გაშვებიდან რამდენიმე დღეში DeepSeek V4.1 Flash გლობალურ რეიტინგში მეექვსე ადგილზე დაწინაურდა

DeepSeek-მა V4.1 Flash-ი 10 სექტემბერს წარადგინა. ეს არის მულტიმოდალური, ექსპერტთა ნარევის არქიტექტურის (Mixture-of-Experts) მოდელი, რომელსაც ჯამში 552 მილიარდი პარამეტრი აქვს, თუმცა ინფერენსის დროს მათ მხოლოდ მცირე ნაწილს ააქტიურებს, რაც ენობრივი მოდელების მასშტაბისა და ეფექტიანობის ბალანსის ახალ ეტაპზე გადასვლას ნიშნავს. მონაცემთა მონიტორინგის პლატფორმა Gelonghui-ს ცნობით, გაშვებიდან სამი დღის განმავლობაში მოდელი OpenRouter პლატფორმაზე ტოკენების მოხმარების მიხედვით მსოფლიოში მეექვსე ადგილზე ავიდა.news.futunn

ახალი მოდელი ცვლის DeepSeek-ის ადრინდელ V4 Flash და V4 Flash Vision ვერსიებს, საიდანაც მოთხოვნები API-ს მეშვეობით ახლა ავტომატურად გადამისამართდება V4.1 Flash-ზე. 14 სექტემბრიდან V4 Pro ენდპოინტზე გაგზავნილი ყველა მოთხოვნა დროებით ასევე V4.1 Flash-ზე გადამისამართდება და V4.1 Pro-ს გამოშვებამდე მისი შედარებით დაბალი ტარიფით დაიბეგრება.hi-tech+1

არქიტექტურა და ეფექტიანობა

V4.1 Flash-ი აგებულია Causal Encoder-Decoder არქიტექტურაზე და სულ 552 მილიარდ პარამეტრს შეიცავს, თუმცა ექსპერტთა ნარევის სტრუქტურის წყალობით, შეყვანილი მონაცემების დამუშავებისას მხოლოდ 8 მილიარდ პარამეტრს ააქტიურებს, ხოლო შედეგის გენერირებისას: 16 მილიარდს. ეს მნიშვნელოვანი შემცირებაა წინა V4 Flash-თან შედარებით, რომელიც 284 მილიარდი საერთო პარამეტრიდან თითოეულ ტოკენზე 13 მილიარდს ააქტიურებდა.hackernoon+2

მოდელს აქვს 1 მილიონამდე ტოკენის შემცველი კონტექსტური ფანჯრის მხარდაჭერა და იყენებს განახლებულ KV-cache-ს, რომელიც თითოეულ ტოკენზე დაახლოებით 890 ბაიტს ინახავს, რაც V4 Flash-ის მეხსიერების მოცულობის დაახლოებით მეოთხედია. დიდი მოცულობის სამუშაოების შესრულებისას მეხსიერების მოთხოვნების ასეთი შემცირება ორგანიზაციებისთვის შესაძლოა უფრო მნიშვნელოვანი აღმოჩნდეს, ვიდრე უბრალოდ ბენჩმარკების გაუმჯობესება. მოდელის წონები საჯაროდ არის ხელმისაწვდომი Hugging Face-ზე MIT ლიცენზიით.mindstudio+2

ბაზარზე დამკვიდრება და პოზიციონირება

Gelonghui-ს მიერ OpenRouter-ის მონაცემებზე დაყრდნობით გავრცელებული ინფორმაციით, 7-13 სექტემბრის კვირაში ხელოვნური ინტელექტის მოდელების გლობალურმა მოხმარებამ 127 ტრილიონ ტოკენს მიაღწია, რაც წინა კვირასთან შედარებით 10 პროცენტზე მეტი ზრდაა. აქედან 61.17 ტრილიონი ტოკენი ჩინურ AI მოდელებზე მოდიოდა, რამაც მათ საშუალება მისცა ზედიზედ მეოცე კვირას შეენარჩუნებინათ ლიდერობა ამერიკულ მოდელებთან შედარებით.news.futunn

V4.1 Flash-ის დებიუტი მეექვსე ადგილზე შედგა, სადაც პირველ სამ დღეში 4.94 ტრილიონი ტოკენი მოიხმარა, ხოლო Xiaomi-ის MiMo-V2.5-მა კვირიდან კვირამდე 230-პროცენტიანი ნახტომით მეხუთე ადგილი დაიკავა. ამავდროულად, Alibaba Cloud ↗ 1.28%-მა 13 სექტემბერს თავისი ჰოსტინგური პლატფორმა DeepSeek-V4.1-Flash წარადგინა, რომელიც API წვდომას და Token Plan-ს სთავაზობს მომხმარებლებს ისეთ ინსტრუმენტებთან ინტეგრაციით, როგორებიცაა Qoder-ი და Codex-ი.gurufocus+1

ბენჩმარკების შედეგები და შეზღუდვები

DeepSeek-ის საკუთარი შეფასებებით, მაქსიმალური მსჯელობის რეჟიმში V4.1 Flash-მა DeepSWE v1.1-ზე 74.2 ქულა დააგროვა, Terminal-Bench 2.1-ზე: 90.6, ხოლო CyberGym-ზე: 88.1. მოდელმა ასევე აჩვენა ძლიერი მულტიმოდალური შედეგები, მათ შორის 95.6 ქულა DocVQA-ზე და 56.5 ქულა MMMU-Pro-ზე.flowtivity+1

თუმცა, V4.1 Flash-ი ცოდნისა და მსჯელობის რამდენიმე ბენჩმარკში ჩამოუვარდება DeepSeek-ის V4 Pro მოდელს, ხოლო ხანგრძლივი კონტექსტის LongBench-V2-ში მისი ქულა (45.2) ნაკლებია V4 Pro-ს 51.5 ქულაზე. DeepSeek-ს არ გამოუქვეყნებია VRAM-ის მოთხოვნები, ინფერენსის სიჩქარის ბენჩმარკები ან batch-size-ის რეკომენდაციები, რის გამოც ლოკალური დანერგვის დაგეგმვა დეველოპერების საკუთარ ტესტირებაზეა დამოკიდებული.hackernoon