DeepSeek vylepšil svůj volně dostupný model. Na agentních testech už poráží GPT-5.6

DeepSeek vylepšil svůj volně dostupný model. Na agentních testech už poráží GPT-5.6

Čínská laboratoř DeepSeek zveřejnila v sobotu 17. října novou verzi svého modelu DeepSeek-V4.1-Flash. Verze nese označení 1017 a kdokoli si může stáhnout její váhy, tedy hotový model připravený k použití. Licence MIT umožňuje i komerční nasazení bez poplatků, takže si model může každý provozovat na vlastním stroji a upravit podle sebe.

Nejde o model postavený od nuly, ale o vylepšení předchozí verze. Rozdíl v naměřených výsledcích je přesto velký, hlavně v úlohách, kde model používá nástroje a pracuje na delším zadání.

Co ukazují čísla

DeepSeek na stránce modelu zveřejnil srovnávací tabulku. Následující výsledky pocházejí z jeho měření, nejde o nezávislý test:

• Terminal-Bench 4.0, práce v příkazovém řádku: 42,3 bodu. Předchozí verze měla 31,2 a model GPT-5.6 Sol 39,9.
• DeepSWE v1.1, opravy v reálném kódu: 77,0 proti 74,2 u předchozí verze. GPT-5.6 Sol má 73,0 a Opus 5 74,0.
• Automation-Bench v1.0.6, automatizace úkolů: 60,5 proti 54,8. GPT-5.6 Sol 45,8, Opus 5 50,3.
• Agents' Last Exam, náročné úlohy pro agenty: 35,4 proti 31,8. GPT-5.6 Sol 26,7, Opus 5 28,6.
• Apex Bench v1.1: 72,1 proti 64,6. GPT-5.6 Sol 54,3, Opus 5 65,8.
• ProgramBench: 29,1 proti 20,3. GPT-5.6 Sol 23,0, Opus 5 37,0.

V úlohách, kde jde o používání nástrojů a delší práci, se tedy volně dostupný model vyrovnal nebo předstihl placenou špičku. Není to vítězství ve všech disciplínách. V obecných znalostech vede Opus 5, v testu HLE, který měří znalosti napříč obory, získal 56,3 bodu, DeepSeek 42,6.

Proč jsou agentní testy důležité

Agent je model, který dostane cíl a plní ho sám. Čte soubory, spouští příkazy, volá další služby a zkouší to znovu, když se něco nepovede. Přesně tak dnes funguje většina praktického nasazení umělé inteligence, od psaní kódu po vyřizování agendy. Testy jako Terminal-Bench nebo Agents' Last Exam proto měří něco jiného než znalostní kvízy: jestli model zvládne práci od začátku do konce.

Takový model musí zvládnout tři věci: udržet v hlavě dlouhé zadání, umět používat nástroje a pracovat tak, aby provoz nestál majlant.

Paměť je nový úzký profil

Když model pracuje, drží si v paměti všechno, co už přečetl. Odborně se tomu říká KV cache. Čím delší úkol, tím větší paměť je potřeba, a tím dražší a pomalejší je provoz. U dlouhých agentních úloh jde o jednu z hlavních položek v nákladech.

DeepSeek se na tuto část zaměřil už u základního modelu V4.1-Flash, ze kterého nová verze vychází. Jeho technická zpráva nese podtitul „Pushing the Limits of KV Cache Compression", tedy posouvání hranic komprese paměti. Podle stránky modelu si nová generace vystačí s 890 bajty na jeden token, což je zhruba čtvrtina proti modelu DeepSeek-V4-Flash a 437krát méně než u první generace V1. Token je přitom základní jednotka textu, zhruba kousek slova.

Model má celkem 552 miliard parametrů, při čtení zadání ale aktivuje jen 8 miliard a při psaní odpovědi 16 miliard. Zbytek zůstává vypnutý. Menší paměť znamená, že se na stejný stroj vejde delší zadání a víc úloh najednou.

Kolik to stojí

Model samotný je zdarma. Kdo ho používá přes API DeepSeeku, zaplatí podle ceníku 0,15 dolaru za milion vstupních tokenů a 0,60 dolaru za milion výstupních, mimo špičku. Ve špičce je cena dvojnásobná. Model zvládne najednou milion tokenů kontextu, tedy řádově stovky stran textu, a rozumí i obrázkům.

Stáhnout ano, ale kam

Volně dostupné váhy mají kolem 510 GB, takže na běžný notebook se nevejdou. Komunita ale reagovala rychle: během jednoho dne vznikly zmenšené verze, u kterých se čísla v modelu ukládají s menší přesností. Například varianta EXL3 na 2,9 bitu má 211 GB. I tak jde o stroj na úrovni serveru, takže pro jednotlivce je dnes pohodlnější použít API. Smysl otevřených vah je jinde: kdokoli si je může přizpůsobit, provozovat u sebe a nezávisle ověřit, co model skutečně umí.

Co si z toho vzít

• V praktických agentních úlohách už volně dostupný model drží krok s nejlepšími placenými. Rozdíl se smazává tam, kde jde o práci, ne o znalosti.
• Rozhoduje paměť a cena provozu, ne jen počet parametrů. Kdo umí model zmenšit, snižuje náklady celého oboru.
• Čísla pocházejí od DeepSeeku. Dokud je nepotvrdí nezávislé testy, berte je jako tvrzení výrobce.
• Pro běžného uživatele se nic nemění, tlak na ceny umělé inteligence ale dál roste.

DeepSeek tak navazuje na trend posledních týdnů. Otevřené modely přestávají být jen levnější alternativou a v některých oblastech se stávají rovnocenným soupeřem. Kdo dnes staví agenta, má na výběr mezi placenou službou a modelem, který si může stáhnout. Rozhoduje cena provozu a to, jak dobře model zvládá konkrétní práci.