DeepSeek-এর নতুন V4.1-Flash মডেলটি কম খরচে আরও ভালো পারফরম্যান্স প্রদান করে, অন্যদিকে এর খোলা সার্চ API ডেভেলপারদের ওয়েব-সক্ষম AI এজেন্ট তৈরির জন্য একটি একীভূত এবং সাশ্রয়ী টুল সরবরাহ করে।
এআই দিয়ে তৈরি সারাংশ। প্রেক্ষাপট ও নির্ভুলতার জন্য মূল প্রতিবেদন দেখুন।
এটি ফিডে পাওয়া অংশবিশেষ। এটি সংক্ষিপ্ত বা প্রকাশকের মূল ভাষায় হতে পারে।
DeepSeek has just released DeepSeek-V4.1-Flash-1017, a new checkpoint of its V4.1-Flash model. It is live on the DeepSeek website, app and API. DeepSeek claims stronger scores, faster task completion and shorter outputs than the September V4.1-Flash release. The company calls it a Pareto improvement in performance and cost. Alongside it, DeepSeek opened its Search and Fetch APIs to every developer. For agent builders, that means a cheaper coding model plus a first-party web layer behind one API key. TL;aDR Size: 552B backbone parameters plus 196B Engram parameters. It activates 8B parameters per token in prefill and 16B in decode. Context is 1M tokens, with up to 384K output tokens. Runs on: DeepSeek API as deepseek-flash. September V4.1-Flash weights (763B parameters, FP8) are MIT-licensed on Hugging Face. Hardware requirements and 1017 weights: Not disclosed. Performance: Beats the previous V4.1-Flash on all 11 benchmarks DeepSeek reported, by 2.0 to 11.1 points. Best: 77.0 on DeepSWE v1.1, above Claude Opus 5 (74.0) in DeepSeek’s table. Worst: 42.6 on HLE without tools, versus 56.3 for Claude Opus 5. What is DeepSeek-V4.1-Flash-1017? DeepSeek-V4.1-Flash-1017 is an updated post-training checkpoint of DeepSeek-V4.1-Flash, served through the deepseek-flash model name. The architecture details below come from the V4.1-Flash technical report. DeepSeek team states that DeepSeek-V4.1-Flash-1017 uses reinforcement learning with self-feedback for end-to-end project work. Its examples run from game creation to 3D modeling. It is tuned for DeepSeek Harness, Tencent CodeBuddy and WorkBuddy. DeepSeek recommends DeepSeek Harness v0.2.1-rc.1 or later. How does the V4.1-Flash architecture work? V4.1-Flash is a multimodal Mixture-of-Experts model with 40 Transformer layers. They split into a 20-layer causal encoder and a 20-layer decoder. Causal Encoder-Decoder (CED): Decoder global KV is projected from the final encoder hidden states. This nearly halves prefill compu
উৎসের বিশ্বাসযোগ্যতা, শব্দ ও সত্তার ভিত্তিতে ১–১২ স্কেলে স্বয়ংক্রিয়ভাবে সাজানোর সহায়ক। উচ্চ: ৯–১২; মাঝারি: ৬–৮; নিম্ন: ১–৫। এটি জরুরিতা বা খবরের সত্যতা নির্ধারণ করে না এবং সম্পাদকীয় অনুমোদন নয়।
মিস্ট্রাল‑এর ভক্সট্রাল ৩ স্পিচ‑টু‑টেক্সট, টেক্সট‑টু‑স্পিচ এবং ভয়েস এজেন্ট ফিচারগুলোকে একটি একক API‑তে একত্রিত করে, যা রিয়েল‑টাইম ভয়েস অ্যাপ্লিকেশন ডেভেলপমেন্টকে সহজ করে।
Google-এর llm-d 1.0 Kubernetes-এ বড় পরিসরের AI ইনফারেন্স অপ্টিমাইজ করে, যা self-hosted agent এবং reinforcement learning workload-এর load-balancing সমস্যা সমাধান করে।
NVIDIA-এর নতুন জেনারেটিভ সিমুলেশন টুলটি বাস্তবসম্মত, AI-চালিত দৃশ্য তৈরি করে ক্লিনিক্যাল সার্জারি প্রশিক্ষণকে রূপান্তরিত করে, যা চিকিৎসা শিক্ষা ও সার্জিক্যাল দক্ষতা বৃদ্ধি করে।