ettiradi. Eng ilgʻor modellar samaradorligi amaliy chegaralarga yetganligi sababli, parametrlar yaroshi gʻoyasi homogenizatsiya bosqichiga aylandi; foydalanuvchilarning ustuvorliklari faqat benchmarklardagi yuqori koʻrsatkichlarga erishish emas, balki haqiqiy muammolarni hal qilish, maʼlumotlar xavfsizligini taʼminlash va xarajatlarni nazorat qilish tomon siljiydi. Jahondagi raqobatchilar ham shu yoʻnalishda harakat qilmoqda: Googleʼs Gemma 4, Metaʼs open Muse Glimmer va Nvidiaʼs Nemotron 3.5 Lightning mahalliy joylashtirishga qaratilgan.

StartLux-V1.0-27B-Preview isteʼmolchi kompyuterlarida ishlay olishi mumkin va kompaniya joriy yilda oʻzining birinchi avlod mahalliy intellekt yechimlarini chiqarishni rejalashtirmoqda. CAICT natijalari korxonalarga ixcham, mahalliy joylashtiriladigan modellar endi real ish jarayonlarida muhim boʻlgan vazifalarda ancha katta bulutli yechimlarga raqobatlashishga qodir ekanligini bildiradi, bu esa xarid qilish qarorlarini oʻzgartira boshlaydi.

Mashhur