في المرة السابقة التي ظهر فيها خط Flash من DeepSeek على هذه الصفحة، كان العنوان الأبرز هو مدى صغر الحجم الذي يمكن ضغطه إليه؛ إذ كان نموذجٌ بحجم 284 مليار معامل، بعد تقليصه إلى نحو 103GB، يعمل على جهاز Mac مجهز جيدًا. أما نموذج Flash الجديد فكائن مختلف تمامًا، والتظاهر بغير ذلك يشبه تقييم شاحنة توصيل على أنها لا تزال دراجة خفيفة.
وصل DeepSeek-V4.1-Flash في 10 سبتمبر 2026 بوصفه أصغر فرد في عائلة معمارية جديدة مزودة بفهم مدمج للصور. وفي 17 أكتوبر أطلقت DeepSeek تحديث 1017 الذي تصفه بالطفيف: درجات أفضل في الاستدلال والبرمجة والرؤية، ومخرجات أقصر، ومهام أسرع. الأوزان متاحة للعموم بترخيص MIT. غير أن النسخة المخزّنة تبلغ قرابة 763 مليار معامل وفق أحجام الملفات على Hugging Face، ولا تتضمن تغطية الإطلاق التي اطلعنا عليها أحجامًا رسمية للنسخ المكمَّمة. ونصيحة DeepSeek نفسها صريحة: السرعة العملية تتطلب مئات الغيغابايتات من ذاكرة VRAM أو الذاكرة الموحدة.
لا تزال كلمة «Flash» تعني شيئًا حقيقيًا، لكنها لم تعد تعني صغير الحجم. فوفق Artificial Analysis تضم قاعدة سبتمبر 552 مليار معامل إجمالي مع نحو 16 مليار معامل نشط لكل رمز. وفي نماذج خليط الخبراء (MoE)، يختار الموجِّه بضع شبكات فرعية متخصصة لكل كلمة، فتكون كل خطوة حسابية خفيفة التكلفة. لكن المكتبة كلها يجب أن تظل فوق الرفوف. النموذج الذي ينشط فيه 16B معامل يعمل بسرعة إذا كان المبنى كبيرًا بما يكفي؛ لكنه ببساطة لا يدخل في مبنى أصغر.
فماذا تحصل مقابل هذا العتاد؟ يضع جدول الإطلاق الخاص بـ DeepSeek النموذج عند 77.0 في DeepSWE v1.1، و60.5 في Automation-Bench، و35.4 في Agents’ Last Exam، و72.1 في Apex، متقدمًا على Claude Opus 5 وGPT-5.6 Sol وGLM-5.3 في كل واحد منها. في المقابل يتأخر عن Opus 5 في Terminal-Bench 4.0 وProgramBench وNL2Repo وHumanity’s Last Exam. وجميع هذه الاختبارات أجرتها DeepSeek نفسها. وحين يختار المطوِّر بيئة الاختبار الخاصة به، فالأمر يشبه طالبًا يصحح ورقة امتحانه بنفسه: قد يكون الجهد نزيهًا، لكنك تظل بحاجة إلى مصحح ثانٍ.
وهذا المصحح الثاني لم يحضر إلا جزئيًا حتى الآن. فقد قاست Artificial Analysis نسخة سبتمبر عند 39 على مؤشر الذكاء الخاص بها، أي أقل بثلاث نقاط من GLM-5.3-Flash على الإصدار نفسه من المؤشر. ولم تُقَس نسخة 1017 استقلاليًا حتى كتابة هذه المراجعة، لذا فإن التوقع العملي هو نموذج أقوى في مهام الوكلاء من نسخة سبتمبر، من دون إثبات مستقل بعد على تفوقه في الذكاء العام الشامل.
وهذا يجعل مجاله ضيقًا لكنه واضح المعالم. فإذا كنت تدير عنقود GPU خاصًا، وتريد ترخيص MIT خاليًا من الشروط المخصصة، وتحتاج إلى نموذج يقرأ الصور والمستندات الطويلة، ولديك الوقت الهندسي لاختبار نسخة مكمَّمة على مهامك الفعلية، فهذا خيار جاد. أما إذا كانت لديك محطة عمل واحدة، فانظر أولًا في Qwen3.8-27B. وإذا كنت تريد ببساطة رموزًا رخيصة ولم تكن الخصوصية هي الهدف، فإن واجهة API المستضافة بسعر $0.15–$0.30 للإدخال و$0.60–$1.20 للإخراج لكل مليون رمز بحسب الساعة هي الباب الأسهل، مع التنبه إلى أن بياناتك تذهب إلى DeepSeek.
الخلاصة الصادقة: إنه نموذج أقوى من سلفه الذي يحل محله، لكنه أصعب امتلاكًا. وقد انخفض تقييمنا لأن فئة الذكاء الاصطناعي المحلي / الخاص تسأل أولًا: مَن يستطيع تشغيل هذا النموذج فعليًا؟ والإجابة في هذه النسخة باتت تشمل عددًا أقل من الناس مقارنةً بالسابق.
