DeepSeek เปิดตัว V4.1-Flash-1017 พร้อม Search API ใหม่
DeepSeek ประกาศเปิดตัว DeepSeek-V4.1-Flash-1017 ซึ่งเป็น checkpoint ล่าสุดของโมเดล V4.1-Flash โดยพร้อมให้บริการแล้วผ่านทาง เว็บไซต์, แอปพลิเคชัน และ API ของ DeepSeek
ทางบริษัทระบุว่าโมเดลรุ่นนี้มีคะแนนการทดสอบที่แข็งแกร่งขึ้น ประมวลผลได้เร็วขึ้น และได้ผลลัพธ์ (output) ที่สั้นกระชับกว่า รุ่น V4.1-Flash เมื่อเดือนกันยายน โดยถือเป็นการปรับปรุงแบบ Pareto ที่ช่วยเพิ่มทั้งประสิทธิภาพและลดต้นทุนไปพร้อมกัน
นอกจากนี้ DeepSeek ยังได้เปิดตัว Search and Fetch APIs ให้แก่นักพัฒนาทั่วไป ซึ่งจะช่วยให้ผู้สร้าง agent สามารถเข้าถึงข้อมูลเว็บแบบ first-party ได้ภายใต้ API key เดียวกัน ในราคาที่ถูกลงสำหรับงานเขียนโค้ด
TL;aDR
- ขนาด: พารามิเตอร์ backbone 552B และพารามิเตอร์ Engram 196B โดยจะ activate 8B พารามิเตอร์ต่อ token ในช่วง prefill และ 16B ในช่วง decode รองรับ context 1M tokens และ output สูงสุด 384K tokens
- รันบน: DeepSeek API ในชื่อ
deepseek-flashโดยน้ำหนักโมเดลของ V4.1-Flash รุ่นเดือนกันยายนใช้สัญญาอนุญาตแบบ MIT บน Hugging Face ส่วนรายละเอียดฮาร์ดแวร์ของรุ่น 1017 ยังไม่เปิดเผย - ประสิทธิภาพ: เอาชนะ V4.1-Flash รุ่นเดิมในทุก benchmark ทั้ง 11 รายการ โดยมีคะแนนสูงขึ้นตั้งแต่ 2.0 ถึง 11.1 คะแนน
- ดีที่สุด: ทำได้ 77.0 คะแนนบน DeepSWE v1.1 ซึ่งสูงกว่า Claude Opus 5 (74.0)
- แย่ที่สุด: ทำได้ 42.6 คะแนนบน HLE แบบไม่ใช้เครื่องมือ ขณะที่ Claude Opus 5 ทำได้ 56.3
DeepSeek-V4.1-Flash-1017 คืออะไร?
DeepSeek-V4.1-Flash-1017 เป็น checkpoint ที่ได้รับการปรับปรุงหลังการฝึก (post-training) โดยให้บริการภายใต้ชื่อโมเดล deepseek-flash ซึ่งอ้างอิงสถาปัตยกรรมจาก รายงานทางเทคนิคของ V4.1-Flash
ทีมพัฒนาเผยว่าโมเดลรุ่นนี้ใช้การเรียนรู้แบบเสริมกำลัง (reinforcement learning) ร่วมกับระบบตอบกลับในตัว (self-feedback) เพื่อรองรับการทำงานโปรเจกต์แบบ end-to-end เช่น การสร้างเกมหรือโมเดล 3D ทั้งนี้ได้มีการจูนโมเดลให้เหมาะกับ DeepSeek Harness, Tencent CodeBuddy และ WorkBuddy โดยแนะนำให้ใช้ร่วมกับ DeepSeek Harness v0.2.1-rc.1 ขึ้นไป
สถาปัตยกรรม V4.1-Flash ทำงานอย่างไร?
V4.1-Flash เป็น โมเดล multimodal Mixture-of-Experts ที่ประกอบด้วย Transformer layers 40 ชั้น แบ่งเป็น causal encoder 20 ชั้น และ decoder 20 ชั้น
หัวใจสำคัญอยู่ที่เทคโนโลยี Causal Encoder-Decoder (CED) ซึ่งช่วยลดการคำนวณช่วง prefill ลงเกือบครึ่งหนึ่ง ร่วมกับ Compressed Sparse Attention 2 (CSA2) ที่ช่วยให้เลเยอร์ต่างๆ ใช้ main KV และ indexer keys ร่วมกันได้อย่างมีประสิทธิภาพ
นอกจากนี้ยังมีการใช้ FP4 main KV cache เพื่อลด global KV เหลือเพียง 1/4 เมื่อเทียบกับรุ่นเดิม และ SWA Bounded Replay ที่ช่วยลดการใช้ cache เหลือเพียง 1/8 โดยผู้ใช้สามารถปรับระดับความพยายามในการประมวลผล (Reasoning effort) ผ่าน API ได้ตั้งแต่ระดับ low ไปจนถึง max (50-100)
Benchmark ของ DeepSeek-V4.1-Flash-1017
อ้างอิงจาก ตัวเลขของ DeepSeek เอง ผลการทดสอบเปรียบเทียบกับคู่แข่งรายสำคัญมีดังนี้
| Benchmark | V4.1-Flash-1017 | V4.1-Flash | Kimi K3 | GLM 5.3 | GPT 5.6-Sol | Claude Opus 5 |
|---|---|---|---|---|---|---|
| DeepSWE v1.1 | 77.0 | 74.2 | 67.5 | 66.9 | 73.0 | 74.0 |
| Terminal-Bench 4.0 | 42.3 | 31.2 | 12.6 | 37.9 | 39.9 | 51.8 |
| Automation-Bench v1.0.6 | 60.5 | 54.8 | 46.7 | 48.8 | 45.8 | 50.3 |
| Agents’ Last Exam | 35.4 | 31.8 | 27.6 | 28.5 | 26.7 | 28.6 |
| Apex Bench v1.1 | 72.1 | 64.6 | 47.8 | 56.6 | 54.3 | 65.8 |
| ProgramBench | 29.1 | 20.3 | 17.5 | 19.0 | 23.0 | 37.0 |
| NL2Repo-Bench | 68.2 | 65.4 | 58.0 | 58.0 | 56.8 | 75.3 |
| HLE (no tools)* | 42.6 / 44.0 | 36.8 / 39.1 | 43.5 | 42.0 | 44.5 | 56.3 |
| BabyVision (w/ tools) | 92.5 | 89.6 | 85.7 | N/A | 88.9 | 94.1 |
*หมายเหตุ: เฉพาะชุดย่อย HLE แบบข้อความเท่านั้น
Checkpoint 1017 สามารถครองอันดับหนึ่งในด้าน DeepSWE, Automation-Bench, Agents’ Last Exam และ Apex Bench ขณะที่ Claude Opus 5 ยังคงนำในด้าน Terminal-Bench 4.0, ProgramBench, NL2Repo และ HLE
เปรียบเทียบกับคู่แข่งแบบ open-weight
| ฟีเจอร์ | DeepSeek-V4.1-Flash-1017 | Kimi K3 | GLM-5.3 |
|---|---|---|---|
| พารามิเตอร์รวม | 552B + 196B Engram | 2.8T | 753B |
| พารามิเตอร์ที่ใช้งาน | 8B prefill / 16B decode | 104B | ไม่ระบุ |
| Context | 1M | 1,048,576 | ไม่ระบุ |
| สัญญาอนุญาต | MIT (V4.1-Flash) | Kimi K3 License | GLM-5.3 license |
| ราคา API (1M input/output) | $0.30 / $1.20 | ไม่ระบุ | ไม่ระบุ |
Search และ Fetch API ของ DeepSeek คืออะไร?
Search API ออกแบบมาเพื่อส่งคืนผลลัพธ์การค้นหาบนเว็บ ส่วน Fetch API จะดึงเนื้อหาหน้าเว็บมาในรูปแบบ Markdown โดยเอนจินภายในรองรับการส่งคำขอได้มหาศาลต่อวัน
การเรียกใช้งานผ่าน endpoint api.deepseek.com รองรับการปรับแต่งผลลัพธ์ได้สูงสุด 50 รายการ พร้อมตัวดำเนินการค้นหา เช่น site:, lang:, after: และ before: โดยมีราคาอยู่ที่ 0.75 ดอลลาร์ต่อ 1,000 การเรียกใช้ที่สำเร็จ
สำหรับผู้ที่ใช้งานผ่าน DeepSeek Harness, Claude Code หรือ Codex จะสามารถใช้งานได้ฟรีไปจนถึงวันที่ 1 พฤศจิกายน 2026
การปรับใช้และราคา
ผู้ใช้สามารถเรียกใช้งาน deepseek-flash ผ่าน endpoint รูปแบบ OpenAI หรือ Anthropic โดยราคาในช่วงพีคจะอยู่ที่ 0.30 ดอลลาร์ต่อ 1M cache-miss input tokens และ 1.20 ดอลลาร์ต่อ 1M output tokens ขณะที่ช่วง off-peak ราคาจะลดลงเหลือเพียงครึ่งเดียว
สรุปประเด็นสำคัญ
- รุ่น 1017 ทำคะแนน DeepSWE v1.1 ได้ 77.0 เพิ่มขึ้นจากรุ่นเดิม
- ขึ้นแท่นผู้นำใน Automation-Bench และ Agents’ Last Exam
- Search API มีค่าธรรมเนียม 0.75 ดอลลาร์ต่อ 1,000 ครั้ง แต่ใช้งานฟรีผ่าน Agent harness ถึงปลายปี 2026
ความคิดเห็น (0)
เข้าสู่ระบบเพื่อร่วมแสดงความเห็น
สมัครสมาชิกมาเป็นคนแรกที่แสดงความเห็นกันเลยโบร