DeepSeek telah secara resmi merilis model DeepSeek-V4.1-Flash, yang merupakan anggota terkecil dari keluarga arsitektur barunya dan memiliki pemahaman visual multimodal asli. Arsitektur baru ini dirancang untuk memberikan batas kemampuan yang lebih tinggi, kecepatan inferensi yang lebih cepat, throughput yang lebih tinggi, dan potensi skalabilitas yang lebih baik untuk model yang lebih besar.
DeepSeek telah merilis V4.1-Flash, model unggulan bobot terbuka baru yang dirancang untuk efisiensi inferensi ekstrem dan biaya rendah. Model ini memanfaatkan arsitektur encoder-decoder kausal untuk secara signifikan mengurangi komputasi aktif dan biaya KV/cache.
DeepSeek telah meluncurkan DeepSeek v4.1-Flash, model unggulan bobot terbuka baru yang menampilkan arsitektur kausal encoder-decoder novel yang dirancang untuk memaksimalkan efisiensi inferensi dan mengurangi biaya.
DeepSeek AI telah merilis DeepSeek-V4.1-Flash, sebuah model Mixture-of-Experts multimodal yang dilengkapi jendela konteks 1 juta token dan cache KV FP4 yang mengurangi jejak cache global menjadi 890 byte per token. Model ini memanfaatkan arsitektur encoder-decoder kausal dan Compressed Sparse Attention 2 (CSA2) untuk secara signifikan menurunkan kebutuhan memori sambil mempertahankan kinerja.
DeepSeek sedang melatih modelnya menggunakan perangkat keras Ascend 950 dari Huawei. Pergeseran ini mengikuti pernyataan dari Liang Wenfeng yang dibuat 26 bulan lalu mengenai kebutuhan seseorang untuk maju ke garis depan.
Regulator Tiongkok sedang menyelidiki DeepSeek dan Moonshot AI terkait kebocoran data potensial ke perusahaan AS, Anthropic. Penyelidikan ini mengikuti rumor mengenai eksekutif Kimi, meskipun situasi saat ini digambarkan sebagai penyelidikan daripada penangkapan yang dikonfirmasi.
DeepSeek saat ini sedang melatih model baru dengan 2 triliun parameter, dengan rencana untuk akhirnya membangun model 8 triliun parameter.
Peneliti memperkenalkan CodeMidas, sebuah pipeline agentic yang membangun lingkungan pembelajaran penguatan dari fungsionalitas yang diimplementasikan dalam basis kode open-source, dengan menggunakan kode sumber sebagai satu-satunya input. Metode ini mengalokasikan komputasi agentic untuk mengeksplorasi fungsionalitas, membangun tes berbasis eksekusi, dan memvalidasi tugas melalui rollouts berulang, menghasilkan dataset berisi 5.545 tugas pelatihan di 23 bahasa pemrograman. Pelatihan MiMo-V2.5 pada tugas-tugas ini dengan GRPO meningkatkan kinerja pada lima benchmark beragam, termasuk DeepSWE (+11,7%), ProgramBench (+17%), dan Terminal-Bench v2.1 (+8,5%). Analisis trajektori menunjukkan bahwa agen yang dilatih dengan RL menampilkan perilaku yang lebih baik seperti eksplorasi basis kode yang lebih besar dan verifikasi diri yang lebih beragam. Hasil-hasil ini menetapkan kode sumber sebagai fondasi yang dapat diskalakan untuk membangun lingkungan RL yang meningkatkan agen pemrograman di berbagai tugas perangkat lunak.
DeepSeek telah merilis DeepSeek-V4.1-Flash, sebuah model Mixture-of-Experts multimodal yang dirancang untuk mengatasi biaya tinggi komputasi konteks panjang dan cache KV besar dalam beban kerja agen.
Atria Dawn Preview adalah model bahasa agentic dasar yang dirancang untuk alur kerja penelitian ilmiah dan teknik, dilatih melalui Pipelina Pengalaman Terverifikasi yang menghubungkan interaksi yang dimediasi alat ke lingkungan yang dapat dieksekusi. Di seluruh 16 benchmark yang mencakup penelitian dunia nyata, teknik, dan pekerjaan digital, model ini kompetitif dengan agen terdepan dan mencapai skor tertinggi yang dilaporkan pada lima di antaranya.
DeepSeek V4.1 Flash telah mengambil tempat pertama pada benchmark Astra baru dalam pembaruan Indeks Kecerdasan Artificial Analysis v4.3.
Seorang pengguna telah mengembangkan implementasi kustom yang memungkinkan model DeepSeek V4.1 berjalan di GPU NVIDIA A100 dengan kinerja yang melebihi API resmi.
Platform benchmarking LiveBench telah menambahkan model DeepSeek v4.1 Flash ke dalam suite evaluasinya.
Model DeepSeek V4.1 Flash kini dapat diakses melalui platform HuggingChat.
Seorang pengguna telah menerbitkan video yang dihasilkan menggunakan model DeepSeek V4.1 Flash yang baru dirilis untuk mengukur kemampuannya dalam sintesis video gerak.
DeepSeek telah merilis model barunya, DeepSeek V4-1 Flash. Ini adalah model Mixture-of-Experts (MoE) multimodal yang memiliki backbone dengan 552 miliar parameter.
DeepSeek telah resmi merilis model DeepSeek V4.1 Flash, entri terkecil dalam seri arsitektur barunya yang memiliki pemahaman visual multimodal asli. Dibangun di atas desain Causal-Encoder-Decoder, ini adalah model Mixture of Experts (MoE) dengan 552B parameter yang hanya mengaktifkan 8B parameter pada sisi input dan 16B pada sisi output.
DeepSeek telah secara halus pensiunkan model DeepSeek V4 Pro. Tindakan ini menandai berakhirnya ketersediaan versi spesifik sistem AI mereka.
DeepSeek telah membuka pengujian beta internal untuk versi menengah dari model DeepSeek V4.1 Flash-nya, yang sekarang tersedia melalui API.