أعلنت Fireworks AI الأسبوع الماضي عن نموذج DeepSeek‑V4.1‑Flash. ووفقًا لاختباراتها، يحقق النموذج دقة في البرمجة مماثلة لـGPT‑6 Astra، لكن بكلفة لا تتجاوز نحو واحد من خمسة عشر لكل مهمة. وتبلغ التكلفة المعلنة $0.43 لمهمة برمجة نموذجية في اختبار DeepSWE. وتقول الشركة إن انخفاض التكلفة يعود إلى بنية جديدة تفصل بين معالجة المدخلات والمخرجات، وإلى ذاكرة KV‑cache محسّنة تستهلك ذاكرة أقل.
كيف يخفض النموذج التكلفة
DeepSeek‑V4.1‑Flash نموذج مزيج من الخبراء (MoE) يضم 552 مليار مُعامِل. ويُفعّل 8 مليارات مُعامِل للمدخلات و16 مليارًا للمخرجات، بما يلائم نمط الرموز الذي تستخدمه وكلاء البرمجة: قراءة كميات كبيرة من الشيفرة وتوليد ترقيعات قصيرة نسبيًا. وفي اختبار DeepSWE، استهلك النموذج 36.9 مليون رمز إدخال و211 ألف رمز إخراج، بنسبة 174:1. وتستخدم ذاكرة KV‑cache الجديدة ربع ذاكرة النطاق الترددي العالي (HBM) وثُمن مساحة تخزين SSD مقارنةً بـDeepSeek V4 السابق، مع الحفاظ على معدل إصابة ذاكرة التخزين المؤقت عند 99.6٪ وخفض حصة الفاتورة الناجمة عن إصابات الذاكرة إلى 60٪.
نقاط القوة ومواطن التأخر
في اختبارات البرمجة (DeepSWE)، يضاهي النموذج Astra وGemini 3.8 Flash وClaude Opus 5 من حيث الجودة، إذ لا يتجاوز الفارق 0.7 نقطة في مقياس pass@1، لكنه أقل تكلفة بكثير. فهو أرخص 5.5 مرات من Gemini 3.8 Flash، و15 مرة من Astra، و28 مرة من Opus 5. وفي عبء عمل مختلف (Terminal‑Bench 2.1)، يستخدم النموذج رموز إخراج أكثر بأربع مرات من Astra، لكنه يظل أقل تكلفة بنحو 12 مرة إجمالًا. لكن في اختبار الاستدلال متعدد الوسائط Humanity’s Last Exam، سجل النموذج 34.52٪ مقابل 50.40٪ لـAstra، ما يشير إلى أداء أضعف في الاستدلال الأكاديمي البحت. وسيحقق «موجّه مثالي» يختار أفضل إجابة من النموذجين نتيجة تتفوق على Astra وحده بـ4.4 نقاط مئوية، ما يوحي بأن الجمع بين النماذج قد يكون مفيدًا.
كيفية الوصول إلى النموذج
تتيح Fireworks استخدام DeepSeek‑V4.1‑Flash عبر واجهة API بلا خوادم، كما توفر خيار سعة مخصصة لأعباء العمل الإنتاجية. وتعتزم الشركة توفير نقاط اتصال مستضافة في الولايات المتحدة للقطاعات الخاضعة للتنظيم قريبًا، وتخطط لدعم التدريب للمتبنين الأوائل.
لماذا يهم
بالنسبة إلى المطورين الذين ينشئون أدوات برمجة بمساعدة الذكاء الاصطناعي، يجعل النموذج الجديد تشغيل وكلاء متواصلين وكثيفي التكرار أقل تكلفة، فيحوّل الاستدعاءات المكلفة لمرة واحدة إلى عمليات خلفية زهيدة. أما الفرق التي تحتاج إلى استدلال قوي في مجالات أكاديمية، فقد تظل بحاجة إلى الجمع بين نماذج مختلفة، لأن أداء DeepSeek‑V4.1‑Flash أضعف في هذا النوع من المهام.
