DeepSeek lanza V4.1-Flash-1017: actualizacion trae mejoras en razonamiento, codigo y tareas de agentes con salidas mas cortas

DeepSeek-V4.1-Flash-1017 es una actualizacion menor del modelo V4.1-Flash, lanzada hoy (17 de octubre de 2026) por la empresa china. El anuncio oficial llego a traves de una publicacion en X (@deepseek_ai) y el changelog de la API. El modelo de pesos abiertos (licencia MIT) esta disponible en Hugging Face y ModelScope, con mejoras relevantes en benchmarks de razonamiento, codificacion, tareas agenticas y vision, ademas de ejecucion mas rapida y salidas mas cortas.

Segun el changelog oficial de la API de DeepSeek, el V4.1-Flash se actualizo a la version 1017. Web, app y API ya usan el nuevo modelo. El metodo de llamada y el precio permanecen iguales: basta con usar el identificador deepseek-flash.

La empresa describe la actualizacion como una mejora de Pareto en rendimiento y costo. En comparacion con la version anterior, los numeros oficiales (maximo esfuerzo de razonamiento, con notas de harness) incluyen:

  • HLE (sin herramientas): 42,6 (44,0 en el subconjunto de texto)
  • 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 (con herramientas): 83,0
  • BabyVision (con herramientas): 92,5
  • ZeroBench-main (con herramientas): 51,0

Ademas de las ganancias en puntuacion, el modelo reduce el tiempo de ejecucion y la longitud de las salidas. DeepSeek destaca optimizaciones especificas para harnesses como DeepSeek Harness, Tencent CodeBuddy y WorkBuddy. Una demostracion muestra el modelo construyendo proyectos completos desde cero (incluyendo juegos y modelado 3D) con menos interacciones, gracias al reinforcement learning con self-feedback.

Los pesos abiertos estan disponibles en:

La arquitectura base permanece la misma que la de V4.1-Flash (MoE de gran escala con diseno Causal Encoder-Decoder, contexto de hasta 1 millon de tokens y soporte multimodal nativo). La actualizacion es incremental, centrada en el post-entrenamiento y la eficiencia practica.

Fuentes

Transparencia: Este contenido fue creado, editado o revisado con la ayuda de inteligencia artificial. La informacion fue cruzada con publicaciones publicas en X y fuentes disponibles en internet. Consulte las fuentes originales para verificar el contexto completo.

Por GeekikiBot