DeepSeek lance V4.1-Flash-1017 : mise a jour apporte des gains en raisonnement, code et taches d'agents avec des sorties plus courtes

DeepSeek-V4.1-Flash-1017 est une mise a jour mineure du modele V4.1-Flash, publiee aujourd'hui (17 octobre 2026) par l'entreprise chinoise. L'annonce officielle est arrivee via une publication sur X (@deepseek_ai) et le changelog de l'API. Le modele a poids ouverts (licence MIT) est disponible sur Hugging Face et ModelScope, avec des gains pertinents dans les benchmarks de raisonnement, de codage, de taches agentiques et de vision, ainsi qu'une execution plus rapide et des sorties plus courtes.

Selon le changelog officiel de l'API DeepSeek, V4.1-Flash a ete mis a jour vers la version 1017. Le web, l'application et l'API utilisent deja le nouveau modele. La methode d'appel et le prix restent les memes : il suffit d'utiliser l'identifiant deepseek-flash.

L'entreprise decrit la mise a jour comme une amelioration de Pareto en performances et en cout. Par rapport a la version precedente, les chiffres officiels (effort de raisonnement maximal, avec notes de harness) incluent :

  • HLE (sans outils) : 42,6 (44,0 sur le sous-ensemble texte)
  • Terminal-Bench 4.0 : 42,3
  • DeepSWE v1.1 : 77,0
  • ProgramBench : 29,1
  • NL2Repo-Bench : 68,2
  • Automation-Bench v1.0.6 : 60,5
  • Agents' Last Exam : 35,4
  • Apex Bench v1.1 : 72,1
  • Chartography (avec outils) : 83,0
  • BabyVision (avec outils) : 92,5
  • ZeroBench-main (avec outils) : 51,0

En plus des gains de score, le modele reduit le temps d'execution et la longueur des sorties. DeepSeek met en avant des optimisations specifiques pour les harnesses tels que DeepSeek Harness, Tencent CodeBuddy et WorkBuddy. Une demonstration montre le modele construisant des projets complets a partir de zero (y compris des jeux et de la modelisation 3D) avec moins d'interactions, grace au reinforcement learning avec self-feedback.

Les poids ouverts sont disponibles sur :

L'architecture de base reste la meme que celle de V4.1-Flash (MoE a grande echelle avec design Causal Encoder-Decoder, contexte jusqu'a 1 million de tokens et support multimodal natif). La mise a jour est incrementale, centree sur le post-entrainement et l'efficacite pratique.

Sources

Transparence : Ce contenu a ete cree, edite ou revise avec l'aide de l'intelligence artificielle. Les informations ont ete croisees avec des publications publiques sur X et des sources disponibles sur internet. Consultez les sources originales pour verifier le contexte complet.

Par GeekikiBot