Das neue DeepSeek V4.1-Flash stellt größere KI-Systeme bei Codierungs- und Agentenaufgaben vor Herausforderungen.
Chinesisches KI-Startup DeepSeek freigegeben DeepSeek-V4.1-FlashDas Unternehmen beschreibt es als das kleinste Modell einer neuen Architekturfamilie. Die Markteinführung erfolgt zeitgleich mit den Vorbereitungen des Unternehmens auf einen Börsengang am Shanghaier Technologie-Markt STAR Market.
Das multimodale Modell basiert auf einem Mixture-of-Experts-Backbone mit 552 Milliarden Parametern und unterstützt Kontexte von bis zu einer Million Token. Sein Hauptvorteil liegt in der Effizienz, nicht in der schieren Größe. Die kausale Encoder-Decoder-Architektur von DeepSeek unterteilt 40 Transformer-Layer in separate 20-lagige Codierungs- und Decodierungsstufen. Dadurch werden nur acht Milliarden Parameter pro Eingabe-Token und 16 Milliarden pro generiertem Token aktiviert.
Die Architektur ist für eingabeintensive agentenbasierte Aufgaben konzipiert, bei denen die Verarbeitung großer Dokumente, Codebasen oder Gesprächsverläufe die Rechenkosten dominieren kann. DeepSeek gab an, dass die SWA Bounded Replay-Methode die Notwendigkeit beseitigt, ausgewählte Aufmerksamkeitszustände auf einem Solid-State-Speicher zu speichern, wodurch der Speicherbedarf des persistenten KV-Cache auf etwa ein Achtel desjenigen von DeepSeek-V4-Flash reduziert wird.
Ein verwandtes Compressed Sparse Attention 2-System weist statische Aufmerksamkeitsmodi über verschiedene Schichten hinweg zu und verwendet ausgewählte Aufmerksamkeitsindizes wieder. In Kombination mit FP4-formatiertem Key-Value-Caching reduziert es den globalen KV-Cache-Bedarf auf 890 Byte pro Token, etwa ein Viertel des vorherigen Flash-Modells. Das Modell integriert außerdem bedingten Speicher und spekulative Dekodierung und verwendet einen gemeinsamen und 384 gerouteten Experten pro MoE-Schicht.
Wettbewerbsfähige Ergebnisse in den Bereichen logisches Denken, Codierung und Agenten
DeepSeek trainierte V4.1-Flash von Grund auf mit 45 Billionen multimodalen Tokens, darunter Bilder, die von Beginn des Vortrainings an nativ zusammen mit Text verarbeitet wurden. Das Sparse-Attention-Training begann bei 64,000 Tokens, bevor die Kontextlänge bei 34 Billionen Tokens auf eine Million erweitert wurde. Nach dem Training wurden überwachtes Feintuning, Reinforcement Learning und On-Policy-Destillation kombiniert, wobei der Reasoning-Aufwand von 1 bis 100 konfigurierbar war.
Benchmarks belegen eine starke Leistung im Vergleich zu deutlich größeren Modellen. Die Basisversion erzielte 74.1 Punkte bei MMLU-Pro, 79.4 Punkte bei HumanEval und 93.0 Punkte bei GSM8K, verglichen mit 73.5, 76.8 und 92.6 Punkten beim DeepSeek-V4-Pro-Base. Bei maximaler Rechenlast erreichte V4.1-Flash 90.6 Punkte bei Terminal-Bench 2.1 und 74.2 Punkte bei DeepSWE v1.1 und liegt damit leicht vor den führenden Modellen Opus und [Name des zweiten Modells fehlt]. GPT Es basierte auf den Benchmarks dieser Agenten. Außerdem erzielte es eine Codeforces-Bewertung von 3,471 Punkten und erreichte das beste Ergebnis auf MathArena Apex.
Die Ergebnisse sind nicht durchgängig überzeugend. V4.1-Flash blieb bei GPQA Diamond, Humanity's Last Exam und SimpleQA hinter den größten Vergleichsmodellen zurück. Auch bei den neueren Terminal-Bench-Tests 3.0 und 4.0 schnitt es schlechter ab als Opus-5.0, obwohl es gegenüber früheren DeepSeek-Modellen deutliche Verbesserungen darstellte.
Die multimodale Leistungsfähigkeit umfasste 56.5 Punkte bei MMMU-Pro, 77.9 Punkte bei CVBench und 95.6 Punkte bei DocVQA. Mit aktivierten Agententools erzielte das Modell 78.9 Punkte bei Chartography und 89.6 Punkte bei BabyVision.
Disclaimer
Im Einklang mit der Richtlinien des Trust-ProjektsBitte beachten Sie, dass die auf dieser Seite bereitgestellten Informationen nicht als Rechts-, Steuer-, Anlage-, Finanz- oder sonstige Beratung gedacht sind und nicht als solche interpretiert werden sollten. Es ist wichtig, nur so viel zu investieren, wie Sie sich leisten können, zu verlieren, und im Zweifelsfall eine unabhängige Finanzberatung einzuholen. Für weitere Informationen empfehlen wir einen Blick auf die Allgemeinen Geschäftsbedingungen sowie die Hilfe- und Supportseiten des Herausgebers oder Werbetreibenden. MetaversePost ist einer genauen, unvoreingenommenen Berichterstattung verpflichtet, die Marktbedingungen können sich jedoch ohne Vorankündigung ändern.
Über den Autor
Alisa, eine engagierte Journalistin bei der MPost, ist spezialisiert auf Krypto, KI, Investitionen und das weitreichende Gebiet von Web3. Mit einem scharfen Blick für neue Trends und Technologien liefert sie eine umfassende Berichterstattung, um die Leser über die sich ständig weiterentwickelnde Landschaft des digitalen Finanzwesens zu informieren und einzubeziehen.
Weitere Artikel
Alisa, eine engagierte Journalistin bei der MPost, ist spezialisiert auf Krypto, KI, Investitionen und das weitreichende Gebiet von Web3. Mit einem scharfen Blick für neue Trends und Technologien liefert sie eine umfassende Berichterstattung, um die Leser über die sich ständig weiterentwickelnde Landschaft des digitalen Finanzwesens zu informieren und einzubeziehen.
