DeepSeek обновила V4-Flash: в терминальных задачах 82,7 балла вместо 61,8
DeepSeek обновила открытую модель V4-Flash (304 млрд параметров), и как агент в терминале она заметно подтянулась. В Terminal-Bench 2.1, где модель сама ставит пакеты, правит конфиги и запускает программы, результат вырос с 61,8 до 82,7 балла против preview-версии. В Agents' Last Exam она набрала 25,2 против 25,7 у закрытой Opus-4.8. Командам с кодовыми агентами есть смысл прогнать на ней свои задачи.
AI-обработка оригинала X: @victormustar; редакция Hamidun News
Представьте агента, который получает задачу «разверни сервис и почини упавшие тесты», сам открывает терминал, ставит зависимости, правит конфиги и запускает программы, пока всё не заработает. Именно такие агенты до сих пор чаще строили на закрытых API, потому что открытые модели в этом отставали. Обновление DeepSeek-V4-Flash-0731 сокращает это отставание: в Terminal-Bench 2.1 (тесте на работу в командной строке) модель выросла с 61,8 до 82,7 балла относительно preview-версии. Цифры привёл Виктор Мустар из Hugging Face в посте про «открытое лето» ИИ.
Что именно вышло
DeepSeek-V4-Flash-0731 — обновлённая модель V4-Flash с архитектурой MoE (mixture of experts) и общим размером 304 млрд параметров. В MoE на каждое слово работает лишь часть «экспертов» внутри сети, поэтому такая модель обходится дешевле, чем плотная того же размера. Сколько параметров активно именно в этой версии, в источнике не сказано.
Для практики важнее лицензия MIT. Это одна из самых свободных лицензий: веса можно скачать, развернуть на собственных серверах, дообучить и встроить в коммерческий продукт без отдельных согласований. Для компаний, которые не хотят отправлять код и логи во внешний облачный API, это серьёзный довод.
Что означают цифры
Сравнение идёт с preview-версией той же модели, и разница заметная.
- Terminal-Bench 2.1 проверяет, как уверенно модель справляется с задачами в командной строке: ставит пакеты, правит конфиги, запускает программы. Результат вырос с 61,8 до 82,7 балла.
- DeepSWE — набор сложных задач по разработке ПО, где нужно разобраться в чужом коде и исправить его. Здесь скачок резче: с 7,3 до 54,4 балла, то есть примерно в 7,5 раза.
- Agents' Last Exam — жёсткий экзамен для ИИ-агентов. DeepSeek-V4-Flash-0731 набрала 25,2 балла, закрытая Opus-4.8 — 25,7. Разница 0,5 балла.
Такой рост за одно обновление говорит о том, что команда целенаправленно усиливала агентное поведение: умение вести многошаговую задачу до конца, а не просто красиво отвечать в чате. Для агента в терминале это важнее всего.
Что с этим делать и где осторожность
Если у вас есть кодовый агент, CI-бот или внутренний ассистент для DevOps, соберите небольшой набор своих реальных задач и прогоните V4-Flash-0731 рядом с текущей моделью. Если разрыв на ваших задачах небольшой, экономия на API и контроль над данными могут перевесить.
Оговорки такие:
- Все цифры взяты из поста в X, а не из независимого аудита. На результат сильно влияют условия запуска: набор инструментов, число попыток, лимиты по времени.
- Почти равный счёт на Agents' Last Exam не означает равенства по всем задачам. На вашем стеке и ваших репозиториях картина может отличаться.
- 304 млрд параметров — много даже для MoE. Чтобы запустить модель у себя, нужен серьёзный GPU-кластер, а не один ноутбук.
Сам факт всё равно показателен. Разрыв между открытыми и закрытыми агентными моделями сократился до уровня, когда выбор определяют цена, приватность и удобство развёртывания, а не только качество. Для тех, кто строит агентов, это повод пересчитать бюджет и проверить, нужен ли платный закрытый API для каждой задачи.
- 22 нояб. 2026 г.Агенты пишут рабочий код в 95% задач, но оставляют уязвимость в большинстве
- 21 нояб. 2026 г.GigaChat — 7-й в мире в слепом рейтинге на русском, но на 78 баллов Elo позади лидера
- 21 нояб. 2026 г.Китайские техногиганты удвоили траты на ИИ до $139 млрд, а лаборатории окупают меньше 8%
- 21 нояб. 2026 г.Агент Skein стирает старые этапы из контекста: 97% удачных запусков, но дороже OpenCode
Вопросы и ответы по материалу
Что известно по теме: что именно вышло?
DeepSeek-V4-Flash-0731 — обновлённая модель V4-Flash с архитектурой MoE (mixture of experts) и общим размером 304 млрд параметров. В MoE на каждое слово работает лишь часть «экспертов» внутри сети, поэтому такая модель обходится дешевле, чем плотная того же размера. Сколько параметров активно именно в этой версии, в источнике не сказано. Для практики важнее лицензия MIT.
Что известно по теме: что означают цифры?
Сравнение идёт с preview-версией той же модели, и разница заметная. Terminal-Bench 2.1 проверяет, как уверенно модель справляется с задачами в командной строке: ставит пакеты, правит конфиги, запускает программы. Результат вырос с 61,8 до 82,7 балла. DeepSWE — набор сложных задач по разработке ПО, где нужно разобраться в чужом коде и исправить его. Здесь скачок резче: с 7,3 до 54,4 балла, то есть примерно в 7,5 раза. Agents' Last Exam — жёсткий экзамен для ИИ-агентов.
Что известно по теме: что с этим делать и где осторожность?
Если у вас есть кодовый агент, CI-бот или внутренний ассистент для DevOps, соберите небольшой набор своих реальных задач и прогоните V4-Flash-0731 рядом с текущей моделью. Если разрыв на ваших задачах небольшой, экономия на API и контроль над данными могут перевесить. Оговорки такие: Все цифры взяты из поста в X, а не из независимого аудита. На результат сильно влияют условия запуска: набор инструментов, число попыток, лимиты по времени. Почти равный счёт на Agents' Last Exam не означает равенства по всем задачам.
Протестируйте новые LLM и мультимодальные модели в одном окне
Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.