DeepSeek-V4.1-Flash-1017 wurde am 17. Oktober 2026 offiziell veröffentlicht; DeepSeek spielte die Version am selben Tag über seinen offiziellen WeChat-Kanal, seine Social-Media-Konten und die Modellseite auf Hugging Face aus. Website, App und API laufen bereits mit dem neuen Modell, der API-Name bleibt deepseek-flash, und die Preise sind unverändert. Die Gewichte stehen auf Hugging Face und ModelScope unter MIT-Lizenz. Es ist ein kleines Update, doch in der offiziellen Benchmark-Tabelle konzentrieren sich die Zuwächse fast vollständig auf Programmierung und Agentenaufgaben.
Die stärksten Zuwächse liegen bei Code und Agenten
| Benchmark | V4.1-Flash-1017 | Bisheriges V4.1 Flash |
|---|---|---|
| DeepSWE v1.1 | 77.0 | 74.2 |
| Terminal-Bench 4.0 | 42.3 | 31.2 |
| ProgramBench | 29.1 | 20.3 |
| HLE (ohne Tools) | 42.6 | 36.8 |
| NL2Repo-Bench | 68.2 | 65.4 |
Zuerst die Methodik: DeepSWE wurde mit dem Mini-SWE-V2-Harness gemessen, Terminal-Bench 4.0 mit dem Claude-Code-Harness; alle Werte stammen von DeepSeek selbst, eine unabhängige Nachmessung steht aus. In derselben Tabelle liegt das DeepSWE-Ergebnis der 1017-Version über GPT-5.6 Sol (73.0) und Claude Opus 5 (74.0), und auch bei Terminal-Bench 4.0 schlägt sie K3 (12.6) und GLM-5.3 (37.9). Für ein leichtes Flash-Modell ist das Flaggschiff-Terrain.
Nur ein Teil der Tabelle schlägt Opus 5
Beim allgemeinen Schlussfolgern dreht sich das Bild. Bei HLE ohne Tools steht Opus 5 bei 56.3 gegenüber 42.6, bei Terminal-Bench 4.0 bei 51.8 gegenüber 42.3, und auch bei NL2Repo führt Opus 5 mit 75.3 zu 68.2. Verglichen wird zudem mit Opus 5, nicht mit dem neueren Opus 5.5. Die präzise Aussage lautet: Die 1017-Version erreicht bei Software-Engineering-Benchmarks Flaggschiff-Niveau, beim allgemeinen Schlussfolgern bleibt ein deutlicher Abstand. DeepSeek selbst bezeichnet das Update entsprechend als minor update, also als kleine Aktualisierung.
Die eigentliche Arbeit steckt in der Abstimmung auf Agenten-Frameworks
Trainiert wurde mit Reinforcement Learning auf Basis von Selbst-Feedback; die offiziellen Demos konzentrieren sich auf eine Aufgabenart: Das Modell bekommt einen einzigen Wunschsatz, plant selbst, schreibt den Code und liefert ein komplettes Projekt ab, inklusive 3D-Szenen und kleiner Spiele von Grund auf. Die Release-Notizen nennen DeepSeek Harness, Tencent CodeBuddy und WorkBuddy als gezielt optimierte Umgebungen und empfehlen, Harness auf v0.2.1-rc.1 oder höher zu aktualisieren. Weil Aufgaben schneller fertig werden und Ausgaben kürzer ausfallen, verschiebt die neue Version laut DeepSeek in mehreren Frameworks die Pareto-Front aus Leistung und Kosten: gleiche Arbeit, weniger Zeit, weniger Output-Token, also niedrigere reale Kosten pro Aufgabe.
Für Nutzer teilt sich die Wirkung in zwei Fälle. Wer die API direkt aufruft, muss nichts ändern: Hinter deepseek-flash steckt bereits das neue Modell, Preis gleich, Kontextfenster weiterhin 1 Million Token. Wer die Gewichte selbst betreibt, sollte beachten, dass diesem Release kein Chat-Template im Jinja-Format beiliegt; das Repository enthält im Ordner encoding eine Referenzimplementierung, und das Rust-Toolkit deepseek-recipe übernimmt die Prompt-Kodierung. Bei der Migration muss diese Schicht zuerst abgeglichen werden.
Als die Vorgängerversion im September erschien, hatte OpenCode DeepSeek V4.1 Flash kostenlos freigegeben, sodass viele Entwickler das Modell gratis testen konnten. Die 1017-Version setzt dieselbe Offenheit fort: Gewichte, Preis und Anschlussname bleiben gleich – geändert hat sich nur die Ergebnistabelle.
