Последний релиз DeepSeek принёс компании новое достижение. Модель DeepSeek-V4.1-Flash-20261017 теперь занимает первое место среди открытых моделей в рейтинге Code Arena WebDev платформы Arena.ai, обойдя Kimi K3 (Max) при стоимости запуска примерно в десять раз ниже.

Что показывает рейтинг

Arena.ai опубликовала обновлённый рейтинг 18 октября 2026 года. Новая сборка DeepSeek набрала 1670 очков на Code Arena WebDev, заняв 1-е место среди открытых моделей и 12-е в общем зачёте. Рейтинг охватывает агентные задачи и задачи фронтенд-кодирования.

По оценке Arena.ai, Kimi K3 (Max) — модель, вытесненная с первого места среди открытых моделей, — обходится в эксплуатации примерно в 10 раз дороже. Платформа также представила релиз как сдвиг границы Парето «производительность–стоимость» для открытых моделей в рабочих процессах — то есть изменение компромисса между тем, что выдаёт модель, и тем, сколько стоит её запуск.

Точечный релиз с непропорционально большим приростом

Сборка от 17 октября формально является незначительным обновлением, освежающим модель DeepSeek, выпущенную в сентябре 2026 года. «Незначительное» в данном случае всё равно означает улучшение по каждому бенчмарку, приведённому DeepSeek. Сравнение с сентябрьской версией:

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

Terminal-Bench 4.0 показал наибольший прирост из трёх — 11,1 очка.

Что под капотом

Модель построена на архитектуре Mixture-of-Experts, в которой для каждой конкретной задачи активируется лишь часть параметров. Магистраль содержит 552 млрд параметров, а сверху добавляются ещё 196 млрд Engram-параметров, но одновременно задействуются не все. Поскольку вычислительные затраты на инференс зависят от числа активных, а неих параметров, такая разреженная архитектура держит объём работы при генерации каждого токена на уровне гораздо меньшей сети.

На этапе prefill, когда модель читает и обрабатывает входные данные, активны 8 млрд параметров. На этапе декодирования, когда она генерирует результат, эта цифра возрастает до 16 млрд.

Среди прочих заявленных особенностей — структура Causal Encoder-Decoder, нативное зрение (модель может принимать изображения в качестве прямого ввода) и оптимизации KV-кэша, сокращающие объём памяти для хранения состояний внимания при генерации. Контекстное окно достигает 1 млн токенов — этого достаточно, чтобы уместить в один контекст крупные кодовые базы или длительные сессии агентов.

Веса опубликованы на Hugging Face по лицензии MIT — разрешительной лицензии, допускающей коммерческое использование, модификацию и перераспространение. На практике это разница между моделью, которую команды могут запускать и дорабатывать на собственной инфраструктуре, и моделью, доступной только через API. Для разработчиков, не желающих разворачивать модель самостоятельно, API DeepSeek стоит $0,30 за миллион входных токенов и $1,20 за миллион выходных токенов по пиковой цене.

Предыстория: стратегия DeepSeek

DeepSeek, официально Hangzhou DeepSeek, — китайская ИИ-лаборатория, выстроившая свою идентичность вокруг моделей с открытыми весами. Семейство V4.1 ориентировано прежде всего на экономичное агентное программирование.

Что это значит для разработчиков

Прямее всего это затронет инженерные команды, выбирающие модель для встраивания в свои инструменты. Модель на 12-м месте в общем зачёте — среди открытых и закрытых конкурентов — при цене $0,30 за миллион входных токенов представляет собой конкурентный по стоимости вариант для задач кодирования.

Рейтинг также означает, что выше неё всё ещё находятся 11 моделей. Самая верхушка рейтинга пока остаётся недосягаемой. Следующее обновление рейтинга Arena.ai покажет, удержит ли сборка от 17 октября только что завоёванное лидерство среди открытых моделей.