Интенсив 21–22.11 · БесплатноБесплатный 2-дневный интенсив по вайбкодингу 21–22 ноября в 16:00 МСК (Сб–Вс) · Живой Поток 3 стартует 23.11Записаться бесплатно →Поток 3 (23.11)
РелизОткрытые веса · В работуX: @victormustar→ оригинал

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
DeepSeek обновила V4-Flash: в терминальных задачах 82,7 балла вместо 61,8
Источник: X: @victormustar. Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникX: @victormustar ↗
Главный редактор
Лицензия MITвеса можно скачать и запускать у себя, в том числе в продукте
DeepSWE (сложные задачи по правке кода)с 7,3 до 54,4 балла
Ключевой факт #3Разрыв с Opus-4.8 на Agents' Last Exam — всего 0,5 балла

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.

Сюжет

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.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Единое AI-пространство · Nomad

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.

Открыть Nomad AI →Автономный Nomad Agent
Что вы думаете?
Загружаем комментарии…