
DeepSeek V4.1 Flash 1017 sube 19 puntos en FrontierMath Tier 4 — y DeepSeek nunca lo mencionó
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 90 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaNUEVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaNUEVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaNUEVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 por 1M de tokens · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 192 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 134 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 128 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligencia
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligencia
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 por 1M de tokens · 186 tok/s
El número de benchmark más interesante asociado a DeepSeek V4.1 Flash 1017 es uno que el proveedor no publicó. El 21 de octubre de 2026, cinco días después de que se lanzara el checkpoint, el rastreador BenchLeader añadió un resultado de FrontierMath Tier 4 para el modelo: 46,3 % con el máximo esfuerzo de razonamiento. Eso es una distancia de un problema respecto a Qwen3.8-Max, que midió 46,3 % el 2 de agosto, y está a la par de Claude Haiku 5.5, que midió 46,3 % el 7 de octubre. También está aproximadamente diecinueve puntos por encima de donde se sitúa cada checkpoint anterior de DeepSeek en la misma tabla. El propio registro de cambios de DeepSeek para la actualización del 17 de octubre enumera nueve benchmarks. Ninguno de ellos es un benchmark de matemáticas. Se sirve en OrcaRouter junto con la versión de septiembre bajo deepseek/deepseek-v4.1-flash, así que puedes ejecutar el mismo conjunto de prompts con ambos checkpoints.
Esa brecha entre lo que DeepSeek afirmó y lo que midió un tercero es la historia aquí. El checkpoint 1017 se anunció como una versión de coste y velocidad —la frase en el changelog es «mejora de Pareto en rendimiento-coste», con salidas más cortas y finalización de tareas más rápida. La tabla de benchmarks de ese mismo changelog es todo trabajo agéntico: HLE sin herramientas, Terminal-Bench 4.0, DeepSWE v1.1, ProgramBench, Apex Bench, Agents' Last Exam. Matemáticas no está en la lista. Así que o las matemáticas de DeepSeek mejoraron como efecto secundario no anunciado del trabajo agéntico, o un sitio de seguimiento tiene una fila que los demás no tienen. Vale la pena tomarse en serio ambas lecturas, y llevan a consejos distintos.
Qué pide realmente Tier 4 v2, y por qué el número de problemas importa más que el porcentaje
FrontierMath Tier 4 v2 es el nivel de grado de investigación del benchmark de Epoch AI: un conjunto de expansión privado de 43 problemas de nivel de investigación, publicado el 12 de junio de 2026, con modelos autorizados a ejecutar Python en un sandbox sin estado contra una lista fija de bibliotecas. El denominador puntuado parece ser 41: las puntuaciones publicadas son divisibles exactamente por él, ya que 19 correctas de 41 es 46,34 % y 11 de 41 es 26,83 %. En cualquier caso, el conjunto es lo bastante pequeño como para que un problema valga aproximadamente 2,4 puntos porcentuales, y ese es el detalle que rige todo lo demás en esta página. Dos puntuaciones que parecen muy distantes en una tabla de clasificación pueden estar separadas por ocho preguntas.
Que es exactamente lo que indican las cifras de DeepSeek. Una puntuación del 46,3 % equivale a diecinueve respuestas correctas frente a ese denominador. La puntuación del 26,8 % que arrastran los checkpoints anteriores equivale a once. Todo el «salto de diecinueve puntos» son ocho problemas. Es una diferencia real —ocho problemas de cuarenta y uno no son ruido en el sentido habitual—, pero también es una muestra lo bastante pequeña como para que un solo cambio de herramienta, un cambio en el prompt de sistema o un ajuste de esfuerzo distinto puedan mover a un modelo varios puestos. Cuando cuatro modelos están empatados en el 46,3 %, no están separados de forma significativa. Todos están a un problema de distancia entre sí.
La trayectoria: tres puntos de control planos, luego un escalón
La razón por la que el 46.3 se registra como una novedad y no como un artefacto de redondeo es lo que vino antes. En las últimas cuatro entradas de DeepSeek en FrontierMath Tier 4 v2, la línea es plana y luego vertical:
• DeepSeek V4 Flash 0731 — 24,4 %, el checkpoint de julio
• DeepSeek V4 Pro 0813 — 26,8 %, el buque insignia de agosto
• DeepSeek V4.1 Flash (0910) — 26,8 %, la versión de septiembre que sustituyó a ambos
• DeepSeek V4.1 Flash 1017 — 46,3 %, el checkpoint de octubre, con el máximo esfuerzo
Las franjas más fáciles también se movieron, aunque de forma modesta: BenchLeader registra un 71,2 % en FrontierMath Tiers 1–3 para la compilación 1017, frente al 67,4 % de la de septiembre. Esa es la forma que cabría esperar de una mejora genuina de capacidad: unos pocos puntos donde las preguntas son abordables y un avance mucho mayor donde no lo son. También es la forma que cabría esperar de un cambio en el arnés que ayuda de manera desproporcionada en los problemas más difíciles, y por eso es importante la siguiente sección.
En qué foro crees depende de qué foro leas.
Revisamos cinco rastreadores. Dos de ellos ya muestran un 46,3 % para la compilación 1017. Tres no.
• BenchLeader — 46,3 % en el Nivel 4 y 71,2 % en los Niveles 1–3, con el máximo esfuerzo, resultado añadido el 21 de octubre de 2026
• DataLearner, que ahora se presenta como LLMLearner — 46,34 %, empatado en el puesto 21, evaluado en una configuración «Max (With Tools)», último resultado añadido el 26 de octubre de 2026 y marcado en la clasificación como la mejor puntuación de pesos abiertos
• benchlm.ai — 26,829 %, puesto 30, «resolución iterativa de problemas matemáticos con Python», página actualizada el 25 de octubre de 2026
• tensor.news — no hay ninguna fila 1017; su entrada de DeepSeek V4.1 Flash indica 26,83 %, medida el 9 de septiembre de 2026
• trustthebench — 26%, en una página fechada el 26 de agosto de 2026, que antecede por completo al checkpoint

Los tres disidentes comparten un problema de procedencia. La cifra 26,83 es, con dos decimales, la puntuación que obtuvo la compilación de septiembre. Un rastreador que traslada una nueva etiqueta de modelo a una medición antigua produce exactamente este patrón, y la página fechada en agosto es prueba inequívoca de que al menos uno de ellos lo está haciendo. Eso no convierte el 46,3 en una referencia autorizada: convierte el 26,8 en obsoleto en lugar de contradictorio.
Lo que lo zanjaría es un segundo arnés de evaluación. Ni el 46,3 ni el 71,2 se han reproducido fuera de la capa de seguimiento, y DeepSeek no ha publicado ninguna evaluación matemática propia para este checkpoint. Trate la cifra como una señal sólida de terceros, no como un hecho establecido sobre el modelo. Si necesita una cifra defendible para un documento de contratación, todavía no la tiene.
¿Por qué DeepSeek lanzaría una mejora en matemáticas y no lo mencionaría?
La tabla del registro de cambios explica la omisión mejor de lo que lo haría cualquier conspiración. La actualización 1017 se presenta como una versión centrada en la programación y en agentes, y las cifras del proveedor están totalmente en ese registro: HLE sin herramientas sube de 36,8 a 42,6, Terminal-Bench 4.0 de 31,2 a 42,3, DeepSWE v1.1 de 74,2 a 77,0, ProgramBench de 20,3 a 29,1, Apex Bench de 64,6 a 72,1. Un modelo ajustado con trayectorias agénticas largas —donde la recompensa es terminar una tarea de varios pasos en lugar de emitir un token final correcto— adquirirá resistencia matemática como subproducto. Las matemáticas difíciles y las ejecuciones largas de agentes recompensan el mismo comportamiento: seguir comprobando, no detenerse antes de tiempo.

Los evaluadores independientes encontraron lo contrario de lo que predice esa teoría, que es lo que hace que todo el asunto sea interesante. En una muestra de matemáticas difíciles, la salida de razonamiento de esfuerzo mínimo medida por el evaluador sference cayó de 1,974 tokens a 790, con la salida mediana de AIME bajando de 1,681 a 1,124. Un razonamiento más corto con esfuerzo mínimo no es lo que cabría esperar de un modelo que acaba de ganar diecinueve puntos en matemáticas de investigación. La reconciliación más probable depende del esfuerzo: el 46.3 se registró con esfuerzo máximo, y lo que cambió es cuánto piensa el modelo cuando se le deja pensar, no con qué eficiencia piensa cuando no se le deja.
Dónde se sitúa realmente 46,3
El mejor empatado entre los modelos chinos no es lo mismo que estar cerca de la frontera, y la misma tabla lo deja claro en un par de filas. Los líderes de Tier 4 v2 son una clase de modelo completamente distinta: GPT-6.1 Sol con 100%, GPT-6 Astra con 97.6%, Claude Opus 5.5 con 95%, Claude Fable 5 con 90.2%, GPT-6 Sol con 90%. El modelo más cercano por encima del grupo de 46.3 es GPT-5.4 con 49%. La tabla de clasificación de LLMLearner etiqueta 46.3 como la mejor puntuación de pesos abiertos de la tabla. Una puntuación de medio centenar en el nivel más difícil es un resultado excelente para un modelo de pesos abiertos y uno pobre para un modelo de frontera, y DeepSeek V4.1 Flash 1017 está firmemente en la primera categoría.
• Puntuación de Tier 4 v2 — DeepSeek V4.1 Flash 1017 46,3 % vs Qwen3.8-Max 46,3 % vs Claude Haiku 5.5 46,3 % (empatados, 21.º)
• FrontierMath Niveles 1–3 — DeepSeek V4.1 Flash 1017 71.2% frente a su propia versión de septiembre con 67.4%
• Pesos — con licencia MIT, descargables, una mezcla de expertos de 552B parámetros con una tabla de memoria condicional separada; los rastreadores sitúan la huella completa en disco cerca de los 763B parámetros
• Precio — $0.30 por millón de entrada y $1.20 por millón de salida en hora pico, $0.15 y $0.60 fuera de hora pico, sin cambios desde septiembre
• Contexto — 1M tokens, con entrada de imágenes
• Afirmaciones matemáticas del proveedor: ninguna; FrontierMath no aparece en ninguna de las tablas publicadas por DeepSeek

La lectura práctica: si tu trabajo es matemática de estilo competitivo y tu alternativa era un modelo de pesos abiertos, 46,3 cambia el cálculo, porque sitúa un modelo de 552B con licencia MIT en la misma banda que dos modelos propietarios que cuestan más por token. Si tu alternativa era un modelo cerrado de frontera, nada de esto cierra la brecha: la diferencia de 95 a 46 en el nivel 4 no es un error de redondeo.
Poner a prueba la afirmación con tus propios problemas, sin apostar por ella una ruta de producción
Dado que el 46.3 se basa en 41 problemas privados y una capa de seguimiento, lo sensato es medirlo con tu propia carga de trabajo en lugar de fiarte de cualquiera de las dos cifras. DeepSeek V4.1 Flash 1017 se sirve en OrcaRouter como deepseek/deepseek-v4.1-flash-1017, junto con la compilación de septiembre en deepseek/deepseek-v4.1-flash — lo que significa que puedes ejecutar el mismo conjunto de prompts contra ambos checkpoints con una sola clave de API y comprobar si la diferencia de ocho problemas aparece en tus propias evaluaciones. No hay un segundo contrato ni cambios en el código; la cadena del modelo es la única diferencia.
Dos cosas de la capa de enrutamiento son relevantes para una decisión tan incierta. El precio se repercute al precio de lista del proveedor con un 0% de margen, así que la tarifa fuera de horas punta de DeepSeek, de $0.15 y $0.60, está vigente aquí el mismo día que en cualquier otro lugar, y un cambio de precio del proveedor no espera a que sincronicemos un catálogo. Más útil mientras se disputa un benchmark: la conmutación automática por fallo y el DSL de enrutamiento te permiten enviar la porción de matemáticas difíciles al build 1017 con el máximo esfuerzo y recurrir a un modelo más potente cuando devuelve una respuesta que no puedes verificar; así que una ganancia no demostrada de diecinueve puntos te cuesta una regla de enrutamiento en lugar de una migración.
¿Qué cambiaría esta historia?
Hay tres cosas que vale la pena observar, y las tres son verificables. La primera es si benchlm.ai y tensor.news actualizan sus 1017 filas a algo distinto de 26,8; si dos rastreadores más convergen en la medición de octubre, se confirma la interpretación de filas obsoletas y el número pasa a ser ordinario. La segunda es si DeepSeek añade una fila de matemáticas a su propia tabla comparativa en un futuro registro de cambios: un proveedor que creyera haber ganado diecinueve puntos en FrontierMath probablemente lo diría, y el silencio al respecto es una evidencia leve en contra. La tercera es una reproducción sin herramientas. El 46,3 se registró con herramientas permitidas, y una ejecución sin estado indicaría si la ganancia es razonamiento matemático o un mejor uso de un sandbox de Python.
Hasta que uno de esos llegue a buen puerto, el resumen honesto es limitado. Un checkpoint de nueve días, una licencia MIT y un precio de entrada de $0.30 han quedado en la misma banda que Qwen3.8-Max y Claude Haiku 5.5 en el nivel público de matemáticas más difícil — en dos trackers, con esfuerzo máximo, de cuarenta y un problemas, sin que el laboratorio que lo creó lo reclame. Eso basta para justificar una tarde de tus propias evaluaciones. No basta para justificar reescribir una diapositiva de benchmark.
Comparados en este artículo2
Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario
