O'rin #2 Lokal / Shaxsiy SI — Sizning miyangiz, Sizning qurilmangiz, Sizning qoidalaringiz
DeepSeek

DeepSeek-V4-Flash-0731

Ajablanarli darajada samarali 284B/13B MoE modeli bo'lib, agent va kodlash vazifalarida yetakchilik qiladi va o'rta darajadagi qurilmalarga bemalol sig'adi.

Open WeightsMIT1M Context
9.110 dan
Rasmiy veb-sayt
Eng mos

Ajablanarli darajada samarali 284B/13B MoE modeli bo'lib, agent va kodlash vazifalarida yetakchilik qiladi va o'rta darajadagi qurilmalarga bemalol sig'adi.

Nima uchun bu eng yaxshisi

Oldingi sinov versiyasiga qaraganda aqlbovar qilmas agent sakrashlari: Terminal Bench 2.1 da 82.7 va DeepSWE da 54.4 ball to'pladi. 155 Gb lik deyarli yo'qotishsiz 4-bit kvantlash o'lchamiga ega.

E'tibor bering

Faqat matn, ko'rish xususiyati yo'q. Agent kodlashda ustun bo'lsa-da, uning umumiy intellekt darajasi GLM-5.2 dan biroz orqada.

01

Aslida bu nima

Lokal sun’iy intellekt haqida gap ketganda, suhbat odatda murosaga kelish atrofida aylanadi. Siz yo ishlashi uchun server fermasini talab qiladigan ulkan modelga, yoki murakkab kodlash seansida kontekstni saqlab qolishga qiynaladigan kichik modelga ega bo’lasiz. DeepSeek-V4-Flash-0731 bu ikkilanishni yo’q qiladi.

2026-yil 31-iyulda sof post-trening yangilanishi sifatida chiqarilgan Flash-0731 o’zining oldingi sinov versiyasi bilan bir xil 284 milliard jami / 13 milliard faol parametr MoE arxitekturasini baham ko’radi. Shunga qaramay, ushbu yangilanishda ochilgan imkoniyatlar hayratlanarli. Terminal Bench 2.1 da u 82.7 ga ko’tarilib, yopiq manbali og’ir Opus 4.8 bilan deyarli tenglashadi. DeepSWE-da u oddiy 7.3 dan dominant 54.4 ga sakraydi. Bu shuni isbotlaydiki, chegara darajasidagi agentni yaratish uchun sizga trillionlab parametrlar kerak emas; sizga shunchaki yuqori samarali modelga asboblardan qanday qilib to’g’ri foydalanishni, terminallar orqali harakatlanishni va o’z xatolarini tuzatishni o’rgatish kerak.

Flash-0731-ning sehri uning siyrakligida (sparsity). Xulosa chiqarish jarayonida faqat 13 milliard parametr faol bo’lganligi sababli, u yirik zich modellar yoki GLM-5.2 kabi og’irroq MoE-larga qaraganda ancha kamroq xotira o’tkazish qobiliyatini talab qiladi. Unsloth-ning dinamik GGUF formatlaridan foydalanib ehtiyotkorlik bilan kvantlanganda, 3-bitli versiya taxminan 103 Gb RAMga sig’adi. Bu o’ta muhim chegarani kesib o’tadi: bu ko’p GPUli klasterlarga ega korporativ guruhlar emas, balki 128 Gb birlashtirilgan xotira uskunasida ishlaydigan individual dasturchilar uchun chegara darajasidagi avtonom kodlashni taqdim etadi.

Bu mukammal model emas. U rasmlarni umuman ko’ra olmaydi va agar siz uni umumiy bilimlar bo’yicha sinab ko’rsangiz, u biroz og’irroq GLM-5.2 dan ortda qoladi. Ammo uning mo’ljallangan foydalanish holati uchun — lokal omboringiz bo’ylab tinimsiz ishlaydigan va tejamkor kodlash agenti sifatida u tengsizdir.

Saxiy MIT litsenziyasi, 1M tokenlik kontekst oynasi va DSpark spekulyativ dekodlashni qo’llab-quvvatlashi hisobga olinsa, DeepSeek-V4-Flash-0731 shunchaki katta modellarga muqobil emas; u samarali lokal sun’iy intellekt kelajagi uchun chizmadir. U evaziga superkompyuter talab qilmasdan, sizga kerakli intellektni, kerakli joyda taqdim etadi.

02

Kuchli tomonlar va halol cheklovlar

Asosiy afzalliklari

  • Parihez ustidagi Agent Hukmronligi: Bu shunchaki boshqa ochiq model emas; bu ixtisoslashgan agentlik kuchi. Terminal Bench 2.1 (Opus 4.8 ga yaqinlashmoqda) da 82.7 va DeepSWE da 54.4 ko’rsatkich bilan, Flash-0731 post-trening asosiy model hajmini oshirmasdan chegara darajasidagi asboblardan foydalanish va ko’p bosqichli fikrlashni qanday ochishi mumkinligini isbotlaydi.
  • Misli Ko’rilmagan Qurilma Samaradorligi: Jami 284 milliarddan faqat 13 milliard faol parametr bilan, u raqobatchilarining xotira o’tkazish qobiliyatining juda oz qismini talab qiladi. Unsloth-ning dinamik GGUF-laridan foydalangan holda, 3-bitli versiya ~103 Gb RAMga sig’adi va bu uni 128 Gb yagona xotiraga ega MacBook-larda ishlatish imkonini beradi. U jiddiy lokal dasturchilar uchun haqiqatan ham qulay.
  • MIT Litsenziyasi Erkinligi: DeepSeek MIT litsenziyasi bilan ochiq manbaga bo’lgan sodiqligini saqlab qoladi. Siz vaznlarni yuklab olishingiz, ularni kvantlashingiz va hech qanday cheklovlarsiz tijorat maqsadlarida ishlatishingiz mumkin. Yashirin shartlar yo’q, API blokirovkasi yo’q, shunchaki toza lokal kuch.
  • Masshtablash uchun Yaratilgan 1M Kontekst: Sinov versiyasidagi ulkan 1 millionlik kontekst oynasini saqlab qolgan holda, Flash-0731 butun kod bazalarini tahlil qilish uchun maxsus yaratilgan. U DSpark spekulyativ dekodlashni qo’llab-quvvatlaydi, bu esa katta log fayllari yoki omborlarni qayta ishlashda sezilarli o’tkazuvchanlikni oshirish imkonini beradi.

Haqiqiy cheklovlar

  • Faqat Matn va Kod: Ko’plab ixtisoslashgan kodlash modellari singari, u ham ko’rish qobiliyatiga ega emas. Siz disk raskadrovka uchun UI skrinshotlarini yoki diagrammalarni ishlata olmaysiz. Agar sizning ish jarayoningiz multimodal ma’lumotlarga qattiq tayanadigan bo’lsa, sizga alohida ko’rish modeli kerak bo’ladi.
  • Umumiy Bilim Biroz Orqada: Garchi u kodlash va asboblardan foydalanishda yetakchi bo’lsa-da, uning umumiy Sun’iy Tahlil Intellekti Indeksi (50) GLM-5.2 (51) dan biroz orqada. U o’zining ixtisoslashgan sohalaridan tashqarida ko’proq narsani bilishdan ko’ra, kamroq gallyutsinatsiya qilish orqali yaxshilandi.
  • Tajovuzkor Kvantlash Xavflari: 103 Gb ga mos keladigan 3-bitli kvant ajoyib bo’lsa-da, kvantlashni bunchalik keskinlashtirish ba’zan murakkab fikrlashni yomonlashtirishi mumkin. Siz 3-bitli versiya sizning aniq muhitingiz uchun talab qilinadigan aniq agent xatti-harakatlarini saqlab qolish-qolmasligini tasdiqlashingiz kerak bo’ladi.
03

Benchmark natijalari

Terminal Bench 2.1 — 82.7

Agent terminalidan foydalanishdagi ulkan sakrash, uni Claude 4.8 Opus (85.0) ga juda yaqinlashtirdi.

DeepSWE — 54.4

Sinov versiyasining oddiy 7.3 ko'rsatkichidan aqlbovar qilmas sakrash, bu uning 31-iyuldagi post-treningining haqiqiy kuchini namoyish etadi.

Arxitektura — 284B Jami / 13B Faol

Cheklangan uskunada barqaror ishlashni ta'minlaydigan FLOP va xotira o'tkazish qobiliyatini kamaytiradigan yuqori siyrak Mixture-of-Experts dizayni.

AutomationBench Public — 25.1

GLM-5.2 (12.9) natijasini deyarli ikki baravar oshiradi va uning avtonom ko'p bosqichli ijroda ustunligini isbotlaydi.

04

Xulosa

DeepSeek-V4-Flash-0731 - bu post-trening optimallashtirish bo’yicha mahorat darsi. Xom parametrlarni ko’paytirish o’rniga, DeepSeek faqat agentlik qobiliyatiga e’tibor qaratib, kuchli sinov modelini kodlash va asboblardan foydalanish vazifalari uchun mutlaq kuchga aylantirdi. U avtonom bençmarklarda faol parametrlarning deyarli uchdan bir qismini talab qilgan holda ancha og’irroq modellarni ortda qoldiradi. 128 GB operativ xotiraga ega lokal dasturchilar uchun bu yangi oltin standart. U GLM-5.2 ni umumiy bilimlarda mag’lub eta olmasligi mumkin, ammo agar sizga terminalni mustaqil ravishda boshqarish, omborni yamoq qilish va asboblardan hech qanday gallyutsinatsiyasiz foydalanish uchun model kerak bo’lsa, Flash-0731 hozirgi vaqtda buni lokal tarzda amalga oshirishning eng samarali usulidir.

05

Ko'p so'raladigan savollar