دیپ‌سیک V4.1 Flash با هزینه‌ای بسیار کمتر، با پیشرفته‌ترین مدل‌های هوش مصنوعی رقابت می‌کند
مدل دارای وزن‌های باز چین در آزمون‌های برنامه‌نویسی امتیازهایی در سطح برترین مدل‌ها کسب کرده است؛ آن هم در شرایطی که از نظر هزینه و سرعت، رقبای بسته خود را تحت فشار قرار می‌دهد.
نویسنده: دیگو آلمادا لوپز
تاریخ انتشار: ۱۷ اکتبر ۲۰۲۶
طبق پستی که به‌طور گسترده در شبکه اجتماعی ایکس منتشر شده، مدل جدید دیپ‌سیک ظاهراً با هزینه‌ای ۹۰ درصد کمتر آزمایش شده و توانسته است بیش از ۲۳۷ توکن در ثانیه تولید کند.
مدل مورد بحث DeepSeek-V4.1-Flash نام دارد و پرسشی ناخوشایند را پیش روی تیم‌های قیمت‌گذاری آزمایشگاه‌های بزرگ هوش مصنوعی قرار داده است: مشتریان دقیقاً بابت چه چیزی هزینه بیشتری می‌پردازند؟
دیپ‌سیک دقیقاً چه مدلی عرضه کرده است؟
دیپ‌سیک مدل V4.1-Flash را در ۱۰ سپتامبر ۲۰۲۶ عرضه کرد. این مدل در مجموع ۵۵۲ میلیارد پارامتر دارد و از معماری تنکِ ترکیبی متخصصان یا MoE استفاده می‌کند. در این معماری، هنگام پردازش ورودی تنها حدود ۸ میلیارد پارامتر فعال هستند و هنگام تولید خروجی، تقریباً ۱۶ میلیارد پارامتر به کار گرفته می‌شوند.
این مدل همچنین از پنجره زمینه‌ای یک‌میلیون‌توکنی برخوردار است؛ قابلیتی که به آن اجازه می‌دهد حجم بسیار زیادی از متن را هم‌زمان در حافظه کاری نگه دارد، برای مثال، یک مجموعه کد گسترده یا چندین سند طولانی.
قابلیت پردازش بومی تصویر نیز در آن تعبیه شده است. وزن‌های مدل با مجوز MIT در پلتفرم Hugging Face منتشر شده‌اند؛ بنابراین توسعه‌دهندگان می‌توانند مدل را دانلود و روی زیرساخت خود اجرا کنند و نیازی ندارند که صرفاً از طریق API هزینه دسترسی به آن را بپردازند.
دیپ‌سیک در ۱۷ اکتبر ۲۰۲۶ به‌روزرسانی‌ای با نام V4.1-Flash-1017 را از طریق همان API منتشر کرد. این نسخه شاخص‌های عملکرد را بهبود داد و زمان اجرای وظایف را کاهش داد. بر اساس گزارش یکی از منابع، سرعت استنتاج در آن از ۲۳۷ توکن در ثانیه فراتر رفته است.
نتایج بنچمارک‌ها و هزینه استفاده
در آزمون DeepSWE v1.1 که برای ارزیابی مهندسی نرم‌افزار طراحی شده است، مدل V4.1-Flash طبق گزارش‌ها امتیاز ۷۴٫۲ را کسب کرد. مدل Claude Opus 5 متعلق به آنتروپیک در همین آزمون امتیاز ۷۴٫۰ و مدل GPT-5.6 Sol متعلق به اوپن‌ای‌آی امتیاز ۷۳٫۰ گرفت.
آزمایش‌های مستقل نشان می‌دهند که V4.1-Flash همچنان در برخی از پیچیده‌ترین وظایف استدلالی از رقبای پیشرو عقب‌تر است. برنامه‌نویسی و انجام وظایف عامل‌محور از نقاط قوت آن به شمار می‌روند، اما آزمایشگاه‌های توسعه‌دهنده مدل‌های بسته هنوز در دشوارترین مسائل منطقی چندمرحله‌ای برتری دارند.
دیپ‌سیک در ساعات کم‌ترافیک، برای هر یک میلیون توکن ورودی ۰٫۱۵ دلار و برای هر یک میلیون توکن خروجی ۰٫۶۰ دلار دریافت می‌کند. این تعرفه‌ها در ساعات اوج مصرف دو برابر می‌شوند.
هزینه ورودی‌های ذخیره‌شده در حافظه نهان حتی کمتر است. هنگامی که یک درخواست از محتوایی استفاده می‌کند که سیستم قبلاً پردازش کرده است، هزینه ورودی می‌تواند به ۰٫۰۰۳ تا ۰٫۰۰۶ دلار به‌ازای هر یک میلیون توکن کاهش یابد. این تعرفه برای ورودی‌های منطبق با حافظه نهان، حدود ۳۰ برابر کمتر از هزینه برخی مدل‌های پیشرفته و بسته است.
پیشینه: راهبرد همیشگی دیپ‌سیک برای عرضه ارزان‌تر
V4.1-Flash به‌عنوان جانشین DeepSeek-V4-Pro معرفی شده است. این شرکت تا حد زیادی استفاده از V4-Pro را کنار گذاشته و مدل جدید را جایگزین آن کرده است؛ تغییری که از اواسط سپتامبر ۲۰۲۶ اجرایی شد.
معماری ترکیبی متخصصان (MoE) نقشی اساسی در این راهبرد دارد. با فعال‌کردن تنها بخش کوچکی از شبکه برای هر درخواست، آزمایشگاه دیپ‌سیک می‌تواند مدلی بسیار بزرگ عرضه کند، بی‌آنکه هر بار که کاربری یک دستور متنی وارد می‌کند، هزینه محاسباتی اجرای تمام شبکه را بپردازد.
این مدل چه معنایی برای بازار هوش مصنوعی دارد؟
از آنجا که V4.1-Flash تحت مجوز MIT عرضه شده است، شرکت‌ها می‌توانند آن را روی زیرساخت‌های خود میزبانی و اجرا کنند و به‌طور کامل از وابستگی به API بی‌نیاز شوند. این انعطاف‌پذیری برای سازمان‌هایی اهمیت دارد که باید مقررات مربوط به محل نگهداری داده‌ها را رعایت کنند یا تمایلی ندارند اطلاعات حساس خود را در اختیار ارائه‌دهندگان بیرونی قرار دهند.
بنچمارک‌ها وظایف مشخصی را در شرایطی معین اندازه‌گیری می‌کنند و برتری چند دهم امتیازی در آزمون DeepSWE v1.1 به معنای برتری مطلق در کاربردهای واقعی نیست. از سوی دیگر، دو برابر شدن قیمت‌ها در ساعات اوج مصرف باعث می‌شود هزینه واقعی به زمان و شیوه استفاده هر تیم از مدل بستگی زیادی داشته باشد.
در ادامه باید چند موضوع را زیر نظر گرفت: آیا آزمایشگران مستقل، سرعت ۲۳۷ توکن در ثانیه را در طیف گسترده‌تری از بارهای کاری تأیید می‌کنند؟ توسعه‌دهندگان با چه سرعتی سامانه‌های عملیاتی خود را به این مدل منتقل خواهند کرد؟ و آیا آزمایشگاه‌های بزرگ غربی در پاسخ، قیمت‌ها را کاهش می‌دهند یا برتری بیشتری در استدلال ارائه می‌کنند؟
افشای اطلاعات تحریریه: این مقاله به ویراستاری دیگو آلمادا لوپز رسیده است. برای اطلاع از شیوه تهیه و بازبینی مطالب، به سیاست تحریریه مراجعه کنید.