DeepSeek выпустила DeepSeek-V4.1-Flash-1017: обновление с весами под MIT

DeepSeek выложила на Hugging Face в организации deepseek-ai карточку и веса модели DeepSeek-V4.1-Flash-1017. В карточке она названа небольшим обновлением (minor update) DeepSeek-V4.1-Flash. Разработчики заявляют о заметных улучшениях в рассуждении, программировании, агентных задачах и визуальных бенчмарках (тестах).

Кроме качества, как сказано в карточке, модель сокращает время выполнения задач и длину ответов. Благодаря этому пользователи, по словам DeepSeek, справляются с задачами быстрее и дешевле, а модель сдвигает границу Парето «качество, стоимость» сразу на нескольких агентных обвязках (harness, программная оболочка, в которой модель выполняет задачи). В сноске к бенчмаркам уточнено: знак † обозначает текстовое подмножество HLE; для Terminal-Bench 4.0 использовалась обвязка Claude Code, для DeepSWE v1.1, Mini-SWE-V2. Сами числовые результаты в извлечённом тексте карточки не попали.

Отдельный раздел посвящён кодированию запросов. Шаблона чата в формате Jinja в релизе нет. Вместо него в папке encoding лежит самодостаточная эталонная реализация на Python (encoding.py) с тестами для многоходовых диалогов, вызова инструментов, режима размышления, числового уровня усилия рассуждения (reasoning effort), системных сообщений посреди диалога и чередующегося содержимого с изображениями.

Для промышленного использования DeepSeek дополнительно выпустила deepseek-recipe, набор библиотек на Rust с привязками к Python. Он даёт тот же формат промптов, но как поддерживаемый набор инструментов с учётом протоколов: превращает запросы Messages, Chat Completions и Responses API в формат Conversation, кодирует их в промпты или идентификаторы токенов DeepSeek V4 и V4.1 и разбирает ответ модели, в том числе потоковый (размышления, вызовы инструментов, изображения, настройки генерации). Сам запуск модели, выполнение инструментов и HTTP-транспорт остаются на стороне вызывающего кода.

Для локального запуска в карточке отсылают к папке inference с инструкциями по конвертации весов. На странице также приведены примеры запуска через Transformers, vLLM, SGLang и Docker Model Runner. Репозиторий и веса модели распространяются по лицензии MIT. В библиографической записи указаны автор DeepSeek-AI и 2026 год; для вопросов указан адрес service@deepseek.com.

Ключевые факты

DeepSeek-V4.1-Flash-1017, по описанию в карточке, небольшое обновление DeepSeek-V4.1-Flash с улучшениями в рассуждении, программировании, агентных задачах и визуальных бенчмарках.
Заявлено, что модель сокращает время выполнения задач и длину вывода, то есть работает быстрее и дешевле на нескольких агентных обвязках.
Веса и репозиторий выпущены под лицензией MIT; на странице есть примеры запуска через Transformers, vLLM, SGLang и Docker Model Runner.
Шаблона чата Jinja нет: вместо него Python-реализация encoding.py и Rust-библиотеки deepseek-recipe с привязками к Python.
Для Terminal-Bench 4.0 применялась обвязка Claude Code, для DeepSWE v1.1, Mini-SWE-V2; числовых результатов в тексте карточки нет.

Почему это важно

Это новая версия модели линейки DeepSeek V4.1 с открытыми весами и разрешительной лицензией MIT. Главный упор в описании сделан не только на качество, но и на экономию: по заявлению DeepSeek, модель тратит меньше времени и выдаёт более короткие ответы, поэтому задачи обходятся дешевле. Для агентных сценариев, где один запрос порождает много шагов, такая заявка существенна.

Кому это важно

Разработчикам, которые запускают открытые модели у себя или на инференс-провайдерах и строят агентов для программирования и работы в терминале. Также тем, кто интегрирует модели DeepSeek в собственные сервисы: для них выпущены deepseek-recipe и эталонный кодировщик промптов.

Как это применить

На странице модели приведены готовые способы запуска. Через Transformers: pipeline с задачей image-text-to-text или AutoModelForCausalLM.from_pretrained с device_map="auto". Через vLLM: pip install vllm, затем vllm serve "deepseek-ai/DeepSeek-V4.1-Flash-1017" и обращение к OpenAI-совместимому API. Через SGLang: python3 -m sglang.launch_server с указанием модели, есть и вариант с Docker-образом. Через Docker Model Runner: docker model run hf.co/deepseek-ai/DeepSeek-V4.1-Flash-1017. Так как шаблона Jinja нет, формат промптов нужно брать из encoding/encoding.py или из библиотек deepseek-recipe. Инструкции по конвертации весов для локального запуска лежат в папке inference. Лицензия MIT.

Можно ли доверять

Источник, официальная карточка модели от самого разработчика, поэтому все утверждения об улучшениях, скорости и стоимости, это заявления DeepSeek. В извлечённом тексте нет таблиц с результатами бенчмарков, а значит, размер улучшений проверить по нему нельзя. Независимых оценок в материале нет.

Риски и подводные камни

Значение суффикса 1017 в карточке не объяснено, а точная дата выпуска не указана (есть только год 2026 в библиографической записи). В извлечённом тексте нет данных о числе параметров, длине контекста и цене API, а раздел с рекомендуемыми параметрами сэмплирования пуст. Из-за отсутствия шаблона Jinja инструменты, рассчитанные на такой шаблон, придётся адаптировать. Кроме того, deepseek-recipe не запускает модель и не выполняет инструменты, это остаётся на вызывающей стороне.

«DeepSeek-V4.1-Flash-1017, это небольшое обновление DeepSeek-V4.1-Flash, дающее существенные улучшения в рассуждении, программировании, агентных задачах и визуальных бенчмарках.»

— карточка модели DeepSeek-V4.1-Flash-1017 на Hugging Face