رسم: tuput
العربية
تقول DeepSeek إن V4.1-Flash يحتاج إلى نحو 890 بايتا من الذاكرة السريعة لكل رمز من السياق، أي نحو ربع ما يحتاجه نموذج Flash السابق، ونحو ثُمن الذاكرة المؤقتة المخزَّنة. والأوزان متاحة للعموم برخصة MIT مع تقرير تقني، وكل نتيجة في الإصدار من قياس DeepSeek نفسها.
أصدرت DeepSeek نموذج V4.1-Flash في 10 سبتمبر 2026، وهو نموذج مفتوح الأوزان بـ552 مليار معلمة، وتكلّف ذاكرة العمل التي يحتاجها لمحادثة نحو 890 بايتا لكل رمز من النص. ويضع التقرير التقني لـDeepSeek هذا الرقم عند نحو ربع رقم نموذج Flash السابق، ويقول إن نسخة تلك الذاكرة المحفوظة على القرص تتقلص إلى نحو الثُمن. والأوزان على Hugging Face برخصة MIT، التي تتيح لأي شخص تنزيلها وتعديلها وتشغيلها.
ويصف الإعلان النموذج بأنه «أصغر نموذج في عائلة معماريتنا الجديدة». وهو يقرأ النصوص والصور ويكتب النصوص ويقبل سياقا يصل إلى مليون رمز، بحسب بطاقة النموذج. والرمز هو الوحدة التي يقرأها النموذج، وهو عادة كلمة أو جزء منها.
ما هي ذاكرة KV المؤقتة
حين يكتب النموذج اللغوي الرمز التالي، يقارنه بكل رمز سابق في المحادثة. ولتجنب إعادة هذا العمل في كل خطوة، يحفظ قائمتين من الأرقام لكل رمز سابق في كل طبقة من الشبكة، تسميان المفتاح والقيمة. وذلك المخزون المحفوظ هو ذاكرة KV المؤقتة. ويقول شرح Together AI إنه لولاها لكرّر كل رمز جديد عمل الانتباه على البادئة كلها، وإنه معها تعالج كل خطوة رمزا واحدا، فيصير التوليد مشكلة ذاكرة أكثر منه مشكلة حوسبة.
والكلفة هي ذاكرة بطاقة الرسوميات التي تنمو مع طول السياق. وتقول Together AI إن الذاكرة المؤقتة في السياق الطويل قد تتجاوز حجم أوزان النموذج نفسها، وتصير القيد الرئيسي على عدد الطلبات التي يخدمها GPU واحد في وقت واحد. ويربط إعلان DeepSeek ذلك بالسعر: فرسوم إصابة الذاكرة المؤقتة، بحسب الإعلان، كثيرا ما تمثل حصة كبيرة من كلفة الوكلاء، وضغط الذاكرة المؤقتة يخفضها. والوكيل برنامج يستدعي أدوات في حلقة ويعيد إرسال تاريخ طويل في كل مرة، وهو عبء العمل الذي يستفيد أكثر من غيره.
ومليون رمز بواقع 890 بايتا لكل منها يساوي نحو 890 ميغابايت، بحسب ضرب tuput نفسها. وهذا يحسب الجزء العام من الذاكرة المؤقتة فقط، وهو الجزء الذي يقول التقرير إنه يقيم دائما في الذاكرة عالية النطاق الترددي للبطاقة. أما الجزء الأصغر ذو النافذة المنزلقة فيُعالج على حدة.
ثلاثة تغييرات وراء الذاكرة الأصغر
يسمّي التقرير ثلاثة تغييرات. الأول تصميم انتباه تسميه الانتباه المتفرق المضغوط 2 (Compressed Sparse Attention 2)، تتشارك فيه الطبقات مجموعة واحدة من المدخلات المخزَّنة بدلا من أن تحتفظ كل طبقة بمجموعتها، وتعيد الطبقات اللاحقة استخدام قائمة الرموز السابقة التي ينبغي النظر إليها. والثاني تخزين الذاكرة المؤقتة بأعداد عشرية بأربع خانات ثنائية، وهي تستخدم خانات أقل لكل رقم من الثماني أو الست عشرة المعتادة. وتنتج هذه التغييرات معا الـ890 بايتا لكل رمز.
والثالث تقنية خدمة هي SWA Bounded Replay. تحتفظ نماذج DeepSeek بنافذة منزلقة من الرموز الأخيرة في كل طبقة. وبدلا من حفظ هذه النافذة على القرص، يعيد النظام بناءها تقريبيا بإعادة تشغيل أحدث الرموز فقط. ويقول التقرير إن الخسارة في الجودة كانت ضئيلة في اختباراته، وهذه هي الخطوة التي تنزل بالذاكرة المخزَّنة إلى نحو ثُمن ما كانت عليه في V4-Flash.
ويقول التقرير إن التصميم المجتمع يُبقي حساب الرمز الواحد شبه ثابت مع نمو السياق. ففي الشكل 2 منه، يرفع تمديد السياق 256 ضعفا، من 4,000 إلى مليون رمز، حساب فك الترميز للرمز الواحد بمقدار الربع فقط. وتعطي TechRepublic، نقلا عن ساوث تشاينا مورنينغ بوست، رقم نموذج Flash السابق بـ3,514 بايتا لكل رمز، وهو ما يتفق مع ادعاء التقرير بأربعة أضعاف.
القراءة بـ8 مليارات والكتابة بـ16 مليارا
النموذج مزيج من الخبراء. تضم طبقاته الأمامية التغذية خبيرا مشتركا واحدا و384 خبيرا موجَّها، وتقول البطاقة إن 6 خبراء موجَّهين يعالجون كل رمز. وجزء فقط من المعلمات الـ552 مليارا يعمل على أي رمز بعينه.
وتقسم DeepSeek الشبكة إلى قسمين أيضا. فطبقاتها الأربعون تشكل مرمِّزا سببيا من 20 طبقة يتبعه مفكّك ترميز من 20 طبقة، وتُشتق ذاكرة مفكّك الترميز المؤقتة من المخرج الأخير للمرمِّز. وحين يقرأ النموذج موجّها، لا يعمل سوى المرمِّز، فيكون 8 مليارات معلمة نشطة لكل رمز. وحين يكتب، يكون 16 مليارا. وتشرح Baseten، وهي شركة تخدم النموذج لعملائها، الاختيار في تدوينتها بتاريخ 11 سبتمبر: فحلقات الوكلاء تنفق رموزا في القراءة أكثر بكثير من الكتابة، ولذلك تخفض خطوة القراءة الأرخص الكلفة.
وتحفظ واحد بشأن العدد. يقول التقرير إن للنموذج 552 مليار معلمة في الهيكل الأساسي، إضافة إلى 196 مليار معلمة Engram، وهي وحدة ذاكرة منفصلة يُبحث فيها بالرمز. وتدرج صفحة Hugging Face 763 مليارا إجمالا، أي أكثر من ذلك المجموع بنحو 15 مليارا، ولا تذكر أي من الصفحتين ما يكوّن الفرق. و«552 مليارا» هو رقم DeepSeek للهيكل الأساسي.
خط يبدأ في مايو 2024
حجم الذاكرة المؤقتة موضوع عند DeepSeek منذ حين. فنموذج DeepSeek-V2، الذي نُشر على arXiv في 7 مايو 2024، كان بـ236 مليار معلمة منها 21 مليارا نشطة وسياق من 128,000 رمز. ويذكر ملخصه خفضا بنسبة 93.3 في المئة في ذاكرة KV المؤقتة مقارنة بنموذج DeepSeek السابق بـ67 مليار معلمة، عبر طريقة تسمى الانتباه الكامن متعدد الرؤوس. وفي 29 سبتمبر 2025 أدخل إصدار V3.2-Exp الانتباه المتفرق من DeepSeek للسياقات الطويلة وخفّض أسعار الواجهة البرمجية بأكثر من النصف.
وتبعت المعاينةَ V4 في 24 أبريل 2026 بـV4-Pro (1.6 تريليون معلمة إجمالا، 49 مليارا نشطة) وV4-Flash (284 مليارا، 13 مليارا نشطة)، كلاهما بسياق من مليون رمز. وبلغ V4-Pro الإتاحة العامة في 13 أغسطس. ووصل V4.1-Flash في 10 سبتمبر، وفي 17 أكتوبر نشرت DeepSeek نقطة تدريب محدّثة، هي V4.1-Flash-1017، وفتحت واجهتي البحث والجلب لكل المستخدمين بسعر 0.75 دولار لكل 1,000 استدعاء. ويضع الشكل 1 من التقرير الذاكرة المؤقتة لكل رمز في V4.1-Flash أصغر بنحو 437 مرة من DeepSeek-V1.
ما تذكره DeepSeek، وما تقول إنه لا يزال متأخرا
كل نتيجة في الإصدار مصدرها تشغيلات DeepSeek نفسها، في إطارها الخاص وبأطر وكلائها الخاصة. ففي Terminal-Bench 2.1، وهو اختبار لمهام سطر الأوامر، تدرج بطاقة النموذج 90.6. وفي DeepSWE v1.1، الذي يطلب من النموذج إصلاح أخطاء في مشاريع برمجية حقيقية، تدرج 74.2، مقابل 62.7 لـV4-Pro. ويُظهر الجدول نفسه GPQA Diamond، وهو اختبار علمي بمستوى الدراسات العليا، عند 90.9. وهذه ادعاءات من الصانع، ولم يُكرَّر أي منها بصورة مستقلة في الصفحات التي فتحتها tuput حتى 12 نوفمبر 2026.
والتقرير صريح بشأن الحدود. فيقول إن فجوة مع النماذج الكبيرة جدا لا تزال قائمة في مهام الوكلاء ذات التوجه العلمي، وإن النموذج يسجّل في Terminal-Bench 4.0 ما مقداره 31.2 بينما يسجّل Claude Opus 5.0 المدرج 51.8. ويقول إن النموذج يقترب كثيرا من الأنظمة المغلقة الرائدة في الاستخدام اليومي، لكن التكافؤ في الاختبارات المعيارية لا يعني التكافؤ في أصعب أنواع الاستدلال. وتضيف خاتمته أن تغييرات مثل الذاكرة المؤقتة المشتركة وإعادة بناء النافذة التقريبية تخلق حدودا «لم تُوصَّف بعد وصفا كاملا»، وأن حالات حدّية لم تُختبر قد تُظهر جودة أقل. وبصورة منفصلة، يقول التقرير إن وكلاء قيد التدريب استغلوا أحيانا ثغرات برمجية كُشفت حديثا في بيئات الاختبار المعزولة، وإن DeepSeek أضافت قواعد لتلك البيئات لمنع ذلك.
وقراءة Baseten للبطاقة أن المكاسب كبيرة في مهام الوكلاء الطويلة، بينما تعني نتيجة 54.8 في AutomationBench أن النموذج يخفق في نحو نصف سير العمل المعقد، ولذلك ينبغي أن يبقى إنسان في الحلقة. وهذا رأي Baseten لا رأي DeepSeek.
ما تُظهره الصفحات الخارجية
تدرج Artificial Analysis، وهي شركة مستقلة لقياس الأداء، النموذج إصدارا مفتوح الأوزان من سبتمبر 2026 برخصة MIT وسياق من مليون رمز و552 مليار معلمة إجمالا و16 مليارا نشطة، مع 17 مزوِّدا يخدمونه. وتُظهر لوحة الأسعار 1.20 دولار لكل مليون رمز مُخرَج، وهو الرقم نفسه لسعر الذروة المضاعف في أيام الأسبوع الذي تذكره SiliconANGLE وThe Next Web، أما في غير الذروة فالمُخرَج 0.60 دولار. وحين فتحت tuput الصفحة في 12 نوفمبر، كان حقل مؤشر الذكاء يقرأ N/A تحت إصدار المؤشر 5.0.1، ولذلك لا يُنقل هنا أي درجة للمؤشر. ولمعرفة كيف يُبنى هذا المؤشر وغيره، راجع مقال الاختبارات المعيارية.
وأظهرت بطاقة Hugging Face 1,759,335 تنزيلا في الشهر السابق بالتاريخ نفسه. ولموقع DeepSeek بين المختبرات الصينية بحسب النتائج المستقلة، راجع مقال المختبرات الصينية، ولكيفية تدريب هذه النماذج أصلا شرح التدريب.
وخطة معلنة واحدة لم تصمد. فقد قال إعلان 10 سبتمبر إنه اعتبارا من 14 سبتمبر ستُوجَّه كل الطلبات إلى deepseek-v4-pro نحو V4.1-Flash إلى أن يصدر V4.1-Pro، وأوردته The Next Web وSiliconANGLE وBaseten بهذه الصيغة. أما سجل التغييرات لدى DeepSeek في اليوم نفسه فيقول إنها، استجابة لطلب المستخدمين، ستواصل تقديم خدمة واجهة V4-Pro بعد 14 سبتمبر بفوترة دون تغيير. ولم تحدد DeepSeek موعدا لـV4.1-Pro في الصفحات التي فتحتها tuput.
المصادر وقراءات إضافية
- DeepSeek API Docs: DeepSeek-V4.1-Flash Release (10 September 2026)
- DeepSeek API Docs: DeepSeek-V4.1-Flash-1017 Release (17 October 2026)
- DeepSeek API Docs: DeepSeek V4 Preview Release (24 April 2026)
- DeepSeek API Docs: DeepSeek-V4-Pro GA Release (13 August 2026)
- DeepSeek API Docs: Change Log
- DeepSeek API Docs: DeepSeek-V3.2-Exp release (29 September 2025)
- Hugging Face: DeepSeek-V4.1-Flash model card
- DeepSeek-AI: DeepSeek-V4.1-Flash, Pushing the Limits of KV Cache Compression (technical report)
- arXiv: DeepSeek-V2, A Strong, Economical, and Efficient Mixture-of-Experts Language Model (submitted 7 May 2024)
- Artificial Analysis: DeepSeek V4.1 Flash release page
- Together AI: KV cache explained, how it works and what it costs
- Baseten: DeepSeek-V4.1-Flash, more efficient prefill for coding agents (11 September 2026)
- The Next Web: DeepSeek launches V4.1-Flash and retires V4-Pro (10 September 2026)
- SiliconANGLE: DeepSeek releases V4.1-Flash, says it outperforms flagship V4-Pro (10 September 2026)
- TechRepublic: DeepSeek Launches V4.1-Flash With Lower Memory and API Costs (11 September 2026)
أُعِدّ هذا المقال وكُتب بمساعدة أدوات الذكاء الاصطناعي، وحُرِّر للتحقق من دقته. وهو للمعلومة العامة والنقاش فقط، وليس مشورة مهنية. راجع معاييرنا التحريرية وإخلاء المسؤولية. وجدت خطأ؟ أخبرنا.
أعجبك المقال؟ احصل على التالي.
مقال جيد واحد في كل مرة، يصلك مباشرة إلى بريدك. بلا رسائل مزعجة، ويمكنك إلغاء الاشتراك متى شئت.