DeepSeek V4.1 Flash checkpoint, MIT lisansıyla 11 puanlık Terminal-Bench sıçraması bildiriyor

Neler yayınlandı

DeepSeek, model kartının kendisinin küçük bir güncelleme olarak nitelendirdiği yeni bir checkpoint olan DeepSeek-V4.1-Flash-1017'yi yayınladı. Sürümü ayrıntılı biçimde ele alan dev.to'daki bir yazıya göre model, BF16, F32, F8 ve I8 ağırlıklarıyla dağıtılan 763 milyar parametreli bir yapay zekâ; bir milyon token'lık bir bağlam penceresine ve en az 256K token'lık önerilen maksimum çıktıya sahip. Ağırlıklar MIT lisansıyla sunuluyor ve ticari kullanıma izin veriliyor; model Transformers, vLLM ve SGLang üzerinde çalışıyor ve topluluk yapıları arasında llama.cpp, Ollama ve LM Studio için halihazırda 33 nicemlenmiş (quantized) varyant bulunuyor. Güncellemenin beyan edilen hedefi, daha hızlı görev yürütme ve daha kısa çıktılarla performans ile maliyet arasındaki dengeyi iyileştirmek.

Bildirilen benchmark kazanımları

dev.to yazısı, tedarikçinin yeni checkpoint ile önceki V4.1 Flash arasındaki karşılaştırmasını aktarıyor. Terminal işleri için ajanik bir benchmark olan Terminal-Bench 4.0, 31.2'den 42.3'e yükseliyor — 11.1 puanlık bir sıçrama. Araçsız Humanity's Last Exam 36.8'den 42.6'ya, DeepSWE v1.1 74.2'den 77.0'a, Automation-Bench ise 54.8'den 60.5'e iyileşiyor.

Yazı ayrıca karşılanmayı da not ediyor: Bir Hacker News başlığının saatler içinde bildirildiğine göre 849 puana ve 600'den fazla yoruma ulaştığı ve tartışmaların büyük kısmının Terminal-Bench rakamının gerçek olup olamayacağını sorguladığı belirtiliyor.

Rakamlarla ilgili uyarılar

Bunlar DeepSeek'in kendi bildirdiği rakamlar ve yazı bu sınırlamayı açıkça dile getiriyor. Bağımsız değerlendiricilerin henüz yeni checkpoint'e yetişmeye çalıştığını, ayrıca Artificial Analysis ve Vals.ai'nin V4.1 Flash'ın önceki sürümüne ilişkin önceki üçüncü taraf çalışmalarının modeli açık ağırlıklı modellerin zirvesine yerleştirdiğini ama aynı zamanda SRE tarzı ve hukuk ajanı görevleri de dahil olmak üzere uzmanlaşmış değerlendirmelerde geride kaldığını gösterdiğini belirtiyor. Yazının önerisi, mimari kararları bir model kartına dayanarak vermeden önce bağımsız yeniden çalıştırmaları beklemek.

İkinci bir sürüm: search ve fetch API'leri

Yazıya göre aynı haber döngüsünün gölgesinde kalan bir başka gelişmede DeepSeek, başarılı 1.000 istek başına 0,75 dolar fiyatlanan search ve fetch API'lerini başlattı; ücretlendirme yalnızca bir çağrı HTTP 200 ile gerçek sonuçlar döndürdüğünde yapılıyor. Search ucuna yapılan bir POST isteği sıralanmış sonuçlar, özetler ve isteğe bağlı olarak sayfa içeriği döndürüyor; fetch ucu ise Markdown'a dönüştürülmüş bir sayfa döndürüyor. API'ler site, lang ve tarih aralığı operatörlerini destekliyor ve hesap genelinde API başına saniyede beş istekle sınırlı. Yazıda atıf yapılan yorumcular bu fiyatlandırmayı Exa'da istek başına kabaca 4 dolar, Brave'de 5 dolar ve Kagi'de 12 dolarla karşılaştırıyor; ancak anti-bot korumaları arkasındaki sayfaların kullanılabilir içerik döndürüp döndürmeyeceği hâlâ açık bir soru.

Kendiniz çalıştırma

763 milyar parametreyle bu, dizüstü bilgisayar ölçeğinde bir model değil. Yazı, nicemlenmiş yapıların yerel barındırmayı mümkün kıldığını ama ucuz kılmadığını ve çoğu ekip için gerçekçi yolun API olduğunu belirtiyor. Listelenen fiyatlar V4.1 Flash'ı milyon girdi token'ı başına kabaca 0,30 dolar ve milyon çıktı token'ı başına 1,20 dolar düzeyine yerleştiriyor; bunlara ek olarak yoğun olmayan saat indirimleri de var, ancak yazı oranların değişebileceği ve sağlayıcının sayfasından kontrol edilmesi gerektiği konusunda uyarıyor.

Neden önemli

Bu sürümdeki en büyük kazanım ajanik terminal işlerinde — yani üretimde en çok token tüketen, dosya okuma, kod düzenleme, komut çalıştırma ve hatalardan sonra yeniden deneme döngülerinde. Daha kısa çıktılar ve göreve ulaşmak için daha az adım bağımsız testler altında da doğrulanırsa, maliyet avantajı token başına fiyatlarda bir değişiklik olmasa bile bileşik biçimde büyür. Kilitleme (lock-in) riskini ortadan kaldıran MIT lisansıyla birleştiğinde, küçük bir güncelleme olarak nitelendirdiği bir sürümde ölçülebilir bir ajanik iyileştirme sunan açık ağırlıklı bir model, farklılaşmasını giderek ham yetenekten çok dağıtım ve araçlara dayandıran kapalı model satıcıları üzerinde gerçek bir fiyat baskısı yaratıyor. Yazının da önerdiği gibi akıllıca duruş, üçüncü taraf benchmark doğrulamasını beklerken checkpoint'i kendi ajan izleriniz (agent traces) karşısında test etmek — yalnızca doğruluğu değil, göreve ulaşma adım sayısını ve toplam token kullanımını da ölçmek.