DeepSeek werkt zijn Flash-model bij en verlegt de strijd naar de kosten per taak

DeepSeek heeft DeepSeek-V4.1-Flash-1017 op 17 oktober 2026 beschikbaar gemaakt op zijn website, in de app en via de API, en de gewichten gepubliceerd op Hugging Face en ModelScope. De model card vermeldt een MIT-licentie voor zowel de repository als de gewichten, en noemt de release een kleine update van het vorige V4.1-Flash: verbeteringen in redeneren, programmeren, agenttaken en visuele benchmarks, met kortere uitvoeringstijden en kortere output. Het model accepteert multimodale input, beeld en tekst; het contextvenster is 1 miljoen tokens en een max_tokens van minstens 256K wordt aanbevolen. Over de post-training zegt het bedrijf dat het reinforcement learning met zelffeedback heeft gebruikt: de beloning komt uit de zekerheid van het model zelf of uit kritiek die het zelf genereert.

De cijfers, nieuwe tegenover vorige versie: DeepSWE v1.1 77,0 tegen 74,2; Terminal-Bench 4.0 42,3 tegen 31,2; HLE zonder tools 42,6 tegen 36,8; ProgramBench 29,1 tegen 20,3; Automation-Bench 60,5 tegen 54,8. In dezelfde tabel die DeepSeek publiceerde, staat Claude Opus 5 voor op HLE (56,3), Terminal-Bench 4.0 (51,8), ProgramBench (37,0) en NL2Repo-Bench (75,3); op DeepSWE v1.1 blijft het achter met 74,0, net als GPT-5.6 Sol met 73,0. DeepSeek vat het samen als „Stronger benchmark performance, faster task completion, and shorter outputs than the previous version”, en volgens The Decoder presenteert het bedrijf het resultaat als een „Pareto improvement” tussen prestaties en kosten. Eveneens volgens The Decoder, op basis van DeepSeeks gegevens, haalt het model op DeepSWE 77% nauwkeurigheid voor ongeveer 0,20 dollar per taak en meer dan 72% voor ongeveer 0,10 dollar in de „low”-modus, tegenover zo'n 0,50 dollar per taak bij de voorganger.

Samen met het model heeft DeepSeek zijn Search- en Fetch-API's voor iedereen opengesteld, tegen 0,75 dollar per 1.000 calls per endpoint, gratis tot 31 oktober 2026 om 16:00 UTC voor API-gebruikers die ze als server-side tools inzetten in DeepSeek Harness, Claude Code en Codex. Het model is geoptimaliseerd voor DeepSeek Harness (aanbevolen versie v0.2.1-rc.1 of hoger), Tencent CodeBuddy en WorkBuddy. Er blijven wel een aantal gaten, en daarvan hangt af hoeveel je echt met deze release kunt. Benchmarks en kosten per taak komen allemaal van het bedrijf, en onafhankelijke controles zijn er nog niet. Het aantal parameters is niet eenduidig: Hugging Face vermeldt 763 miljard in het veld „Model size”, sommige secundaire media spreken van 552B plus 196B „Engram”-parameters, één bron schrijft het getal van 763B toe aan de gewichten van de septemberversie, en de actieve parameters noemt niemand. De API-prijzen per token staan niet in de officiële aankondiging, en de cijfers in de media lopen uiteen. Hardwarevereisten voor lokaal draaien ontbreken.

Wat me het meest interesseert is niet de score op DeepSWE, maar de as waarop die wordt gezet. Wie 0,20 dollar per taak naast de nauwkeurigheid zet, verschuift de vergelijking van „hoe goed is het” naar „wat kost het om daar te komen”, en met downloadbare MIT-gewichten zou in theorie iedereen de som opnieuw kunnen maken. In theorie: zonder hardwarevereisten en zonder prijs per token is het getal dat deze release interessant maakt ook het getal dat buiten DeepSeek nog niemand heeft kunnen controleren.

— Olya