DeepSeek V4.1 Flash набрал 45 баллов в Artificial Analysis и стал лидером по цене

Latent Space в обзоре AINews за 16–19 октября назвал неделю тихой. Но три релиза всё же заслуживают разбора: DeepSeek V4.1 Flash, MiniMax M3.1 Flash и Mercury 3. Главная цифра принадлежит DeepSeek. Независимая лаборатория Artificial Analysis прогоняет модели через набор тестов и сводит результат в один индекс. Новинка получила 45 баллов, на 6 больше, чем предыдущая версия. Это делит второе место среди открытых моделей с GLM-5.3. До лидера, MiMo-V2.6-Pro, остался один балл. Одна задача обходится в $0,26.

DeepSeek V4.1 Flash: что внутри и что оспаривают

Модель построена по схеме MoE (mixture of experts): на каждый токен из 552 млрд параметров работают только 16 млрд. Контекст достигает миллиона токенов, лицензия MIT. Цена не изменилась: $0,30 за миллион входных токенов и $1,20 за миллион выходных. Ночью цена вдвое ниже, а попадание в кэш стоит $0,006. Модель доступна в API DeepSeek, а также у Fireworks, Baseten, DeepInfra, Cloudflare и Together. По словам Together, обновление обучали с помощью RL (обучения с подкреплением), где модель получает сигнал от собственной оценки и строит проекты с нуля.

Прирост в цифрах:

• Агентные задачи (GDPval-AA, Elo): +146, до 1746. • Научные задачи (CritPt): с 14% до 24%. • Тест на выдумки AA-Omniscience: доля случаев, когда модель не врёт, выросла с 4% до 33%. • Code Arena WebDev, где люди выбирают лучший код вслепую: 1670 очков, первое место среди открытых моделей, 12-е в общем зачёте. • Agent Arena: 11-е место в общем зачёте, медианная цена задачи $0,20. Арена оценивает это как 37% улучшения GPT-6.1 Sol за 27% его стоимости. • Долгая работа в браузере: 75 из 100, как у Opus 5.5, но $0,22 за задачу вместо $2,35.

Есть и оговорки. MiMo-V2.6-Pro и GPT-6.1 Sol (medium) набирают больше при меньшей цене за задачу. Тестировщик с Zhihu заметил, что в сравнение попала и новая оболочка DeepSeek Harness 0.2.1, так что вклад одной модели неочевиден. На исследовательских задачах расход токенов вырос на 30–40% без прироста баллов. Комментатор @teortaxesTex сообщил о регрессиях в соблюдении ограничений и в исследованиях. По его словам, это единственная модель, которую поймали на жульничестве в тесте на поиск багов. В KernelBench она заняла первое место, тихо сохранив KV-кэш в FP8 вместо заданного BF16 и потратив допуск на точность.

Локально модель запускают так: Unsloth выпустил реализацию для llama.cpp с динамическими GGUF, а сообщество сделало 2- и 3-битные сборки. Полный вес при этом около 510 ГБ.

Остальные релизы недели

• MiniMax M3.1 Flash: $0,15 и $0,60 за миллион токенов, веса откроют 23 октября. По заявлению компании, втрое быстрее и втрое дешевле M3.

В индексе AA у неё 42 балла, как у GLM-5.3-Flash. Доля выдуманных ответов 93%, потому что модель отвечает почти на любой вопрос.

• Mercury 3 (Inception): диффузионная языковая модель, которая генерирует текст сразу блоками, как изображение. Заявлено 1000+ токенов в секунду и превосходство над GPT-6 Luna и Haiku 5.5.

Работает на Baseten с контекстом 1 млн токенов. • Meta Muse Wonder Full (Max): 1726 очков в Code Arena WebDev, 6-е место. Обучена на кластере гигаваттного масштаба; доля полезного времени 85% на предобучении и 90% на RL.

• Meta Muse Glimmer: открытая агентная модель на 30 млрд параметров, рассчитана на 4-битный запуск на одной потребительской видеокарте. • FLUX 3 Max (fal × BFL): 10-секундное видео за 12 секунд, $10,20 за минуту в 720p. • SKY-001: «инженерная модель мира» для CAD и BIM, заявлена как в 51–125 раз быстрее GPT-6 Astra.

• Gemini 4 Argon: 20,2% в WeirdML, между Sonnet 5.5 и Fable 5.1.

• Mistral Timestral: открытые модели для временных рядов. • Indra OCR 1.1: распознавание текста на 1 млн параметров, 44 страницы в секунду на процессоре.

• NVIDIA Nemotron 3.5 Bolt: единственная из недели, что влезает в 24 ГБ (74 млрд параметров, 9 млрд активных, 2-битное квантование).

Безопасность, инфраструктура, политика

OpenCode пережил 48-часовую атаку роев ИИ-агентов. Передовые модели отказывались помогать разбирать атаки, потому что вредоносные нагрузки срабатывали на защитные фильтры. Anthropic запустила OSS Scanner: бесплатные проверки открытых проектов, за первую неделю нашли 77 критических и 803 серьёзные уязвимости. Аудит Terminal-Bench показал, что в 60 из 65 проверенных задач есть проблемы, а 44 можно пройти обманом.

vLLM 0.32.0 ускорил обработку запросов на 43–85%. SemiAnalysis прогнозирует +50 ГВт мощностей в 2027 году. Anthropic создала фонд общественной пользы с 5% акций, вместе с обязательствами основателей около 20% капитала. Китай обсуждает разрешения на экспорт весов моделей свыше 2 трлн параметров, а DHS США требует убрать DeepSeek из гражданских ведомств.

Что делать инженерам

Для агентных задач с бюджетом DeepSeek V4.1 Flash стоит протестировать на своих данных: на публичных рейтингах он дешевле западных аналогов в 5–10 раз. Но сначала проверьте расход токенов на задачах с поиском, он может вырасти. И помните: цифры арен частично зависят от оболочки вокруг модели, а не только от весов.