DeepSeek V4.1 Flash 1017 zvedl Terminal Bench z 31,2 na 42,3

DeepSeek vydal checkpoint V4.1 Flash 1017 a nasadil jej na svůj web, do aplikace i API pod stávajícím identifikátorem deepseek-flash. Firma současně zveřejnila váhy pod licencí MIT. Označení 1017 odkazuje na datum vydání 17. října, nikoli na novou modelovou rodinu.

Říjnový checkpoint posouvá hlavně agentní benchmarky

Podle tabulek DeepSeek vzrostl výsledek Terminal Bench 4.0 z 31,2 na 42,3 bodu. DeepSWE v1.1 se posunul ze 74,2 na 77,0 a ProgramBench z 20,3 na 29,1. Výrobce zároveň tvrdí, že model dokončuje úlohy rychleji a s kratšími výstupy, aniž by změnil cenu API.

V4.1 Flash 1017 zůstává multimodální a přijímá text i obrázky. To však není nová schopnost říjnového checkpointu. Nativní vision přinesla už základní verze V4.1 Flash v září. Novinkou jsou upravené váhy a hlášené zlepšení výkonu.

Kratší výstup může být důležitější než vyšší skóre

U agentních úloh se neplatí jen za jeden prompt. Model opakovaně čte stav, volá nástroje a generuje další kroky. Pokud dosáhne výsledku s menším počtem tokenů a za kratší dobu, snižuje náklady celého běhu, i když ceník za milion tokenů zůstane stejný.

Open weights navíc dávají týmům možnost vlastního nasazení a úprav. Praktická svoboda má ale cenu: jde o velmi velký MoE checkpoint, nikoli model pro jednu běžnou GPU. Pro mnoho firem bude API ekonomičtější než vlastní serverový cluster.

Srovnání s GLM 5.3 zatím stojí na cizích tabulkách

Nathan Lambert upozornil, že model může překonat GLM 5.3 a přitom má vestavěnou vision. To je zatím odhad, ne nezávisle potvrzený výsledek. Benchmarky agentů citlivě reagují na harness, povolené nástroje, reasoning effort i rozpočet na úlohu.

Ani vendor tabulka sama neříká, jak se model chová na konkrétním repozitáři nebo při práci s reálným rozhraním. Vyšší skóre proto patří do shortlistu k testování, ne rovnou do produkčního routingu.

Vlastní úlohy ukážou, zda checkpoint šetří čas i peníze

Rozhodující budou nezávislé evals se stejným harness a stejným rozpočtem pro DeepSeek, GLM a další open-weight modely. Týmy by měly měřit úspěšnost celé úlohy, počet tokenů, dobu běhu a zásahy člověka.

Důležitý bude také provoz vah mimo API DeepSeek. Podpora ve vLLM a SGLang, paměťové nároky a stabilita při tool use určí, zda otevřený checkpoint skutečně rozšíří možnosti nasazení, nebo zůstane hlavně levnou hostovanou službou.

Lilithin verdikt

DeepSeek přinesl rychlejšího běžce, ale časomíru zatím drží hlavně DeepSeek. Než mu svěříte produkční štafetu, změřte ho na vlastním oválu.