DeepSeek ra mắt mô hình V4.1-Flash-1017, vượt mặt loạt đối thủ lớn với chi phí cực thấp

Sức mạnh bẩm sinh của DeepSeek một lần nữa được khẳng định khi họ có thể vượt qua và cạnh tranh sòng phẳng với các mô hình chủ lực trước đây từ OpenAI và Anthropic với một phần nhỏ lượng tính toán và cấu trúc chi phí, điều mà mô hình DeepSeek-V4.1-Flash-1017 mới và nhỏ gọn vừa làm được.

Mô hình DeepSeek-V4.1-Flash-1017 đạt 77% trên benchmark DeepSWE 1.1, vượt qua GLM-5.3, Kimi K3 và các mô hình như GPT-5.6 Sol và Opus 5.

DeepSeek đã đại tu mô hình lớp Flash mới nhất của họ, hiện có tên là DeepSeek-V4.1-Flash-1017. Trước khi mô hình được chính thức ra mắt, trưởng nhóm hậu huấn luyện của DeepSeek, Wu Yu, đã tuyên bố: "Bước vào kỷ nguyên lập trình điều khiển theo ý muốn bằng, dân chủ hóa".

DeepSeek-V4.1-Flash-1017 đạt 77% trên DeepSWE so với 74% của Opus 5.0, 60,5% trên AutomationBench so với 50,3% và 72,1% trên Apex Bench so với 65,8%.

DeepSeek vẫn giữ lại kiến trúc cốt lõi của phiên bản V4.1-Flash trước đó - bao gồm Causal Encoder-Decoder (CED), Compressed Sparse Attention 2 (CSA2), Lượng tử hóa FP4 và SWA Bounded Replay - những yếu tố đã đóng vai trò quan trọng trong việc giảm bộ nhớ đệm KV tổng thể của biến thể này xuống chỉ còn 890 byte cho mỗi token!

Tuy nhiên, DeepSeek-V4.1-Flash-1017 cũng giới thiệu các tinh chỉnh sau:

• Tối ưu hóa khai thác (Harness Optimization): Nó được tích hợp cứng để hoạt động mượt mà với các môi trường lập trình tác nhân (agentic coding environments), bao gồm cả bộ công cụ khai thác của riêng DeepSeek. Nếu bạn đưa AI này vào một vòng lặp, nơi nó tự kiểm tra mã của chính mình, phát hiện lỗi, sửa chữa và thử lại, nó sẽ hoạt động tốt hơn đáng kể so với phiên bản cũ.

• Cô đọng đầu ra cực độ (Extreme Output Condensation): DeepSeek đã đào tạo cụ thể mô hình này để ngừng việc tỏ ra "dài dòng". Thay vì phun ra các đoạn giải thích, nó được tinh chỉnh để cung cấp chính xác mã hoặc câu trả lời bạn cần ngay lập tức. Câu trả lời ngắn hơn có nghĩa là ít token hơn, điều này tương ực trực tiếp với tốc độ nhanh hơn và chi phí rẻ hơn nhiều.

DeepSeek cũng đặc biệt chú ý đến học tăng cường (RL), tương tự như việc huấn luyện một chú chó bằng cách sử dụng phần thưởng và hình phạt. Trong trường hợp này, hệ thống RL đã phạt mô hình vì nói lan man và thưởng cho nó vì tìm ra con đường ngắn nhất, hiệu quả nhất để đến được câu trả lời đúng.

Tất cả các bước này có nghĩa là DeepSeek-V4.1-Flash-1017 hiện mang lại hiệu quả tối đa cho số tiền bỏ ra, mang lại hiệu suất chưa từng có với chi phí tối thiểu.