DeepSeek opublikował 17 października 2026 r. DeepSeek-V4.1-Flash-1017, zaktualizowaną wersję swojego najmniejszego modelu, która w testach kodowania agentowego DeepSWE v1.1 osiąga 77,0 proc. przy koszcie niecałych 0,20 dolara za zadanie, wobec 74,0 proc. dla Claude Opus 5. Wagi modelu trafiły na Hugging Face i ModelScope na licencji MIT, a razem z nimi firma po raz pierwszy udostępniła programistom swoją wewnętrzną wyszukiwarkę przez API Search i Fetch w cenie 0,75 dolara za 1000 zapytań.
- DeepSeek-V4.1-Flash-1017 osiąga 77,0 proc. w teście kodowania agentowego DeepSWE v1.1 przy koszcie poniżej 0,20 dolara za zadanie, wyprzedzając Claude Opus 5 (74,0 proc.) i GPT-5.6 Sol (73,0 proc.), które według danych producenta kosztują od 2 do ponad 10 dolarów za zadanie.
- Razem z modelem DeepSeek udostępnił programistom dwa punkty końcowe API – Search i Fetch – oparte na wewnętrznej wyszukiwarce firmy, w cenie 0,75 dolara za 1000 udanych zapytań, z bezpłatnym dostępem dla wybranych użytkowników do 1 listopada 2026 r.
- Według doniesień z 16 października chiński rząd rozważa zaostrzenie zasad publikacji modeli z otwartymi wagami, co mogłoby uniemożliwić przyszłym wersjom DeepSeek trafienie na Hugging Face w dniu premiery – na razie są to jednak doniesienia medialne, nie decyzja regulatora.
Komunikat firmy na X: https://twitter.com/deepseek_ai/status/2111375640717033777
🚀 DeepSeek-V4.1-Flash-1017 is here!
Stronger benchmark performance, faster task completion, and shorter outputs than the previous version—a Pareto improvement in performance and cost. Now live on our website, app, and API.
🛠️ Optimized for @DeepSeekHarness, Tencent CodeBuddy,… pic.twitter.com/MiqGbnCiVz
— DeepSeek (@deepseek_ai) October 17, 2026
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Aktualizacja 1017 podnosi wyniki we wszystkich 11 testach, choć DeepSeek nazywa ją „drobną”
DeepSeek-V4.1-Flash-1017 poprawia wynik poprzednika, DeepSeek-V4.1-Flash z 10 września 2026 r., w każdym z 11 benchmarków podanych w karcie modelu. Największy skok dotyczy Terminal-Bench 4.0, czyli testu wykonywania zadań w terminalu: z 31,2 do 42,3 pkt. ProgramBench wzrósł z 20,3 do 29,1, a Apex Bench v1.1 z 64,6 do 72,1.
Firma określa wydanie jako „minor update”, czyli drobną aktualizację tego samego modelu, a nie nową architekturę. W API nic się nie zmienia: wystarczy nadal używać nazwy deepseek-flash, a cennik pozostaje bez zmian. Wersja w aplikacji i na stronie chat.deepseek.com została podmieniona na nową tego samego dnia.
Poza samymi wynikami DeepSeek podkreśla dwie rzeczy: model kończy zadania szybciej i generuje krótsze odpowiedzi. W praktyce oznacza to mniej tokenów wyjściowych, a więc niższy rachunek za to samo zadanie. Firma opisuje to jako „poprawę Pareto” / „a Pareto improvement in performance and cost”, czyli sytuację, w której jedna wartość rośnie bez pogorszenia drugiej.
Nowością w procesie treningu jest wzmocnienie uczenia ze sprzężeniem zwrotnym od samego modelu (reinforcement learning with self-feedback, RLSF). DeepSeek twierdzi, że dzięki temu model lepiej buduje kompletne projekty od zera, od gier po modelowanie 3D. Niezależnych pomiarów tej zdolności jeszcze nie ma.
Wyniki wobec Kimi K3, GLM-5.3, GPT-5.6 Sol i Claude Opus 5
Poniższa tabela pochodzi z karty modelu na Hugging Face. To pomiary samego DeepSeek, nie niezależnych laboratoriów.
| Benchmark | V4.1-Flash-1017 | V4.1-Flash | Kimi K3 | GLM-5.3 | GPT-5.6 Sol | Claude Opus 5 |
|---|---|---|---|---|---|---|
| HLE (bez narzędzi) | 42,6 | 36,8 | 43,5 | 42,0 | 44,5 | 56,3 |
| Terminal-Bench 4.0 | 42,3 | 31,2 | 12,6 | 37,9 | 39,9 | 51,8 |
| DeepSWE v1.1 | 77,0 | 74,2 | 67,5 | 66,9 | 73,0 | 74,0 |
| ProgramBench | 29,1 | 20,3 | 17,5 | 19,0 | 23,0 | 37,0 |
| NL2Repo-Bench | 68,2 | 65,4 | 58,0 | 58,0 | 56,8 | 75,3 |
| Automation-Bench v1.0.6 | 60,5 | 54,8 | 46,7 | 48,8 | 45,8 | 50,3 |
| Agents’ Last Exam | 35,4 | 31,8 | 27,6 | 28,5 | 26,7 | 28,6 |
| Apex Bench v1.1 | 72,1 | 64,6 | 47,8 | 56,6 | 54,3 | 65,8 |
| Chartography (z narzędziami) | 83,0 | 78,9 | 68,1 | brak | 79,9 | 84,0 |
| BabyVision (z narzędziami) | 92,5 | 89,6 | 85,7 | brak | 88,9 | 94,1 |
| ZeroBench-main (z narzędziami) | 51,0 | 49,0 | 41,0 | brak | 53,0 | 52,0 |
Obraz jest wyraźnie podzielony. W testach agentowych i automatyzacji (DeepSWE, Automation-Bench, Agents’ Last Exam, Apex Bench) DeepSeek-V4.1-Flash-1017 wyprzedza wszystkie porównywane modele, łącznie z Claude Opus 5. W testach wiedzy i trudnego rozumowania (HLE, Terminal-Bench 4.0, ProgramBench, NL2Repo) Opus 5 nadal prowadzi, i to z dużym zapasem: 56,3 wobec 42,6 na HLE czy 51,8 wobec 42,3 na Terminal-Bench 4.0.
Ważny szczegół metodologiczny: Terminal-Bench 4.0 był mierzony w harnessie Claude Code, a DeepSWE w Mini-SWE-V2. ZeroBench liczono jako Pass@5, czyli model miał pięć prób.
Wypełnij formularz, a my skontaktujemy się z Tobą, aby upewnić się czego potrzebujesz.
Koszt zadania: 0,20 dolara wobec 2 do 10 dolarów u konkurencji
Wykres kosztów opublikowany przez DeepSeek i opisany przez The Decoder pokazuje, dlaczego krótsze odpowiedzi mają znaczenie. W DeepSWE v1.1 nowy model osiąga 77,0 proc. przy średnim koszcie niecałych 0,20 dolara za zadanie. W trybie niskiego wysiłku (low effort) nadal przekracza 72 proc. przy koszcie około 0,10 dolara. Poprzednia wersja V4.1-Flash kosztowała około 0,50 dolara za przebieg przy wyniku 74,2 proc.
Według tego samego wykresu konkurencyjne modele, w tym GPT-6 Astra, Gemini 3.8 Flash i Claude Opus 5, mieszczą się w przedziale od 2 do ponad 10 dolarów za zadanie. Są to dane producenta, bez niezależnej weryfikacji.
Cennik API deepseek-flash pozostaje taki sam jak po premierze V4.1-Flash we wrześniu. Według cennika DeepSeek, cytowanego przez serwisy benchlm.ai i atoms.dev, w godzinach szczytu wynosi on 0,30 dolara za milion tokenów wejściowych i 1,20 dolara za milion tokenów wyjściowych, poza szczytem połowę tej kwoty. Trafienie w pamięć podręczną (cache hit) obniża koszt wejścia do 0,006 dolara za milion tokenów. Dla porównania, GPT-5.6 Sol kosztuje około 20 dolarów za milion tokenów wyjściowych.
Patrzę na tę tabelę i widzę dwa różne newsy. Pierwszy jest przewidywalny: DeepSeek znowu zbił cenę i znowu podał własne benchmarki, na których wygląda świetnie. Drugi jest ciekawszy i mniej wygodny dla zachodnich laboratoriów. W zadaniach agentowych, czyli tych, które faktycznie generują przychody z API, model z 16 miliardami aktywnych parametrów dogania albo wyprzedza Opus 5 przy koszcie kilkadziesiąt razy niższym. Jednocześnie w testach czystego rozumowania przepaść do Opusa nie zniknęła. To sugeruje, że „inteligencja” i „użyteczność w agentach” zaczynają się rozjeżdżać jako osobne osie konkurencji. Jeśli to się potwierdzi w niezależnych testach, pytanie dla firm nie brzmi już „który model jest najmądrzejszy”, tylko „ile zadań z mojego backlogu wymaga naprawdę najmądrzejszego modelu”. Podejrzewam, że dużo mniej, niż sugerują cenniki.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
DeepSeek sprzedaje dostęp do własnej wyszukiwarki za 0,75 dolara za tysiąc zapytań
Razem z modelem DeepSeek otworzył dla programistów dwa nowe punkty końcowe API: Search (wyszukiwanie w sieci) i Fetch (pobieranie treści pojedynczej strony jako Markdown). Oba działają na wewnętrznej wyszukiwarce firmy, która według komunikatu obsługuje setki milionów zapytań dziennie i indeksuje setki miliardów stron.
Warunki dostępu według dokumentacji DeepSeek:
- cena: 0,75 dolara za 1000 udanych zapytań, osobno dla Search i osobno dla Fetch,
- opłata tylko za zapytania, które zwróciły wynik; puste wyniki, błędy i przekroczenia czasu nie są liczone,
- limit: 5 zapytań na sekundę dla każdego z dwóch API, liczony na poziomie konta,
- obsługa operatorów
site:,lang:,after:,before:oraz wykluczeń, - do 50 wyników na zapytanie, każdy z oceną trafności i poziomem wiarygodności źródła.
Użytkownicy korzystający z DeepSeek przez Claude Code, Codex lub własny DeepSeek Harness już teraz trafiają w te API przez narzędzia po stronie serwera. Dla nich wywołania pozostają darmowe do 1 listopada 2026 r. (godz. 0:00 czasu pekińskiego), potem rusza naliczanie.
DeepSeek twierdzi, że jego wyszukiwarka filtruje spam SEO, manipulacje GEO (optymalizację pod systemy AI) i niskiej jakości treści generowane maszynowo. To deklaracja firmy, której nie da się dziś sprawdzić bez testów.
Architektura: 552 mld parametrów, pamięć podręczna 890 bajtów na token
Nowa wersja 1017 dziedziczy architekturę po DeepSeek-V4.1-Flash, opisaną w raporcie technicznym „DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression” (arXiv 2609.19969). Według raportu model ma 552 mld parametrów bazowych w architekturze Mixture-of-Experts, z czego podczas odczytu promptu aktywnych jest 8 mld, a podczas generowania 16 mld. Karta na Hugging Face podaje łączny rozmiar plików na 763 mld parametrów, co obejmuje również komponenty w różnych precyzjach numerycznych.
Najważniejszą innowacją jest kompresja pamięci podręcznej KV (key-value cache), czyli struktury przechowującej kontekst rozmowy w pamięci karty graficznej. DeepSeek zmniejszył ją do 890 bajtów na token, około czterokrotnie mniej niż w V4-Flash i 437 razy mniej niż w pierwszej generacji DeepSeek. Pamięć trwała, przechowywana na dyskach SSD między sesjami, została zredukowana ośmiokrotnie.
Dlaczego to ma znaczenie dla ceny? Przy oknie kontekstu 1 mln tokenów koszt obsługi długich sesji agentowych zależy głównie od pamięci, nie od mocy obliczeniowej. Mniejsza pamięć podręczna oznacza więcej równoległych użytkowników na tym samym sprzęcie. Model został wytrenowany na 45 bilionach tokenów danych multimodalnych i natywnie rozumie obrazy.
Zalecane parametry uruchomienia to temperatura 1,0, top_p 1,0, okno kontekstu 1 mln tokenów i co najmniej 256 tys. tokenów na odpowiedź. Wydanie nie zawiera szablonu czatu w formacie Jinja; zamiast tego DeepSeek publikuje referencyjną implementację w Pythonie oraz bibliotekę deepseek-recipe w języku Rust.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Co dalej: niezależne testy i pytanie o chińskie regulacje
Na dzień publikacji nie ma jeszcze niezależnych pomiarów DeepSeek-V4.1-Flash-1017. Wszystkie liczby w tym artykule pochodzą od producenta. Poprzednie modele DeepSeek zwykle wypadały w testach zewnętrznych nieco gorzej niż w materiałach firmy, choć różnice nie zmieniały ogólnego obrazu opłacalności.
The Decoder zwraca uwagę na szerszy kontekst: według doniesień z 16 października chiński rząd rozważa zaostrzenie zasad publikacji modeli z otwartymi wagami, a nawet blokowanie wydań systemów zaliczanych do dziesięciu najbardziej zaawansowanych na świecie. Jeśli takie przepisy wejdą w życie, przyszłe wersje DeepSeek mogą nie trafiać już na Hugging Face w dniu premiery. To na razie doniesienia medialne, nie decyzja regulatora.
Dla firm budujących na API DeepSeek aktualizacja jest bezbolesna: ten sam identyfikator modelu, ta sama cena, lepsze wyniki. Dla zespołów uruchamiających wagi lokalnie oznacza konieczność ponownego pobrania około 763 mld parametrów i aktualizacji narzędzi do kwantyzacji. W pierwszej dobie po premierze na Hugging Face pojawiło się już 41 wersji skwantyzowanych i 5 fine-tune’ów.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym karty modelu DeepSeek-V4.1-Flash-1017 na Hugging Face z dnia 17.10.2026, oficjalnego dziennika zmian DeepSeek API i dokumentacji Search & Fetch API, raportu technicznego DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression oraz The Decoder. Dane cennikowe API zweryfikowano w zestawieniach benchlm.ai i atoms.dev.
Cytat z komunikatu DeepSeek został zweryfikowany z oryginalnym anglojęzycznym wpisem firmy na X.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się niezależnych testów DeepSeek-V4.1-Flash-1017 oraz informacji o chińskich regulacjach dotyczących modeli z otwartymi wagami.
