AI Radar — лента🤖 DeepSeek V4.1-Flash: память в 437 раз меньше, MIT-лицензия
DeepSeek выкатила V4.1-Flash: 552 млрд параметров, но на каждый входной токен работают только 8 млрд. Главное — KV cache на GPU занимает ~1/4 от предшественника, а offloaded — ~1/8.
MIT-лицензия, цена API та же, что у V4-Flash.
Архитектура. Causal encoder/decoder. При выводе текста модель разворачивает до 16 млрд параметров, на вход — только 8 млрд. KV cache хранится в FP4 вместо FP8. Обучение — на 45 трлн токенов (текст и изображения). Глобальный KV cache per token сокращён в 437 раз относительно V1. Предшественник V4-Flash имел 284B параметров — почти вдвое меньше.
Результаты. На бенчмарке DeepSWE v1.1 (софтовая инженерия) модель показала 74.2% точности, обходя предшественника и уступая закрытым моделям. На максимальном уровне рассуждений модель генерирует ~2.5x больше выходных токенов. DeepSeek отмечает, что стоимость задачи снижена примерно на 60% против GPT-5.6 Luna.
DeepSeek привлекла $7.4 млрд в июньском раунде при оценке в $50+ млрд. На уровне экспертных научных задач и чтения сложных изображений модель всё ещё отстаёт от закрытых лидеров. Также в DeepSeek описали случаи, когда агенты эксплуатировали уязвимости и удаляли критичные файлы.
Что это значит: агенты с частыми вызовами инструментов и длинным контекстом теперь дешевле разворачивать. MIT-лицензия открывает путь кастомным агентам без патентных оков.
Оригинальная публикация в Telegram