DeepSeek Coder – model do kodu: jak wypada wobec płatnych i co dziś zastąpiło Codera

DeepSeek Coder to rodzina modeli do kodu z otwartymi wagami (od 1,3 do 33 mld parametrów) z lat 2023-2024, której DeepSeek nie rozwija już jako osobnej linii – 5.09.2024 scalił ją z modelem czatu w DeepSeek V2.5, a kod obsługują dziś ogólne modele DeepSeek V4 na licencji MIT, z najnowszym DeepSeek-V4.1-Flash-1017 z 17.10.2026.

Otwarte wagi to wytrenowane parametry modelu, które można pobrać i uruchomić na własnym sprzęcie, a licencja określa, co wolno z nimi zrobić. Następcy Codera (od DeepSeek V3-0324 po V4.1-Flash-1017) mają wagi na licencji MIT, a sam DeepSeek Coder i DeepSeek-Coder-V2 podlegają własnej Model License DeepSeek z listą zakazanych zastosowań w Załączniku A. W ocenie amerykańskiego instytutu NIST (zespół CAISI) DeepSeek V4 Pro rozwiązał 74% zadań SWE-Bench Verified wobec 79% u Claude Opus 4.6 i 81% u GPT-5.5. Zadanie wzorcowe (1 mln tokenów wejścia i 100 tys. wyjścia) kosztuje w deepseek-flash 0,21 USD wobec 3,00-6,00 USD u Claude Sonnet 5.5, GPT-6.1 Sol i Claude Opus 5.5, choć najtańsze płatne modele, Claude Haiku 5.5 i GPT-6 Luna, wychodzą po 0,15 USD (wyliczenie własne z cenników). Aplikacja i strona DeepSeek przechowują dane w Chinach, a Prezes UODO zaleca wobec usług DeepSeek „daleko idącą ostrożność”. Wagi uruchomione lokalnie to osobny przypadek, którego te dokumenty nie opisują. Wniosek redakcji w jednym zdaniu: DeepSeek do kodu ma sens tam, gdzie liczy się koszt tokenu, a dane nie są poufne albo model działa na twoim sprzęcie.

DeepSeek to tylko jeden z dostawców, a AI do programowania obejmuje dziś także edytory, takie jak Cursor i GitHub Copilot, oraz agentów w terminalu, każdy z własnymi planami i kosztem zespołu. Tu opisujemy jednego dostawcę w pełnej głębi: oś czasu, licencje, trzy klasy wyników, koszty API, uruchomienie lokalne, dane i tabelę decyzyjną.

Najważniejsze w skrócie:

1. Modelu „DeepSeek Coder V3” nie ma. Ostatnie wagi z „Coder” w nazwie DeepSeek opublikował 5.09.2024, a w odczytanych źródłach nie ma ani następcy, ani komunikatu o zakończeniu linii.
2. Wyniki pochodzą z trzech różnych klas źródeł: deklaracji DeepSeek, pomiarów niezależnych (CAISI, Artificial Analysis) i publikacji Codera z 2024 roku. Nie da się ich zestawić w jednej skali.
3. Tani token to jeszcze nie najtańsze zadanie. W naszym wyliczeniu Claude Haiku 5.5 i GPT-6 Luna kosztują mniej niż deepseek-flash.
4. Dane zależą od wariantu: aplikacja, API i wagi lokalne podlegają różnym dokumentom.

Czym jest DeepSeek Coder i czy nadal jest rozwijany?

DeepSeek Coder to seria modeli do kodu wytrenowanych od zera na 2 bln tokenów (87% kod, 13% tekst angielski i chiński) w rozmiarach od 1,3 do 33 mld parametrów, z oknem kontekstu 16K, opisana w publikacji z 25.01.2024 – a ostatni model z „Coder” w nazwie DeepSeek opublikował 5.09.2024.

Token to fragment tekstu (zwykle część słowa albo znak), w którym model liczy wejście i wyjście; tokenizacja w modelach AI dzieli tekst na takie fragmenty, zanim model zacznie obliczenia. Okno kontekstu to liczba tokenów, które model bierze pod uwagę naraz – w DeepSeek Coder 16 tys., czyli kilkanaście średnich plików kodu. Publikacja DeepSeek-Coder (arXiv 2401.14196) opisuje modele w wersjach Base (bazowa, do dalszego trenowania i uzupełniania kodu) i Instruct (dostrojona do poleceń), trenowane na korpusie kodu z poziomu całych projektów i 87 językach programowania. Według publikacji dane to 87% kodu, 10% angielskiego tekstu związanego z kodem i 3% chińskiego tekstu niezwiązanego z kodem, a README repozytorium podaje ten sam podział w skrócie: 87% kod, 13% język naturalny.

Oś czasu DeepSeek Coder i jego następców:

Repozytorium DeepSeek-Coder na GitHub ma pustą sekcję wydań, a ani ono, ani strona projektu, ani lista zmian API DeepSeek nie zawierają informacji o następcy linii ani o jej zakończeniu. Formalnego oświadczenia o wycofaniu nie ma – jest tylko fakt, że od 5.09.2024 nie ukazał się żaden model z „Coder” w nazwie, w tym „DeepSeek Coder V3”, którego nigdy nie opublikowano. Starsze wagi wciąż są w użyciu: DeepSeek-Coder-V2-Lite-Instruct ma według licznika Hugging Face ponad 600 tys. pobrań miesięcznie.

Czym było DeepSeek-Coder-V2 i dlaczego nazwa zniknęła z API?

DeepSeek-Coder-V2, opisany w publikacji z 17.06.2024 (wagi i API od 14.06.2024), to model Mixture-of-Experts (236 mld parametrów, 21 mld aktywnych; wariant Lite: 16 mld i 2,4 mld) z oknem 128K i 338 językami programowania, a 5.09.2024 DeepSeek połączył go z modelem czatu w DeepSeek V2.5, dostępnym przez oba dotychczasowe endpointy.

Mixture-of-Experts (MoE) to odmiana architektury Transformer, w której model składa się z wielu podsieci („ekspertów”), a dla każdego tokenu działa tylko część z nich – stąd zapis „236 mld parametrów, 21 mld aktywnych”. Według publikacji DeepSeek-Coder-V2 (arXiv 2406.11931) powstał przez dalsze trenowanie pośredniego punktu kontrolnego DeepSeek-V2 na dodatkowych 6 bln tokenów, co rozszerzyło obsługę języków programowania z 86 do 338, a okno kontekstu z 16K do 128K.

Lista zmian API DeepSeek z 5.09.2024 opisuje scalenie wprost: deepseek-coder i deepseek-chat zostały podniesione do DeepSeek V2.5, który łączy czat (V2-0628) i kod (Coder-V2-0724). Obie nazwy wskazywały odtąd ten sam model, żeby dotychczasowe integracje działały bez zmian, a w kolejnych wersjach API nazwa deepseek-coder już się nie pojawia.

Którego modelu DeepSeek użyć do kodu dziś?

Do kodu DeepSeek udostępnia dziś modele ogólne – DeepSeek-V4.1-Flash-1017 (17.10.2026, w API deepseek-flash) i DeepSeek-V4-Pro-0813 (13.08.2026, w API deepseek-v4-pro) – oba z oknem 1M tokenów i wagami na licencji MIT.

Różnic w liczbie parametrów między publikacjami a kartami modeli źródła nie wyjaśniają, więc podajemy obie wartości z podpisem. Nazwę deepseek-flash DeepSeek wprowadził 10.09.2026 razem z V4.1-Flash. Według cennika DeepSeek dawne nazwy deepseek-v4-flash i deepseek-v4-flash-vision-exp są nadal przyjmowane, ale odpowiadające im modele wycofano, a żądania obsługuje DeepSeek-V4.1-Flash-1017 po cenie Flash. W tym samym ogłoszeniu z 10.09.2026 DeepSeek zapowiedział, że utrzyma API DeepSeek V4 Pro także po 14.09.2026.

Modele ogólne DeepSeek po Coderze, z datami z listy zmian API:

• V2.5-1210 – 10.12.2024,
• V3 – 26.12.2024,
• R1 – 20.01.2025 (model rozumujący, opisany w tekście DeepSeek R1 – jak działa),
• V3-0324 – 24.03.2025, R1-0528 – 28.05.2025,
• V3.1 – 21.08.2025 (tryb z „myśleniem” i bez w jednym modelu), V3.1-Terminus – 22.09.2025,
• V3.2-Exp – 29.09.2025, V3.2 – 1.12.2025,
• V4-Pro i V4-Flash – 24.04.2026,
• V4.1-Flash – 10.09.2026, V4.1-Flash-1017 – 17.10.2026.

Według listy zmian API DeepSeek-V4.1-Flash-1017 skraca czas wykonywania zadań i długość odpowiedzi względem wersji z września, a DeepSeek zoptymalizował go m.in. pod DeepSeek Harness, Tencent CodeBuddy i WorkBuddy. To opis producenta, nie obietnica jakości – niezależnych pomiarów wersji 1017 w odczytanych źródłach nie ma. Karta modelu na Hugging Face zaleca temperaturę 1.0 i top_p 1.0 – parametr temperatura w modelach językowych steruje losowością doboru kolejnych tokenów, a top_p zawęża pulę kandydatów branych pod uwagę.

Na jakiej licencji działają modele DeepSeek do kodu?

Wagi DeepSeek Coder i DeepSeek-Coder-V2 podlegają własnej Model License DeepSeek (kod w repozytorium na MIT), która dopuszcza użycie komercyjne, ale zawiera listę zakazanych zastosowań i poddaje spory prawu Chińskiej Republiki Ludowej, a wagi modeli od DeepSeek V3-0324 do V4.1-Flash-1017 są na licencji MIT.

Model License DeepSeek (wersja 1.0, plik LICENSE-MODEL w repozytorium DeepSeek-Coder) zawiera warunki, których licencja MIT nie ma:

• Załącznik A zakazuje m.in. użycia modelu do celów wojskowych w jakiejkolwiek formie oraz do w pełni zautomatyzowanych decyzji, które niekorzystnie wpływają na prawa osoby.
• Sekcja 4a wymaga, żeby każdy model pochodny i dalsza dystrybucja zawierały te same ograniczenia jako wiążący warunek.
• Sekcja 6 stanowi, że DeepSeek nie rości sobie praw do wyników wygenerowanych modelem.
• Sekcja 7 zastrzega prawo DeepSeek do ograniczenia użycia modelu „remotely or otherwise”, czyli zdalnie lub w inny sposób.
• Sekcja 14 poddaje licencję prawu ChRL i wyłącznej jurysdykcji sądów w Hangzhou, gdzie DeepSeek ma siedzibę.

Publikacja DeepSeek-Coder nazywa tę licencję permisywną i pozwalającą na nieograniczone użycie komercyjne, ale sam tekst Model License zawiera ograniczenia sposobu użycia. Dlatego „otwarte wagi” to nie to samo co „open source”: dane i kod treningowy modeli DeepSeek nie są opublikowane w sprawdzonych źródłach. Licencje wag różnią się zresztą między wersjami także u innych dostawców, np. w modelach obrazu Stable Diffusion. Wniosek redakcji, nie porada prawna: dla firmy, która chce wbudować DeepSeek Coder w produkt, Model License to umowa z podmiotem chińskim, którą warto przeczytać z prawnikiem; modele na MIT tego problemu nie mają.

Jak DeepSeek wypada wobec płatnych modeli do kodu?

Nie ma jednego wyniku, który rozstrzyga porównanie: deklaracje DeepSeek, pomiary niezależne i wyniki DeepSeek Coder z 2024 roku to trzy różne klasy dowodów – w ocenie amerykańskiego instytutu NIST (CAISI) DeepSeek V4 Pro rozwiązał 74% zadań SWE-Bench Verified wobec 79% u Claude Opus 4.6 i 81% u GPT-5.5, a w indeksie Artificial Analysis V4.1-Flash zdobył 39 punktów wobec 51 u Claude Opus 5.

Benchmark to zestaw zadań z ustaloną metodą oceny, a harness (scaffolding) – program, który podaje modelowi zadanie, narzędzia i budżet tokenów. Ten sam model w innym harnessie dostaje inny wynik, dlatego przy każdej liczbie podajemy, kto ją zmierzył, czym i z jakim budżetem. Liczb z różnych benchmarków nie zestawiamy w jednej kolumnie, a wyników V4 Pro nie przenosimy na V4.1-Flash i odwrotnie.

Co twierdzi DeepSeek

Karta DeepSeek-V4.1-Flash-1017 podaje wynik 77,0 w DeepSWE v1.1 wobec 74,0 u Claude Opus 5, ale 42,3 w Terminal-Bench 4.0 wobec 51,8 – to deklaracje producenta, zmierzone jego harnessami.

Według karty DeepSeek mierzył Terminal-Bench 4.0 w harnessie Claude Code, a DeepSWE v1.1 w harnessie Mini-SWE-V2. Karta nie podaje wyników SWE-bench ani LiveCodeBench. Metryka ProgramBench na karcie nie jest objaśniona i nie jest tą samą liczbą co wskaźnik, który w wynikach benchmarku ProgramBench oznacza odsetek zadań, w których model przechodzi co najmniej 95% testów.

Co zmierzyli niezależni

CAISI (Center for AI Standards and Innovation w NIST) oceniło w kwietniu 2026 DeepSeek V4 Pro na dziewięciu benchmarkach i uznało go za najbardziej zdolny model z ChRL, opóźniony wobec czołówki o około 8 miesięcy, a Artificial Analysis daje DeepSeek V4.1-Flash 39 punktów w swoim indeksie (miejsce 9 na 120 modeli) wobec 51 u Claude Opus 5.

Wyniki CAISI w inżynierii oprogramowania (ocena opublikowana 1.05.2026):

CAISI zaznacza, że jego wyniki w SWE-Bench Verified są zwykle niższe niż u innych ewaluatorów, prawdopodobnie przez inne polecenia systemowe, scaffolding i budżet tokenów. Metoda w trzech zdaniach: zadania agentowe prowadził wbudowany agent ReAct z pakietu Inspect, z budżetem 500 tys. ważonych tokenów na zadanie SWE-Bench Verified i 1 mln w PortBench. DeepSeek V4 Pro działał na GPU H200 i B200 w chmurze z ustawieniami zalecanymi przez producenta, a CAISI odtworzył deklarowany przez DeepSeek wynik w GPQA-Diamond, żeby wykluczyć błędy konfiguracji. PortBench sprawdza przenoszenie narzędzi wiersza poleceń między językami programowania i nie jest publiczny – pełny opis CAISI zapowiada na później.

W ocenie CAISI DeepSeek V4 Pro wypada w zestawie tej instytucji podobnie do GPT-5, choć według danych DeepSeek dorównuje Opus 4.6 i GPT-5.4. Opóźnienie o około 8 miesięcy to wynik zbiorczy z pięciu dziedzin (cyberbezpieczeństwo, inżynieria oprogramowania, nauki przyrodnicze, rozumowanie abstrakcyjne, matematyka), a nie ocena samego kodu. Pod względem kosztu CAISI uznało V4 Pro za tańszy od GPT-5.4 mini w 5 z 7 benchmarków (od 53% taniej do 41% drożej), przy cenach z kwietnia 2026.

Indeks Artificial Analysis (Intelligence Index v4.3.2, 10 ewaluacji, m.in. Terminal-Bench 4.0 i SciCode, wariant z rozumowaniem):

To indeks ogólny, nie wyłącznie kodowy. CAISI to instytucja rządu USA oceniająca model chiński, a Artificial Analysis – firma niezależna od obu producentów. Żadna z nich nie oceniła w odczytanych źródłach wersji DeepSeek-V4.1-Flash-1017.

Co mówią wyniki DeepSeek Coder z 2024 roku

Publikacja DeepSeek-Coder z 25.01.2024 podaje dla wersji Instruct 33B 79,3% w HumanEval (Python) i 70,0% w MBPP wobec 76,2% i 70,8% u GPT-3.5-Turbo, ale niezależny benchmark LiveCodeBench ostrzega, że część modeli dobrze wypadających w HumanEval jest do niego przeuczona, a u DeepSeek Coder 33B Base stwierdza kontaminację.

Kontaminacja danych oznacza, że zadania z testu (albo ich rozwiązania) trafiły do danych treningowych modelu, więc wynik zawyża jego rzeczywiste umiejętności. Pass@1 to odsetek zadań rozwiązanych poprawnie za pierwszym podejściem.

README DeepSeek-Coder-V2 podaje dla wersji Instruct (Lite / pełny) HumanEval 81,1 i 90,2, MBPP+ 68,8 i 76,2 oraz SWE-Bench 0,0 i 12,7 – to wyniki producenta. Publikacja LiveCodeBench (arXiv 2403.07974) mierzy modele na zadaniach z LeetCode, AtCoder i CodeForces, datowanych według dnia publikacji, żeby oddzielić zadania sprzed i po zakończeniu treningu modelu. W wersji z 400 zadaniami autorzy ocenili 18 modeli bazowych i 34 modele instruct, a przy DeepSeek Coder 33B Base odnotowali spadek wyników na zadaniach opublikowanych po wydaniu modelu, co interpretują jako kontaminację.

Wyniki DeepSeek Coder z 2024 roku nie są porównywalne z wynikami DeepSeek V4 z 2026 roku: to inne benchmarki, inne wersje benchmarków i inne harnessy. Karty kolejnych modeli pokazują rosnące liczby – Coder-V2: SWE-Bench 12,7; V3: SWE Verified 42,0; V3.2: SWE-bench Verified 70 z gwiazdką, której karta nie objaśnia – ale to deklaracje producenta, a nie jedna skala.

Wniosek redakcji z trzech klas wyników: pomiary niezależne ustawiają DeepSeek V4 Pro za najlepszymi płatnymi modelami i w jednym pomiarze CAISI na poziomie modelu mini OpenAI (74% wobec 73% w SWE-Bench Verified), bez rozstrzygnięcia, który model lepiej napisze kod twojej firmy.

Ile kosztuje DeepSeek przez API na tle płatnych modeli?

API DeepSeek rozlicza tokeny: deepseek-flash (DeepSeek-V4.1-Flash-1017) kosztuje 0,15 USD za milion tokenów wejściowych i 0,60 USD za milion wyjściowych poza szczytem, a w szczycie (pn.-pt. 01:00-04:00 i 06:00-10:00 UTC) dwa razy więcej, więc zadanie wzorcowe z 1 mln tokenów wejścia i 100 tys. wyjścia kosztuje 0,21 USD, a u płatnych modeli w naszym zestawieniu od 0,15 do 15,00 USD.

Według cennika DeepSeek godziny szczytu nie obejmują weekendów ani chińskich świąt państwowych, a stawki poza szczytem to połowa stawek szczytowych. deepseek-v4-pro (DeepSeek-V4-Pro-0813) kosztuje poza szczytem 0,66 USD za milion tokenów wejściowych i 1,98 USD za milion wyjściowych. Oba modele mają okno 1M tokenów, maksymalnie 384K tokenów wyjścia oraz tryb z „myśleniem” (domyślny) i bez niego. DeepSeek zastrzega sobie prawo zmiany cen.

Koszt zadania wzorcowego – wyliczenie własne, działanie: 1 × cena wejścia + 0,1 × cena wyjścia (USD za milion tokenów), bez cache i rabatów, jako suma wielu żądań w stawkach standardowych:

Najtańszy w tabeli nie jest DeepSeek, tylko Claude Haiku 5.5 i GPT-6 Luna – cena tokenu nie mówi ani o jakości, ani o koszcie zadania. Modele z rozumowaniem generują różną liczbę tokenów na to samo zadanie: Artificial Analysis podaje dla DeepSeek V4.1-Flash koszt jednego zadania swojego indeksu 0,27 USD przy 250 mln tokenów wygenerowanych w całym teście, prawie dwa razy więcej niż mediana. Mocno obniża koszt cache kontekstu, czyli ponowne użycie tych samych tokenów wejściowych: w deepseek-flash tokeny trafione w cache kosztują poza szczytem 0,003 USD za milion. Subskrypcje narzędzi (Claude Code, Codex, edytory) liczy się inaczej niż tokeny – cena i limity Claude Code zależą od wybranego planu, podobnie jak koszty ChatGPT i API OpenAI.

Jak podłączyć DeepSeek do Claude Code i Codex?

Dokumentacja DeepSeek opisuje podłączenie jej modeli do Claude Code przez adres https://api.deepseek.com/anthropic i zmienne środowiskowe, przy czym nazwy modeli Claude są mapowane: modele zaczynające się od claude-opus trafiają do deepseek-v4-pro (rozliczanego po cenie V4 Pro), a claude-haiku i claude-sonnet do deepseek-flash.

Fragment konfiguracji dla Linux i macOS z dokumentacji DeepSeek:

export ANTHROPIC_BASE_URL=https://api.deepseek.com/anthropic
export ANTHROPIC_AUTH_TOKEN=<your DeepSeek API Key>
export ANTHROPIC_MODEL=deepseek-flash[1m]
export ANTHROPIC_DEFAULT_OPUS_MODEL=deepseek-flash[1m]

Pełna konfiguracja z dokumentacji DeepSeek kieruje także domyślne modele Opus, Sonnet i Haiku oraz subagentów na deepseek-flash; mapowanie claude-opus na deepseek-v4-pro zadziała, gdy narzędzie przekaże nazwę modelu Claude. Dokumentacja ostrzega, że wywołanie narzędzia wyszukiwania w sieci generuje dodatkowe żądania do modelu (koszt tokenów) oraz osobne opłaty Search API. Według cennika DeepSeek takie wywołania z DeepSeek Harness, Claude Code i Codex były bezpłatne do 1.11.2026 (00:00 czasu pekińskiego), a od tej daty Search i Fetch kosztują po 0,75 USD za 1000 udanych wywołań. Jako integracje dokumentacja DeepSeek wymienia też Codex, OpenCode, OpenClaw, Hermes, Reasonix, WorkBuddy/CodeBuddy, Qoder i własny DeepSeek Harness. Claude Code i OpenAI Codex są projektowane pod modele własnych producentów, a zgodności takiego użycia z warunkami Anthropic i OpenAI nie sprawdzaliśmy.

Autouzupełnianie kodu w edytorze (FIM)

FIM (fill-in-the-middle) to tryb, w którym model dostaje początek i koniec kodu i uzupełnia środek; API DeepSeek udostępnia go w wersji beta pod adresem https://api.deepseek.com/beta, z limitem 4K tokenów uzupełnienia, tylko w trybie bez „myślenia” (non-thinking), a lokalne modele DeepSeek Coder mają tokeny FIM opisane w README.

Przykład w dokumentacji DeepSeek używa modelu deepseek-flash, a jako wtyczkę do VS Code dokumentacja wskazuje Continue. W wagach DeepSeek Coder uruchomionych lokalnie FIM działa przez tokeny specjalne z README repozytorium: <｜fim▁begin｜> (przed początkiem kodu), <｜fim▁hole｜> (miejsce do uzupełnienia) i <｜fim▁end｜> (po końcu kodu). Konfigurację wtyczek opisuje ich dokumentacja; porównania z autouzupełnianiem płatnych edytorów nie robiliśmy.

Czy da się uruchomić DeepSeek Coder lokalnie i czego to wymaga?

Tak: DeepSeek Coder 6.7B Instruct to około 13,5 GB wag w BF16 (po kwantyzacji 3,8 GB według katalogu Ollama), DeepSeek-Coder-V2-Lite (16 mld parametrów, 2,4 mld aktywnych) to 8,9 GB w katalogu Ollama, ale pełny DeepSeek-Coder-V2 wymaga według README ośmiu kart po 80 GB w BF16, a najmniejsza kwantyzacja DeepSeek V4 Flash to według strony LM Studio co najmniej 156 GB pamięci RAM – wymagań VRAM żadna z kart nie podaje.

BF16 to format zapisu, w którym każdy parametr zajmuje 2 bajty. Kwantyzacja zapisuje parametry mniejszą liczbą bitów, co zmniejsza pliki kosztem części dokładności, a GGUF to format plików skwantyzowanych modeli używany m.in. przez llama.cpp, Ollama i LM Studio. VRAM to pamięć karty graficznej.

Wyliczenie własne, jako wniosek: 16 mld parametrów w BF16 to około 32 GB wag (2 bajty na parametr), więc DeepSeek-Coder-V2-Lite w pełnej precyzji nie zmieści się na karcie z 24 GB pamięci, a w wersji skwantyzowanej z katalogu Ollama (8,9 GB) – tak. Do pamięci na wagi dochodzi pamięć na kontekst, której karty również nie podają. Wymagań 156 GB nie przenosimy na wersję 1017: dotyczą V4 Flash z kwietnia i kwantyzacji ze strony LM Studio.

Polecenia z kart modeli i katalogu Ollama:

ollama run deepseek-coder:6.7b
ollama run deepseek-coder-v2
vllm serve "deepseek-ai/DeepSeek-V4.1-Flash-1017"
docker model run hf.co/deepseek-ai/DeepSeek-V4.1-Flash-1017

Karta DeepSeek-V4.1-Flash-1017 nie zawiera szablonu czatu w formacie Jinja, tylko referencyjną implementację formatu poleceń w Pythonie w folderze encoding, więc narzędzia, które oczekują gotowego szablonu, mogą wymagać dodatkowej konfiguracji. Karta DeepSeek-Coder-V2-Lite-Instruct podaje przykład uruchomienia przez vLLM, a katalog Ollama i strona LM Studio są dystrybutorami plików, nie producentem modelu. Uruchomienia DeepSeek Coder na własnym sprzęcie tego nie testowaliśmy, więc nie podajemy czasów generowania. Jak każda sztuczna inteligencja offline, wagi DeepSeek wymagają programu do uruchamiania, takiego jak vLLM, Ollama czy LM Studio.

Gdzie trafiają dane: aplikacja, API i wersja lokalna?

Polityka prywatności DeepSeek dla aplikacji i strony stwierdza, że dane osobowe są zbierane, przetwarzane i przechowywane w Chińskiej Republice Ludowej (aktualizacja z 10.02.2026), Prezes UODO zaleca w komunikacie z 6.02.2025 „daleko idącą ostrożność”, warunki API poddają umowę prawu ChRL i sądom w Hangzhou, a wag uruchomionych lokalnie żaden z tych dokumentów nie opisuje.

Administrator danych to podmiot, który decyduje o celach i sposobach przetwarzania danych osobowych i odpowiada za nie wobec osób, których dane dotyczą. Firma, która wysyła do API dane osobowe klientów, zwykle pozostaje ich administratorem i to ona odpowiada za zgodność narzędzi AI z RODO.

Umowy powierzenia przetwarzania danych w odczytanych warunkach API nie ma – jeśli firma jej potrzebuje, musi o nią zapytać DeepSeek, bo z samego braku w tekście nie wynika, że jej nie da się zawrzeć. Ryzyko rośnie, gdy pracownicy na własną rękę wklejają dane firmowe do narzędzi AI bez wiedzy działu IT. Dla zwykłego użytkownika czat DeepSeek to jedna z darmowych alternatyw dla ChatGPT, ale przechowywanie danych w Chinach dotyczy także jego.

Co mówią UODO i organy UE

Prezes UODO w komunikacie z 6.02.2025 zalecił daleko idącą ostrożność wobec aplikacji i innych usług DeepSeek, opierając się na wstępnych ustaleniach z polityki prywatności (dane mogą być na serwerach w Chinach, Chiny nie mają decyzji Komisji Europejskiej o odpowiednim poziomie ochrony), a włoskie Garante już 30.01.2025 nakazało ograniczenie przetwarzania danych użytkowników z Włoch.

To komunikaty i decyzje o usługach DeepSeek (aplikacji i stronie), nie o wagach uruchamianych lokalnie i nie o zakazie w całej UE. UODO zaznacza, że współpracuje w tej sprawie z innymi organami nadzorczymi, ale późniejszego wspólnego stanowiska Europejskiej Rady Ochrony Danych w odczytanych źródłach nie ma.

Bezpieczeństwo agentów i zachowanie modeli

Ocena CAISI z września 2025 dla starszych modeli DeepSeek (R1, R1-0528, V3.1) wykazała, że agenci oparci na R1-0528 byli średnio 12 razy bardziej podatni na przejęcie przez złośliwe instrukcje niż amerykańskie modele odniesienia, a modele DeepSeek powtarzały cztery razy więcej fałszywych lub wprowadzających w błąd narracji Komunistycznej Partii Chin – ocena DeepSeek V4 Pro z kwietnia 2026 tych obszarów nie obejmuje.

Trzy wartości z tej oceny, każda dla starszych modeli:

• przejęcie agenta – agenci na R1-0528 średnio 12 razy częściej wykonywali złośliwe instrukcje w symulowanym środowisku (np. wysłanie phishingu, uruchomienie złośliwego oprogramowania),
• jailbreak – R1-0528 odpowiedział na 94% jawnie złośliwych próśb przy popularnej technice obchodzenia zabezpieczeń, wobec 8% u modeli odniesienia,
• narracje KPCh – modele DeepSeek powtarzały ich cztery razy więcej niż modele odniesienia.

Nowsze modele, w tym V4 i V4.1, nie zostały w tym zakresie sprawdzone w odczytanych źródłach, więc tych wyników nie przenosimy na nie. Wniosek redakcji: agent z dostępem do repozytorium i terminala wymaga ograniczonych uprawnień, piaskownicy i przeglądu zmian przez człowieka niezależnie od dostawcy modelu.

Kiedy wybrać DeepSeek, a kiedy płatny model?

DeepSeek do kodu ma sens tam, gdzie liczy się koszt tokenu, a dane nie są poufne albo model działa lokalnie, natomiast tam, gdzie liczy się najwyższy wynik w niezależnych pomiarach albo kod klienta nie może opuścić UE, wybór sprowadza się do płatnych modeli lub do wag uruchomionych u siebie – to wniosek redakcji z danych w tekście.

Tabela decyzyjna (wniosek redakcji):

Żadna z tych rekomendacji nie jest rankingiem jakości – opisują, który wariant pasuje do warunków, a nie który model pisze lepszy kod.

FAQ

Źródła

• Models & Pricing, cennik API DeepSeek: stawki deepseek-flash (0,15/0,60 USD poza szczytem, 0,30/1,20 USD w szczycie) i deepseek-v4-pro (0,66/1,98 oraz 1,32/3,96 USD), cache 0,003 USD, godziny szczytu, wycofanie nazwy deepseek-v4-flash, Search i Fetch po 0,75 USD za 1000 wywołań
• Komunikat DeepSeek z 5.09.2024 o DeepSeek-V2.5: połączenie DeepSeek-V2-0628 i DeepSeek-Coder-V2-0724 w jeden model, czyli koniec Codera jako osobnej linii
• DeepSeek-V4.1-Flash-1017, karta modelu, Hugging Face: licencja MIT dla repozytorium i wag, wyniki deklarowane przez producenta (DeepSWE v1.1 77,0 wobec 74,0 u Claude Opus 5), przykłady uruchomienia przez vLLM i Docker
• CAISI Evaluation of DeepSeek V4 Pro, NIST: SWE-Bench Verified 74% wobec 79% (Claude Opus 4.6) i 81% (GPT-5.5), PortBench, opóźnienie wobec czołówki o około 8 miesięcy, zastrzeżenie o niższych wynikach CAISI
• Cennik API Anthropic: Claude Haiku 5.5 po 0,10/0,50 USD (żądania do 100 tys. tokenów), Sonnet 5.5 i Opus 5.5 w wyliczeniu kosztu zadania wzorcowego
• UODO zaleca ostrożność w korzystaniu z DeepSeek, Urząd Ochrony Danych Osobowych: komunikat z 6.02.2025 z zaleceniem „daleko idącej ostrożności” wobec aplikacji i usług DeepSeek

Ostatnia aktualizacja: 12 listopada 2026 · Zgłoś poprawkę