DeepSeek lanza V4.1‑Flash‑1017 y supera a Claude Opus 5 con 77 puntos en DeepSWE
DeepSeek puso a disposición el checkpoint V4.1‑Flash‑1017, una versión afinada de su modelo V4.1‑Flash que promete mayor velocidad, menor consumo y una mejora de 2 a 11 puntos en once métricas públicas. Además, abre sus API de búsqueda y extracción a cualquier desarrollador.
DeepSeek ha publicado hoy el checkpoint DeepSeek-V4.1-Flash-1017 a través de su sitio web, la aplicación móvil y la API pública. La compañía lo describe como una «Pareto improvement» en rendimiento y coste, y lo acompaña con la apertura de sus search y fetch APIs, lo que permite a los constructores de agentes combinar un modelo de generación de código barato con una capa de búsqueda web propia bajo una única clave de acceso.
Detalles del nuevo checkpoint
El modelo combina 552 B de parámetros de la columna vertebral con 196 B de parámetros de Engram, activando 8 B por token en la fase de pre‑relleno y 16 B en la fase de decodificación. El contexto máximo alcanza 1 millón de tokens, con una salida de hasta 384 K tokens. Los pesos se sirven bajo el nombre de modelo deepseek-flash en la API; los pesos originales de septiembre (763 B, FP8) siguen bajo licencia MIT en Hugging Face, pero DeepSeek no ha revelado los requisitos exactos de hardware para la versión 1017.
Arquitectura y mejoras técnicas
V4.1‑Flash sigue siendo un modelo multimodal Mixture‑of‑Experts con 40 capas Transformer, divididas en un codificador causal de 20 capas y un decodificador de 20 capas. Entre los cambios más relevantes aparecen:
- Causal Encoder‑Decoder (CED): el decodificador proyecta un KV global a partir de los estados finales del codificador, reduciendo casi a la mitad el cómputo de pre‑relleno.
- Compressed Sparse Attention 2 (CSA2): los bloques pueden operar en modo Full, Reindex o Reuse, compartiendo claves KV principales entre capas y disminuyendo la carga de memoria.
- FP4 KV cache: el caché global se comprime a 890 bytes por token, aproximadamente un cuarto del tamaño de V4‑Flash.
- SWA Bounded Replay: el caché persistente se reduce a alrededor de 1/8 del anterior.
- Escala de esfuerzo de razonamiento: un escalar de 1 a 100 que se mapea a los niveles de API low, high y max (50, 75 y 100 respectivamente).
Resultados en los benchmarks públicos
DeepSeek ha publicado sus propias cifras en once pruebas, todas mejoradas respecto a la versión de septiembre. Los resultados más llamativos son un 77.0 en DeepSWE v1.1, superando al Claude Opus 5 (74.0), y un 72.1 en Apex Bench v1.1, también por encima de la competencia. A continuación la tabla oficial:
| Benchmark | V4.1‑Flash‑1017 | V4.1‑Flash | Kimi K3 | GLM 5.3 | GPT 5.6‑Sol | Claude Opus 5 |
|---|---|---|---|---|---|---|
| DeepSWE v1.1 | 77.0 | 74.2 | 67.5 | 66.9 | 73.0 | 74.0 |
| Terminal‑Bench 4.0 | 42.3 | 31.2 | 12.6 | 37.9 | 39.9 | 51.8 |
| Automation‑Bench v1.0.6 | 60.5 | 54.8 | 46.7 | 48.8 | 45.8 | 50.3 |
| Agents’ Last Exam | 35.4 | 31.8 | 27.6 | 28.5 | 26.7 | 28.6 |
| Apex Bench v1.1 | 72.1 | 64.6 | 47.8 | 56.6 | 54.3 | 65.8 |
| ProgramBench | 29.1 | 20.3 | 17.5 | 19.0 | 23.0 | 37.0 |
En el peor caso, el modelo obtuvo 42.6 en HLE sin herramientas, por debajo del 56.3 de Claude Opus 5, lo que indica que la ventaja se concentra en tareas que combinan razonamiento y búsqueda.
Implicaciones para desarrolladores de agentes
La apertura de la search y fetch APIs permite a cualquier programador integrar una capa de recuperación web directamente en el flujo de generación, sin depender de terceros como SerpAPI o Bing. En la práctica, un agente puede solicitar información, procesarla con el modelo y devolver una respuesta completa bajo una única clave de API, reduciendo latencias y costes de tráfico. DeepSeek recomienda usar la versión DeepSeek Harness v0.2.1‑rc.1 o superior para exprimir al máximo la combinación de generación y búsqueda.
Qué significa este lanzamiento para la competencia
El anuncio llega en un momento en que los grandes proveedores (OpenAI, Anthropic, Google) están consolidando sus ofertas de agentes con integraciones de búsqueda propietarias. DeepSeek, al mantener los pesos bajo licencia MIT y ofrecer una API abierta, parece apostar por una estrategia de adopción rápida entre startups y equipos de investigación que buscan evitar los costes de licenciamiento y la dependencia de ecosistemas cerrados. Si bien los números siguen sin superar a Claude en algunos benchmarks de razonamiento puro, la ventaja competitiva radica en el equilibrio entre rendimiento y coste operativo.
Perspectiva práctica para la comunidad de IA
Para los desarrolladores independientes, el modelo V4.1‑Flash‑1017 ofrece una alternativa viable que se ejecuta en la infraestructura de DeepSeek sin necesidad de invertir en GPUs de alto rango. La limitación principal sigue siendo la falta de información sobre los requisitos de hardware, lo que obliga a probar la API en entornos controlados antes de escalar. En el corto plazo, la mayor novedad será la adopción de la capa de búsqueda, que podría reducir la necesidad de combinar varios servicios externos en pipelines de agentes.
