DeepSeek-V4.1-Flash-1017: Eine 45-zu-46-Vermutung, ein Changelog mit drei Sätzen und die eine Zeile, die beide Scoreboards gemeinsam haben

DeepSeek-V4.1-Flash-1017 gibt es wirklich, und es ist einen Tag alt. Sie können den Changelog-Eintrag vom 2026-10-17 lesen, 763 Milliarden Parameter MIT-lizenzierter Gewichte von Hugging Face herunterladen und es ab sofort unter dem unveränderten deepseek-flash Modellstring zum unveränderten Tarif aufrufen. Was Sie nicht tun können, ist nachzusehen, wo es rangiert. Der gehaltvollste Beitrag über DeepSeek V4.1 Flash am Tag nach dem Erscheinen seines Updates war kein Ergebnis – sondern eine Vermutung. Ein aufmerksamer Beobachter des Labors schätzte den letztendlichen Punktwert des Modells im Artificial Analysis Intelligence Index auf 45 bis 46, prognostizierte Grok 4.7 als die Zahl, die es knapp überholen dürfte, und AA-Omniscience als die Bewertung, die es einbremst, und nannte 57% als faire Erwartung im Vals Index. Jede dieser Zahlen ist eine Prognose zu einer Rangliste, die noch keine 1017-Zeile hat. Die Veröffentlichung ist eine Tatsache. Der Rang ist eine Wette, und das Interessante ist, warum das heute niemand klären kann.

Was wurde am 17. Oktober tatsächlich veröffentlicht?

Die Primärquelle ist kurz. Der Changelog-Eintrag von D​eepSeek für den 17. Oktober 2026 besagt, dass V4.1 Flash „auf D​eepSeek-V4.1-Flash-1017 aktualisiert wurde“, dass die Web- und App-Modelle mitgezogen wurden, dass „die API-Aufrufmethode und die Preisgestaltung unverändert bleiben“ und dass Aufrufe an deepseek-flash das neueste Modell erreichen. Das ist die gesamte Aussage auf Spezifikationsebene. Das entsprechende Repository, deepseek-ai/D​eepSeek-V4.1-Flash-1017, wurde am 17. Oktober um 02:40 UTC erstellt und zuletzt am selben Tag um 05:46 UTC geändert; sein Safetensors-Index umfasst insgesamt 763.205.315.794 Parameter über die Tensor-Typen BF16, F32, F8_E4M3 und I8. Die Lizenz ist MIT. Nichts daran ist ein Leck.

Das Changelog ergänzt drei Dinge, die keine Zahlen sind. Es bezeichnet das Update als „Performance-Cost-Pareto-Verbesserung“. Es nennt die Harnesses, gegen die es getunt wurde – D​eepSeek Harness, T​encent CodeBuddy und WorkBuddy – und fordert Nutzer auf, auf D​eepSeek Harness 0.2.1-rc.1 oder neuer zu wechseln. Und es zeigt vier Projektdemos, als Animation gerendert: ein 3D-Modell der Verbotenen Stadt, ein Browser-Rennspiel, ein in Godot erstelltes Portal-2-Remake und eine 3D-Szene namens „Valley of Ages“. Das sind Marketingartefakte, keine Messungen, und deshalb hält dieser Beitrag sie in einem separaten Absatz von den Scores getrennt.

Was sich nicht verändert hat, ist ebenso tragend wie das, was sich verändert hat, denn es ist der Teil, an dem Geld hängt:

• Preisliste — unverändert. Cache-Treffer-Eingabe 0,006 $ pro Million Tokens zu Spitzenzeiten und 0,003 $ außerhalb der Spitzenzeiten; Cache-Fehltreffer-Eingabe 0,30 $ / 0,15 $; Ausgabe 1,20 $ / 0,60 $. Spitzenzeiten sind 01:00–04:00 und 06:00–10:00 UTC, Montag bis Freitag, ausgenommen chinesische gesetzliche Feiertage.

• Modell-String — unverändert. deepseek-flash verweist jetzt auf den 1017-Checkpoint. Die ausgemusterten Namen deepseek-v4-flash und deepseek-v4-flash-vision-exp werden weiterhin akzeptiert und weiterhin darauf weitergeleitet, abgerechnet zu Flash-Tarifen.

• Envelope — auf Kartenebene unverändert. Kontextfenster von 1 Mio. Token, max_tokens bei 256K oder höher, temperature 1.0 und top_p 1.0 empfohlen.

• Packaging-Schönheitsfehler — ebenfalls unverändert. Es gibt weiterhin keine Jinja-Chat-Vorlage. Das Repository liefert encoding/encoding.py als Referenzimplementierung mit, die Multi-Turn-Konversation, Tool-Calling, Thinking-Modus, numerischen Reasoning-Aufwand, Systemnachrichten mitten in der Konversation und verschachtelte Bilder abdeckt, und verweist Produktionsnutzer auf deepseek-recipe, eine Rust-Bibliothek mit Python-Bindings.

Die 1017-Karte wiederholt die Architektur nicht. Der Aufbau der Familie – 552B-Backbone, ein Causal Encoder-Decoder, aufgeteilt in einen 20-schichtigen kausalen Encoder und einen 20-schichtigen Decoder, asymmetrische Aktivierung von 8B Parametern beim Prefill und 16B beim Decode, 384 geroutete Experten mit 6 aktiven pro Token, CSA2-Attention, FP4-Main-KV-Caching und ein konditionales 196B-Engram-Gedächtnis – stammt aus der September-Karte, dem technischen Bericht mit dem Titel Pushing the Limits of KV Cache Compression, und der eigenen Zitierungsangabe der Modellkarte. Wer diese Zahlen sucht, sollte sie dem September-Dokument entnehmen, nicht einer 1017-Seite, die diese Zahlen nie für sich beansprucht.

Elf Anbieterzeilen – und die eine, die der Index tatsächlich liest

Die Benchmark-Tabelle des Anbieters ist das einzige vergleichbare Artefakt im Release, und sie wird im Changelog als Bild und auf der Modellkarte als Markdown-Tabelle veröffentlicht. Aus der Karte gelesen, die Spalte 1017 gegenüber der Spalte September: HLE ohne Tools 42,6 (44,0 in der rein textlichen Teilmenge) gegenüber 36,8 (39,1); Terminal-Bench 4.0 42,3 gegenüber 31,2; DeepSWE v1.1 77,0 gegenüber 74,2; ProgramBench 29,1 gegenüber 20,3; NL2Repo-Bench 68,2 gegenüber 65,4; Automation-Bench v1.0.6 60,5 gegenüber 54,8; Agents' Last Exam 35,4 gegenüber 31,8; Apex Bench v1.1 72,1 gegenüber 64,6; Chartography mit Tools 83,0 gegenüber 78,9; BabyVision mit Tools 92,5 gegenüber 89,6; ZeroBench-main mit Tools 51,0 gegenüber 49,0. Alle elf Zeilen steigen. Zwei Fußnoten erläutern die Tabelle näher: Das Dolch-Symbol kennzeichnet die rein textliche Teilmenge von HLE, und Terminal-Bench 4.0 wurde in der Claude-Code-Harness ausgeführt, während DeepSWE v1.1 in Mini-SWE-V2 ausgeführt wurde.

Vergleiche das nun mit dem Artificial Analysis Intelligence Index, um den es bei der Schätzung von 45 auf 46 geht. Die aktuelle Indexversion ist 4.3.2, und er ist eine gewichtete Gesamtwertung aus zehn Evaluierungen unter vier Überschriften: Agenten zu 30 %, Coding zu 20 %, Scientific Reasoning zu 20 %, Allgemeines zu 30 %. Die Gewichte sind veröffentlicht, und sie sind das gesamte Argument. AA-Briefcase v1.1 macht 15 % aus. AA-Omniscience macht 15 % aus, aufgeteilt in Genauigkeit zu 10 % und eine Nicht-Halluzinationsrate zu 5 %. Terminal-Bench 4.0 macht 10 % aus. HLE macht 10 % aus. CritPt, das Forschungsset aus unveröffentlichten Physikaufgaben, macht 10 % aus. GDPval-AA v2.1 macht 10 % aus, GDP.pdf 10 %, SciCode 10 %, AutomationBench-AA 5 % und AA-LCR v1.1 5 %.

Nur eine dieser zehn Evaluierungen erscheint in der elfzeiligen Tabelle von D​eepSeek unter demselben Namen und in derselben Konfiguration: Terminal-Bench 4.0, bei einem Zehntel des Index. HLE erscheint auf beiden Seiten, aber nicht identisch – die Anbieterspalte ist die reine Text-Teilmenge, und der Index verwendet den Nur-Text-Datensatz mit 2.158 Fragen. Alles andere, was der Index liest, einschließlich der beiden schwersten Komponenten, hat überhaupt keine Anbieterzeile. Das ist die Mechanik hinter der Vermutung, keine Kritik am Labor: Es ist einfach so, dass eine Anbietertabelle und ein zusammengesetzter Index aus unterschiedlichen Teilen gebaut werden, und die Überschneidung eine Zeile breit ist.

Woher 45–46 stammt und warum Sie es nicht überprüfen können

Die Prognose ist eine Rechnung auf Basis des September-Werts. Artificial Analysis bewertet den September-Checkpoint DeepSeek V4.1 Flash derzeit mit 39 in seiner Reasoning-Konfiguration bei maximalem Aufwand, was ihn auf Platz neun von 120 Modellen im Intelligence Index bringt und deutlich über dem Median von 19 für Open-Weight-Modelle seiner Größenklasse liegt. Derselbe Eintrag weist Kosten von 0,27 $ pro Index-Aufgabe, 175,9 Ausgabe-Tokens pro Sekunde und 1,23 Sekunden bis zum ersten Token aus. Die Prognose von 45 bis 46 ist daher die Behauptung von etwa sechs oder sieben Indexpunkten durch einen einzigen Checkpoint-Wechsel – ein ungewöhnlich großer Schritt in einem Zug, weshalb der Verfasser sie genau damit absicherte, dass er „wäre ordentlich“ schrieb, statt sie vorherzusagen.

Dort zu landen würde 1017 in eine dicht gedrängte Nachbarschaft versetzen. Die Modelle, die derzeit bei 46 stehen, sind Grok 4.7 mit xhigh und high, MiMo-V2.6-Pro und G​PT-6 Astra mit low effort. Bei 45 sitzen Qwen3.8-Max (0902), M​use Spark 1.3 mit xhigh und G​LM-5.3 mit max. Bei 44 sitzen S​tep 5 Preview und Kimi K3 mit max. Sechs oder sieben Punkte würden D​eepSeeks günstige Stufe von unterhalb des Open-Weight-Clusters in dessen Mitte verschieben, und der Vergleich, den der Poster gewählt hat – „besser als G​rok“ –, ist derjenige, den eine 45 oder 46 bei Grok 4.7s eigener Effort-Einstellung buchstäblich wahr machen würde, während es pro Aufgabe eine Größenordnung weniger kostet. Das ist die nützliche Form der Vermutung: nicht die ganze Zahl, sondern die Preis-zu-Score-Position, die sie impliziert.

Es gibt noch einen weiteren Grund, bei der Baseline selbst vorsichtig zu sein. Eine im September veröffentlichte Analyse eines Drittanbieters nannte den September-Checkpoint mit 40 auf dem Index, auf Rang sechs von 113; die Website zeigt heute 39 auf Rang neun von 120, in einer benannten Indexversion. Gleiche Gewichtungen, unterschiedliche veröffentlichte Ganzzahlen, weil der Index versioniert ist und seine Grundgesamtheit wächst. Jede Prognose, die auf einer Zahl aufbaut, die sich bereits zweimal verändert hat, ist auf Sand gebaut, und die ehrliche Fassung der Behauptung 45–46 ist eine Spanne über eine Spanne.

Die Omniscience-Vorhersage ist diejenige mit einem Mechanismus.

Von allem, was in dem Signal steckt, ist die Behauptung, 1017 werde „erneut von Omniscience abgeschossen“, der Teil, hinter dem ein testbarer Mechanismus steht statt bloß ein Bauchgefühl. AA-Omniscience ist kein Wissensquiz mit Bestehensgrenze. Es bewertet die faktische Zuverlässigkeit anhand von rund 6.000 Fragen aus 42 Themen, vergibt Punkte für richtige Antworten, zieht für Halluzinationen ab und lässt Enthaltungen neutral – eine Antwort zu verweigern ist also besser als falsch zu raten. Ein Modell, das auf agentischen Durchsatz und kurze Ausgaben abgestimmt ist – genau das beschreibt das 1017-Changelog –, ist ein Modell mit weniger Tokens zum Nachdenken pro Antwort. Ob das bei einem Index hilft oder schadet, der selbstsichere falsche Antworten bestraft, ist eine echte offene Frage, und „erneut“ leistet in diesem Satz Arbeit: Es impliziert, dass der September-Checkpoint dort bereits enttäuscht hat. Der Index veröffentlicht Omniscience-Genauigkeit und Nicht-Halluzinationsrate als getrennte Zahlen, aber die DeepSeek-Modellseite zeigt keine Werte pro Benchmark, sodass die Omniscience-Aufschlüsselung für September derzeit nicht von der Website ablesbar ist. Die Vorhersage ist plausibel und heute nicht falsifizierbar.

Die andere Hälfte derselben Beschwerde – dass der Index „immer noch das kaputte CritPt verwendet“ – verweist auf eine echte Eigenschaft des zusammengesetzten Index. CritPt ist unveröffentlichte Physik auf Forschungsebene: Probleme, deren Antworten noch nicht in den Trainingsdaten stehen, was es widerstandsfähig gegen Kontamination macht und zugleich verrauscht und langsam zu aktualisieren. Es macht ein Zehntel des Index aus, das gleiche Gewicht wie HLE und Terminal-Bench 4.0. Eine Modellfamilie, die noch nie eine CritPt-Zeile veröffentlicht hat, trägt einen blinden Fleck von 10 % in jede über sie erstellte Prognose hinein. Beide Hälften der Kritik sind eigentlich dieselbe Beobachtung: Der Index und der Anbieter messen unterschiedliche Dinge, und die Prognose muss diese Lücke mit Annahmen überbrücken.

Die Vals-Nummer ist ein anderes Board mit einer anderen Basis.

Die 57-%-Zahl verdient einen eigenen Absatz, denn sie ist der einzige Teil des Signals, der sich auf eine veröffentlichte Zahl abbilden lässt – und diese Zuordnung ist um ein Jahr veraltet, allerdings in die richtige Richtung. Vals AIs Index setzt das September-DeepSeek V4.1 Flash bei 57,86 % an, auf Platz fünfzehn von 56 Modellen und als bestplatzierten Open-Weight-Eintrag, knapp vor Kimi K3 mit 57,81 %, bei angegebenen 0,30 US-Dollar pro Test. „57 % bei Vals klingt fair“ ist also keine Hochrechnung nach oben, sondern eine Hochrechnung auf ungefähr gleichbleibende Leistung auf einem Board, auf dem der September-Checkpoint bereits der Open-Weight-Spitzenreiter war. Zwei Boards, zwei unterschiedliche Erwartungen, vom selben Poster, im selben Satz: ein großer Sprung nach oben im Index und überhaupt kein Sprung bei Vals. Diese Asymmetrie ist das Informativste an dem Post, denn sie zeigt, dass der Poster erwartet, die 1017-Zugewinne würden sich in den Evaluierungen niederschlagen, die der Index stark und Vals nur schwach gewichtet – agentische Arbeit im Stil von Terminal-Bench, nicht die Breite allgemeiner Wissensarbeit.

Was müsste tatsächlich erneut ausgeführt werden?

Keine der unabhängig kursierenden Zahlen beschreibt die 1017-Gewichte. DeepSeek ersetzte das Modell hinter einem stabilen API-Namen, was bedeutet, dass die Zuordnung jeder veröffentlichten Zahl stillschweigend den Besitzer gewechselt hat: Ein für DeepSeek V4.1 Flash zitierter Score aus einem September-Lauf beschreibt jetzt Gewichte, die der Anbieter nicht mehr bereitstellt, während die Gewichte, die er tatsächlich bereitstellt, überhaupt keinen externen Score haben. Für alle, die einen Checkpoint-Wechsel als Konfigurationsänderung betrachten, gilt die aus der Software abgeleitete praktische Regel: Er erfordert denselben Regressionstest. Fünf Fragen sollten mit Blick auf 1017 beantwortet werden, bevor es in die Nähe eines Produktionspfads gelangt.

• Ist Terminal-Bench 4.0 reproduzierbar? Der Anbieter hat es im Harness von Claude Code von 31,2 auf 42,3 verschoben, und es ist eine der wenigen Zeilen, die ein unabhängiges Gremium auswertet. Die Wahl eines Anbieter-Harness, das einem Modell schmeichelt, ist der älteste Fehlermodus der Benchmark-Berichterstattung.

• Bleibt der DeepSWE-Zugewinn unter einem anderen Scaffold erhalten? 77,0 in Mini-SWE-V2 gegenüber den 74,2 vom September. DeepSWE hat über verschiedene Harnesses hinweg eine große Streuung gezeigt, daher ist das Delta die Aussage, nicht das Niveau.

• Sinkt die Ausgabelänge tatsächlich? Die Kostenbehauptung im Changelog stützt sich auf kürzere Ausgaben, nicht nur auf schnellere. Bei einer nutzungsabhängig abgerechneten API ist das der Unterschied zwischen einer Pareto-Verbesserung und einem Rundungsfehler.

• Verhält sich der Reasoning-Effort-Regler wie erwartet? Effort ist numerisch, wobei low, high und max auf definierte Werte abgebildet werden, high ist der Standard, und temperature wird akzeptiert, aber im Thinking-Modus ignoriert. Teste mit dem exakten Effort-Wert, den die Produktion sendet, denn eine Suite, die mit max läuft, sagt nichts über ein Deployment mit high aus.

• Funktioniert die Tool-Nutzung über mehrere Turns weiterhin im Roundtrip? Bei Tools muss reasoning_content aus jedem früheren Turn – auch aus Turns ohne Tool-Aufruf – zurückgeliefert werden, sonst schlägt die Anfrage fehl. Genau solche Regressionen führt ein Checkpoint-Wechsel still und unbemerkt ein.

Wenn Sie diesen Regressionslauf ausführen möchten, ohne einen Produktionspfad auf ungemessene Gewichte umzustellen, ist das genau der Fall, für den OrcaRouters Failover gebaut ist: Stellen Sie 1017 hinter eine Fallback-Kette, schicken Sie 1017 den Traffic, den Sie zu verlieren bereit sind, und lassen Sie eine fehlschlagende oder langsame Antwort über mehrere Anbieter hinweg erneut versuchen, bevor der Aufrufer sie sieht. Die Preisgestaltung ist die andere Hälfte des Arguments – und die einfachere: DeepSeek hat die Flash-Preisliste unverändert gelassen, und weil OrcaRouter den Listenpreis des Anbieters mit 0 % Aufschlag direkt durchreicht, ändert eine Änderung, die DeepSeeks Preis nicht bewegt, auch unseren nicht. Sie können DeepSeek V4.1 Flash heute zu DeepSeeks eigenen Tarifen erreichen – ohne zweiten Vertrag und ohne Codeänderung –, während die Bestenliste aufholt.

Die Fragen, die das Signal offen lässt

Warum sollte ein Checkpoint-Austausch den Index überhaupt bewegen, wenn die Architektur dieselbe ist?Weil der Index agentische und Coding-Evaluierungen mit der Hälfte seines Gesamtgewichts gewichtet, und genau bei diesen Evaluierungen zeigen sich Post-Training-Änderungen dieser Art am schnellsten. Die schwächste veröffentlichte Kategorie des September-Modells war agentische Arbeit im Verhältnis zu seinem Preis; im 1017-Changelog geht es fast ausschließlich um agentische Arbeit und Kosten pro Aufgabe. Die Prognose ist eine Wette darauf, dass dieselbe Architektur plus besseres Post-Training dort landet, wo die Gewichtungen es vorsehen.

Gibt es eine Möglichkeit, eine 1017-Kennzahl abzulesen, bevor Artificial Analysis eine veröffentlicht? Nur indirekt. Die beiden agentischen Zeilen, die der Anbieter veröffentlicht – Terminal-Bench 4.0 und Automation-Bench –, sind die nächsten Näherungswerte, und beide sind selbstberichtet. Ein dritter Weg ist zu beobachten, ob der September-Eintrag in einer unabhängigen Rangliste umbenannt, neu ausgeführt oder unverändert gelassen wird; eine veraltete Zeile, die ihren alten Score behält, während sich die ausgelieferten Gewichte ändern, ist das klarste Signal dafür, dass eine Zahl nicht mehr bedeutet, was sie sagt.

Bedeutet der unveränderte Preis, dass die Pareto-Behauptung zutrifft? Es bedeutet, dass die Behauptung überprüfbar ist. Eine „Pareto-Verbesserung bei Leistung und Kosten“ bei einer festen Preisliste ist nur dann wahr, wenn die Ausgabe-Tokens pro Aufgabe sinken, denn das ist der einzige verbleibende Hebel. Der Anbieter sagt, dass sowohl die Laufzeit der Aufgaben als auch die Ausgabelänge gesunken sind. Das ist die einzige Behauptung auf der Seite, die ein Leser mit seiner eigenen Rechnung überprüfen kann.

Was als Nächstes ansehen

Die zu bewertende Prognose ist konkret, und genau das macht sie wert, festgehalten zu werden. Wenn eine 1017-Zeile im Intelligence Index bei 45 oder 46 erscheint, hat der Poster die Position und den Mechanismus richtig vorhergesagt – eine stark auf Agentik ausgerichtete Gewichtung plus eine bekannte Schwachstelle bei Omniscience –, und die nützliche Lehre ist, dass der Composite Score anhand der Anbietertabelle vorhersagbar wurde, sobald man die Gewichte sorgfältig las. Landet sie bei oder unter der September-Marke von 39, ist die Lehre die gegenteilige und teurere: Eine Anbietertabelle mit elf Zeilen, die sich in jeder Zeile nach oben bewegt, kann einen Composite Score dennoch unverändert lassen, weil die Zeilen, die sich bewegt haben, nicht die Zeilen sind, die zählen. Beide möglichen Ausgänge sind lediglich eine einzelne Umfrage zu einem einzigen Modell, kein Urteil über das Labor, und die Zahl, die darüber entscheidet, ist eine, die ein Leser heute nicht berechnen kann.

Was ein Leser heute tun kann, ist günstiger als eine Prognose. Die Gewichte sind MIT-lizenziert und die API ist zum Septemberpreis live, also ist der Monat, bevor irgendjemand ein Ranking veröffentlicht, der Monat, um sich eine eigene Meinung zu den drei Fragen zu bilden, die Ihnen wichtig sind: Erledigt es Ihre agentischen Aufgaben schneller, sagt es dabei weniger und bewährt es sich auf den Multi-Turn-Tool-Pfaden, die Sie tatsächlich ausführen.

Quellenhinweis: Jede DeepSeek-Angabe in diesem Beitrag – die elf Benchmark-Zeilen, die 763B Parameter insgesamt, das 1M-Token-Fenster, die MIT-Lizenz, die unveränderte Tarifkarte und die Harness-Empfehlungen – stammt aus dem eigenen Changelog-Eintrag des Anbieters vom 17. Oktober, seiner Modellkarte auf Hugging Face und seiner veröffentlichten Preisseite. Jede unabhängige Zahl – die 39 im Intelligence Index, Platz neun von 120, die $0,27 Kosten pro Index-Aufgabe, die 175,9 Token pro Sekunde und die Gewichtung über zehn Evaluierungen, die den Score trägt – stammt von Artificial Analysis, abgerufen am 18. Oktober 2026. Die Prognose von 45 auf 46, die 57%-Erwartung für Vals und die Omniscience-Vorhersage sind Schätzungen eines einzelnen Beobachters zu einem Modell, das in keinem dieser Boards eine 1017-Zeile hat, und sie werden überall, wo sie erscheinen, als Schätzungen gekennzeichnet.

Die dokumentierten KI-Ausfälle und Agent-Vorfälle hinter Veröffentlichungen wie dieser werden gesammelt in dem OrcaRouter AI Incident Archive, wo jeder Eintrag eigene Quellen, Schweregrad, Konfidenzstufe und eine Kennzeichnung als strittig enthält.