Morph

DeepSeek V4.1 Flash 1017 — это октябрьский 17, 2026 снапшот DeepSeek V4.1 Flash, предоставляемый DeepSeek под именем модели deepseek-flash API. V4.1 Flash — это разреженная модель смеси экспертов от DeepSeek, и первая, построенная на архитектуре компании Causal Encoder-Decoder (CED). Она активирует 8B параметров на входе и 16B на выходе из бэкбона с 552B параметрами, что является асимметричным разделением, которое сохраняет низкую вычислительную стоимость на токен относительно общего размера модели. Понимание изображений изначально присуще архитектуре: визуальные и текстовые эмбеддинги обучаются совместно с самого начала предварительного обучения, а не добавляются впоследствии, как в более ранней экспериментальной модели V4 Flash Vision Exp. Она подходит для агентов, работающих с кодом, терминалом и компьютером, а также для долгосрочных задач, которые должны выполняться до конца на протяжении многих шагов, и для анализа длинного контекста. Сжатое кэширование KV сокращает объём кэш-памяти примерно до четверти по сравнению с предыдущим поколением Flash, значительно снижая затраты на агентные нагрузки. DeepSeek позиционирует её как экономически эффективный уровень семейства V4.1 и сообщает, что она превосходит V4 Pro по производительности, скорости и времени выполнения задач.

Эта модель всегда перенаправляет на последнюю модель из семейства DeepSeek Flash.

DeepSeek V4.1 Flash — это разреженная модель смеси экспертов от DeepSeek и первая модель, построенная на архитектуре Causal Encoder-Decoder (CED) компании. Она активирует 8B параметров на входе и 16B на выходе из базовой модели с 552B параметрами; такое асимметричное разделение обеспечивает низкий объём вычислений на токен по сравнению с общим размером модели. Понимание изображений изначально присуще архитектуре: визуальные и текстовые эмбеддинги обучаются совместно с самого начала предварительного обучения, а не добавляются впоследствии, как в более ранней экспериментальной модели V4 Flash Vision Exp. Она подходит для агентов, работающих с кодом, терминалом и компьютером, а также для задач с длинным горизонтом, которые должны выполняться до конца на протяжении многих шагов, и для анализа длинного контекста. Сжатое KV кэширование сокращает объём кэш-памяти примерно до четверти по сравнению с предыдущим поколением Flash, значительно снижая затраты на агентных нагрузках. DeepSeek позиционирует её как экономичный уровень семейства V4.1 и сообщает, что она превосходит V4 Pro по производительности, скорости и времени выполнения задач.

Эта модель всегда перенаправляет на последнюю модель в семействе GLM Flash.

GLM-5.3-Flash — это нативная мультимодальная модель от Z.ai. Она подходит для эффективного программирования и долгосрочных агентных задач. Её гибридная архитектура разрежённого и линейного внимания сохраняет точное поведение при работе с длинным контекстом, одновременно снижая вычислительные накладные расходы.

Эта модель всегда перенаправляет на последнюю модель GLM от Z.ai.

GLM-5.3 — это крупномасштабная модель рассуждения от Z.ai, созданная для сложной разработки программного обеспечения и долгосрочных агентных задач. Она поддерживает ввод и вывод текста с контекстным окном в 1M токенов и превосходит GLM-5.2 в кодировании, а также в балансе между производительностью и эффективностью использования токенов. Рассуждение всегда включено и не может быть отключено. Поддерживаются уровни усилий рассуждения low, high и max; по умолчанию используется max.

Kimi K3 — это мультимодальная модель рассуждений с открытыми весами на 2.8T параметров от Moonshot AI. Она подходит для сложного программирования, работы со знаниями и длительных агентных сценариев, а особенно сильна в навигации по крупным репозиториям, использовании инструментов, отладке и итеративной работе с изображениями, логами, тестами и обратной связью от выполнения. В её архитектуре используются KDA и Attention Residuals для вычислительной эффективности.

GLM 5.2 — это крупномасштабная модель рассуждения от Z.ai. Она поддерживает ввод и вывод текста с контекстным окном в 1M токенов и подходит для долгосрочных агентных рабочих процессов, разработки программного обеспечения на уровне проектов и сложной многоэтапной автоматизации. Поддерживаются уровни усилий рассуждения high и xhigh; xhigh соответствует максимальному уровню рассуждения. Модель особенно сильна в написании кода и использовании инструментов в длительных задачах, способна сохранять инженерный контекст и последовательно следовать стандартам на протяжении всего цикла разработки — от требований до развертывания на нескольких платформах — в рамках одной задачи.

Эта модель всегда перенаправляет на последнюю модель семейства Kimi.

Модель высокоточной обработки Morph для сложных правок кода. ~4,500 токенов/сек с точностью 98% для точных преобразований кода. Модель требует, чтобы запрос был в следующем формате: {instruction} {initial_code} {edit_snippet} Для Morph включено нулевое хранение данных. Узнайте больше об этой модели в их документации.

Morph — самая быстрая модель для правок кода. ~10,500 токенов/сек с точностью 96% для быстрых преобразований кода. Модель требует, чтобы prompt был в следующем формате: {instruction} {initial_code} {edit_snippet} Нулевое хранение данных включено для Morph. Подробнее об этой модели в документации