DeepSeek V4.1 Flash, Arena Web Geliştirme Sıralamasında 1618 Puanla 24. Sırada

DeepSeek V4.1 Flash (Max), Arena Web Geliştirme sıralamasındaki güncel arama sonuçlarında 1618 puanla 24. sırada görünüyor.

Crypto Briefing, DeepSeek modelinin Arena Web Geliştirme sıralamasında 1670 puanla açık kaynaklı modeller arasında ilk, genel sıralamada ise 12. olduğunu bildirdi. Güncel arama sonuçlarında listelenen modelin adı DeepSeek V4.1 Flash (Max). Daha önce yayımlanan eski sürüm 1618 puanla 24. sıradaydı.

DeepSeek, V4.1 Flash’ı 17 Ekim’de 1017 sürümüne güncelledi. Hugging Face model kartında, şirketin kendi değerlendirmesine göre DeepSWE v1.1 puanının 74,2’den 77,0’a, Terminal-Bench 4.0 puanının 31,2’den 42,3’e ve Automation-Bench v1.0.6 puanının 54,8’den 60,5’e çıktığı belirtiliyor.

Arena Web Geliştirme sıralaması, kullanıcıların modellerin ürettiği sonuçları karşılaştırıp oy vermesiyle oluşturuluyor. Sıralama, ön yüz web geliştirme görevlerine yönelik tercihleri yansıtıyor; bu nedenle tüm kodlama alanlarında veya geliştirme ortamlarında aynı sonucun alınacağı anlamına gelmiyor.

Maliyet iddialarını ayrıca değerlendirmek gerekiyor. Crypto Briefing, DeepSeek modelinin Kimi K3 (Max)’ten yaklaşık 10 kat daha ucuz olduğunu aktardı. Ancak karşılaştırmada kullanılan iş yükü, token sayısı ve fiyatların hangi tarihte esas alındığı belirtilmedi.

DeepSeek API belgelerinde V4.1 Flash için yoğun saatlerde 1 milyon girdi token başına 0,30 dolar (yaklaşık 401 won), 1 milyon çıktı token başına 1,20 dolar (yaklaşık 1602 won) ücret veriliyor. Bu tarifeler tek başına gerçek kullanım maliyetleri arasındaki farkı kesinleştirmiyor.

DeepSeek, V4.1 Flash’ı 552 milyar parametreli bir uzman karışımı (MoE) modeli olarak tanımlıyor. Model, girdi işleme sırasında 8 milyar, çıktı üretirken 16 milyar parametreyi etkinleştiriyor ve 1 milyon token bağlam uzunluğuna sahip. Model ağırlıkları MIT lisansı altında yayımlandı.

Açık ağırlıkların indirilmesi, geliştiricilerin modeli kendi ortamlarında çalıştırmasına olanak tanıyor. Gerçek kullanım maliyeti ve performans, göreve ve çalıştırma ortamına göre değişiyor. Sonuçlar, açık ağırlıklı bir modelin belirli bir web geliştirme değerlendirmesinde kullanıcıların yüksek beğenisini kazandığını gösteriyor.