DeepSeek-V4. 1-Flash-1017 (1017 ibaresi 17 Ekim tarihli güncellemeyi ifade ediyor), önceki sürüme kıyasla kodlama ve otonom görevlerde daha yüksek performans sergilerken görevleri daha kısa sürede tamamlayabiliyor ve daha az çıktı üretiyor.
Yapay zekâ modelleri, yanıt üretirken kullandıkları token miktarına göre maliyet oluşturabildiğinden, aynı görevi daha az token kullanarak tamamlamak özellikle yoğun kullanımda önemli bir avantaj sağlıyor. Modelin daha kısa yanıtlar üretmesi, her görev için tüketilen token miktarını azaltarak maliyetleri düşürüyor.
DeepSeek-V4. 1-Flash-1017, özellikle yazılım projeleri üzerinde çalışan, komut satırını kullanarak işlem gerçekleştiren ve bir görevi tamamlamak için birden fazla aşamayı yürütmesi gereken yapay zekâ ajanları için daha yetenekli bir model olarak öne çıkıyor.
DeepSeek-V4. 1-Flash-1017, oyun geliştirme ve 3D modelleme gibi alanlardaki yeteneklerini geliştirmek için kendi çıktılarından geri bildirim alan pekiştirmeli öğrenmeden yararlanıyor. Bu da sıfırdan kapsamlı projeler üretmesine olanak sağlıyor. Aşağıda tamamen bu model kullanılarak hazırlanmış, web tarayıcısı üzerinden çalıştırılabilen bir yarış oyununun demosunu görebilirisniz.
DeepSeek-V4. 1-Flash-1017'nin paylaşılan test sonuçları, modelin GPT-5. 6 Sol gibi kapalı rakipleriyle bile eş değer, hatta bazı durumlarda daha iyi performans sunabildiğini gösteriyor. Açık modellerin tartışmasız lideri olan DeepSeek-V4. 1-Flash-1017, kapalı rakipleriyle kıyaslandığında ise birkaç kritik alanda hâlâ yarım adım geride. Örneğin genel bilgi ve akıl yürütme becerilerini değerlendiren Humanity's Last Exam (HLE) testinde araç kullanmadan 42,6 puan alan model, GPT-5. 6 Sol'un 44,5 ve Opus 5'in 56,3 puanlık sonuçlarının gerisinde kalıyor.
Görsel içeriklerin anlaşılmasını ölçen testlerde de benzer bir tablo ortaya çıkıyor. Chartography testinde 83,0 puan alan model, Opus 5'in 84,0 puanlık sonucuna yaklaşırken BabyVision testinde elde ettiği 92,5 puanla yine Opus 5'in 94,1 puanlık sonucunun gerisinde kalıyor. Dolayısıyla yeni sürüm, özellikle kodlama ve araç kullanarak görev tamamlama alanlarında güçlü bir alternatif sunarken genel akıl yürütme ve bazı görsel görevlerde en üst düzey modellerin gerisinde kalabiliyor.
Model; DeepSeek Harness, Tencent CodeBuddy ve WorkBuddy gibi araçlar için de optimize edilmiş durumda. Şirket, DeepSeek Harness kullanıcılarına en iyi deneyim için 0. 2. 1-rc. 1 veya daha yeni bir sürüme geçmelerini öneriyor.
DeepSeek tarafındaki bir diğer önemli yenilik ise şirketin kendi arama altyapısına erişimi genişletmesi. DeepSeek Search adı verilen sistem, göre yüz milyarlarca web sayfasını indeksliyor ve çok dilli arama desteğiyle güncel ve ilgili sonuçlar sunabiliyor. Bu altyapı daha önce DeepSeek'in internet sitesi ve API hizmetleri üzerinden gerçekleştirilen aramalarda kullanılıyordu. Yeni güncellemeyle birlikte geliştiriciler, Search ve Fetch API'lerini kendi uygulamalarında kullanabilecek. Böylece geliştiriciler, yapay zekâ uygulamalarına güncel internet verilerine erişme ve bulunan sayfaların içeriğini işleme kabiliyeti kazandırabilecek.
DeepSeek, kendi arama motorunun SEO spam'ine, yapay zekâ sistemlerini yanıltmaya yönelik içerik manipülasyonlarına ve düşük kaliteli yapay zekâ üretimi içeriklere karşı filtreleme uyguladığını da belirtiyor. Şirketin hedefi, hem kullanıcılara hem de büyük dil modellerine daha güvenilir ve güncel kaynaklar sunmak.
DeepSeek-V4. 1-Flash-1017'nin model ağırlıkları Hugging Face ve ModelScope üzerinden indirilebiliyor. MIT lisansıyla sunulan model, geliştiricilerin modeli kendi sistemlerinde çalıştırmasına, değiştirmesine ve lisans koşulları çerçevesinde yeniden dağıtmasına imkân tanıyor. Şirket, yerel çalıştırma için gerekli ağırlık dönüştürme ve çıkarım talimatlarını da paylaşıyor.
Tekerine kilit takıldı, üç tekerle yola devam etti
