DeepSeek-V4.1-Flash-1017: una conjetura de 45 a 46, un registro de cambios de tres frases y la única fila que comparten ambas tablas de clasificación

DeepSeek-V4.1-Flash-1017 es real y ya tiene un día. Puedes leer la entrada del registro de cambios fechada el 2026-10-17, descargar 763 mil millones de parámetros de pesos bajo licencia MIT desde Hugging Face e invocarlo ahora mismo con la cadena de modelo deepseek-flash sin cambios y la tarifa sin cambios. Lo que no puedes hacer es consultar en qué puesto se ubica. La publicación más sustancial sobre DeepSeek V4.1 Flash el día después de que se publicara su actualización no fue un resultado: fue una conjetura. Un seguidor cercano del laboratorio situó la puntuación final del modelo en el Artificial Analysis Intelligence Index en 45 a 46, y predijo Grok 4.7 como la cifra que supera por poco y AA-Omniscience como la evaluación que lo aplana, y ofreció 57% como una expectativa razonable en el Vals Index. Cada una de esas cifras es un pronóstico sobre una tabla de puntuaciones que todavía no tiene una fila para 1017. El lanzamiento es un hecho. El puesto es una apuesta, y lo interesante es por qué nadie puede resolverlo hoy.

¿Qué se lanzó realmente el 17 de octubre?

La fuente primaria es breve. La entrada del registro de cambios de D​eepSeek del 2026-10-17 dice que V4.1 Flash "se ha actualizado a D​eepSeek-V4.1-Flash-1017", que los modelos web y de la aplicación se actualizaron junto con él, que "el método de llamada a la API y el precio no cambian", y que las llamadas a deepseek-flash llegan al modelo más reciente. Esa es toda la afirmación a nivel de especificación. El repositorio correspondiente, deepseek-ai/D​eepSeek-V4.1-Flash-1017, se creó a las 02:40 UTC del 17 de octubre y se modificó por última vez a las 05:46 UTC del mismo día; su índice de safetensors suma 763.205.315.794 parámetros entre los tipos de tensor BF16, F32, F8_E4M3 e I8. La licencia es MIT. Nada de esto es una filtración.

El registro de cambios añade tres cosas que no son números. Llama a la actualización una «mejora de Pareto de rendimiento y coste». Nombra los arneses de evaluación con los que se ajustó —D​eepSeek Harness, T​encent CodeBuddy y WorkBuddy— y dice a los usuarios que pasen a D​eepSeek Harness 0.2.1-rc.1 o una versión posterior. Y muestra cuatro demostraciones de proyectos, renderizadas como animación: un modelo 3D de la Ciudad Prohibida, un juego de carreras para navegador, una recreación de Portal 2 creada en Godot y una escena 3D llamada «Valley of Ages». Son artefactos de marketing, no mediciones, y por eso este texto las mantiene en un párrafo aparte de las puntuaciones.

Lo que no cambió es tan determinante como lo que sí cambió, porque es la parte que lleva dinero aparejado:

• Tarifario — sin cambios. Entrada con acierto de caché: $0.006 por millón de tokens en hora punta y $0.003 fuera de hora punta; entrada con fallo de caché: $0.30 / $0.15; salida: $1.20 / $0.60. Hora punta significa 01:00–04:00 y 06:00–10:00 UTC, de lunes a viernes, excluidos los días festivos públicos de China.

• Cadena de modelo — sin cambios. deepseek-flash ahora se resuelve en el checkpoint 1017. Los nombres retirados deepseek-v4-flash y deepseek-v4-flash-vision-exp todavía se aceptan y se siguen enrutando a él, con facturación a tarifas de Flash.

• Envelope — sin cambios a nivel de tarjeta. Ventana de contexto de 1M de tokens, max_tokens en 256K o superior, se recomienda temperatura 1.0 y top_p 1.0.

• Defecto de empaquetado — también sin cambios. Sigue sin haber una plantilla de chat de Jinja. El repositorio incluye encoding/encoding.py como implementación de referencia que abarca conversaciones multiturno, llamada a herramientas, modo de pensamiento, esfuerzo de razonamiento numérico, mensajes de sistema en mitad de la conversación e imágenes intercaladas, y remite a los usuarios de producción a deepseek-recipe, una biblioteca de Rust con bindings de Python.

La tarjeta 1017 no repite la arquitectura. La forma de la familia —red troncal de 552B, un codificador-decodificador causal dividido en un codificador causal de 20 capas y un decodificador de 20 capas, activación asimétrica de 8B parámetros durante el prellenado y de 16B durante la decodificación, 384 expertos enrutados con 6 activos por token, atención CSA2, caché de KV principal en FP4 y una memoria condicional Engram de 196B— proviene de la tarjeta de septiembre, el informe técnico titulado Pushing the Limits of KV Cache Compression, y la propia cita de la tarjeta del modelo. Un lector que quiera esas cifras debería tomarlas del documento de septiembre, no de una página 1017 que nunca las afirma.

Once filas de proveedores, y la que el índice realmente lee

La tabla de referencia de proveedores es el único artefacto comparable en la versión, y se publica como imagen en el registro de cambios y como tabla Markdown en la ficha del modelo. Leída de la ficha, la columna 1017 frente a la columna de septiembre: HLE sin herramientas 42,6 (44,0 en el subconjunto de solo texto) frente a 36,8 (39,1); Terminal-Bench 4.0 42,3 frente a 31,2; DeepSWE v1.1 77,0 frente a 74,2; ProgramBench 29,1 frente a 20,3; NL2Repo-Bench 68,2 frente a 65,4; Automation-Bench v1.0.6 60,5 frente a 54,8; Agents' Last Exam 35,4 frente a 31,8; Apex Bench v1.1 72,1 frente a 64,6; Chartography con herramientas 83,0 frente a 78,9; BabyVision con herramientas 92,5 frente a 89,6; ZeroBench-main con herramientas 51,0 frente a 49,0. Las once filas suben. Dos notas al pie matizan la tabla: el símbolo de daga marca el subconjunto de solo texto de HLE, y Terminal-Bench 4.0 se ejecutó en el entorno de C​laude Code, mientras que DeepSWE v1.1 se ejecutó en Mini-SWE-V2.

Ahora pon eso en relación con el Artificial Analysis Intelligence Index, que es aquello sobre lo que versa la estimación de 45 a 46. La versión actual del índice es 4.3.2 y es un compuesto ponderado de diez evaluaciones bajo cuatro rúbricas: Agentes al 30 %, Programación al 20 %, Razonamiento científico al 20 %, General al 30 %. Los pesos están publicados y son todo el argumento. AA-Briefcase v1.1 representa el 15 %. AA-Omniscience representa el 15 %, dividido en precisión con un 10 % y una tasa de no alucinación con un 5 %. Terminal-Bench 4.0 representa el 10 %. HLE representa el 10 %. CritPt, el conjunto de física inédita a nivel de investigación, representa el 10 %. GDPval-AA v2.1 representa el 10 %, GDP.pdf el 10 %, SciCode el 10 %, AutomationBench-AA el 5 % y AA-LCR v1.1 el 5 %.

Solo una de esas diez evaluaciones aparece en la tabla de once filas de DeepSeek con el mismo nombre y la misma configuración: Terminal-Bench 4.0, con una décima parte del índice. HLE aparece en ambos lados, pero no de forma idéntica: la columna del proveedor es el subconjunto de texto puro, y el índice ejecuta el conjunto de solo texto de 2.158 preguntas. Todo lo demás que lee el índice, incluidos los dos componentes más pesados, no tiene ninguna fila del proveedor. Esa es la mecánica que hay detrás de la conjetura, no una crítica al laboratorio: sencillamente, una tabla de proveedor y un índice compuesto se construyen con partes distintas, y la superposición es de una sola fila.

De dónde viene 45–46, y por qué no puedes comprobarlo

La previsión es aritmética sobre la puntuación de septiembre. Artificial Analysis actualmente puntúa el checkpoint de septiembre de DeepSeek V4.1 Flash con 39 en su configuración de razonamiento con esfuerzo máximo, lo que lo sitúa en noveno lugar de 120 modelos en el Intelligence Index y muy por encima de la mediana de 19 para modelos de pesos abiertos de su clase de tamaño. La misma entrada registra un costo de $0.27 por tarea del índice, 175.9 tokens de salida por segundo y 1.23 segundos hasta el primer token. Por lo tanto, la previsión de 45 a 46 es una afirmación de aproximadamente seis o siete puntos del índice con un solo cambio de checkpoint —un salto de un solo paso inusualmente grande, que es exactamente por lo que el autor de la publicación lo matizó con «sería decente» en lugar de predecirlo.

Aterrizar ahí pondría a 1017 en una compañía muy concurrida. Los modelos que actualmente están en 46 son G​rok 4.7 en xhigh y high, MiMo-V2.6-Pro y G​PT-6 Astra en esfuerzo bajo. En 45 se sitúan Qwen3.8-Max (0902), M​use Spark 1.3 en xhigh y G​LM-5.3 en max. En 44 se sitúan S​tep 5 Preview y Kimi K3 en max. Seis o siete puntos moverían el nivel barato de D​eepSeek de estar por debajo del grupo de pesos abiertos al centro del mismo, y la comparación que eligió quien publicó el mensaje —«mejor que G​rok»— es justamente la que un 45 o un 46 haría literalmente cierta en el propio ajuste de esfuerzo de G​rok 4.7, y además con un coste de un orden de magnitud menos por tarea. Esa es la forma útil de la conjetura: no el número entero, sino la posición de precio frente a puntuación que implica.

Hay una razón más para tener cuidado con la propia línea de base. Un artículo de terceros publicado en septiembre citaba el punto de control de septiembre en 40 en el índice, en el puesto sexto de 113; el sitio muestra 39 en el noveno puesto de 120 hoy, en una versión denominada del índice. Mismos pesos, distintos enteros publicados, porque el índice está versionado y su población crece. Cualquier pronóstico construido sobre un número que ya se ha movido dos veces es un pronóstico construido sobre arena, y la versión honesta de la afirmación de 45–46 es un rango sobre otro rango.

La predicción de Omniscience es la que tiene un mecanismo.

De todo lo que hay en la señal, la afirmación de que 1017 «volverá a ser hundido por Omniscience» es la parte que tiene detrás un mecanismo comprobable en lugar de una impresión. AA-Omniscience no es un cuestionario de conocimientos con una nota de aprobado. Puntúa la fiabilidad fáctica en unas 6.000 preguntas que abarcan 42 temas, otorga puntos por respuestas correctas, resta por alucinaciones y deja las abstenciones neutrales; por tanto, abstenerse de responder supera a adivinar mal. Un modelo ajustado para el rendimiento agéntico y las salidas breves, que es lo que describe el registro de cambios de 1017, es un modelo con menos tokens de deliberación por respuesta. Que eso ayude o perjudique en un índice que penaliza las respuestas erróneas dadas con seguridad es una verdadera cuestión abierta, y «de nuevo» cumple una función en esa frase: implica que el checkpoint de septiembre ya decepcionó en ese aspecto. El índice publica la precisión de Omniscience y la tasa de no alucinación como cifras separadas, pero la página del modelo D​eepSeek no muestra cifras por benchmark, por lo que actualmente no se puede leer desde el sitio el desglose de Omniscience de septiembre. La predicción es plausible y, a día de hoy, no es falsable.

La otra mitad de la misma crítica —que el índice «sigue usando el CritPt roto»— apunta a una propiedad genuina del compuesto. CritPt es física inédita a nivel de investigación: problemas cuyas respuestas aún no están en los datos de entrenamiento, lo que lo hace resistente a la contaminación y, a la vez, ruidoso y lento de actualizar. Representa una décima parte del índice, el mismo peso que HLE y Terminal-Bench 4.0. Una familia de modelos que nunca ha publicado una fila de CritPt arrastra un punto ciego del 10 % a cada pronóstico que se hace sobre ella. Ambas mitades de la crítica son en realidad la misma observación: el índice y el proveedor están midiendo cosas distintas, y el pronóstico tiene que salvar esa brecha con supuestos.

El número de Vals es un tablero diferente con una base diferente.

La cifra del 57% merece su propio párrafo porque es la única parte de la señal que se corresponde con un número publicado, y esa correspondencia tiene un año de antigüedad, pero en la dirección correcta. El índice de Vals AI sitúa el DeepSeek V4.1 Flash de septiembre en el 57,86%, decimoquinto de 56 modelos y el mejor modelo de pesos abiertos, ligeramente por delante de Kimi K3 con el 57,81%, a un coste declarado de $0.30 por prueba. Así que «57% en Vals suena justo» no es una proyección al alza: es una proyección de un rendimiento más o menos plano en una clasificación donde el checkpoint de septiembre ya era el líder de pesos abiertos. Dos clasificaciones, dos expectativas distintas, del mismo autor, en la misma frase: un gran salto en el índice y ningún salto en absoluto en Vals. Esa asimetría es lo más informativo de la publicación, porque te dice que el autor espera que las mejoras de 1017 recaigan en las evaluaciones que el índice pondera mucho y que Vals pondera poco: trabajo agéntico al estilo Terminal-Bench, no amplitud general de trabajo de conocimiento.

¿Qué habría que volver a ejecutar realmente?

Ninguno de los números independientes en circulación describe los pesos de 1017. DeepSeek sustituyó el modelo que hay detrás de un nombre de API estable, lo que significa que la propiedad de cada cifra publicada ha cambiado de manos silenciosamente: una puntuación citada para DeepSeek V4.1 Flash de una ejecución de septiembre ahora describe unos pesos que el proveedor ya no sirve, mientras que los pesos que sí sirve no tienen ninguna puntuación externa. Para cualquiera que trate un cambio de checkpoint como un cambio de configuración, la regla práctica es la que se extrae del software: merece la misma pasada de regresión. Vale la pena responder cinco preguntas sobre 1017 antes de que se acerque a una ruta de producción.

• ¿Se reproduce Terminal-Bench 4.0? El proveedor lo llevó de 31,2 a 42,3 en el harness de C​laude Code, y es una de las pocas filas que lee un panel independiente. La elección de un harness del proveedor que favorezca a un modelo es el modo de fallo más antiguo en la presentación de resultados de benchmarks.

• ¿La ganancia de DeepSWE se mantiene con un andamiaje distinto? 77,0 en Mini-SWE-V2 frente al 74,2 de septiembre. DeepSWE ha mostrado una gran dispersión entre arneses, así que lo que se afirma es la diferencia, no el nivel.

• ¿Realmente disminuye la longitud de salida? La afirmación sobre el costo en el registro de cambios se basa en salidas más cortas, no solo más rápidas. En una API de pago por uso, esa es la diferencia entre una mejora de Pareto y un error de redondeo.

• ¿Se comporta bien el control de esfuerzo de razonamiento? El esfuerzo es numérico, con low, high y max asignados a valores definidos; high es el valor predeterminado, y la temperatura se acepta pero se ignora en el modo de pensamiento. Prueba con el valor exacto de esfuerzo que envía producción, porque una suite ejecutada en max no te dice nada sobre un despliegue en high.

• ¿El uso de herramientas multiturno sigue completando el ciclo de ida y vuelta? Con herramientas, el reasoning_content de cada turno anterior —incluidos los turnos sin llamada a herramientas— tiene que volver, o la solicitud falla. Ese es el tipo de regresión que un cambio de checkpoint introduce de forma silenciosa.

Si quieres ejecutar esa pasada de regresión sin mover una ruta de producción a pesos no medidos, este es el caso para el que está diseñada la conmutación por error de OrcaRouter: coloca 1017 detrás de una cadena de respaldo, envíale el tráfico que estés dispuesto a perder y deja que una respuesta fallida o lenta se reintente entre proveedores antes de que el llamador la vea. El precio es la otra mitad del argumento, y la más sencilla: DeepSeek mantuvo sin cambios la lista de tarifas de Flash y, como OrcaRouter traslada directamente el precio de lista del proveedor con un 0 % de margen, un cambio que no altera el precio de DeepSeek no altera el nuestro. Hoy puedes acceder a DeepSeek V4.1 Flash con las tarifas propias de DeepSeek, sin un segundo contrato y sin cambios en el código, mientras la tabla de clasificación se pone al día.

Las preguntas que la señal deja abiertas

¿Por qué habría de mover el índice siquiera un intercambio de checkpoint, si la arquitectura es la misma?Porque el índice pondera las evaluaciones agénticas y de codificación con la mitad de su total, y son las evaluaciones en las que los cambios de post-entrenamiento de este tipo aparecen más rápido. La categoría publicada más débil del modelo de septiembre era el trabajo agéntico en relación con su precio; el changelog de 1017 trata casi por completo del trabajo agéntico y del coste por tarea. La previsión es una apuesta a que la misma arquitectura más un mejor post-entrenamiento acabe donde los pesos indican que debería.

¿Hay alguna forma de leer un número 1017 antes de que Artificial Analysis publique uno? Solo de forma indirecta. Las dos filas agénticas que publica el proveedor —Terminal-Bench 4.0 y Automation-Bench— son los proxies más cercanos, y ambas son autodeclaradas. Una tercera vía es observar si la entrada de septiembre en un panel independiente se renombra, se vuelve a ejecutar o se deja intacta; una fila desactualizada que conserva su antigua puntuación mientras los pesos servidos cambian es la señal más clara de que un número ya no significa lo que dice.

¿Que el precio no haya cambiado significa que la afirmación de Pareto es real? Significa que la afirmación es comprobable. Una «mejora de Pareto en rendimiento y coste» con una tarifa fija solo es cierta si caen los tokens de salida por tarea, porque esa es la única palanca que queda. El proveedor afirma que tanto el tiempo de ejecución de las tareas como la longitud de salida disminuyeron. Esa es la única afirmación de la página que un lector puede verificar con su propia factura.

Qué ver a continuación

El pronóstico que hay que calificar es específico, y eso es lo que hace que valga la pena conservarlo. Si una fila 1017 aparece en el Intelligence Index en 45 o 46, quien publicó acertó la posición y el mecanismo —una ponderación con un alto componente agéntico más un punto débil conocido en Omniscience—, y la lección útil es que el compuesto se volvió predecible a partir de la tabla de proveedores una vez que se leyeron con cuidado las ponderaciones. Si queda en 39 o por debajo del 39 de septiembre, la lección es la contraria y más costosa: una tabla de proveedores de once filas que sube en todas las líneas puede aun así dejar plano un puntaje compuesto, porque las filas que se movieron no son las filas que cuentan. Cualquiera de los dos resultados es una sola encuesta de un solo modelo, no un veredicto sobre el laboratorio, y el número que lo decide es uno que un lector no puede calcular hoy.

Lo que un lector puede hacer hoy sale más barato que una previsión. Los pesos tienen licencia MIT y la API ya está disponible al precio de septiembre, así que el mes antes de que alguien publique una clasificación es el mes para formarte tu propia opinión sobre las tres preguntas que te importan: ¿termina tus tareas agénticas más rápido?, ¿dice menos mientras lo hace? y ¿se mantiene a la altura en las rutas de herramientas multiturno que realmente ejecutas?

Nota de la fuente: cada cifra de DeepSeek en este artículo —las once filas de benchmark, el total de 763B parámetros, la ventana de 1M tokens, la licencia MIT, la tarifa sin cambios y las recomendaciones de harness— proviene de la propia entrada del changelog del proveedor del 17 de octubre, su model card en Hugging Face y su página de precios publicada. Cada cifra independiente —el 39 en el Intelligence Index, el puesto número nueve de 120, el coste de 0,27 $ por tarea del índice, los 175,9 tokens por segundo y la ponderación de diez evaluaciones que sustenta la puntuación— proviene de Artificial Analysis, consultada el 18 de octubre de 2026. La previsión de 45 a 46, la expectativa del 57 % de Vals y la predicción de Omniscience son estimaciones de un observador sobre un modelo que no tiene fila 1017 en ninguno de estos tableros, y se etiquetan como estimaciones en todas sus apariciones.

Los fallos de IA documentados y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.