Deepseek-ის ახალი მოდელი უფრო ჭკვიანია, თუმცა იაფი მუშაობა სიზუსტის ხარჯზე მოდის

Deepseek-მა V4.1 Flash განაახლა, მაგრამ მოდელი ხშირად იგონებს ფაქტებს და პასუხებს.

Toms Hardware ორიგინალი Toms Hardware-ზე

ორიგინალი და წყარო

ორიგინალი გამოქვეყნდა23 ოქტომბერი, 2026, 12:00

ქართული თარგმანიინგლისური ენიდან ქართულად

წყარო: Toms Hardware. ქართული თარგმანი — შიკრიკი.

შეადარე ორიგინალს წყაროს პროფილი

ორიგინალის სათაური

Deepseek's latest AI model is smarter than ever, but its low running costs come at a price

ტექნოლოგია4 წუთის საკითხავი23 ოქტომბერი, 2026

Deepseek-ის ახალი მოდელი უფრო ჭკვიანია, თუმცა იაფი მუშაობა სიზუსტის ხარჯზე მოდის — ილუსტრაცია შექმნილია ხელოვნური ინტელექტით

ტექსტი ავტომატურად ითარგმნა. წყარო: Toms Hardware.

Deepseek-მა ღია წონების V4.1 Flash მოდელი 1017-ე ვერსიამდე განაახლა. ერთი შეხედვით, ეს მცირე ცვლილებაა, თუმცა შესაძლოა მოდელის ეფექტიანობის მნიშვნელოვანი გაუმჯობესება იყოს. პროდუქტის გვერდზე Deepseek იყენებს სლოგანს: „სურვილზე დაფუძნებული პროგრამირება რეალობად იქცა“. ეს, სავარაუდოდ, სასაუბრო გამოთქმას, „ვაიბ-კოდინგს“, უკავშირდება და მიანიშნებს, რომ მოდელი კარგად შეეფერება ღია ტიპის ამოცანებს, რომელთა აღწერაც ზოგადია. თუმცა მოდელი, მართალია, იაფი და მაღალქულიანია, მაგრამ მიდრეკილია ფაქტების გამოგონებისკენ.

დიდი ენობრივი მოდელები დაახლოებით ორ კატეგორიად იყოფა. პირველი კატეგორიაა მოწინავე ლაბორატორიების დახურული კომერციული მოდელები, რომელთა გაშვება ძვირია, თუმცა შედეგები შესანიშნავია. მეორეა ჩინური, ღია წონების მოდელები, რომლებიც, ზოგადად, საიმედოობას დაბალ სამუშაო ხარჯებში ცვლიან, განსაკუთრებით ხანგრძლივი აგენტური ამოცანებისას.

Deepseek V4.1 Flash (DSF) ექსპერტთა ნარევის (MoE) მოდელია. მას ჯამში 552 მილიარდი პარამეტრი აქვს, რომელთაგან მუშაობისას 16 მილიარდი აქტიურდება. მოდელი მულტიმოდალურია და ტექსტსა და გამოსახულებებს იღებს. მისი კონტექსტის ფანჯარა ამჟამად სტანდარტულ ერთ მილიონ ტოკენს მოიცავს.

Deepseek-ის შიდა ტესტების მონაცემებით, მოდელი GPT-5.6 Sol-სა და Claude Opus 5-ს შორისაა. ამასთან, ამოცანების ტესტებში Anthropic-ის მოდელსაც სჯობნის. ეს უკვე კარგი შედეგია, თუმცა DSF-ის ახალი ვერსია განსაკუთრებით გამოირჩევა ამოცანის შესრულების ეფექტიანობითა და ტოკენების ეკონომიური გამოყენებით. V4 Flash-იდან V4.1 Flash-ზე გადასვლამ აპარატურის მოთხოვნები მნიშვნელოვნად შეამცირა. წინამორბედთან შედარებით, V4.1-ის KV-ქეში HBM-ის მხოლოდ მეოთხედსა და SSD-ის მეხსიერების მერვედს იყენებს. თითო ტოკენის ჩანაწერზე კი მხოლოდ 890 ბაიტი იხარჯება.

კომპანია ამას ამოცანის ღირებულების გრაფიკით აჩვენებს. გრაფიკი DeepSWE-ის 2 სექტემბრის მონაცემებს ეყრდნობა და DSF-ისა და DSF-1017-ის შედეგებსაც მოიცავს. ორივე ვარიანტი სასურველ, ზედა მარცხენა არეში ხვდება. DSF-1017-ის დაბალი ძალისხმევის რეჟიმშიც კი ამოცანების შესრულების მაჩვენებელი ძვირი კონკურენტების „მაქსიმალური“ პარამეტრების შედეგებს უახლოვდება. აღსანიშნავია, რომ DeepSWE მრავალი ტესტიდან მხოლოდ ერთ-ერთია, თუმცა ეს მაინც შთამბეჭდავი შედეგია.

Deepseek-ის ფასებითაც კი, მილიონი ტოკენის დამუშავება არაპიკის საათებში შესავალისთვის მხოლოდ 0,15 დოლარი ღირს, ხოლო გამოსავლისთვის 0,6 დოლარი. ქეშიდან მიღებისას შესავალი ტოკენის ღირებულება მხოლოდ 0,003 დოლარამდე მცირდება. გასათვალისწინებელია, რომ მესამე მხარის მომწოდებლებს Deepseek-ის API-ს ფასი წარსულშიც შეუმცირებიათ. ამიტომ, თუ მოდელების გაშვების სერვისებს შეადარებთ, ფასი შესაძლოა კიდევ უფრო დაბალი იყოს. Deepseek ძიების ფუნქციასაც სთავაზობს მომხმარებლებს: 1 000 მოთხოვნა 0,75 დოლარი ღირს, რაც კონკურენტებზე იაფია. ყველაზე ახლო ფასის მქონე კონკურენტი Parallel-ია, რომლის მომსახურებაც 1 დოლარი ღირს.