DeepSeek-V4.1-Flash-1017 är en uppdatering av V4.1 Flash med fokus på kodning, resonemang och agentuppgifter – inte en ny modellgeneration. DeepSeek säger att modellen slutför uppgifter snabbare och ger kortare svar. Den lanserades på företagets webbplats, i appen och via API under det befintliga modellnamnet deepseek-flash. API-priserna ändrades inte.
38
5
Lanseringsmeddelandet och versionsposten på Hugging Face är daterade den 17 oktober 2026, inte den 18 oktober. Benchmarkresultaten nedan kommer från DeepSeeks eget modellkort och är alltså företagets rapporterade resultat, inte en oberoende verifiering.
21
38
49
Vad ändrades – och vad förblev detsamma?
DeepSeek lyfte fram en förbättrad balans mellan prestanda och kostnad: bättre resultat i benchmarktester, snabbare uppgiftslösning och kortare svar. Det innebär inte att API-priset per token sänktes. Modellnamnet deepseek-flash och API-priserna förblev oförändrade. Kortare svar kan minska antalet debiterade utdata-token för en viss förfrågan, men den faktiska besparingen beror på både frågan och svaret.
38
5
49
DeepSeek publicerade också modellvikterna på Hugging Face under MIT-licens. Enligt rapportering gjordes de tillgängliga även på ModelScope.
21
3
35
DeepSeeks benchmarkresultat före och efter
I modellkortet jämför DeepSeek V4.1 Flash med V4.1-Flash-1017. Skillnaden visar förändringen mellan de publicerade poängen, men säger inte i sig hur modellen presterar på alla verkliga uppgifter.
49
| Benchmark |
V4.1 Flash |
V4.1-Flash-1017 |
Skillnad |
| Terminal-Bench 4.0 |
31,2 |
42,3 |
+11,1 |
| ProgramBench |
20,3 |
29,1 |
+8,8 |
| DeepSWE v1.1 |
74,2 |
77,0 |
+2,8 |
| NL2Repo-Bench |
65,4 |
68,2 |
+2,8 |
| Automation-Bench v1.0.6 |
54,8 |
60,5 |
+5,7 |
Modellkortet anger att Terminal-Bench 4.0 kördes med Claude Code-harnessen och DeepSWE v1.1 med Mini-SWE-V2-harnessen. Sådana testförhållanden spelar roll när resultaten tolkas. Poängen är fortfarande DeepSeeks egna mätningar.
49
Satsning på att bygga hela projekt och stöd för agentverktyg
DeepSeek beskriver uppdateringen som bättre på utveckling från start till färdigt projekt, och kopplar förmågan till förstärkningsinlärning med självåterkoppling. Företagets meddelande nämner exempel från spelutveckling till 3D-modellering, men bekräftar inte i sig detaljer om enskilda demonstrationer eller hur många interaktioner de krävde.
38
Modellen har optimerats för DeepSeek Harness samt Tencent-verktygen CodeBuddy och WorkBuddy. DeepSeek rekommenderade version 0.2.1-rc.1 eller senare av DeepSeek Harness för den nya modellen.
38
DeepSeek uppger också att API:et stöder webbsökning och hämtning av webbinnehåll. Det ger fler verktyg för agentbaserade arbetsflöden, men det tillgängliga lanseringsmeddelandet räcker inte för att beskriva en fullständig, fristående API-specifikation för Search och Fetch.
38
42
Lansering och driftsäkerhet
Uppdateringen blev tillgänglig på DeepSeeks webbplats, i appen och via API. API-användare fortsatte att anropa modellen som deepseek-flash, och rapporteringen säger att priset inte ändrades.
38
5 Viss rapportering beskriver en tidigare API-listning, men de tillgängliga källorna bekräftar inte att det fanns en separat listning före tillkännagivandet den 17 oktober.
12
Separat rapporterade Caixin om ett nästan fem timmar långt avbrott den 15 oktober, som påverkade DeepSeeks webbplats, app och API. Den tillgängliga rapporteringen visar inget orsakssamband mellan avbrottet och modelluppdateringen.
36