مدل DeepSeek V4.1 Flash به Cursor اضافه شد؛ کدنویسی هوشمند با هزینه کمتر از یک دلار

ابزار هوش مصنوعی Cursor مدل جدید DeepSeek V4.1 Flash را با چهار حالت تنظیم توان استدلال به بخش انتخاب مدل خود افزوده است. بر اساس ادعای بنچمارک CursorBench 4.0، تمامی سطوح این مدل روی مرز بهینگی هزینه قرار دارند. این دستاورد برای برنامه‌نویسانی که از ایجنت‌های هوشمند برای پروژه‌های بزرگ و چندفایلی استفاده می‌کنند، به معنای امکان تلاش‌ها و بازنویسی‌های بسیار بیشتر در ازای بودجه‌ای مشخص خواهد بود؛ به شرطی که نتایج داخلی این ابزار روی مخازن کد واقعی نیز تکرار شود.

این مدل جدید در بخش تنظیمات در مسیر Cursor Settings > Models قرار دارد و توسعه‌دهندگان می‌توانند برای هر بار اجرای ایجنت، یکی از چهار سطح توان پردازشی Low، Medium، High یا Max را متناسب با نیاز خود انتخاب کنند.

نمایش هزینه در چهار سطح پردازشی متفاوت

بنچمارک CursorBench 4.0 عملکرد ایجنت‌های کدنویسی را روی مسائل چندفایلی و پیچیده‌ای می‌سنجد که مستقیماً از نشست‌های واقعی کاربران در این ابزار استخراج شده‌اند. پرونده‌های آزمایشی این آزمون مواردی چون ویرایش، بازنویسی کد، عیب‌یابی، درک قصد برنامه‌نویس، مدیریت تسک‌ها و رعایت محدودیت‌های طراحی را در بر می‌گیرد. نتایج به‌دست‌آمده، کارکرد واقعی مدل را در محیط اختصاصی ایجنت Cursor به‌همراه ابزارها و پرامپت‌های ویژه آن ارزیابی می‌کند.

آمارهای منتشرشده نشان می‌دهند که حالت Medium حدود ۰٫۷ درصد امتیاز بالاتری نسبت به حالت High کسب می‌کند، هرچند ۱۳ هزار توکن بیشتر مصرف کرده و سه سنت گران‌تر تمام می‌شود. از سوی دیگر، حالت Max با پرداخت ۰٫۳۸ دلار بیشتر به ازای هر تسک، امتیاز مدل را ۲٫۸ درصد نسبت به حالت Low ارتقا می‌دهد. میانگین توکن‌های ذکرشده بیانگر کل مصرف ایجنت در یک چرخه کامل اجرای آزمون است و یک پرامپت منفرد ممکن است توکن‌های به‌مراتب کمتری مصرف کند.

زمانی می‌گوییم یک مدل به مرز بهینگی هزینه رسیده است که هیچ مدل رقیبی نتواند با همان هزینه یا کمتر، امتیازی بالاتر ثبت کند. بنابراین ادعای این پلتفرم مستقیماً به بهره‌وری اقتصادی در محیط آزمایشی و ساختار ایجنت‌های خودش اشاره دارد؛ در حالی که مدل‌های اختصاصی و پرچم‌دار بازار همچنان در امتیازات مطلق بالاتر قرار می‌گیرند.

امتیازات ایجنت؛ برگ برنده مدل جدید

تیم DeepSeek مدل V4.1 Flash را به‌عنوان مدلی پرسرعت با تاخیر کم برای کدنویسی و استفاده از ابزارها معرفی کرده است. در گزارش فنی این شرکت، مدل موفق به کسب امتیاز ۳۴۷۱ در بنچمارک Codeforces شده و از مدل‌های V4-Flash با امتیاز ۳۲۸۹ و V4-Pro با امتیاز ۳۳۴۸ پیشی گرفته است. بنچمارک Codeforces مهارت در برنامه‌نویسی رقابتی، انتخاب الگوریتم و پیاده‌سازی سریع کد در شرایط مسابقه را می‌سنجد.

آزمون Deep-SWE v1.1 انطباق ملموس‌تری با کار واقعی روی مخازن کد دارد. بر اساس گزارش DeepSeek، مدل V4.1 Flash به نرخ موفقیت ۷۴٫۲ درصدی در این آزمون دست یافته است، در حالی که نسخه قبلی V4-Flash رکورد ۵۴٫۴ درصد را ثبت کرده بود. جدول مقایسه‌ای این شرکت نشان می‌دهد که مدل Opus-5 به امتیاز ۷۴٫۰ درصد و مدل GPT-5.6 Sol به امتیاز ۷۳٫۰ درصد رسیده‌اند. شاخص‌های تک‌تلاشی (Pass@1) موفقیت کد را در همان تلاش اول ارزیابی می‌کنند.

• بنچمارک Terminal-Bench 2.1: کسب امتیاز ۹۰٫۶ در تسک‌هایی که نیازمند اجرای دستورات در محیط ترمینال هستند.
• آزمون GPQA Diamond: دقت ۹۰٫۹ درصدی در پاسخ‌گویی به پرسش‌های علمی در سطح تحصیلات تکمیلی.
• بنچمارک MathArena Apex: موفقیت ۶۵٫۶ درصدی در حل مسائل پیشرفته ریاضی در تلاش نخست.
• پنجره زمینه‌ای (Context Window): پشتیبانی از ۱ میلیون توکن ورودی.
• سرعت تولید خروجی: تولید حدود ۲۱۰ توکن در ثانیه در شرایط آزمایشی DeepSeek.

بنچمارک‌های ارائه‌شده از سوی شرکت‌های سازنده معمولاً از چارچوب‌ها، پرامپت‌ها، دسترسی‌های ابزاری و قواعد امتیازدهی متفاوتی بهره می‌برند. مقایسه بین مدل‌ها زمانی بیشترین ارزش و اعتبار را دارد که یک ارزیاب یکپارچه تمام مدل‌ها را تحت شرایطی کاملاً یکسان بسنجد؛ دقیقا همان هدفی که بنچمارک CursorBench برای مدل‌های موجود در محیط خود دنبال می‌کند.

توکن‌های ارزان؛ تفکیک هزینه‌ها و صورت‌حساب

تعرفه خام رابط برنامه‌نویسی (API) مدل DeepSeek حدود ۰٫۱۴ دلار به ازای هر یک میلیون توکن ورودی و ۰٫۲۸ دلار به ازای هر یک میلیون توکن خروجی اعلام شده است. این مبالغ به مراتب پایین‌تر از تعرفه API مدل‌های اختصاصی و تجاری بازار است و به‌کارگیری مدل را در سناریوهای پرحجم نظیر جستجوهای مکرر در مخزن کد، چرخه‌های مداوم تست و رفع باگ، و اجرای هم‌زمان چند ایجنت کاملاً توجیه‌پذیر می‌کند.

برآورد هزینه ۰٫۶۰ تا ۰٫۹۸ دلار برای هر تسک در Cursor بر پایه محاسبات بنچمارک استخراج شده و ممکن است با هزینه واقعی کاربران تفاوت داشته باشد. در خلاصه ارائه‌شده، نحوه تطبیق این ارقام با نرخ خام API شرکت DeepSeek، ترکیب توکن‌ها، سیستم حافظه پنهان، سربار عملکردی ایجنت، سقف طرح‌های اشتراکی یا پرداخت بر اساس مصرف به تفصیل مشخص نشده است. از این رو، تیم‌های توسعه باید داشبورد اختصاصی و شرایط پلن اشتراکی خود را مبنای پیش‌بینی بودجه قرار دهند.

انتخاب سطح پردازش بر اساس هزینه اعتبارسنجی

تعیین تنظیمات پیش‌فرض برای هر تیم باید بر اساس ارزیابی مستقیم در سطح مخزن کد صورت گیرد. شاخص‌های مفیدی همچون نرخ پذیرش تغییرات، نرخ قبولی در تست‌ها، زمان بررسی کد توسط همکاران، دفعات تلاش مجدد برای هر تسک، زمان پاسخ‌دهی و هزینه کل باید سنجیده شوند. ارزیابی مدل روی مجموعه‌ای کوچک از مسائل واقعی پروژه، عملکرد بومی را بسیار دقیق‌تر از جایگاه آن در لیدربوردهای عمومی آشکار می‌سازد.

نکاتی که در لیدربوردها به آن‌ها اشاره نمی‌شود

• موفقیت مدل همیشگی نیست: حالت Max در بنچمارک به امتیاز ۴۷٫۷ درصد رسیده است؛ یعنی بخش قابل توجهی از تسک‌ها همچنان با شکست مواجه می‌شوند. بنابراین استفاده از آن در محیط عملیاتی به تست‌های دقیق، بازبینی کد و قابلیت بازگشت تغییرات وابسته است.
• محدودیت‌های کار با پنجره زمینه طولانی: ظرفیت ۱ میلیون توکن صرفاً یک سقف تئوری است. کیفیت بازیابی اطلاعات، دقت توجه مدل در ورودی‌های بسیار حجیم، تاخیر و محدودیت‌های فنی خود نرم‌افزار تعیین می‌کنند که چه مقدار از این پنجره در عمل قابل استفاده خواهد بود.
• تأثیر فیلد استدلال بر یکپارچه‌سازی‌های سفارشی: نسخه‌های دارای قابلیت تفکر این مدل فیلدی به نام reasoning_content برمی‌گردانند. کلاینت‌های مستقیم API و سرویس‌های واسط باید این فیلد را به درستی مدیریت کنند، هرچند ادغام بومی در این ابزار نیاز به رابط‌های سفارشی را رفع کرده است.
• لزوم بررسی شرایط استقرار سازمانی: در معرفی بنچمارک، جزییاتی درباره محل نگهداری داده‌ها، مدت حفظ اطلاعات، دسترسی منطقه‌ای یا حریم خصوصی سازمانی مطرح نشده است. تیم‌هایی که با کدهای حساس کار می‌کنند باید پیش از پیاده‌سازی سازمانی این موارد را بررسی نمایند.
• وابستگی داده‌ها به گزارش سازندگان: این بنچمارک توسط توسعه‌دهندگان محیط و نتایج زیربنایی مدل توسط DeepSeek اعلام شده است؛ بنابراین ارزیابی‌های مستقل روی مخازن اختصاصی ارزش و اعتبار بیشتری برای تصمیم‌گیری نهایی دارند.

تیم‌هایی با حجم بالای استفاده از ایجنت‌ها و سیستم‌های خودکار اعتبارسنجی کد، بهترین توجیه اقتصادی را برای بهره‌گیری از مدل V4.1 Flash دارند. حالت Low امکان آزمایش‌های مکرر و بسیار ارزان را فراهم می‌کند، حالت‌های Medium و High برای پردازش‌های طولانی‌تر و روزمره مناسب هستند، و حالت Max هزینه بنچمارک را همچنان زیر یک دلار نگه می‌دارد. با این حال، اجرای آزمایش‌های نمونه روی پروژه‌های واقعی پیش از تغییر مدل پیش‌فرض ضروری خواهد بود.