DeepSeek V4.1-Flash-1017: أوزان بترخيص MIT وواجهة بحث بـ0.75 دولار، فما الذي يتغيّر للمطوّر؟

في 17 أكتوبر 2026 أعلنت DeepSeek عن تحديث جديد لعائلة V4.1 باسم DeepSeek-V4.1-Flash-1017. تصفه بطاقة النموذج على Hugging Face بأنه تحديث طفيف على V4.1-Flash، لكن الحزمة المرافقة له أكبر مما يوحي الوصف: أوزان بترخيص MIT، وسياق يصل إلى مليون رمز، وواجهتا بحث وجلب صفحات صارتا متاحتين للعموم بسعر موحّد. في هذا المقال نفصل ما أُعلن فعلاً، وما الذي لا تزال المصادر مختلفة حوله، وكيف تقرّر إن كان يستحق مكاناً في أدواتك.

ما الذي صدر بالضبط؟

الإعلان يتكوّن من ثلاثة أجزاء منفصلة، والخلط بينها شائع في التغطيات السريعة:

• نموذج محدّث: النسخة 1017 من deepseek-flash صارت تعمل خلف الواجهة البرمجية وتطبيق الويب والتطبيق المحمول. تقول الشركة إن الإخراج صار أقصر وتنفيذ المهام أسرع، مع بقاء طريقة الاستدعاء والتسعير كما هما.
• أوزان مفتوحة: المستودع والأوزان منشوران بترخيص MIT، وهو من أكثر التراخيص تساهلاً، ويسمح بالاستخدام التجاري والتعديل وإعادة التوزيع بشروط بسيطة.
• واجهتا Search وFetch: صارتا عامتين بسعر 0.75 دولار لكل ألف نداء ناجح، وهذا يعني أن النموذج يستطيع البحث في الويب وجلب الصفحات دون أن تبني أنت طبقة بحث خاصة.

الفصل بين هذه الأجزاء مهم لأن كلاً منها يخدم مستخدماً مختلفاً: من يدفع للواجهة البرمجية يهمّه السعر والسرعة، ومن يستضيف النموذج بنفسه يهمّه الترخيص والعتاد، ومن يبني وكيلاً يهمّه البحث المدمج.

الأرقام التقنية كما وردت

تتفق المصادر على الخطوط العامة وتختلف في بعض التفاصيل، لذلك نضع الأرقام مع مصدر الاختلاف حيث وجد:

البند	القيمة المعلنة
البنية	مزيج خبراء (MoE) متعدد الوسائط
المعاملات الأساسية	552 مليار معامل
المعاملات النشطة	8 مليارات في مرحلة القراءة و16 ملياراً في مرحلة التوليد
السياق	حتى مليون رمز
أقصى إخراج	384 ألف رمز
أوضاع التفكير	تفكير وبدون تفكير، بمستويات منخفض وعالٍ وأقصى
الترخيص	MIT

وتذكر بعض التحليلات تفاصيل داخلية مثل عدد الطبقات وعدد الخبراء الموجّهين، لكنها تأتي من مصادر ثانوية وليس من بطاقة النموذج نفسها. كما أن مستودع Hugging Face يعرض رقماً أكبر (763 ملياراً)، وتفسّره إحدى المراجعات بأنه نطاق حساب مختلف عن رقم 552 ملياراً. القاعدة الآمنة: اعتمد على بطاقة النموذج الرسمية، وتعامل مع أي رقم آخر على أنه تقدير.

الأرقام الكبيرة في عناوين النماذج تُغري بالمقارنة، لكن الذي يحدد كلفتك الفعلية هو ما يُنشَّط لكل رمز، لا ما يُخزَّن على القرص.

لماذا يهم رقم المعاملات النشطة؟

في نماذج مزيج الخبراء لا تعمل كل المعاملات مع كل رمز. يُوجَّه كل رمز إلى مجموعة صغيرة من الخبراء، فتكون الكلفة الحسابية أقرب إلى نموذج صغير بينما تبقى السعة المعرفية أقرب إلى نموذج كبير. هنا يعني الرقم 8 مليارات نشطة عند القراءة و16 ملياراً عند التوليد أن الاستدلال أخفّ بكثير مما يوحي رقم 552 ملياراً.

لكن هذا لا يعني أنك تستطيع تشغيله على جهاز عادي. فالأوزان كلها يجب أن تكون متاحة في الذاكرة أو قابلة للتحميل السريع، لأن الموجِّه قد يختار أي خبير في أي لحظة. لذلك يبقى متطلب الذاكرة عائقاً حقيقياً أمام الاستضافة الذاتية، حتى لو كانت كلفة الحساب لكل رمز معقولة. وتشير بعض المصادر إلى أن تفاصيل متطلبات العتاد لم تُعلن بوضوح مع نسخة 1017.

وتذكر الشركة تقنية تسمى SWA Bounded Replay تقلّص ذاكرة المفاتيح والقيم الدائمة إلى نحو ثُمن ما كانت عليه في V4-Flash. وهذا مهم للسياقات الطويلة تحديداً، لأن تلك الذاكرة هي ما ينمو مع طول المحادثة ويستهلك العتاد عند مليون رمز.

التسعير: أين الفرق؟

لم يتغيّر التسعير مع التحديث. الأسعار المعلنة للنموذج في وقت الذروة وخارجه كالتالي:

• خارج الذروة: 0.15 دولار لكل مليون رمز إدخال بلا تخزين مؤقت، و0.60 دولار لكل مليون رمز إخراج.
• وقت الذروة: 0.30 دولار للإدخال و1.20 دولار للإخراج.
• البحث والجلب: 0.75 دولار لكل ألف نداء ناجح.

مثال تقريبي: وكيل يُنفّذ ألف مهمة بحث في اليوم يدفع نحو 0.75 دولار للنداءات وحدها، إضافة إلى رموز النموذج. هذا رقم صغير، لكنه يتضاعف إن كان الوكيل يستدعي البحث عشر مرات في المهمة الواحدة. لذلك ضع سقفاً لعدد النداءات لكل مهمة منذ البداية.

ما الذي تقوله المقاييس؟

تنشر DeepSeek نتائج من اختباراتها الخاصة: 42.3 في Terminal-Bench 4.0 و77.0 في DeepSWE الإصدار 1.1. هذه أرقام مقدَّمة من الجهة المصنِّعة، ولم نرَ ما يؤكدها بتقييم مستقل حتى كتابة هذه السطور. تعامل معها كإشارة أولية لا كحكم نهائي، وأعد القياس على مهامك أنت: مستودعاتك، ولغاتك، وأسلوب مراجعتك.

والطريقة المعقولة لذلك أن تأخذ عشرين مهمة حقيقية سبق أن أنجزها فريقك، وتشغّلها على النموذج الجديد وعلى النموذج الذي تستخدمه الآن، ثم تقارن نسبة النجاح والزمن والكلفة. تكفي هذه التجربة الصغيرة لتعرف إن كان الانتقال يستحق العناء.

ملاحظات عملية قبل التجربة

التوافق مع الواجهات

تدعم الواجهة استدعاء الأدوات وإخراج JSON وواجهة Responses، إضافة إلى واجهة متوافقة مع صيغة Anthropic. هذا يخفّض كلفة التجربة، فقد تحتاج فقط إلى تغيير عنوان الخدمة واسم النموذج في أداتك الحالية.

غياب قالب المحادثة

تذكر المراجعات أن الأوزان تُشحن دون قالب Jinja للمحادثة، ما يعني أن من يستضيف النموذج بنفسه عليه أن يصيغ الأوامر وفق مرجع الترميز الذي توفّره DeepSeek. تجاهل هذه النقطة يؤدي عادة إلى مخرجات متدهورة يظنها المطوّر عيباً في النموذج.

إدارة نداءات البحث

إتاحة بحث مدمج تعني أن الوكيل قد يجلب محتوى من الويب ويدخله في سياقه. هذا يفتح باباً لحقن الأوامر عبر صفحات خبيثة، فتعامل مع كل ما يُجلب كبيانات غير موثوقة، ولا تمنح الوكيل صلاحيات حساسة في الجلسة نفسها.

سياسة البيانات

إن استخدمت الواجهة المستضافة فأنت ترسل بياناتك إلى مزوّد خارجي. راجع سياسة الخصوصية وحدود ما يمكن إرساله، خصوصاً الشيفرة المملوكة وبيانات العملاء.

لمن يناسب هذا الإصدار؟

• الفرق الصغيرة: سعر منخفض وواجهة متوافقة يجعلانه خياراً جيداً للتجارب وللمهام المتكررة.
• من يحتاجون ترخيصاً صريحاً: MIT يسهّل الاعتماد القانوني والتعديل والتوزيع.
• بناة الوكلاء: البحث والجلب المدمجان يختصران بناء الأدوات.
• أقل ملاءمة لمن لا يملك عتاداً كبيراً ويريد استضافة محلية كاملة.

أسئلة شائعة

هل الأوزان مفتوحة بالكامل فعلاً؟

بطاقة النموذج تذكر أن المستودع والأوزان بترخيص MIT. لكن الترخيص يغطي الأوزان والشيفرة المنشورة، ولا يعني بالضرورة إتاحة بيانات التدريب أو وصفة التدريب كاملة.

هل أستطيع تشغيله على جهازي؟

غالباً لا، إلا إذا كان لديك عتاد مخصص بذاكرة كبيرة. الاستدلال خفيف نسبياً لأن المعاملات النشطة قليلة، لكن تحميل الأوزان كلها يحتاج ذاكرة كبيرة.

هل هذه الأرقام مستقلة؟

لا. نتائج Terminal-Bench وDeepSWE المذكورة صادرة عن الشركة نفسها، وينبغي التحقق منها بتجربتك الخاصة.

الخلاصة

تقدّم DeepSeek-V4.1-Flash-1017 حزمة عملية: نموذج أسرع وإخراج أقصر، وأوزان بترخيص MIT، وبحث وجلب بسعر معلن. الجزء الأهم للمطوّر ليس رقم المعاملات في العنوان بل المعاملات النشطة والتسعير ومتطلب الذاكرة. جرّبه على عشرين مهمة من عملك، ضع سقفاً لنداءات البحث، وتعامل مع المحتوى المجلوب بحذر. بعد ذلك فقط قرّر إن كان مكانه في أدواتك اليومية.

المصادر: بطاقة النموذج على Hugging Face، MarkTechPost، AI Weekly، Kingy.ai