دیپ‌سیک مدل هوش مصنوعی خود را به‌روزرسانی کرد و رقابت با آنتروپیک و اوپن‌ای‌آی را تشدید کرد
شرکت دیپ‌سیک نسخه جدیدی از مجموعه مدل‌های هوش مصنوعی خود را منتشر کرده است؛ به‌روزرسانی‌ای که بر یک هدف آشنا متمرکز است: عملکرد بهتر با هزینه کمتر.
این استارتاپ مستقر در هانگژو، مدل DeepSeek-V4.1-Flash-1017 را در ۱۷ اکتبر ۲۰۲۶ عرضه کرد. هدف از طراحی این نسخه، افزایش سرعت و سبک‌تر کردن مدل در رقابت با غول‌های فناوری سیلیکون‌ولی، از جمله اوپن‌ای‌آی و آنتروپیک، و همچنین شمار فزاینده رقبای چینی است.
زمان‌بندی این انتشار نیز اهمیت دارد. نسخه‌ای که مدل جدید جایگزین آن شده بود، تنها در ۱۰ سپتامبر ۲۰۲۶ عرضه شده بود؛ بنابراین، این به‌روزرسانی حدود پنج هفته بعد از انتشار نسخه قبلی از راه رسیده است.
چه چیزهایی در مدل جدید تغییر کرده است؟
دیپ‌سیک این به‌روزرسانی را بهبودی از نوع «پارتو» در عملکرد و هزینه توصیف می‌کند. در اقتصاد، بهبود پارتو به وضعیتی گفته می‌شود که در آن یک جنبه بهتر می‌شود، بی‌آنکه جنبه دیگری بدتر شود.
در این مورد، گزارش‌ها حاکی از آن است که مدل جدید در آزمون‌های معیار امتیازهای بالاتری کسب می‌کند، وظایف را سریع‌تر به پایان می‌رساند و پاسخ‌های کوتاه‌تری تولید می‌کند. قیمت‌گذاری API تغییری نکرده است و توسعه‌دهندگان همچنان از طریق نقطه پایانی موجود با نام deepseek-flash به مدل دسترسی دارند.
در نگاه اول، کوتاه‌تر بودن پاسخ‌ها ممکن است جزئی کم‌اهمیت به نظر برسد، اما چنین نیست؛ زیرا هزینه استفاده از هوش مصنوعی معمولاً بر اساس حجم متنی محاسبه می‌شود که مدل تولید می‌کند. اگر مدل بتواند با کلمات کمتری به همان پاسخ برسد، هزینه اجرای آن کاهش می‌یابد؛ حتی اگر قیمت اعلام‌شده تغییری نکرده باشد.
مهم‌ترین رقم اعلام‌شده در میان نتایج آزمون‌ها به DeepSWE v1.1، یک آزمون برنامه‌نویسی، مربوط می‌شود. مدل جدید در این آزمون امتیاز ۷۷٫۰ درصد را به دست آورده است؛ درحالی‌که امتیاز نسخه قبلی ۷۴٫۲ درصد بود.
نتایج این آزمون همچنین نشان می‌دهد که امتیاز مدل جدید از امتیاز Claude Opus 5 متعلق به آنتروپیک، با نتیجه ۷۴٫۰ درصد، بیشتر است. افزون بر این، نتایج آزمون‌های معیار حاکی از آن است که دیپ‌سیک در وظایف استدلالی و برنامه‌نویسی از مدل‌های بزرگ‌تر، از جمله Claude Opus 5، عملکرد بهتری دارد.
بیشترین اختلاف ظاهری در هزینه دیده می‌شود. هزینه مؤثر هر وظیفه با مدل دیپ‌سیک در بسیاری از موارد کمتر از ۰٫۲۰ تا ۰٫۲۵ دلار است؛ درحالی‌که این رقم برای مدل‌های رقیب بین ۲ دلار تا بیش از ۱۰ دلار گزارش شده است.
عامل‌های هوش مصنوعی، برنامه‌نویسی و مجموعه جدیدی از APIها
بخش مهمی از پیشرفت این مدل به قابلیتی مربوط می‌شود که در صنعت هوش مصنوعی «توانمندی عامل‌محور» نامیده می‌شود. دیپ‌سیک می‌گوید با استفاده از یادگیری تقویتی مبتنی بر بازخورد خود مدل، مهارت‌های عامل‌محور و برنامه‌نویسی آن را تقویت کرده است.
نتیجه عملی این پیشرفت، امکان ساخت پروژه‌ها از ابتدا تا انتهاست. طبق گزارش‌ها، کاربران می‌توانند از مدل بخواهند محصولاتی مانند بازی و مدل‌های سه‌بعدی بسازد؛ به‌جای آنکه صرفاً قطعه‌هایی از کد تولید کند.
این به‌روزرسانی دامنه خدمات عرضه‌شده از سوی دیپ‌سیک را نیز گسترش می‌دهد. این شرکت برای نخستین بار، APIهای جست‌وجو و بازیابی اطلاعات خود با نام Search & Fetch را در اختیار توسعه‌دهندگان بیرونی قرار می‌دهد. هزینه استفاده از این ابزارها ۰٫۷۵ دلار به‌ازای هر هزار فراخوانی است. برخی از آن‌ها تا اول نوامبر ۲۰۲۶ به‌صورت رایگان ارائه می‌شوند.
مدل جدید از طریق وب‌سایت، اپلیکیشن و API دیپ‌سیک در دسترس است. وزن‌های مدل نیز با مجوز MIT به‌صورت متن‌باز در پلتفرم‌هایی از جمله Hugging Face و ModelScope منتشر شده‌اند.
پیشینه: سرعت گرفتن روند انتشار نسخه‌های جدید
دیپ‌سیک در طول سال ۲۰۲۶ سرعت فعالیت خود را افزایش داده است. این شرکت از اواسط سال به انتشار به‌روزرسانی‌های ماهانه روی آورده و به‌طور پیوسته بر معماری‌های کارآمد و انتشار آزاد وزن‌های مدل تمرکز کرده است.
این راهبرد، دیپ‌سیک را از بزرگ‌ترین رقبای آمریکایی‌اش متمایز می‌کند. اوپن‌ای‌آی و آنتروپیک عمدتاً وزن‌های پیشرفته‌ترین مدل‌های خود را منتشر نمی‌کنند و دسترسی به آن‌ها را از طریق محصولات پولی و APIها به فروش می‌رسانند.
دیپ‌سیک در بازار داخلی چین نیز با فشار رقابتی روبه‌روست. از جمله رقبای چینی آن می‌توان به مدل Kimi متعلق به شرکت مون‌شات و مدل‌های GLM شرکت Z.ai اشاره کرد که هر دو برای جلب توجه توسعه‌دهندگان رقابت می‌کنند.
این تحولات چه معنایی دارند؟
برای توسعه‌دهندگان، محاسبه ساده است: اگر ادعاهای مطرح‌شده درباره نتایج آزمون‌ها در استفاده واقعی نیز تأیید شوند، دیپ‌سیک عملکردی رقابتی در برنامه‌نویسی را با هزینه‌ای بسیار کمتر به‌ازای هر وظیفه ارائه می‌دهد. دسترسی رایگان به برخی ابزارهای جست‌وجو تا اول نوامبر ۲۰۲۶ نیز مانع ورود به مرحله آزمایش این قابلیت‌ها را کاهش می‌دهد.
بااین‌حال، باید توجه داشت که آزمون‌های معیار با محیط‌های عملیاتی واقعی یکسان نیستند. امتیاز ۷۷٫۰ درصدی در آزمون DeepSWE v1.1 داده‌ای معنادار است، اما پیش از تغییر مدل، تیم‌ها باید قابلیت اطمینان، امنیت و الزامات انطباق آن را در مقایسه با نیازهای کاری خود ارزیابی کنند.
دو موضوع مهمی که باید زیر نظر گرفته شوند، تأیید مستقل نتایج اعلام‌شده دیپ‌سیک در آزمون‌های معیار و سرعت استقبال توسعه‌دهندگان از APIهای جدید Search & Fetch پس از پایان دوره دسترسی رایگان است.
افشا: این مقاله به ویراستاری دیه‌گو آلمادا لوپز رسیده است. برای آگاهی از شیوه تولید و بازبینی مطالب، به سیاست تحریریه مراجعه کنید.