Когда линейка Flash от DeepSeek в прошлый раз появлялась на этой странице, главной новостью была её компактность: модель на 284 миллиарда параметров, ужатая примерно до 103 ГБ, работала на хорошо оснащённом Mac. Новая Flash — совсем другой зверь, и делать вид, что ничего не изменилось, было бы всё равно что оценивать грузовой фургон по меркам скутера.
DeepSeek-V4.1-Flash вышла 10 сентября 2026 года как младший представитель нового семейства архитектур со встроенным пониманием изображений. А 17 октября DeepSeek выпустила обновление 1017, которое сама называет небольшим: выросли баллы в рассуждениях, программировании и зрении, ответы стали короче, а задачи выполняются быстрее. Веса открыты под лицензией MIT. Однако хранимый чекпоинт, судя по размерам файлов на Hugging Face, насчитывает около 763 миллиардов параметров, а в материалах релиза нет официальных цифр для квантизированных сборок. Совет самой DeepSeek прямолинеен: для практической скорости нужны сотни гигабайт видеопамяти (VRAM) или объединённой памяти.
Слово «Flash» по-прежнему имеет смысл, но уже не означает «маленькая». Artificial Analysis указывает для сентябрьской базы 552 миллиарда общих параметров при примерно 16 миллиардах активных на каждый токен. В архитектуре смеси экспертов (MoE) маршрутизатор выбирает для каждого слова лишь несколько специализированных подсетей, поэтому каждый отдельный шаг вычислений обходится дёшево. Но вся библиотека всё равно должна стоять на полках. Модель с 16B активных параметров работает быстро, если здание достаточно просторное; в маленькое здание она попросту не помещается.
Что вы получаете взамен за такое железо? В стартовой таблице DeepSeek модель набирает 77,0 в DeepSWE v1.1, 60,5 в Automation-Bench, 35,4 в Agents’ Last Exam и 72,1 в Apex, опережая Claude Opus 5, GPT-5.6 Sol и GLM-5.3 в каждом из этих тестов. При этом она уступает Opus 5 в Terminal-Bench 4.0, ProgramBench, NL2Repo и Humanity’s Last Exam. Все эти замеры выполнены самой DeepSeek. Когда разработчик сам выбирает тестовую оснастку, это похоже на студента, проверяющего собственную экзаменационную работу: расчёт может быть честным, но вам всё равно хочется услышать второго экзаменатора.
Второй экзаменатор пока высказался лишь отчасти. Artificial Analysis оценила сентябрьский чекпоинт в 39 баллов в своём Intelligence Index — на три пункта ниже GLM-5.3-Flash на той же версии индекса. Обновление 1017 на момент написания обзора ещё не прошло независимых замеров, поэтому на практике стоит ожидать модель, которая сильнее сентябрьской в агентных задачах, но ещё не доказала своё преимущество в широком общем интеллекте.
Отсюда узкая, но чёткая ниша. Если у вас есть частный GPU-кластер, вам нужна чистая лицензия MIT без особых оговорок, требуется модель, читающая изображения и длинные документы, и есть время инженеров на проверку квантизированной сборки на собственных задачах — это серьёзный кандидат. Если у вас одна рабочая станция, посмотрите сначала на Qwen3.8-27B. А если вам просто нужны дешёвые токены и приватность не стоит на первом месте, облачный API по цене $0,15–$0,30 за вход и $0,60–$1,20 за выход на миллион токенов в зависимости от часа — гораздо более простой вход, с оговоркой, что ваши данные уходят в DeepSeek.
Честный итог: модель стала сильнее той, которую она заменяет, но владеть ею стало труднее. Наша оценка снижается, потому что раздел «Локальный / приватный ИИ» отвечает на вопрос, кто реально может запустить систему у себя, — и для этого чекпоинта таких людей стало меньше, чем раньше.
