DeepSeek-V4.1-Flash-1017 : une estimation de 45 à 46, un journal des modifications en trois phrases et la seule ligne que partagent les deux tableaux de scores

De​epSeek-V4.1-Flash-1017 est bien réel et il a un jour. Vous pouvez lire l’entrée du journal des modifications datée du 2026-10-17, télécharger 763 milliards de paramètres de poids sous licence MIT depuis Hugging Face, et l’appeler dès maintenant sous la chaîne de modèle inchangée deepseek-flash avec la grille tarifaire inchangée. Ce que vous ne pouvez pas faire, c’est consulter son classement. La publication la plus substantielle sur DeepSeek V4.1 Flash le lendemain de l’arrivée de sa mise à jour n’était pas un résultat — c’était une supposition. Un proche suiveur du laboratoire a estimé le score final du modèle à l’Artificial Analysis Intelligence Index à 45 à 46, prédit Grok 4.7 comme le modèle qu’il dépasse de peu et AA-Omniscience comme l’évaluation qui le met à plat, et avancé 57 % comme une attente raisonnable sur le Vals Index. Chacun de ces chiffres est une prévision concernant un tableau de scores qui n’a pas encore de ligne 1017. La sortie est un fait. Le rang est un pari, et la partie intéressante est de savoir pourquoi personne ne peut le trancher aujourd’hui.

Ce qui a réellement été livré le 17 octobre

La source primaire est courte. L’entrée du changelog de DeepSeek datée du 2026-10-17 indique que V4.1 Flash « a été mis à niveau vers DeepSeek-V4.1-Flash-1017 », que les modèles web et application ont suivi, que « la méthode d’appel de l’API et la tarification restent inchangées », et que les appels à deepseek-flash atteignent le modèle le plus récent. C’est l’intégralité de l’affirmation au niveau des spécifications. Le dépôt correspondant, deepseek-ai/DeepSeek-V4.1-Flash-1017, a été créé à 02:40 UTC le 17 octobre et modifié pour la dernière fois à 05:46 UTC le même jour ; son index safetensors totalise 763 205 315 794 paramètres répartis entre les types de tenseurs BF16, F32, F8_E4M3 et I8. La licence est MIT. Rien de tout cela n’est une fuite.

Le journal des modifications ajoute trois éléments qui ne sont pas des chiffres. Il qualifie la mise à jour d’« amélioration de Pareto performance-coût ». Il nomme les harnais sur lesquels elle a été ajustée — D​eepSeek Harness, T​encent CodeBuddy et WorkBuddy — et invite les utilisateurs à passer à D​eepSeek Harness 0.2.1-rc.1 ou version ultérieure. Et il présente quatre démos de projet, rendues sous forme d’animation : une maquette 3D de la Cité interdite, un jeu de course dans le navigateur, un remake de Portal 2 réalisé dans Godot, et une scène 3D appelée « Valley of Ages ». Ce sont des artefacts marketing, pas des mesures, et c’est pourquoi cet article les maintient dans un paragraphe distinct de celui des scores.

Ce qui n'a pas changé est tout aussi déterminant que ce qui a changé, car c'est la partie où l'argent est en jeu :

• Grille tarifaire — inchangée. Entrée avec cache hit : 0,006 $ par million de tokens en heures de pointe et 0,003 $ en heures creuses ; entrée avec cache miss : 0,30 $ / 0,15 $ ; sortie : 1,20 $ / 0,60 $. Les heures de pointe correspondent à 01:00–04:00 et 06:00–10:00 UTC, du lundi au vendredi, hors jours fériés chinois.

• Chaîne de modèle — inchangée. deepseek-flash pointe désormais vers le point de contrôle 1017. Les noms retirés deepseek-v4-flash et deepseek-v4-flash-vision-exp sont toujours acceptés et toujours acheminés vers celui-ci, facturés aux tarifs Flash.

• Envelope — inchangé au niveau de la carte. Fenêtre de contexte de 1 M de tokens, max_tokens à 256K ou plus, temperature 1.0 et top_p 1.0 recommandés.

• Défaut d’empaquetage — également inchangé. Il n’y a toujours pas de modèle de chat Jinja. Le dépôt fournit encoding/encoding.py comme implémentation de référence couvrant la conversation multi-tours, l’appel d’outils, le mode réflexion, l’effort de raisonnement numérique, les messages système en milieu de conversation et les images intercalées, et oriente les utilisateurs en production vers deepseek-recipe, une bibliothèque Rust avec des liaisons Python.

La fiche 1017 ne réitère pas l’architecture. La structure de la famille — backbone de 552B, un encodeur-décodeur causal scindé en un encodeur causal de 20 couches et un décodeur de 20 couches, activation asymétrique de 8B paramètres pendant le prefill et de 16B pendant le decode, 384 experts routés avec 6 actifs par token, attention CSA2, mise en cache KV principale en FP4, et une mémoire conditionnelle Engram de 196B — provient de la fiche de septembre, du rapport technique intitulé Pushing the Limits of KV Cache Compression, et de la citation propre à la fiche modèle. Un lecteur qui veut ces chiffres doit les prendre dans le document de septembre, et non dans une page 1017 qui ne les revendique jamais.

Onze lignes de fournisseurs, et celle que l’index lit réellement

Le tableau de benchmarks du fournisseur est le seul artefact comparable de la version, et il est publié sous forme d’image dans le journal des modifications et sous forme de tableau Markdown sur la fiche du modèle. D’après la fiche, la colonne 1017 comparée à la colonne de septembre : HLE sans outils 42,6 (44,0 sur le sous-ensemble texte uniquement) contre 36,8 (39,1) ; Terminal-Bench 4.0 42,3 contre 31,2 ; DeepSWE v1.1 77,0 contre 74,2 ; ProgramBench 29,1 contre 20,3 ; NL2Repo-Bench 68,2 contre 65,4 ; Automation-Bench v1.0.6 60,5 contre 54,8 ; Agents' Last Exam 35,4 contre 31,8 ; Apex Bench v1.1 72,1 contre 64,6 ; Chartography avec outils 83,0 contre 78,9 ; BabyVision avec outils 92,5 contre 89,6 ; ZeroBench-main avec outils 51,0 contre 49,0. Les onze lignes progressent toutes. Deux notes de bas de page nuancen le tableau : le symbole de la dague marque le sous-ensemble texte uniquement de HLE, et Terminal-Bench 4.0 a été exécuté dans le harnais Claude Code tandis que DeepSWE v1.1 a été exécuté dans Mini-SWE-V2.

Maintenant, comparez cela à l’Artificial Analysis Intelligence Index, qui est l’objet de l’estimation de 45 à 46. La version actuelle de l’indice est 4.3.2, et il s’agit d’un composite pondéré de dix évaluations réparties sous quatre rubriques : Agents à 30 %, Coding à 20 %, Scientific Reasoning à 20 %, General à 30 %. Les pondérations sont publiées, et elles constituent tout l’argument. AA-Briefcase v1.1 compte pour 15 %. AA-Omniscience compte pour 15 %, répartis en exactitude à 10 % et taux de non-hallucination à 5 %. Terminal-Bench 4.0 compte pour 10 %. HLE compte pour 10 %. CritPt, l’ensemble de physique non publiée au niveau recherche, compte pour 10 %. GDPval-AA v2.1 compte pour 10 %, GDP.pdf 10 %, SciCode 10 %, AutomationBench-AA 5 % et AA-LCR v1.1 5 %.

Une seule de ces dix évaluations figure dans le tableau à onze lignes de D​eepSeek sous le même nom et avec la même configuration : Terminal-Bench 4.0, à un dixième de l’indice. HLE apparaît des deux côtés, mais pas à l’identique — la colonne du fournisseur correspond au sous-ensemble en texte pur, tandis que l’indice utilise l’ensemble textuel de 2 158 questions. Tout le reste de ce que lit l’indice, y compris les deux composantes les plus lourdes, n’a aucune ligne chez le fournisseur. Voilà la mécanique derrière la supposition, non une critique du labo : c’est simplement qu’un tableau de fournisseur et un indice composite sont construits à partir d’éléments différents, et que le recoupement ne fait qu’une ligne de large.

D'où vient 45–46, et pourquoi vous ne pouvez pas le vérifier

La prévision n'est qu'une arithmétique appliquée au score de septembre. Artificial Analysis évalue actuellement le checkpoint September DeepSeek V4.1 Flash à 39 dans sa configuration de raisonnement à effort maximal, ce qui le place neuvième sur 120 modèles à l'Intelligence Index et bien au-dessus de la médiane de 19 pour les modèles à poids ouverts de sa classe de taille. La même entrée affiche un coût de 0,27 $ par tâche de l'indice, 175,9 jetons de sortie par seconde et 1,23 seconde jusqu'au premier jeton. La prévision de 45 à 46 est donc l'affirmation d'environ six ou sept points d'indice obtenus par un simple changement de checkpoint — un bond d'une seule étape inhabituellement important, ce qui explique précisément pourquoi l'auteur du message l'a nuancée avec « would be decent » plutôt que de la prédire.

Arriver à ce niveau placerait 1017 dans une compagnie très dense. Les modèles actuellement à 46 sont Grok 4.7 en xhigh et high, MiMo-V2.6-Pro et G​PT-6 Astra en low effort. À 45 se trouvent Qwen3.8-Max (0902), M​use Spark 1.3 en xhigh et G​LM-5.3 au max. À 44 se trouvent S​tep 5 Preview et Kimi K3 au max. Six ou sept points feraient passer le palier bon marché de D​eepSeek de sous le groupe des modèles à poids ouverts au milieu de celui-ci, et la comparaison choisie par l’auteur du post — « meilleur que G​rok » — est celle qu’un score de 45 ou 46 rendrait littéralement vraie au réglage d’effort propre à Grok 4.7, tout en coûtant un ordre de grandeur de moins par tâche. C’est là la forme utile de l’hypothèse : non pas l’entier, mais la position prix-score qu’elle implique.

Il y a une raison de plus d’être prudent avec la base de référence elle-même. Une note publiée par un tiers en septembre citait le point de contrôle de septembre à 40 sur l’indice, à la sixième place sur 113 ; le site affiche aujourd’hui 39, à la neuvième place sur 120, sur une version nommée de l’indice. Mêmes pondérations, entiers publiés différents, parce que l’indice est versionné et que sa population croît. Toute prévision bâtie sur un nombre qui a déjà bougé deux fois est une prévision bâtie sur du sable, et la version honnête de l’affirmation 45–46 est une fourchette sur une fourchette.

La prédiction Omniscience est celle qui possède un mécanisme

De tout ce qu’il y a dans le signal, l’affirmation selon laquelle 1017 « se fera à nouveau démolir par Omniscience » est la partie qui repose sur un mécanisme testable plutôt que sur une impression. AA-Omniscience n’est pas un quiz de connaissances avec une note de passage. Il évalue la fiabilité factuelle sur environ 6 000 questions couvrant 42 sujets, attribue des points pour les réponses correctes, en retire pour les hallucinations et laisse les abstentions neutres — donc s’abstenir vaut mieux que deviner faux. Un modèle ajusté pour le débit agentique et les sorties courtes, ce que décrit le changelog de 1017, est un modèle qui dispose de moins de tokens de délibération par réponse. Savoir si cela aide ou nuit sur un index qui pénalise les réponses fausses formulées avec assurance est une véritable question ouverte, et « à nouveau » joue un rôle dans cette phrase : cela implique que le checkpoint de septembre avait déjà déçu à cet égard. L’index publie la précision Omniscience et le taux de non-hallucination sous forme de chiffres séparés, mais la page du modèle D​eepSeek n’affiche pas de chiffres par benchmark ; la ventilation Omniscience de septembre n’est donc pas actuellement lisible sur le site. La prédiction est plausible et, aujourd’hui, infalsifiable.

L’autre moitié de la même critique — celle selon laquelle l’indice « utilise encore un CritPt cassé » — pointe une propriété bien réelle du composite. CritPt relève de la physique non publiée au niveau recherche : des problèmes dont les réponses ne figurent pas encore dans les données d’entraînement, ce qui le rend résistant à la contamination, mais aussi bruité et lent à actualiser. Il représente un dixième de l’indice, le même poids que HLE et Terminal-Bench 4.0. Une famille de modèles qui n’a jamais publié de ligne CritPt traîne un angle mort de 10 % dans chaque prévision établie à son sujet. Les deux moitiés de la critique relèvent en réalité de la même observation : l’indice et le fournisseur mesurent des choses différentes, et la prévision doit combler cet écart au moyen d’hypothèses.

Le numéro Vals est une carte différente avec une base différente.

Le chiffre de 57 % mérite son propre paragraphe, car c'est la seule partie du signal qui corresponde à un nombre publié, et cette correspondance accuse un an de retard dans le bon sens. L'indice de Vals AI place le DeepSeek V4.1 Flash de septembre à 57,86 %, quinzième sur 56 modèles et meilleure entrée à poids ouverts, légèrement devant Kimi K3 à 57,81 %, pour un coût annoncé de 0,30 $ par test. Ainsi, « 57 % sur Vals semble raisonnable » n'est pas une projection à la hausse : c'est la projection d'une performance à peu près stable sur un classement où le checkpoint de septembre était déjà le leader parmi les modèles à poids ouverts. Deux classements, deux attentes différentes, de la part du même auteur, dans la même phrase : une forte progression sur l'indice et aucune progression sur Vals. Cette asymétrie est l'élément le plus instructif du post, car elle indique que l'auteur s'attend à ce que les gains de 1017 se concrétisent dans les évaluations auxquelles l'indice accorde un poids important et que Vals pondère peu — un travail agentique de type Terminal-Bench, et non la diversité du travail intellectuel généraliste.

Qu’est-ce qui devrait réellement être réexécuté ?

Aucun des chiffres indépendants en circulation ne décrit les poids 1017. D​eepSeek a remplacé le modèle derrière un nom d’API stable, ce qui signifie que la propriété de chaque chiffre publié a discrètement changé de mains : un score cité pour DeepSeek V4.1 Flash à partir d’une exécution de septembre décrit désormais des poids que le fournisseur ne sert plus, tandis que les poids qu’il sert réellement n’ont aucun score externe. Pour quiconque considère un remplacement de checkpoint comme un changement de configuration, la règle pratique est celle tirée du logiciel : cela justifie la même passe de régression. Cinq questions méritent d’être examinées au regard de 1017 avant qu’il n’approche d’un chemin de production.

• Terminal-Bench 4.0 est-il reproductible ? Le fournisseur l’a fait passer de 31,2 à 42,3 dans le harnais C​laude Code, et c’est l’une des rares lignes qu’un organisme indépendant examine. Le choix d’un harnais de fournisseur qui flatte un modèle est le plus ancien mode de défaillance des rapports de benchmarks.

• Le gain de DeepSWE survit-il à un autre échafaudage ? 77,0 dans Mini-SWE-V2 contre 74,2 en septembre. DeepSWE a montré une grande dispersion selon les harnais, donc c'est le delta qui compte, pas le niveau.

• La longueur des sorties diminue-t-elle réellement ? L'argument de coût du journal des modifications repose sur des sorties plus courtes, et pas seulement plus rapides. Sur une API facturée à l'usage, c'est la différence entre une amélioration de Pareto et une erreur d'arrondi.

• Le réglage de l’effort de raisonnement se comporte-t-il correctement ? L’effort est numérique, avec low, high et max correspondant à des valeurs définies ; high est la valeur par défaut, et temperature est acceptée mais ignorée en mode réflexion. Testez à la valeur d’effort exacte envoyée en production, car une suite exécutée à max ne dit rien d’un déploiement à high.

• L’utilisation d’outils multi-tours fonctionne-t-elle toujours en aller-retour ? Avec les outils, le reasoning_content de chaque tour précédent — y compris les tours sans appel d’outil — doit être renvoyé, sinon la requête échoue. C’est le genre de régression qu’un remplacement de checkpoint introduit silencieusement.

Si vous voulez exécuter cette passe de régression sans déplacer un chemin de production vers des poids non mesurés, c’est le cas pour lequel le basculement d’OrcaRouter est conçu : placez 1017 derrière une chaîne de repli, envoyez-lui le trafic que vous êtes prêt à perdre, et laissez une réponse défaillante ou lente être retentée auprès de plusieurs fournisseurs avant que l’appelant ne la voie. Le prix est l’autre moitié de l’argument, et la plus simple — D​eepSeek a maintenu la grille tarifaire Flash inchangée, et comme OrcaRouter répercute directement le prix catalogue du fournisseur avec 0 % de marge, un changement qui ne modifie pas le prix de D​eepSeek ne modifie pas le nôtre. Vous pouvez accéder à DeepSeek V4.1 Flash aux tarifs propres à D​eepSeek dès aujourd’hui, sans second contrat ni modification de code, pendant que le classement rattrape son retard.

Les questions que le signal laisse en suspens

Pourquoi un remplacement de checkpoint ferait-il bouger l’indice, alors que l’architecture est la même ? Parce que l’indice pondère les évaluations agentiques et de codage à la moitié de son total, et ce sont les évaluations où les changements post-entraînement de ce type apparaissent le plus vite. La catégorie publiée la plus faible du modèle de septembre était le travail agentique par rapport à son prix ; le changelog 1017 porte presque entièrement sur le travail agentique et le coût par tâche. La prévision est un pari que la même architecture, avec un meilleur post-entraînement, aboutit là où les pondérations disent qu’elle devrait.

Existe-t-il un moyen de connaître un chiffre 1017 avant qu'Artificial Analysis n'en publie un ? Seulement indirectement. Les deux lignes agentiques publiées par le fournisseur — Terminal-Bench 4.0 et Automation-Bench — sont les approximations les plus proches, et toutes deux sont autodéclarées. Une troisième voie consiste à observer si l'entrée de septembre sur un tableau de bord indépendant est renommée, réexécutée ou laissée telle quelle ; une ligne obsolète qui conserve son ancien score alors que les poids servis changent est le signal le plus clair qu'un chiffre ne signifie plus ce qu'il prétend.

Le prix inchangé signifie-t-il que l'affirmation de Pareto est réelle ? Cela signifie que l'affirmation est vérifiable. Une « amélioration de Pareto performance-coût » à tarif fixe n'est vraie que si le nombre de jetons de sortie par tâche baisse, car c'est le seul levier restant. Le fournisseur affirme que la durée d'exécution des tâches et la longueur des sorties ont toutes deux diminué. C'est la seule affirmation de la page qu'un lecteur peut vérifier avec sa propre facture.

Que regarder ensuite

La prévision à noter est précise, et c’est ce qui lui donne de la valeur. Si une ligne 1017 apparaît dans l’Intelligence Index à 45 ou 46, l’auteur de la publication avait annoncé la position et le mécanisme — une pondération fortement orientée vers les agents, plus un point faible connu sur Omniscience — et la leçon utile est que le score composite est devenu prévisible à partir du tableau des fournisseurs une fois les pondérations lues attentivement. S’il tombe à 39 ou moins, au niveau de septembre, la leçon est inverse et plus coûteuse : un tableau de fournisseurs à onze lignes qui progresse sur chaque ligne peut malgré tout laisser un score composite inchangé, car les lignes qui ont bougé ne sont pas celles qui comptent. L’un ou l’autre résultat n’est qu’un sondage d’un seul modèle, pas un verdict sur le laboratoire, et le chiffre décisif est aujourd’hui impossible à calculer pour un lecteur.

Ce qu’un lecteur peut faire aujourd’hui coûte moins cher qu’une prévision. Les poids sont sous licence MIT et l’API est disponible au prix de septembre ; le mois qui précède la publication d’un classement par quiconque est donc le mois pour vous forger votre propre avis sur les trois questions qui comptent pour vous : termine-t-il vos tâches agentiques plus rapidement, en dit-il moins tout en les accomplissant, et tient-il la route sur les parcours d’outils multi-tours que vous exécutez réellement.

Note sur les sources : chaque chiffre DeepSeek de cet article — les onze lignes de benchmark, le total de 763 B de paramètres, la fenêtre de 1 M de tokens, la licence MIT, la grille tarifaire inchangée et les recommandations relatives au harness — provient de l’entrée du changelog du 17 octobre du fournisseur, de sa fiche modèle sur Hugging Face et de sa page tarifaire publiée. Chaque chiffre indépendant — le 39 à l’Intelligence Index, la 9e place sur 120, le coût de 0,27 $ par tâche de l’indice, les 175,9 tokens par seconde et la pondération sur dix évaluations qui porte le score — provient d’Artificial Analysis, consulté le 18 octobre 2026. La prévision de 45 à 46, l’attente de 57 % de Vals et la prédiction Omniscience sont les estimations d’un observateur à propos d’un modèle qui n’a de ligne 1017 sur aucun de ces tableaux, et elles sont signalées comme des estimations partout où elles apparaissent.

Les défaillances documentées de l’IA et les incidents d’agents à l’origine de versions comme celle-ci sont recueillis dans l’OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, sa gravité, sa note de confiance et un indicateur de contestation.