Deepseek V4.1 Flash 1017 giảm chi phí cho tác nhân AI và mở API tìm kiếm

Công ty trí tuệ nhân tạo Trung Quốc Deepseek đã phát hành Deepseek-V4.1-Flash-1017, phiên bản cập nhật của mô hình ngôn ngữ nhẹ được thiết kế cho các tác vụ liên quan đến tác nhân (agent) và lập trình. Hiện có sẵn qua API và dưới dạng trọng số mở, mô hình này hứa hẹn tốc độ thực thi nhanh hơn và chi phí thấp hơn so với các phiên bản trước cũng như các đối thủ cạnh tranh quy mô lớn.

Chuyện gì đã xảy ra

Deepseek đã công bố mô hình mới trên các nền tảng riêng, Hugging Face và ModelScope. Công ty mô tả bản phát hành này là một sự cải thiện Pareto, nghĩa là nó mang lại hiệu suất tốt hơn mà không làm tăng chi phí, hoặc giảm chi phí mà không hy sinh hiệu suất. So với người tiền nhiệm trực tiếp, V4.1-Flash-1017 đạt điểm chuẩn cao hơn, tạo ra đầu ra ngắn gọn hơn và hoàn thành tác vụ nhanh hơn.

Bản cập nhật này được tinh chỉnh cụ thể cho các quy trình phát triển phần mềm end-to-end. Deepseek tuyên bố rằng mô hình hoạt động hiệu quả trong các môi trường như Deepseek Harness, Tencent CodeBuddy và WorkBuddy. Nó có khả năng xử lý các dự án phức tạp từ lập trình game đến mô hình hóa và thiết kế 3D. Mô hình cũng có thể tạo video giải thích ngắn gọn, một tính năng tương tự với các bản cập nhật gần đây từ những nhà cung cấp AI lớn khác.

Ngoài mô hình ngôn ngữ, Deepseek còn mở quyền truy cập công khai vào cơ sở hạ tầng tìm kiếm nội bộ của mình. Các API Search và Fetch mới cho phép các nhà phát triển tích hợp khả năng tìm kiếm web vào ứng dụng của họ. Những dịch vụ này được xây dựng dựa trên một công cụ tìm kiếm mà Deepseek khẳng định hiện đang xử lý hàng trăm triệu truy vấn mỗi ngày trên toàn thế giới.

Cách thức hoạt động

Đột phá kỹ thuật cốt lõi trong V4.1-Flash-1017 là phương pháp huấn luyện, được gọi là học tăng cường với phản hồi tự thân (RLSF). Học tăng cường truyền thống thường yêu cầu người đánh giá con người hoặc các mô hình thưởng riêng biệt để phán xét chất lượng đầu ra của AI. RLSF loại bỏ nút thắt cổ chai này bằng cách cho phép mô hình sử dụng điểm tin cậy nội bộ hoặc các đánh giá do chính nó tạo ra làm tín hiệu thưởng.

Cơ chế tự sửa lỗi này cho phép mô hình tinh chỉnh đầu ra trong giai đoạn hậu huấn luyện mà không cần giám sát bên ngoài. Bằng cách dựa vào các đánh giá của chính mình, mô hình học cách tạo ra mã ngắn gọn và chính xác hơn, điều này góp phần trực tiếp vào việc giảm mức tiêu thụ token và chi phí thấp hơn được báo cáo trong các bài kiểm tra chuẩn. Phương pháp này đặc biệt hiệu quả đối với các tác vụ đa bước, nơi mô hình phải lên kế hoạch và thực thi một chuỗi hành động, chẳng hạn như xây dựng một dự án phần mềm hoàn chỉnh từ đầu.

Chi tiết chính

• Deepseek-V4.1-Flash-1017 có sẵn dưới dạng mô hình trọng số mở trên Hugging Face và ModelScope, cũng như qua API.
• Mô hình sử dụng học tăng cường với phản hồi tự thân (RLSF) để cải thiện hiệu suất mà không cần người đánh giá con người.
• Trong các bài kiểm tra chuẩn nội bộ, nó vượt trội hơn Claude Opus 5, GPT 5.6-Sol, Kimi K3 và GLM 5.3 trong các tác vụ lập trình và tác nhân.
• Trên bài kiểm tra chuẩn DeepSWE, mô hình đạt điểm 77,0% với chi phí trung bình dưới $0,20 mỗi tác vụ.
• Các API Search và Fetch mới có giá $0,75 cho mỗi 1.000 lần gọi, với quyền truy cập miễn phí dành cho người dùng API cho đến ngày 31 tháng 10 năm 2026.
• Sự bất ổn về mặt quy định vẫn tồn tại, khi các báo cáo cho thấy chính phủ Trung Quốc có thể thắt chặt các quy tắc đối với các mô hình trọng số mở hàng đầu.

Tại sao điều này quan trọng

Đối với các nhóm kỹ sư xây dựng tác nhân AI, hiệu quả chi phí là một ràng buộc chính. Các quy trình làm việc của tác nhân thường liên quan đến nhiều lần gọi mô hình, truy xuất ngữ cảnh và tạo mã lặp đi lặp lại, điều này có thể nhanh chóng trở nên đắt đỏ với các mô hình lớn hơn. Tuyên bố của Deepseek rằng V4.1-Flash-1017 có thể xử lý các tác vụ này với chi phí dưới $0,20 mỗi lần chạy, so với $2–$10 của các đối thủ, gợi ý một sự thay đổi đáng kể trong kinh tế học của phát triển tự động. Nếu các thử nghiệm độc lập xác nhận những con số này, các mô hình nhỏ hơn có thể trở thành lựa chọn mặc định cho các tác nhân lập trình khối lượng lớn.

Việc phát hành các API Search và Fetch cũng hạ thấp rào cản cho việc xây dựng các ứng dụng AI dựa trên dữ liệu thực tế (grounded AI applications). Thay vì phụ thuộc vào các nhà cung cấp tìm kiếm của bên thứ ba hoặc xây dựng các crawler tùy chỉnh, các nhà phát triển giờ đây có thể kết nối vào cơ sở hạ tầng hiện có của Deepseek. Việc tích hợp này có thể giúp đơn giản hóa quá trình tạo ra các trợ lý nghiên cứu và công cụ truy xuất thông tin thời gian thực, đặc biệt khi kết hợp với khả năng suy luận chi phí thấp của mô hình Flash.

Tuy nhiên, bối cảnh địa chính trị thêm một lớp rủi ro. Các báo cáo chỉ ra rằng chính phủ Trung Quốc đang xem xét các quy định nghiêm ngặt hơn về việc phát hành các mô hình trọng số mở, có khả năng chặn những mô hình nằm trong top 10 hệ thống mạnh nhất. Mặc dù V4.1-Flash-1017 hiện đã có sẵn, việc phụ thuộc dài hạn vào hệ sinh thái này có thể đòi hỏi các kế hoạch dự phòng cho các nhóm ở ngoài Trung Quốc.

Bạn có thể làm gì

• Tải xuống các trọng số mở từ Hugging Face hoặc ModelScope để kiểm tra hiệu suất suy luận cục bộ.
• Kiểm tra chuẩn mô hình so với stack tác nhân hiện tại của bạn bằng khung DeepSWE hoặc các bài kiểm tra lập trình tương tự.
• Thử nghiệm các API Search và Fetch mới trước khi thời gian truy cập miễn phí kết thúc vào ngày 31 tháng 10 năm 2026.
• Tích hợp mô hình vào các môi trường được hỗ trợ như Deepseek Harness v0.2.1-rc.1 trở lên để tối ưu hóa hiệu suất.
• Theo dõi các diễn biến quy định liên quan đến việc xuất khẩu mô hình trọng số mở từ Trung Quốc để đánh giá rủi ro chuỗi cung ứng.
• Đánh giá khả năng tạo đầu ra ngắn gọn của mô hình nhằm giảm mức tiêu thụ token trong các pipeline sản xuất của bạn.