Particle AI

Particle-1 — это токен-эффективная агентная модель для написания кода от Particle AI, дообученная на DeepSeek V4.1 Flash. Она подходит для задач разработки программного обеспечения, таких как работа с терминалом, изменения в кодовой базе и задачи по инженерии данных, и обучена выполнять их со значительно меньшим количеством токенов для рассуждений и вызовов инструментов, сохраняя точность, близкую к её базовой модели.

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.

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.