DeepSeek V4.1 Flash 1017: ta sama cena, krótsze odpowiedzi. Czy warto przejść?

W sobotę 17 października 2026 roku DeepSeek zamienił model stojący za nazwą API deepseek-flash na nowy checkpoint, DeepSeek-V4.1-Flash-1017. Cena się nie zmieniła, okno kontekstu się nie zmieniło i sposób wywoływania też pozostał taki sam. Zmienił się model: DeepSeek podaje dwucyfrowe wzrosty w testach terminala i budowania programów oraz twierdzi, że nowy checkpoint kończy zadania szybciej i generuje krótsze wyniki.

Krótka odpowiedź: jeśli uruchamiasz agentów kodujących lub przepływy pracy intensywnie korzystające z narzędzi na wrześniowym V4.1 Flash, przejdź na nowy model. Za token płacisz tyle samo, a według własnego wykresu kosztów DeepSeeka za gotowe zadanie płacisz wyraźnie mniej. Jeśli Twoje obciążenie to pytania i odpowiedzi wymagające wiedzy, argumenty są słabsze, a modele z najwyższej półki nadal prowadzą w tym obszarze.

Na AIHubMix nowy checkpoint ma własny identyfikator, deepseek-v4.1-flash-1017, więc nic nie zmieni się automatycznie, dopóki nie zmienisz nazwy modelu.

Co się zmieniło, a co pozostało bez zmian

Notatka do wydania DeepSeeka (release note) określa wersję 1017 jako „poprawę wydajności i kosztów typu Pareto”, a karta na Hugging Face nazywa ją „drobną aktualizacją”. Obie oceny są uzasadnione: architektura i interfejs API pozostały nietknięte, a post-training jest nowy (DeepSeek opisuje „uczenie przez wzmocnienie z samooceną, mające poprawić rozwój projektów end-to-end”).

Stare nazwy deepseek-v4-flash i deepseek-v4-flash-vision-exp nadal działają w API DeepSeeka, a obie teraz korzystają z wersji 1017 w cenach Flash. DeepSeek nie oferuje możliwości przypięcia wrześniowego checkpointu, więc każdy, kto wywołuje deepseek-flash bezpośrednio, został już przeniesiony.

Gdzie widać zyski

Wszystkie poniższe liczby pochodzą z karty modelu i dziennika zmian DeepSeeka; nikt jeszcze ich niezależnie nie odtworzył. The Decoder i Kingy.ai zestawili tę samą tabelę i zwracają uwagę na to samo zastrzeżenie.

Terminal-Bench 4.0 uruchomiono w harnessie Claude Code; DeepSWE w mini-SWE-v2.

Wzorzec jest wyraźny: największe skoki widać w długich sesjach terminalowych i w budowaniu programu od zera, co zgadza się z tym, pod co, jak mówi DeepSeek, model był trenowany. Naprawianie błędów na poziomie repozytorium (DeepSWE, NL2Repo) oraz wizja zmieniły się o dwa do trzech punktów.

Krótsze wyniki to prawdziwe ulepszenie

Wrześniowy checkpoint był drogi w uruchomieniu jak na tani model, ponieważ dużo mówił. Gdy Artificial Analysis przeprowadziło na nim swój Intelligence Index przy maksymalnym wysiłku, wygenerował około 250M tokenów wyjściowych wobec mediany 130M, czyli o 62% więcej niż V4 Pro 0813 od samego DeepSeeka.

Wersja 1017 celuje dokładnie w ten problem. Wykres DeepSWE od DeepSeeka (koszt zadania na osi X, według odczytu The Decoder) pokazuje wrześniowy model na poziomie 74,2% przy około 0,50 USD za zadanie, 1017 na najwyższym ustawieniu na poziomie 77,0% przy nieco poniżej 0,20 USD, a 1017 na najniższym ustawieniu powyżej 72% przy około 0,10 USD. Ponieważ cena za token jest identyczna, niemal cała oszczędność wynika z tego, że model zużywa mniej tokenów i kończy w mniejszej liczbie tur.

Dwie uwagi ostrzegawcze. DeepSeek nie podał, o ile krótsze są wyniki, a koszty za zadanie odczytano z wykresu dostawcy, a nie zmierzono niezależnie. Zanim zaplanujesz oszczędność rzędu 60%, uruchom własne obciążenie.

Jak blisko jest do wyższego poziomu

W ofercie DeepSeeka wyższym poziomem jest V4 Pro 0813, a 1017 już przewyższa go w każdym benchmarku agentowym, jaki DeepSeek publikuje dla obu (Terminal-Bench 4.0: 42,3 wobec 12,4; DeepSWE: 77,0 wobec 62,7). Temu poświęcimy osobny wpis w tej serii.

Wobec modeli z najwyższej półki obraz jest mieszany. Tabela DeepSeeka pokonuje Claude Opus 5 w DeepSWE, Automation-Bench, Agents' Last Exam i Apex, ale Opus 5 nadal prowadzi w Terminal-Bench 4.0 (51,8), ProgramBench (37,0), NL2Repo (75,3) i HLE (56,3). DeepSeek porównał się też ze starszymi modelami: Opus 5.5, Sonnet 5.5 i generacja GPT-6 nie znajdują się w jego tabeli, a Google osobno podaje wynik Opus 5.5 na poziomie 66,4 w Terminal-Bench 4.0.

Cena a rzeczywisty koszt

Ceny szczytowe za 1M tokenów, cache miss. Godziny szczytu to dni robocze 01:00–04:00 i 06:00–10:00 UTC; w każdej innej godzinie, w weekendy i w chińskie święta państwowe obowiązuje stawka poza szczytem, czyli połowa ceny. Trafienia w cache Flash kosztują 0,006 USD na DeepSeeku i 0,0062 USD na AIHubMix w godzinach szczytu. AIHubMix prowadzi obecnie czasową 30% zniżkę na wersję 1017; podane tu liczby to ceny cennikowe.

Jedna sesja agenta, wyliczona. Żaden opublikowany test nie podaje liczby tokenów na zadanie dla wersji 1017, więc ten przykład opiera się na założeniach: sesja naprawy błędu obejmuje 40 wywołań modelu, łącznie 1,2M tokenów wejściowych, z czego 90% obsługiwane z cache, oraz 60K tokenów wyjściowych, wliczając myślenie. Według cen cennikowych AIHubMix:

Obliczenie dla 1017 w godzinach szczytu: 0,12M × 0,3098 USD + 1,08M × 0,0062 USD + 0,06M × 1,2392 USD = 0,118 USD.

Te same liczby tokenów kosztowałyby tyle samo na wrześniowym modelu, bo cena jest identyczna. Różnica pojawia się w samych liczbach tokenów: jeśli 1017 potrzebuje mniej tur i krótszych odpowiedzi do tej samej naprawy, rachunek maleje razem z nimi. Zaplanowanie pracy wsadowej poza godzinami szczytu obniża go jeszcze o połowę.

Drugą dźwignią jest wysiłek. Artykuł DeepSeeka o V4.1 Flash mapuje poziomy API low, high i max na wewnętrzne wartości wysiłku 50, 75 i 100 i podaje, że ostatni krok do max „wydłuża trajektorie agentów 1,6–1,8 razy dla jedynie marginalnych poprawek”. Zacznij agentów od high, czyli wartości domyślnej, a max zachowaj na najtrudniejsze zadania.

Kiedy to nie jest najlepszy wybór

• Pytania wymagające wiedzy. HLE bez narzędzi wynosi 42,6, wyraźnie za Opus 5 (56,3) i poniżej Claude Haiku 5.5 (45,9, według Anthropic). Surowa wiedza nadal jest słabym punktem linii Flash.
• Długie, trudne sesje w powłoce. Wynik 42,3 w Terminal-Bench 4.0 to duży skok, ale Sonnet 5.5 (70,6) i Opus 5.5 (66,4) są w tym benchmarku w zupełnie innej lidze.
• Obciążenia wymagające zamrożonego modelu. W API DeepSeeka deepseek-flash jest aliasem zmiennym, a wrześniowego checkpointu nie da się przypiąć. Jeśli potrzebujesz powtarzalnego zachowania, wywołuj identyfikator modelu z datą.
• Ruch, który trafia wyłącznie w godziny szczytu. Cena poza szczytem to połowa ceny szczytowej; obciążenie utknięte w dniowym oknie 01:00–10:00 UTC zapłaci pełną stawkę.

Kto powinien przejść, a kto poczekać

• Przejdź od razu: agenci kodujący, automatyzacja terminala i potoki korzystające z wywołań narzędzi na wrześniowym Flash. Ta sama cena, lepsze wyniki i mniej tokenów na zadanie według miary DeepSeeka.
• Przejdź po teście regresji: produkcyjne prompty z rygorystycznymi formatami wyjścia lub zestawy ewaluacyjne. Krótsze wyniki mogą zepsuć parsery, które spodziewały się dawnej rozwlekłości.
• Zostań lub poszukaj innej opcji: pytania i odpowiedzi wymagające wiedzy oraz trudne debugowanie, które już wymaga modelu z najwyższej półki. Wersja 1017 tego nie zmienia.

Wypróbuj na AIHubMix

AIHubMix udostępnia 1017 przez Chat Completions, Responses API i Anthropic Messages. Utwórz klucz i postępuj zgodnie z szybkim startem, a następnie wywołaj model za pomocą SDK openai:

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AIHUBMIX_API_KEY"],
    base_url="https://aihubmix.com/v1",
)

resp = client.chat.completions.create(
    model="deepseek-v4.1-flash-1017",
    messages=[{"role": "user", "content": "Write a Python function that merges overlapping intervals."}],
    reasoning_effort="high",
    max_tokens=32000,
)
print(resp.choices[0].message.content)

Podczas testu z 19 października AIHubMix zaakceptował wartości low, high i max dla reasoning_effort, a pole model w każdej odpowiedzi miało wartość deepseek-v4-1-flash-261017, co pozwala potwierdzić, że odpowiedział checkpoint 1017. Myślenie jest domyślnie włączone, a tokeny rozumowania wliczają się do max_tokens, więc ustaw ten limit hojnie; karta modelu zaleca co najmniej 256K dla długich przebiegów agentów. Aby zobaczyć oba checkpointy obok siebie, otwórz stronę porównania AIHubMix.

FAQ

Czy DeepSeek V4.1 Flash 1017 to nowy model, czy aktualizacja?
To zaktualizowany checkpoint V4.1 Flash o tej samej architekturze, oknie kontekstu i interfejsie API. DeepSeek nazywa go drobną aktualizacją; zyski w benchmarkach pochodzą z nowego post-trainingu.

Czy wraz z 1017 zmieniła się cena?
Nie. DeepSeek utrzymał cenę Flash na poziomie 0,30 USD za wejście i 1,20 USD za wyjście za 1M tokenów w godzinach szczytu, a poza szczytem obowiązuje połowa tej stawki. AIHubMix podaje 0,3098 USD i 1,2392 USD w godzinach szczytu, a obecnie trwa czasowa 30% zniżka.

Jakiego identyfikatora modelu użyć na AIHubMix?
Użyj deepseek-v4.1-flash-1017. Nazwa deepseek-flash należy do własnego API DeepSeeka, gdzie teraz wskazuje na 1017.

Czy mogę nadal korzystać z wrześniowego checkpointu w API DeepSeeka?
Nie. DeepSeek przeniósł deepseek-flash oraz starsze nazwy Flash na wersję 1017 i nie oferuje przypiętej nazwy dla wersji wrześniowej.

O ile krótsze są wyniki?
DeepSeek nie podał żadnej liczby. Jego wykres DeepSWE sugeruje, że koszt zadania spadł z około 0,50 USD do poniżej 0,20 USD przy tej samej cenie za token, co wskazuje na znacznie krótsze przebiegi, ale to dane dostawcy.

Jakiego poziomu wysiłku rozumowania użyć?
Zacznij od high, czyli wartości domyślnej. Używaj low do prostych wywołań wrażliwych na opóźnienia, a max tylko do najtrudniejszych zadań, ponieważ według własnego artykułu DeepSeeka max wydłuża przebiegi agentów 1,6–1,8 razy dla niewielkich zysków.

Czy 1017 jest lepszy od Claude Opus 5?
W niektórych benchmarkach agentowych DeepSeek podaje, że wyprzedza Opus 5, na przykład w DeepSWE i Automation-Bench. Opus 5 nadal prowadzi w Terminal-Bench 4.0, ProgramBench, NL2Repo i HLE, a nowsze modele z najwyższej półki nie były częścią porównania DeepSeeka.

Czytaj dalej: seria o DeepSeek V4.1 Flash 1017

• Przenosisz istniejącą integrację? Przewodnik migracji obejmuje błąd 400 dotyczący reasoning_content, ciche zamienienie aliasu, rozliczanie w godzinach szczytu oraz konfigurację narzędzi do kodowania: Migracja do DeepSeek V4.1 Flash 1017: błąd 400 reasoning_content, ciche zamienienie aliasu i rozliczanie w godzinach szczytu
• Zastanawiasz się, jak wypada to w porównaniu z najtańszym modelem Anthropic do pracy agentów? Starcie obejmuje oba modele w zadaniu kodowania w terminalu: DeepSeek V4.1 Flash 1017 vs Claude Haiku 5.5: Which Cheap Model for Terminal Coding Agents?
• Wciąż płacisz za V4 Pro? Ten wpis sprawdza, czy Flash sprawia, że jest on zbędny: DeepSeek V4.1 Flash 1017 vs V4 Pro: Is the Flash Enough Now?

Źródła

• DeepSeek-V4.1-Flash-1017 release note (DeepSeek)
• DeepSeek-V4.1-Flash-1017 model card (Hugging Face)
• DeepSeek V4.1 Flash 1017 on AIHubMix (AIHubMix)
• DeepSeek V4.1 Flash 1017 wyprzedza większych konkurentów w zadaniach agentowych (The Decoder)
• DeepSeek V4.1 Flash 1017 Tested: Specs, Benchmarks & Price (Kingy.ai)