أعلنت DeepSeek في 17 أكتوبر أنها رفعت V4.1 Flash إلى DeepSeek-V4.1-Flash-1017 على الموقع، وفي التطبيق وفي API. ووفقا لسجل التغييرات الرسمي، فإن طريقة الاتصال والأسعار لم تتغير: يشير الآن تعريف DeepSeek-flash إلى النسخة المستكملة. وتفيد الشركة بتحسينات في التفكير، والرمز، ومهام الوكلاء، ومؤشرات الرؤية، إلى جانب تقليص وقت المهمة وطول الناتج. وهذه النتائج والتقديرات التي نشرتها الشركة، ولا تضمن نفس التحسن في كل استخدام.
وبالنسبة للأفرقة التي تستخدم الخدمة بالفعل، فإن التفاصيل الرئيسية هي أن عملية التحسين تجري خلف اسم قائم لAPI. وليس هناك حاجة إلى تغيير اسم النموذج للحصول على النسخة الجديدة. بيد أن الإبقاء على نفس الاسم ونفس التعريفة لا يضمن سلوكاً متطابقاً. وقبل الاعتماد على المخرجات في عملية عمل عادية، من المستصوب التحقق من التغييرات في الدقة، واستخدام الأدوات، والامتثال للتعليمات التي يقدمها نظامك.
ما تبلغ عنه الشركة في مقاييسها المرجعية
وفي بطاقة النموذج الخاصة بها، تقارن DeepSeek النسخة المستكملة بالنسخة السابقة وغيرها من النماذج. ومن بين بياناته، يرتفع Terminal-Bench 4.0 من 31.2 إلى 42.3، ويرتفع DeepSWE v1.1 من 74.2 إلى 77.0. هذه هي المقاييس للمهام المحددة، وليس تصنيفا موحدا لجميع قدرات النموذج. وينبغي ألا يؤخذ هذا على أنه يعني ضمناً أن كل مستخدم سيحصل على نفس معدل التحسين أو أن كل نوع من أنواع الشفرة سيبنى بنفس القدر من التحسين.
كما أن بيئة الاختبار مهمة أيضاً. تحدد DeepSeek أطر عمل مختلفة لبعض الاختبارات، بما في ذلك Claude Code و Mini-SWE-V2. ويحدد إطار التنفيذ الأدوات المتاحة وكيفية سير دورات العمل. ولذلك، فإن المقارنة المفيدة ينبغي أن تقرأ اسم الاختبار بالاقتران مع ظروف التشغيل، وألا تعامل الرقم كما لو كان قد أنشئ دون بيئة معينة أو قيود أو طريقة تقييم.
وتدعي الشركة أنها قلصت أيضاً الوقت اللازم لتنفيذ المهام وطول الردود. وقد يؤثر تقصير مدة الناتج على تكلفة الاستخدام، ولكنه لا يمثل انخفاضا في سعر الوحدة. وإذا ظلت أسعار الرموز ثابتة واستعمل النموذج عددا أقل من الرموز لإكمال مهمة ما بنجاح، فقد تتغير تكلفة تلك المهمة. وإذا كانت هناك حاجة إلى إعادة المحاولة أو إلى عمل إضافي، فإن النتيجة الاقتصادية قد تختلف. ولهذا السبب فإن قياس المهمة بأكملها مهم.
لماذا يتطلب النموذج الثابت إعادة النظر؟
ويكون من الأسهل الحفاظ على معلم تعريف مستقر لAPI، لأن التطبيق لا يحتاج إلى تغيير التشكيل في كل مرة يجري فيها تحديثه. أما الجانب الآخر فهو أن الاسم وحده لا يوثق الصيغة التي استجابت للطلب في وقت معين. عند مقارنة النتائج، من المهم أيضاً الاحتفاظ بتاريخ التشغيل والإعدادات التي استخدمتها. وهذا يسمح لك بالتمييز بين تغيير في بياناتك وتغيير في خدمة النموذج التي تعمل خلفها.
ويمكن أن يبدأ الاختبار العملي بمجموعة من المهام التي تمثل العمل اليومي: إصلاح خطأ معروف، أو إنتاج بيانات في هيكل ثابت، أو إكمال عملية باستخدام عدد قليل من الأدوات. ومن المستصوب أيضا إدراج الحالات التي يفضل فيها أن يطلب النظام توضيحا. ولا حاجة إلى وضع اختبار عام جديد لتحديد التغيير ذي الصلة بالمنظمة. وتكفي مقارنة متسقة للنتيجة الصحيحة والوقت والتكلفة وعدد المحاولات في نفس السيناريوهات.
وإذا كان النموذج يقوم بتفعيل أدوات، فمن الجدير أيضا التحقق مما يحدث عندما تفشل عملية ما. وقد يبدو الرد النهائي القصير جيدا، ولكنه لا يكشف في حد ذاته عن الخطوات التي اتخذت على طول الطريق. ويسمح تسجيل المكالمات ونتائجها بتقييم العملية. واختبار صياغة الإجابة واختبار الإجراءات طبقتان مختلفتان، وكلاهما مهم قبل توسيع نطاق الأتمتة إلى بيئة عمل نشطة.
الأوزان المفتوحة ليست هي نفس خدمة API
نشرت DeepSeek أيضا بطاقة النموذج وأوزانه في مستودعها الرسمي على Hugging Face بموجب ترخيص MIT. ويسمح توافر الأوزان بالنظر في مسارات تشغيلية منفصلة عن الخدمة المدارة، رهنا بالمعدات والبرامجيات المطلوبة. لا يوجد ضمان بأن التشغيل المحلي سيكون أبسط أو أرخص أو مماثلا لأداء API. ولكل مسار ظروفه التشغيلية وتكاليفه التشغيلية الخاصة به.
وبالنسبة للأفرقة التي ترغب في تشغيل النموذج بنفسها، من المستصوب فصل تنزيل الملفات عن تشغيل نظام مستقر. ويتطلب ذلك التوافق مع إطار الاستدلال، وتحديدات الطلبات، ومراقبة الجودة، ورصد السلوك. وتتضمن البطاقة النموذجية أيضاً مواد تتعلق بشكل المحادثة وأدواتها. ولا يلغي اعتماد الأوزان الترجيحية الحاجة إلى دراسة العمليات المحيطة بالنموذج، ولا سيما عندما يحصل على إمكانية الوصول إلى المعلومات أو العمليات التنظيمية.
ولا يوجد أساس في الإعلان لضمان مستوى معين من الدعم العبري، أو توافر موحد في إسرائيل أو تكييف مع حاجة مهنية حساسة. ويمكن للمستخدمين اختبار السيناريوهات بالعبرية، ولكن يجب أن يستخدم الاختبار مواد تمثل احتياجاتهم. فعلى سبيل المثال، قد تتطلب معالجة اسم محلي أو وثيقة ثنائية اللغة اهتماما مختلفا عن الاهتمام الذي يقاس في اختبار الرموز. ولا يعني الحصول على درجة في اختبار ما الموافقة المطلقة على اختبار آخر.
ما الذي سيتغير في الميزانية، وما الذي لن يتغير.
وينص الإعلان على أن الأسعار وطريقة استدعاء API تظل دون تغيير. ولذلك، لا يوجد إخطار بمعدل جديد ينسخ تلقائيا إلى آلة حساب التكاليف. وتستند المطالبة بالتعويض عن الوفورات إلى سلوك النموذج أثناء البعثة. وبغية تقديره، من المستصوب تلخيص الاستخدام الفعلي إلى جانب حجم العمل المنجز على النحو الواجب. ولا يعتبر عدد أقل من الرموز إنجازا إذا كانت النتيجة تتطلب إعادة العمل.
ومن الممكن أيضاً أن نحدد مسبقاً ما سيعتبر فشلاً: مخرج غير صحيح، أو تغيير في الرمز لا يجتاز عملية التحقق، أو عمل غير مأذون به. ويمكنك بعد ذلك التحقق مما إذا كانت النسخة الجديدة تغير تواتر هذه الحالات في سيناريوهاتك. وينبغي أن يستند قرار توسيع نطاق الاستخدام إلى النتيجة الكاملة، وليس فقط إلى صياغة أكثر إقناعا أو مقارنة واحدة كان النموذج الجديد ناجحا فيها بوجه خاص.
التغيير الهام هو النسخة التي توجد وراء تدفق العمل المألوف
وبالنسبة للمستخدم العادي، قد يبدو التحديث ببساطة على أنه استجابات مختلفة أو فترات انتظار مختلفة. بالنسبة للمطورين، يتغير اعتماد النظام القائم حتى عندما يظل رمز استدعاء API على حاله. وتعرض DeepSeek هذا التحديث على أنه تحسين في الأداء والتكلفة لكل مهمة. الطريقة لتحديد ما إذا كان مفيداً لك هي أن تحافظ على نقطة المقارنة وتحقق من نفس ظروف النجاح التي كانت مهمة قبل ذلك.
وتقول الشركة إن النسخة الجديدة متاحة من خلال القنوات التي ذكرتها، وأن البيانات التي نشرتها توفر نقطة انطلاق للتقييم. إنهم ليسوا سبباً لتجاوز المراقبة المحلية أو تغيير تصاريح العميل الاستخدام الموثّق يسمح لك بالتمتع بتحسين إذا حدث بالفعل في عمليتك، وتحديد سريع إذا كان التغيير وراء اسم نموذج مألوف قد خلق سلوكاً يتطلب تعديلاً قبل المضي قدماً.