DeepSeek: DeepSeek V4 Flash 0731

DeepSeek-V4-Flash-0731 to oficjalne wydanie DeepSeek-V4-Flash, zastępujące wersję zapoznawczą, z istotnie ulepszonymi zdolnościami agentowymi. Ma tę samą strukturę modelu co DeepSeek-V4-Flash-DSpark, tj. jest wyposażony w moduł spekulacyjnego dekodowania. DeepSeek-V4-Flash-0731 przewyższa DeepSeek-V4-Pro (Wersja zapoznawcza) w benchmarkach wymienionych poniżej, mimo znacznie mniejszej liczby aktywowanych parametrów, i jest szeroko konkurencyjny z najsilniejszymi dostępnymi modelami własnościowymi.

Benchmark	DeepSeek-V4-Flash-0731	DeepSeek-V4-Flash (Wersja zapoznawcza)	DeepSeek-V4-Pro (Wersja zapoznawcza)	GLM-5.2	Opus-4.8
Terminal Bench 2.1	82.7	61.8	72.1	81.0	85.0
NL2Repo	54.2	39.4	38.5	48.9	69.7
Cybergym	76.7	38.7	52.7	–	83.1
DeepSWE	54.4	7.3	12.8	46.2	58.0
Toolathlon-Verified	70.3	49.7	55.9	59.9	76.2
Ostatni egzamin agentów	25.2	15.8	16.5	23.8	25.7
AutomationBench Public	25.1	10.8	12.8	12.9	27.2
DSBench-FullStack †	68.7	37.0	41.8	61.8	71.6
DSBench-Hard †	59.6	25.8	31.1	54.5	71.7

1. W przypadku zadań agenta kodu wśród publicznych benchmarków powyżej, DeepSeek-V4-Flash-0731 jest oceniany w minimalnym trybie DeepSeek Harness (do wydania) jako framework agenta, używając poziomu wysiłku rozumowania max z temperature = 1.0, top_p = 0.95.

1. † DSBench-FullStack to wewnętrzny zestaw testów rozwoju pełnego stosu; DSBench-Hard to wewnętrzny zestaw testów trudnych problemów agentów kodujących. To wydanie nie zawiera szablonu czatu w formacie Jinja. Zamiast tego dostarczamy dedykowany folder encoding z skryptami Pythona i przypadkami testowymi demonstrującymi, jak kodować wiadomości w formacie zgodnym z OpenAI do ciągów wejściowych dla modelu oraz jak analizować tekstowe wyjście modelu. Proszę zapoznać się z folderem encoding w celu uzyskania pełnej dokumentacji. Parametr reasoning_effort obsługuje teraz trzy poziomy

• niski, wysoki i maksymalny — które kontrolują, ile czasu model poświęca na deliberację przed odpowiedzią. Spekulacyjne dekodowanie DSpark jest włączone za pomocą jednego flagi — dodaj –speculative-config z metodą: dspark do swojego polecenia uruchamiającego vLLM: `–speculative-config '{"method":"dspark","numspeculativetokens":7,"draftsamplemethod":"greedy"}'