Najnowsze wydanie DeepSeek zyskało nowe wyróżnienie. Model DeepSeek-V4.1-Flash-20261017 jest obecnie najwyżej notowanym otwartym modelem w rankingu Code Arena WebDev na Arena.ai, wyprzedzając Kimi K3 (Max) przy koszcie uruchomienia wynoszącym mniej więcej jedną dziesiątą.

Co pokazuje ranking

Arena.ai opublikowała zaktualizowany ranking 18 października 2026 roku. Nowa wersja DeepSeek zdobyła 1670 punktów w Code Arena WebDev, co daje jej 1. miejsce wśród otwartych modeli i 12. miejsce ogólnie. Ranking obejmuje zadania agentowe i frontendowe związane z kodowaniem.

Kimi K3 (Max), model zrzucony ze szczytu rankingu otwartych modeli, według szacunków Arena.ai kosztuje około 10 razy więcej w uruchomieniu. Platforma określiła też to wydanie jako przesunięcie granicy Pareto wydajność–koszt dla otwartych modeli w przepływach pracy — innymi słowy, kompromisu między tym, co model dostarcza, a tym, ile kosztuje jego uruchomienie.

Wydanie punktowe z ponadprzeciętnymi zyskami

Wersja z 17 października jest technicznie drobną aktualizacją, odświeżającą model DeepSeek, który zadebiutował we wrześniu 2026 roku. „Drobna” oznacza w tym przypadku jednak poprawę w każdym benchmarku wymienionym przez DeepSeek. Porównania z wersją wrześniową obejmują:

• DeepSWE v1.1: 77,0, w porównaniu z 74,2
• Terminal-Bench 4.0: 42,3, w porównaniu z 31,2
• Automation-Bench: 60,5, w porównaniu z 54,8

Terminal-Bench 4.0 odnotował największy skok z tej trójki, rosnąc o 11,1 punktu.

Pod maską

Model oparty jest na architekturze Mixture-of-Experts, w której dla danego zadania aktywowany jest tylko podzbiór parametrów. Osię (backbone) liczy 552 miliardy parametrów, a dodatkowo 196 miliardów parametrów Engram, ale model nie uruchamia ich wszystkich jednocześnie. Ponieważ moc obliczeniowa inferencji skaluje się z liczbą parametrów aktywnych, a nie całkowitych, takie rzadkie rozwiązanie utrzymuje pracę związaną z generowaniem każdego tokenu na poziomie znacznie mniejszej sieci.

Podczas prefill, czyli etapu, w którym model odczytuje i przetwarza dane wejściowe, aktywnych jest 8 miliardów parametrów. Podczas dekodowania, gdy model generuje wynik, liczba ta rośnie do 16 miliardów.

Inne wymienione cechy to struktura Causal Encoder-Decoder, natywne przetwarzanie obrazu (model może przyjmować obrazy jako bezpośrednie dane wejściowe) oraz optymalizacje cache KV, które zmniejszają pamięć potrzebną do przechowywania stanów uwagi podczas generowania. Okno kontekstowe sięga 1 miliona tokenów — wystarczająco, aby pomieścić znaczne bazy kodu lub długie sesje agentów w jednym kontekście.

Wagi zostały opublikowane na Hugging Face na licencji MIT — licencji permittywnej, która zezwala na użytkowanie komercyjne, modyfikacje i redystrybucję; to praktyczna różnica między modelem, który zespoły mogą uruchamiać i modyfikować na własnej infrastrukturze, a modelem dostępnym wyłącznie przez API. Dla programistów, którzy nie chcą hostować modelu samodzielnie, API DeepSeek jest wycenione na 0,30 USD za milion tokenów wejściowych i 1,20 USD za milion tokenów wyjściowych w godzinach szczytu.

Tło: strategia DeepSeek

DeepSeek, formalnie Hangzhou DeepSeek, to chińskie laboratorium AI, które zbudowało tożsamość wokół modeli o otwartych wagach. Rodzina V4.1 koncentruje się szczególnie na kosztowo wydajnym kodowaniu agentowym.

Co to oznacza dla programistów

Najbardziej bezpośredni wpływ odczują zespoły inżynierskie wybierające model do integracji ze swoim narzędziami. Model plasujący się na 12. miejscu ogólnie, w rywalizacji zarówno z otwartymi, jak i zamkniętymi konkurentami, przy cenie 0,30 USD za milion tokenów wejściowych, stanowi cenowo konkurencyjną opcję dla zadań kodowania.

Ranking oznacza również, że 11 modeli wciąż znajduje się powyżej. Sam szczyt rankingu pozostaje na razie poza zasięgiem. Kolejna aktualizacja rankingu Arena.ai pokaże, czy wersja z 17 października utrzyma właśnie zdobyte prowadzenie wśród otwartych modeli.