DeepSeek V4 Flash 0731: ARC-AGI-1-də 89%, ARC-AGI-2-də 61,4%

Dörd düşünmə səviyyəsi üzrə təsdiqlənmiş nəticələr

ARC Prize, DeepSeek-in 2026-cı il iyulun 31-də buraxdığı DeepSeek V4 Flash 0731 modeli üçün təsdiqlənmiş nəticələri dərc edib. Maksimum düşünmə səviyyəsində model ARC-AGI-1 Semi-Private dəstində 89,0%, ARC-AGI-2 Semi-Private dəstində isə 61,4% toplayır; tapşırıq başına xərc uyğun olaraq 0,02 və 0,04 dollardır.

Nəticələr modelə ayrılan düşünmə büdcəsindən asılıdır. "High" rejimində o, ARC-AGI-1-də 87,0%-ə, ARC-AGI-2-də 56,0%-ə çatır; "Low" rejimində isə 84,0% və 46,0%. Düşünmə tamamilə söndürüldükdə göstəricilər 11,8% və 2,1%-ə düşür.

Tapşırıq səviyyəsində bölgü

Nəticələr səhifəsində ARC-AGI-2-nin açıq qiymətləndirməsi (Public Eval) ayrı-ayrı tapmacalar səviyyəsinə qədər açılır: 120 tapşırığın hər biri üçün dörd variantda keçdi/keçmədi işarələri göstərilir. Mənzərə bərabər deyil — bəzi tapşırıqlar yalnız maksimum səylə həll olunur, digərləri isə heç bir rejimdə həll edilmir. Model üçün ARC-AGI-3 nəticələri göstərilmir.

Bu fərq nə üçün vacibdir

ARC-AGI təlim məlumatlarını xatırlamağı deyil, yeni tapmacalar üzərində mücərrəd düşünməni ölçmək üçün hazırlanıb və meyarın ikinci buraxılışı birincidən qəsdən daha çətindir. "None" və "Max" sətirləri arasındakı fərq — ARC-AGI-2-də 2,1%-ə qarşı 61,4% — nəticənin nə qədərinin nəticə çıxarma anındakı düşünmədən, nə qədərinin isə modelin əsas imkanlarından gəldiyini birbaşa göstərir. Xərc də hekayənin bir hissəsidir: ARC-AGI-2 tapşırığı üçün 0,04 dollar güclü nəticəni adi təcrübə büdcələrinin əhatəsinə salır.