DeepSeek V4.1-Flash-1017 tăng 11,1 điểm Terminal-Bench

Ngày 17/10/2026, DeepSeek cập nhật V4.1-Flash lên bản 1017 trên web, ứng dụng và API. Cách gọi API và giá của mô hình không đổi; tên deepseek-flash tiếp tục dẫn tới phiên bản mới.

Trong model card của bản 1017, DeepSeek gọi đây là “minor update”, phát hành trọng số theo giấy phép MIT và ghi điểm Terminal-Bench 4.0 tăng từ 31,2 lên 42,3, tức thêm 11,1 điểm so với V4.1-Flash. Trọng số đã có để tải về; mức tăng benchmark là kết quả DeepSeek tự công bố.

Bản 1017 thay đổi gì?

DeepSeek mô tả bản cập nhật là bước cải thiện về suy luận, lập trình, tác vụ nhiều bước và bài thử hình ảnh. Hãng cũng cho biết thời gian hoàn thành tác vụ và độ dài đầu ra giảm so với bản trước. Những nhận định về tốc độ và chi phí này gắn với các phép chạy của hãng, chưa phải mức tiết kiệm cố định cho mọi ứng dụng.

Ở mảng phát triển phần mềm, bản phát hành tập trung vào khả năng hoàn thành dự án từ đầu đến cuối. DeepSeek nêu các ví dụ xây dựng trò chơi và mô hình 3D, đồng thời cho biết mô hình được tối ưu cho DeepSeek Harness, Tencent CodeBuddy và WorkBuddy. Đây là thay đổi về năng lực mà hãng công bố cho bản 1017, không phải một kiến trúc mô hình mới được giới thiệu trong đợt phát hành.

Đợt cập nhật còn mở Search và Fetch dưới dạng các endpoint API để tìm kiếm và lấy nội dung trang web. The Decoder ghi giá mỗi endpoint là 0,75 USD cho 1.000 lượt gọi; lời gọi qua công cụ phía máy chủ trong DeepSeek Harness, Claude Code và Codex được miễn phí cho người dùng DeepSeek API đến 16:00 UTC ngày 31/10/2026. Search và Fetch là dịch vụ API được mở cùng đợt, không phải chức năng tìm kiếm web tự xuất hiện khi tải trọng số về chạy riêng.

Chênh lệch trong bảng benchmark của DeepSeek

Bảng so sánh của DeepSeek đặt bản 1017 cạnh V4.1-Flash trước đó trên từng phép thử cùng tên. Lấy điểm bản mới trừ điểm bản cũ cho thấy Terminal-Bench 4.0 có mức tăng tuyệt đối lớn nhất trong bảng. Các chênh lệch dưới đây là điểm, không phải phần trăm tăng trưởng:

Terminal-Bench 4.0: từ 31,2 lên 42,3, tăng 11,1 điểm.
ProgramBench: từ 20,3 lên 29,1, tăng 8,8 điểm.
Apex Bench v1.1: từ 64,6 lên 72,1, tăng 7,5 điểm.
HLE không dùng công cụ: từ 36,8 lên 42,6, tăng 5,8 điểm.
Automation-Bench v1.0.6: từ 54,8 lên 60,5, tăng 5,7 điểm.
Chartography có công cụ: từ 78,9 lên 83,0, tăng 4,1 điểm.
Agents’ Last Exam: từ 31,8 lên 35,4, tăng 3,6 điểm.
BabyVision có công cụ: từ 89,6 lên 92,5, tăng 2,9 điểm.
DeepSWE v1.1: từ 74,2 lên 77,0, tăng 2,8 điểm.
NL2Repo-Bench: từ 65,4 lên 68,2, tăng 2,8 điểm.
ZeroBench-main có công cụ: từ 49,0 lên 51,0, tăng 2,0 điểm.

ProgramBench là mức tăng lớn thứ hai, còn DeepSWE v1.1 tăng ít hơn nhưng bản 1017 đạt điểm cao nhất trong các mô hình DeepSeek đưa vào hàng so sánh đó. Bảng cho thấy hướng cải thiện theo từng bộ bài thử; nó không quy đổi trực tiếp thành thời gian hoàn thành hay hóa đơn của một dự án cụ thể.

Vì sao vị trí dẫn đầu thay đổi theo phép thử?

Điểm Terminal-Bench 4.0 được tạo khi mô hình chạy cùng bộ khung Claude Code, còn DeepSWE v1.1 dùng Mini-SWE-V2. Kết quả vì vậy phản ánh cả mô hình lẫn cách bộ khung giao và xử lý tác vụ. HLE trong bảng là phép thử không dùng công cụ; ZeroBench-main có công cụ được chấm theo Pass@5. Những điều kiện này cần đi cùng con số khi so sánh năng lực.

Bản 1017 cũng không đứng đầu mọi hàng trong bảng của DeepSeek. Ở Terminal-Bench 4.0, Opus 5 đạt 51,8 so với 42,3 của bản 1017; ở ProgramBench là 37,0 so với 29,1, và ở NL2Repo-Bench là 75,3 so với 68,2. Ngược lại, bản 1017 đứng trên Opus 5 ở DeepSWE v1.1, Automation-Bench v1.0.6 và Agents’ Last Exam theo cùng bảng so sánh do DeepSeek công bố.

Các điểm của đối thủ trong bảng cũng do DeepSeek đưa ra, chứ không biến bảng thành một lượt kiểm chứng độc lập. Khoảng cách giữa các mô hình có ý nghĩa trong phạm vi bộ bài thử và cấu hình được nêu; hiệu quả ở một hệ thống khác còn phụ thuộc bộ khung, cách gọi công cụ và loại tác vụ.

Trọng số MIT và yêu cầu khi tự triển khai

Giấy phép MIT áp dụng cho cả kho mã và trọng số được phát hành trên Hugging Face. Người triển khai có thể tải bản 1017 để vận hành trên hạ tầng riêng, nhưng quy mô mô hình được hiển thị là 763 tỷ tham số. Quyền sử dụng trọng số và khả năng phục vụ mô hình ở tải thực tế là hai phần khác nhau của quyết định triển khai.

Phần hướng dẫn suy luận khuyến nghị cửa sổ ngữ cảnh 1 triệu token và mức đầu ra tối đa từ 256 nghìn token trở lên. Đây là thông số cấu hình được khuyến nghị, không phải bảo đảm rằng mọi hệ thống đều duy trì được độ dài ấy với cùng tốc độ. Dung lượng bộ nhớ, cách phân phối trọng số và số yêu cầu chạy đồng thời sẽ quyết định hạ tầng cần thiết.

Bản phát hành không kèm mẫu hội thoại định dạng Jinja. Thay vào đó, thư mục encoding có mã Python tham chiếu cho lời nhắc nhiều lượt, gọi công cụ, chế độ suy luận và nội dung hình ảnh; bộ thư viện deepseek-recipe hỗ trợ chuyển yêu cầu API sang định dạng lời nhắc của mô hình và phân tích đầu ra. Phần suy luận, thực thi công cụ và truyền tải HTTP vẫn do bên tự lưu trữ cung cấp. Chi phí của một hệ thống như vậy vì thế không thể suy ra trực tiếp từ biểu đồ chi phí tác vụ chạy qua API của hãng.

Đọc thêm: