DeepSeek V4.1 Flash 1017 steigert Terminal Bench von 31,2 auf 42,3

DeepSeek hat den Checkpoint V4.1 Flash 1017 veröffentlicht und unter der bestehenden Kennung deepseek-flash auf Website, App und API ausgerollt. Die Gewichte stehen unter MIT-Lizenz bereit. Die Zahl 1017 bezeichnet das Veröffentlichungsdatum 17. Oktober, keine neue Modellfamilie.

Der Oktober-Checkpoint legt vor allem bei Agenten-Benchmarks zu

DeepSeeks Tabellen zeigen für Terminal Bench 4.0 einen Anstieg von 31,2 auf 42,3. DeepSWE v1.1 steigt von 74,2 auf 77,0 und ProgramBench von 20,3 auf 29,1. Der Anbieter meldet außerdem schnellere Aufgaben und kürzere Ausgaben bei unveränderten API-Preisen.

V4.1 Flash 1017 verarbeitet weiterhin Text und Bilder. Diese Fähigkeit ist nicht neu. Native Bildverarbeitung kam bereits im September mit V4.1 Flash; neu sind die aktualisierten Gewichte und die gemeldeten Leistungsgewinne.

Kürzere Ausgaben können wichtiger sein als ein höherer Score

Bei Agentenaufgaben entstehen Kosten nicht nur für einen Prompt. Das Modell liest wiederholt Zustände, ruft Werkzeuge auf und erzeugt weitere Schritte. Weniger Tokens und kürzere Laufzeit können den gesamten Durchlauf verbilligen, obwohl der Preis pro Million Tokens gleich bleibt.

Open Weights ermöglichen zudem privaten Betrieb und Anpassungen. Diese Freiheit ist teuer: Der Checkpoint ist ein sehr großes MoE-Modell und kein Kandidat für eine gewöhnliche GPU. Für viele Unternehmen bleibt die gehostete API günstiger als ein eigener Servercluster.

Der Vergleich mit GLM 5.3 beruht noch auf ungleichen Belegen

Nathan Lambert vermutet, das Modell könne GLM 5.3 schlagen und zugleich Vision bieten. Das ist bislang eine Einschätzung, kein unabhängig bestätigtes Ergebnis. Agenten-Benchmarks reagieren stark auf Harness, Werkzeuge, Reasoning Effort und Aufgabenbudget.

Eine Anbietertabelle sagt auch wenig über ein bestimmtes Repository oder Interface. Ein höherer Score bringt den Checkpoint auf die Testliste, aber nicht automatisch in das Produktionsrouting.

Eigene Aufgaben zeigen die tatsächliche Zeit- und Kostenersparnis

Unabhängige Evals sollten DeepSeek, GLM und andere Open-Weight-Modelle mit gleichem Harness und Budget vergleichen. Teams müssen Erfolg der Gesamtaufgabe, Tokenverbrauch, Laufzeit und menschliche Eingriffe messen.

Auch der Betrieb außerhalb von DeepSeeks API zählt. Unterstützung durch vLLM und SGLang, Speicherbedarf und Stabilität beim Tool Use entscheiden, ob der offene Checkpoint neue Deployments ermöglicht oder vor allem einen günstigen Hostingdienst antreibt.

Liliths Urteil

DeepSeek schickt einen schnelleren Läufer ins Rennen, hält aber noch fast alle Stoppuhren selbst. Vor dem Produktionsstaffelstab gehört er auf die eigene Bahn.