DeepSeek-V4.1-Flash-1017 est sorti officiellement le 17 octobre 2026, DeepSeek ayant déployé la version le jour même via son compte WeChat officiel, ses comptes sociaux et la page du modèle sur Hugging Face. Le site, l'application et l'API sont déjà passés au nouveau modèle ; le nom d'API reste deepseek-flash et les tarifs ne changent pas. Les poids sont publiés sur Hugging Face et ModelScope sous licence MIT. C'est une mise à jour mineure, mais dans le tableau officiel des benchmarks, les gains se concentrent presque entièrement sur la programmation et les tâches d'agents.
Les plus fortes hausses concernent le code et les agents
| Benchmark | V4.1-Flash-1017 | V4.1 Flash précédent |
|---|---|---|
| DeepSWE v1.1 | 77.0 | 74.2 |
| Terminal-Bench 4.0 | 42.3 | 31.2 |
| ProgramBench | 29.1 | 20.3 |
| HLE (sans outils) | 42.6 | 36.8 |
| NL2Repo-Bench | 68.2 | 65.4 |
D'abord, la méthode : DeepSWE a été mesuré avec le harnais Mini-SWE-V2 et Terminal-Bench 4.0 avec le harnais Claude Code ; tous les chiffres sont ceux de DeepSeek, sans réplication indépendante pour l'instant. Dans ce même tableau, le score DeepSWE de la version 1017 dépasse GPT-5.6 Sol (73.0) et Claude Opus 5 (74.0), et son Terminal-Bench 4.0 devance K3 (12.6) et GLM-5.3 (37.9). Pour un modèle léger de la gamme Flash, c'est un placement en territoire de modèles phares.
Une partie seulement du tableau bat Opus 5
En raisonnement général, le tableau s'inverse. Sur HLE sans outils, Opus 5 affiche 56.3 contre 42.6 ; sur Terminal-Bench 4.0, 51.8 contre 42.3 ; sur NL2Repo, Opus 5 mène aussi, 75.3 contre 68.2. La comparaison se fait d'ailleurs avec Opus 5, et non avec le plus récent Opus 5.5. La formulation exacte est donc la suivante : la 1017 atteint des scores de niveau phare sur les benchmarks d'ingénierie logicielle, tout en gardant un écart net en raisonnement général. DeepSeek qualifie lui-même cette mise à jour de minor update, une évolution mineure.
Le vrai travail porte sur l'adaptation aux harnais d'agents
L'entraînement a mobilisé un apprentissage par renforcement fondé sur l'auto-évaluation, et les démonstrations officielles se concentrent sur un type de tâche : une seule phrase de demande, et le modèle planifie, code et livre un projet complet, y compris des scènes 3D et de petits jeux créés de zéro. Les notes de version citent DeepSeek Harness, CodeBuddy et WorkBuddy de Tencent comme environnements spécialement optimisés, et recommandent de passer Harness en v0.2.1-rc.1 ou plus. Tâches terminées plus vite et sorties plus courtes : DeepSeek affirme que la nouvelle version repousse la frontière de Pareto performance-coût sur plusieurs harnais — même travail, moins de temps, moins de jetons de sortie, donc un coût réel par tâche en baisse.
Pour les utilisateurs, l'impact se divise en deux cas. Les équipes qui appellent l'API directement n'ont rien à changer : deepseek-flash pointe déjà vers le nouveau modèle, le prix est identique et le contexte reste à 1 million de jetons. Celles qui hébergent les poids doivent noter que cette version ne fournit pas de gabarit de conversation au format Jinja ; le dépôt propose une implémentation de référence dans le dossier encoding, et une boîte à outils Rust, deepseek-recipe, assure l'encodage des prompts. C'est cette couche qu'il faut aligner en premier lors d'une migration.
Lorsque la version précédente est sortie en septembre, OpenCode avait ouvert gratuitement DeepSeek V4.1 Flash, permettant à de nombreux développeurs de l'essayer sans frais. La version 1017 prolonge le même dispositif ouvert : poids, prix et nom d'accès inchangés. Seul le tableau de résultats a bougé.
