DeepSeek V4.1 Flash 1017 eleva Terminal Bench de 31,2 a 42,3

DeepSeek ha publicado el checkpoint V4.1 Flash 1017 y lo ha desplegado en su web, aplicación y API con el identificador existente deepseek-flash. También ha liberado los pesos con licencia MIT. La etiqueta 1017 indica la fecha del 17 de octubre, no una familia nueva.

El checkpoint de octubre avanza sobre todo en benchmarks de agentes

Las tablas de DeepSeek muestran que Terminal Bench 4.0 pasa de 31,2 a 42,3. DeepSWE v1.1 sube de 74,2 a 77,0 y ProgramBench de 20,3 a 29,1. El fabricante también afirma que el modelo termina antes las tareas y genera respuestas más cortas sin cambiar el precio de la API.

V4.1 Flash 1017 sigue aceptando texto e imágenes. Esa capacidad no nace en octubre. La visión nativa llegó con V4.1 Flash en septiembre; ahora cambian los pesos y el rendimiento declarado.

Una salida más corta puede importar más que otra cifra alta

Una tarea de agente no cuesta un único prompt. El modelo consulta el estado, llama herramientas y genera nuevos pasos varias veces. Resolver con menos tokens y en menos tiempo puede reducir el coste total aunque el precio por millón de tokens no cambie.

Los open weights permiten además despliegue privado y modificaciones. La libertad tiene un coste: es un checkpoint MoE enorme, no un modelo para una GPU corriente. Para muchas empresas, la API alojada seguirá siendo más barata que operar un clúster.

La comparación con GLM 5.3 aún parte de pruebas desiguales

Nathan Lambert sugirió que el modelo podría superar a GLM 5.3 e incluir vision. Sigue siendo una estimación, no un resultado independiente. Los benchmarks de agentes cambian según el harness, las herramientas, el reasoning effort y el presupuesto.

Una tabla del fabricante tampoco predice el comportamiento en un repositorio o interfaz concretos. Una cifra alta coloca el checkpoint en la lista de pruebas, no directamente en producción.

Las tareas propias revelarán si ahorra tiempo y dinero

Los evals independientes deben comparar DeepSeek, GLM y otros modelos open-weight con el mismo harness y presupuesto. Conviene medir éxito completo, tokens, tiempo e intervención humana.

También importa operar fuera de la API de DeepSeek. El soporte en vLLM y SGLang, la memoria necesaria y la estabilidad del tool use decidirán si el checkpoint abierto amplía las opciones o alimenta sobre todo un servicio alojado barato.

El veredicto de Lilith

DeepSeek presenta a un corredor más rápido, pero aún sostiene casi todos los cronómetros. Antes de darle el relevo de producción, medidlo en vuestra propia pista.