DeepSeek hat am 17. Oktober 2026 die Modellversion V4.1-Flash-1017 mit Gewichten unter MIT-Lizenz auf Hugging Face veröffentlicht. Nach eigenen Angaben verbessert sich das Modell in allen elf veröffentlichten Benchmarks, während der API-Preis unverändert bleibt. Die Modellkarte nennt 763 Milliarden Parameter; der Betrieb auf eigener Hardware erfordert Mehr-GPU-Server.

DeepSeek hat am 17. Oktober 2026 die Version V4.1-Flash-1017 seines günstigen Modells auf Hugging Face veröffentlicht, die Gewichte stehen unter MIT-Lizenz. Die Modellkarte bezeichnet den Schritt als kleineres Update, das Schlussfolgern, Programmieren, Agentenaufgaben und Bildverständnis verbessert, Laufzeiten verkürzt und Antworten kürzer macht. Die Zahl 1017 im Namen steht für das Veröffentlichungsdatum, wie zuvor 0731 bei V4 Flash.

In der veröffentlichten Tabelle verbessert sich das Modell in allen elf Tests gegenüber 4.1 Flash vom September. Der größte Sprung liegt bei Terminal-Bench 4.0, das misst, wie gut ein Agent auf der Kommandozeile arbeitet, von 31,2 auf 42,3. ProgramBench steigt von 20,3 auf 29,1, Apex Bench von 64,6 auf 72,1, DeepSWE v1.1 von 74,2 auf 77,0, Automation-Bench von 54,8 auf 60,5 und das Agents‘ Last Exam von 31,8 auf 35,4. Bei den drei Bildtests mit aktivierten Werkzeugen steigt Chartography von 78,9 auf 83,0, BabyVision von 89,6 auf 92,5 und ZeroBench-main von 49,0 auf 51,0.

Im Vergleich mit geschlossenen Modellen ist das Bild gemischt. Gegen Opus 5 liegt 4.1 Flash 1017 in der Tabelle bei DeepSWE v1.1 (77,0 zu 74,0), Automation-Bench (60,5 zu 50,3), Agents‘ Last Exam (35,4 zu 28,6) und Apex Bench (72,1 zu 65,8) vorn. Es bleibt zurück bei Terminal-Bench 4.0 (42,3 zu 51,8), ProgramBench, NL2Repo-Bench und allen drei Bildtests. Deutlich ist der Abstand beim reinen Schlussfolgern: Bei HLE ohne Werkzeuge stehen 42,6 gegen 56,3 für Opus 5, knapp 14 Punkte. Gegen GPT-5.6 Sol gewinnt das Modell neun von elf Tests und verliert nur bei HLE und ZeroBench-main.

Für API-Nutzer ändert sich nichts. Der Name deepseek-flash zeigt jetzt auf V4.1-Flash-1017, der Aufruf bleibt gleich; die alten Namen deepseek-v4-flash und deepseek-v4-flash-vision-exp werden weiter akzeptiert. Die Preise bleiben zweistufig: außerhalb der Stoßzeiten kostet eine Million Input-Tokens 0,15 US-Dollar (0,003 bei Cache-Treffer) und eine Million Output-Tokens 0,60 US-Dollar. In den Stoßzeiten von 1 bis 4 und von 6 bis 10 UTC, Montag bis Freitag, verdoppeln sich die Sätze auf 0,30, 0,006 und 1,20 US-Dollar. Der Kontext umfasst eine Million Token, die Antwort darf maximal 384.000 Token lang sein. Die Ankündigung nennt das Modell optimiert für DeepSeek Harness, Tencent CodeBuddy und WorkBuddy und empfiehlt DeepSeek Harness ab Version 0.2.1-rc.1.

Die Modellkarte nennt 763 Milliarden Parameter und Tensoren in mehreren Formaten (FP8, BF16, F32, 8-Bit-Ganzzahlen); empfohlen werden mindestens 256.000 Output-Token, Temperatur 1,0 und top_p 1,0. Das Modell ist als image-text-to-text gekennzeichnet, verarbeitet also auch Bilder als Eingabe. Für den lokalen Betrieb braucht es wegen der Größe hunderte Gigabyte Speicher und Mehr-GPU-Server statt eines Laptops; die Karte zeigt Startbefehle für die Inferenz-Engines vLLM und SGLang.

Wer vertrauliche Dokumente verarbeitet, muss den Weg über eigene Maschinen wählen: Über Website, App und API laufen die Anfragen an die Server von DeepSeek. Die MIT-Lizenz erlaubt kommerzielle Nutzung, entscheidet aber nichts über den Datenfluss.

Drei Einschränkungen bleiben. DeepSeek hat alle Werte selbst ausgewählt und veröffentlicht, samt Testumgebungen und Versionen; der Vergleich mit Opus 5 und GPT-5.6 Sol ist damit ein Hinweis, kein Urteil, solange unabhängige Prüfer die Tests nicht wiederholt haben. „Schneller“ und „kürzer“ stehen ohne Zahlen da – weder Modellkarte noch Ankündigung nennen Durchschnittszeiten oder Token pro Antwort, die Ersparnis hängt also am jeweiligen Arbeitsaufkommen. Die Werte sind zudem nicht mit denen aus dem September vergleichbar: Damals wurde Terminal-Bench 3.0 zitiert, heute Version 4.0.

Autor: Team REN-AI-SSANCE – mit KI-Unterstützung erstellt, von Menschen geprüft und freigegeben.

Quelle: Pasquale Pillitteri – Originalartikel vom 17.10.2026; Abruf/Archivstand: 18.10.2026