DeepSeek publicó V4.1-Flash-1017, una actualización menor de su modelo ligero que mejora razonamiento, código, tareas agénticas y visión, con pesos abiertos bajo licencia MIT.

La compañía china describe el lanzamiento como una revisión de DeepSeek-V4.1-Flash que, además de subir en las pruebas, reduce el tiempo de ejecución de las tareas y la longitud de las respuestas.

Eso lo vuelve más rápido y económico, y empuja la frontera de rendimiento por costo en varios entornos de agentes, según la tarjeta del modelo.

El modelo tiene 763 mil millones de parámetros, admite texto e imagen y se distribuye en formatos de 8 bits y fp8; el repositorio y los pesos quedan bajo licencia MIT.

En razonamiento HLE sin herramientas pasó de 36.8 a 42.6 puntos frente a la versión anterior; en Terminal-Bench 4.0 subió de 31.2 a 42.3.

En tareas de programación DeepSWE v1.1 marcó 77.0 (antes 74.2) y en ProgramBench dio el salto de 20.3 a 29.1; en NL2Repo-Bench llegó a 68.2.

En pruebas agénticas también avanzó: Automation-Bench v1.0.6 subió de 54.8 a 60.5, Agents’ Last Exam de 31.8 a 35.4 y Apex Bench v1.1 de 64.6 a 72.1.

Aunque sigue por debajo de Opus 5 en varios rubros de razonamiento, el modelo es competitivo o líder en pruebas de automatización y agentes para su tamaño y su costo.

La ventana de contexto llega a un millón de tokens, con parámetros de muestreo recomendados de temperatura 1.0 y max_tokens de al menos 256 mil; esta versión no incluye plantilla de chat Jinja y ofrece una implementación de referencia en Python.

Fuentes
Hugging Face — DeepSeek-V4.1-Flash-1017

Crédito de la imagen: Foto de Denny Müller en Unsplash..