DeepSeek’ning Flash turkumi ushbu sahifada oxirgi marta paydo bo‘lganida, asosiy yangilik uning qanchalik ixcham bo‘la olishi edi: taxminan 103 GB gacha siqilgan 284 milliard parametrli model yaxshi jihozlangan Mac kompyuterida ishlardi. Yangi Flash esa butunlay boshqa maxluq va buni tan olmaslik yuk furgonini xuddi skuterdek baholash bilan barobar bo‘lardi.
DeepSeek-V4.1-Flash 2026-yil 10-sentabrda tasvirlarni tabiiy tushunadigan yangi arxitektura oilasining eng kichik a’zosi sifatida taqdim etildi. 17-oktabrda esa DeepSeek o‘zi kichik deb atagan 1017 yangilanishini chiqardi: mantiqiy fikrlash, dasturlash va ko‘rish bo‘yicha yaxshiroq ballar, qisqaroq javoblar, tezroq bajariladigan vazifalar. Model vaznlari MIT litsenziyasi ostida ochiq. Biroq Hugging Face’dagi fayl hajmlariga ko‘ra, saqlangan chekpoynt qariyb 763 milliard parametrdan iborat va biz ko‘rib chiqqan reliz materiallarida kvantlangan yig‘malar uchun rasmiy o‘lchamlar keltirilmagan. DeepSeek’ning o‘z tavsiyasi ochiq va keskin: amaliy tezlikka erishish uchun yuzlab gigabayt VRAM yoki birlashgan xotira (unified memory) zarur.
«Flash» so‘zi hali ham aniq ma’noga ega, lekin endi u «kichik» degani emas. Artificial Analysis sentabr bazasini jami 552 milliard parametr va har bir tokenda taxminan 16 milliard faol parametr sifatida ko‘rsatadi. Ekspertlar aralashmasi (MoE) modelida yo‘naltiruvchi har bir so‘z uchun bir nechtagina ixtisoslashgan kichik tarmoqlarni tanlaydi, shuning uchun har bir qadam arzon hisoblanadi. Lekin butun kutubxona baribir javonda turishi shart. 16B faol parametrli model bino yetarlicha katta bo‘lsa tez ishlaydi; kichikroq binoga esa u shunchaki sig‘maydi.
Bunday uskuna evaziga nima olasiz? DeepSeek’ning reliz jadvalida model DeepSWE v1.1 bo‘yicha 77,0, Automation-Bench bo‘yicha 60,5, Agents’ Last Exam bo‘yicha 35,4 va Apex bo‘yicha 72,1 ball olib, ularning har birida Claude Opus 5, GPT-5.6 Sol va GLM-5.3’ni ortda qoldiradi. Terminal-Bench 4.0, ProgramBench, NL2Repo va Humanity’s Last Exam testlarida esa u Opus 5’dan orqada qoladi. Bularning barchasi DeepSeek’ning o‘zi tomonidan o‘tkazilgan sinovlardir. Ishlab chiquvchining sinov muhitini o‘zi tanlashi talabaning o‘z imtihon daftarini o‘zi tekshirishiga o‘xshaydi: mehnat halol bo‘lishi mumkin, lekin baribir ikkinchi tekshiruvchining fikrini bilgingiz keladi.
Ana shu ikkinchi tekshiruvchining xulosasi hozircha qisman yetib kelgan. Artificial Analysis sentabr chekpoyntini o‘zining Intelligence Index reytingida 39 ballga baholadi — bu indeksning xuddi shu talqinida GLM-5.3-Flash’dan uch pog‘ona past. 1017 yangilanishi ushbu sharh yozilayotgan vaqtda hali mustaqil o‘lchanmagan edi, shuning uchun amaliy kutish shunday: model agent vazifalarida sentabr talqinidan kuchliroq, ammo keng qamrovli umumiy intellektda yetakchi ekani hali isbotlanmagan.
Bu esa modelning o‘rnini tor, ammo juda aniq qilib qo‘yadi. Agar sizda xususiy GPU klasteri bo‘lsa, maxsus shartlarsiz toza MIT litsenziyasini xohlasangiz, tasvirlar va uzun hujjatlarni o‘qiydigan modelga ehtiyoj sezsangiz hamda kvantlangan yig‘mani o‘z vazifalaringizda sinab ko‘rish uchun muhandislik vaqtingiz bo‘lsa — bu jiddiy tanlov. Agar bitta ish stansiyangiz bo‘lsa, avvalo Qwen3.8-27B ga qarang. Agar sizga shunchaki arzon tokenlar kerak bo‘lsa va maxfiylik asosiy maqsad bo‘lmasa, soatiga qarab million token uchun kirishda $0,15–$0,30 va chiqishda $0,60–$1,20 turadigan bulutli API ancha oson eshikdir — faqat ma’lumotlaringiz DeepSeek’ga yuborilishini yodda tutsangiz bas.
Xolis xulosa: u o‘zi almashtirgan modeldan kuchliroq, lekin unga egalik qilish qiyinroq. Bizning bahomiz pasayganining sababi shuki, Lokal / Shaxsiy SI turkumi modelni amalda kim o‘zida ishga tushira olishini so‘raydi — ushbu chekpoynt uchun esa bunday imkoniyatga ega odamlar soni avvalgidan kamroq.
