Почему DeepSeek V4.1 Flash отвечает по-разному в разных клиентах

Одинаковая подпись DeepSeek V4.1 Flash в двух инструментах для разработки ещё не означает, что они отправили одинаковый запрос. Сначала сравните провайдера, фактический идентификатор модели, протокол, настройки рассуждений, сообщения и определения инструментов. Только после этого можно разбирать, почему один клиент дал худший результат. Этот порядок полезен при сравнении прямого API с агентом или при переносе проекта между клиентами.

Метод основан на документации, проверенной 14 сентября 2026 года. Платного сравнения моделей мы не проводили; таблицы ниже не содержат измеренных оценок. Даже одинаковые входные данные могут дать разные ответы: проверка запросов помогает отделить переменные, но не гарантирует детерминированность.

Установите, какой маршрут и какая модель использовались

В объявлении DeepSeek указан API-идентификатор deepseek-flash и описан переход старого маршрута deepseek-v4-pro 14 сентября. Сохранённый псевдоним может остаться прежним, хотя модель за ним изменилась. Запишите дату проверки и идентификатор из ответа, если провайдер его раскрывает.

Прямой запрос к DeepSeek, маршрут агрегатора и сторонний совместимый endpoint — разные подключения. Их эквивалентность нельзя установить по меню выбора модели. Подключение разобрано в инструкции по API DeepSeek V4.1; здесь рассматривается уже работающее соединение с отличающимся поведением.

Сравнивайте действующие настройки рассуждений

Документация thinking mode описывает параметры разных интерфейсов. В Chat Completions используются thinking и reasoning_effort, в Responses — reasoning.effort. Не переносите поле между протоколами: успешный HTTP-ответ не доказывает, что настройка применена.

Сейчас DeepSeek указывает включённые рассуждения с уровнем high по умолчанию. Клиент может заменить значение, не отправить его или преобразовать. Некоторые параметры семплирования в thinking mode игнорируются. Поэтому temperature=0 не доказывает эквивалентность настроек и не обещает одинаковых ответов.

Документация совместимости с Anthropic отдельно перечисляет игнорируемые поля, включая thinking.budget_tokens и top_k. Большой бюджет на экране клиента не обязательно становится большим бюджетом у провайдера. Проверяйте преобразование для своего маршрута.

Учитывайте задачу целиком, включая скрытый контекст

Один API-промпт и сессия агента — разные эксперименты. Агент может добавить инструкции репозитория, системный промпт, фрагменты файлов, сводку истории и схемы инструментов. Ограничения на чтение файлов и выполнение команд тоже меняют результат без изменения весов модели.

Создайте новую диагностическую сессию на временной копии небольшого проекта. Сохраните одинаковые входные файлы и письменный критерий приёмки. Не сравнивайте длинную сессию после сжатия истории с новой сессией, в которой исходная задача доступна целиком. Отметьте усечение и компакцию: видимое окно чата не обязательно показывает весь отправленный контекст.

Логи запросов храните локально. Перед публикацией отчёта удалите учётные данные и приватное содержимое файлов. Для диагностики нужны структура и проблемное поле, а не весь закрытый репозиторий.

Выполнение инструментов влияет на итог

Один клиент запускает тесты, другой ждёт разрешения, третий показывает лишь краткую ошибку исполнения. Сравните имена инструментов, аргументы, ошибки и передачу результатов модели.

В thinking-сценариях DeepSeek соблюдайте требования к сохранению reasoning_content. Адаптер, удаляющий обязательную историю, не создаёт эквивалентный эксперимент. Это отдельный механизм, не подписи thinking-блоков Claude. Пути подключения описаны в инструкциях для Codex и Claude Code.

Проведите небольшое воспроизводимое сравнение

Выберите проверяемую задачу: например, изменение парсера с фиксированными локальными тестами. Не меняйте снимок репозитория, промпт и критерии. Если решите оплатить инференс, выполните несколько попыток на каждом маршруте; одного удачного ответа недостаточно для выбора победителя.

Меняйте одну переменную: сначала маршрут, затем уровень рассуждений, затем контекст и инструменты. Одновременное изменение нескольких полей не позволяет понять причину улучшения. Общее время включает работу клиента и инструментов; это не обязательно задержка самой модели.

Когда вывод остаётся неопределённым

Если шлюз не раскрывает фактически выбранную модель или клиент не экспортирует фактический запрос, явно запишите ограничение. Можно сравнить пользовательский опыт целиком, но нельзя назвать это контролируемым тестом модели. Разное количество токенов само по себе не доказывает подмену квантованной версией.

При совпадающих запросах повторите задачу и оцените распределение удач и ошибок. Если один клиент ломается после вызова инструмента, сохраните минимальную проблемную последовательность, версию и request ID для обращения к разработчику. Узкий воспроизводимый пример полезнее обвинений в ухудшении модели.

Частые вопросы

Одинаковое имя модели гарантирует одинаковое поведение?

Нет. Маршрут, настройки, инструкции, история и инструменты могут отличаться. Даже эквивалентные запросы иногда дают разные ответы.

Нужно сразу менять провайдера?

Сначала отделите проблему провайдера от преобразования запроса и истории клиента. Смена маршрута — диагностическая переменная, а не гарантированное решение; она может менять стоимость и обработку данных.

Можно сравнить старую сессию с новым псевдонимом модели?

Сначала зафиксируйте миграцию псевдонима и историю. Старое имя не закрепляет версию модели, а длинная сессия содержит контекст, которого может не быть в новой.