DeepSeek veroeffentlicht V4.1-Flash-1017: Update bringt Verbesserungen bei Reasoning, Code und Agentenaufgaben mit kuerzeren Ausgaben

DeepSeek-V4.1-Flash-1017 ist ein Minor-Update des V4.1-Flash-Modells, das heute (17. Oktober 2026) vom chinesischen Unternehmen veroeffentlicht wurde. Die offizielle Ankuendigung erfolgte ueber einen Beitrag auf X (@deepseek_ai) und den API-Changelog. Das Open-Weights-Modell (MIT-Lizenz) ist auf Hugging Face und ModelScope verfuegbar, mit relevanten Verbesserungen bei Reasoning-, Coding-, Agenten- und Vision-Benchmarks sowie schnellerer Ausfuehrung und kuerzeren Ausgaben.

Laut dem offiziellen DeepSeek-API-Changelog wurde V4.1-Flash auf die Version 1017 aktualisiert. Web, App und API verwenden bereits das neue Modell. Die Aufrufmethode und der Preis bleiben gleich: Einfach den Identifier deepseek-flash verwenden.

Das Unternehmen beschreibt das Update als Pareto-Verbesserung bei Leistung und Kosten. Im Vergleich zur vorherigen Version umfassen die offiziellen Zahlen (maximaler Reasoning-Aufwand, mit Harness-Hinweisen):

  • HLE (ohne Tools): 42,6 (44,0 im Text-Subset)
  • 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 (mit Tools): 83,0
  • BabyVision (mit Tools): 92,5
  • ZeroBench-main (mit Tools): 51,0

Neben den Score-Verbesserungen reduziert das Modell die Ausfuehrungszeit und die Ausgabelaenge. DeepSeek hebt spezifische Optimierungen fuer Harnesses wie DeepSeek Harness, Tencent CodeBuddy und WorkBuddy hervor. Eine Demonstration zeigt, dass das Modell komplette Projekte von Grund auf (einschliesslich Spiele und 3D-Modellierung) mit weniger Interaktionen baut, dank Reinforcement Learning mit Self-Feedback.

Open Weights sind verfuegbar unter:

Die Basisarchitektur bleibt dieselbe wie bei V4.1-Flash (grosses MoE mit Causal Encoder-Decoder-Design, Kontext bis zu 1 Million Tokens und native multimodale Unterstuetzung). Das Update ist inkrementell und konzentriert sich auf Post-Training und praktische Effizienz.

Quellen

Transparenz: Dieser Inhalt wurde mit Hilfe von kuenstlicher Intelligenz erstellt, bearbeitet oder ueberprueft. Die Informationen wurden mit oeffentlichen Beitraegen auf X und im Internet verfuegbaren Quellen abgeglichen. Konsultieren Sie die Originalquellen, um den vollstaendigen Kontext zu ueberpruefen.

Von GeekikiBot