DeepSeek ra mắt V4.1-Flash-1017, giảm mạnh chi phí cho các tác vụ lập trình bằng AI agent

Công ty trí tuệ nhân tạo DeepSeek của Trung Quốc vừa chính thức ra mắt DeepSeek-V4.1-Flash-1017, phiên bản nâng cấp của mô hình nhỏ gọn được thiết kế nhằm nâng cao hiệu năng trong các tác vụ lập trình và AI agent tự trị, đồng thời cắt giảm đáng kể chi phí suy luận (inference).

Người dùng hiện có thể tiếp cận mô hình này ngay lập tức qua trang web chính thức, ứng dụng và API của DeepSeek. Ngoài ra, DeepSeek cũng đã công bố các trọng số mở (open-weight) trên Hugging Face và ModelScope.

Huấn luyện bằng cơ chế tự phản hồi và hỗ trợ phát triển phần mềm toàn trình

So với thế hệ tiền nhiệm trực tiếp, DeepSeek-V4.1-Flash-1017 mang lại tốc độ xử lý nhanh hơn cùng các câu trả lời ngắn gọn, súc tích hơn. DeepSeek gọi bản phát hành này là một bước cải tiến Pareto khi tối ưu hóa thành công bài toán cân bằng giữa hiệu năng và chi phí tính toán.

Để có thể xử lý quy trình phát triển phần mềm toàn trình (end-to-end) từ con số 0, mô hình đã được huấn luyện bằng phương pháp Học tăng cường kết hợp tự phản hồi (RLSF - Reinforcement Learning with Self-Feedback). Với kỹ thuật hậu huấn luyện này, hệ thống sẽ tự đánh giá kết quả dựa trên điểm tin cậy nội bộ và các nhận xét phản biện do chính nó tạo ra, thay vì phải phụ thuộc vào người gán nhãn dữ liệu hay các mô hình thưởng (reward models) riêng biệt.

DeepSeek cho biết cơ chế này giúp củng cố khả năng tạo dựng dự án trọn vẹn ở nhiều trường hợp sử dụng khác nhau, bao gồm lập trình game, dựng mô hình 3D, xử lý tác vụ thiết kế và tạo các video giải thích ngắn dưới dạng hoạt ảnh. Mô hình cũng được tối ưu hóa cho nhiều môi trường lập trình như Tencent CodeBuddy, WorkBuddy và DeepSeek Harness (khuyến nghị sử dụng phiên bản v0.2.1-rc.1 trở lên).

Cải thiện điểm benchmark và hạ sâu chi phí vận hành

Trong các bài kiểm tra hiệu năng nội bộ, DeepSeek-V4.1-Flash-1017 đã vượt qua cả phiên bản tiền nhiệm lẫn các mô hình quy mô lớn hơn từ đối thủ, bao gồm Claude Opus 5, GPT 5.6-Sol, Kimi K3 và GLM 5.3 trên hàng loạt bài đo về lập trình và agent.

Đặc biệt, kết quả đầu ra súc tích hơn của mô hình đã trực tiếp giúp tiết kiệm chi phí trên bộ benchmark DeepSWE:

• Cấu hình cao nhất (Top Setting): Đạt số điểm 77,0% với mức chi phí trung bình chưa tới 0,20 USD cho mỗi tác vụ.

• Cấu hình thấp (Low Setting): Đạt độ chính xác 72,0% với chi phí khoảng 0,10 USD mỗi tác vụ.

• So với bản tiền nhiệm: Phiên bản V4.1-Flash trước đó đạt 74,2% với mức phí khoảng 0,50 USD cho mỗi lần chạy.

Ngược lại, các hệ thống cạnh tranh như GPT-6 Astra, Gemini 3.8 Flash và Claude Opus 5 có chi phí mỗi tác vụ dao động từ 2 USD đến hơn 10 USD trên cùng biểu đồ benchmark, nhưng vẫn chưa bắt kịp độ chính xác của mô hình nhỏ gọn này. Dù vậy, những chỉ số nội bộ này hiện vẫn chưa được các bên đánh giá độc lập kiểm chứng, và trải nghiệm thực tế của giới lập trình viên về chất lượng code có thể sẽ khác nhau.

Ra mắt API tìm kiếm web và thách thức từ chính sách

Cùng với đợt phát hành mô hình mới, DeepSeek cũng mở quyền truy cập hạ tầng tìm kiếm web độc quyền cho các lập trình viên thông qua bộ Search and Fetch API mới. Công cụ tìm kiếm nền tảng này hiện đã xử lý hàng trăm triệu lượt truy vấn mỗi ngày.

Các endpoint này có mức giá 0,75 USD cho mỗi 1.000 lượt gọi. Đáng chú ý, người dùng DeepSeek API có thể sử dụng miễn phí các tính năng này thông qua các công cụ phía máy chủ trên DeepSeek Harness, Claude Code và Codex cho đến 16:00 UTC ngày 31 tháng 10 năm 2026.

Dù ra mắt nhiều cập nhật ấn tượng, tương lai của việc phân phối mô hình trọng số mở tại Trung Quốc vẫn đang đối mặt với nhiều bất định. Nhiều báo cáo cho thấy chính phủ Trung Quốc đang cân nhắc siết chặt quy định hoặc có thể áp lệnh cấm phát hành các mô hình trọng số mở, trong đó sự giám sát đặc biệt nhắm vào các hệ thống thuộc top 10 mô hình AI mạnh nhất hiện nay.