
DeepSeek V4.1 Flash 1017 gagne 19 points sur FrontierMath Tier 4 — et DeepSeek ne l'a jamais mentionné.
- GoogleNOUVEAUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 par million de tokens · 90 tok/s
- AnthropicNOUVEAUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 par million de tokens · 97 tok/s
- orcaNOUVEAUOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaNOUVEAUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 par million de tokens · 88 tok/s
- OrcaNOUVEAUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 par million de tokens · 134 tok/s
- OrcaNOUVEAUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 par million de tokens · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 par million de tokens · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 par million de tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligence
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 par million de tokens · 192 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligence
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 par million de tokens · 134 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligence
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligence
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 par million de tokens · 128 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligence
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligence
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 par million de tokens · 186 tok/s
Le chiffre de référence le plus intéressant associé à DeepSeek V4.1 Flash 1017 est un chiffre que l’éditeur n’a pas publié. Le 21 octobre 2026, cinq jours après la mise en ligne du checkpoint, le traqueur BenchLeader a ajouté un résultat FrontierMath Tier 4 pour le modèle : 46,3 % avec un effort de raisonnement maximal. Cela le place à un problème près de Qwen3.8-Max, qui a mesuré 46,3 % le 2 août, et au niveau de Claude Haiku 5.5, qui a mesuré 46,3 % le 7 octobre. C’est aussi environ dix-neuf points au-dessus de la position de tous les checkpoints DeepSeek antérieurs sur le même classement. Le journal des modifications de DeepSeek pour la mise à jour du 17 octobre recense neuf benchmarks. Aucun d’entre eux n’est un benchmark mathématique. Il est servi sur OrcaRouter aux côtés de la version de septembre sous deepseek/deepseek-v4.1-flash, ce qui vous permet d’exécuter le même jeu d’invites sur les deux checkpoints.
Cet écart entre ce que DeepSeek a revendiqué et ce qu’un tiers a mesuré, voilà l’histoire. Le checkpoint 1017 a été annoncé comme une version axée sur le coût et la vitesse — la formule employée dans le journal des modifications est « amélioration de Pareto performance-coût », avec des sorties plus courtes et une exécution des tâches plus rapide. Le tableau de benchmarks de ce même journal ne contient que des travaux agentiques : HLE sans outils, Terminal-Bench 4.0, DeepSWE v1.1, ProgramBench, Apex Bench, Agents’ Last Exam. Les mathématiques n’y figurent pas. Donc, soit les performances mathématiques de DeepSeek se sont améliorées comme effet secondaire non annoncé du travail agentique, soit un site de suivi comporte une ligne que les autres n’ont pas. Les deux lectures méritent d’être prises au sérieux, et elles mènent à des conseils différents.
Ce que Tier 4 v2 demande réellement, et pourquoi le nombre de problèmes compte davantage que le pourcentage
FrontierMath Tier 4 v2 est le palier de niveau recherche du benchmark d'Epoch AI : un ensemble d'extension privé de 43 problèmes de niveau recherche, publié le 12 juin 2026, les modèles étant autorisés à exécuter Python dans un bac à sable sans état avec une liste fixe de bibliothèques. Le dénominateur de notation semble être 41 — les scores publiés s'y divisent sans reste, puisque 19 bonnes réponses sur 41 font 46,34 % et 11 sur 41 font 26,83 %. Quoi qu'il en soit, l'ensemble est assez petit pour qu'un problème vaille environ 2,4 points de pourcentage, et c'est le détail qui conditionne tout le reste sur cette page. Deux scores qui semblent très éloignés sur un classement peuvent être séparés par huit questions.
C’est exactement ce que sont les chiffres de DeepSeek. Un score de 46,3 % correspond à dix-neuf bonnes réponses sur ce dénominateur. Le score de 26,8 % que portent les points de contrôle précédents correspond à onze. Tout le « saut de dix-neuf points » représente huit problèmes. C’est une différence réelle — huit problèmes sur quarante et un, ce n’est pas du bruit au sens ordinaire — mais c’est aussi un échantillon suffisamment petit pour qu’un seul outil modifié, un prompt système modifié ou un réglage d’effort différent puisse déplacer un modèle de plusieurs places. Lorsque quatre modèles se retrouvent à égalité à 46,3 %, ils ne sont pas séparés de manière significative. Ils sont tous à un problème près les uns des autres.
La trajectoire : trois points de contrôle plats, puis une étape.
La raison pour laquelle le 46,3 fait figure de nouveauté plutôt que d’artefact d’arrondi tient à ce qui l’a précédé. Sur les quatre dernières entrées FrontierMath Tier 4 v2 de DeepSeek, la courbe est plate, puis verticale :
• DeepSeek V4 Flash 0731 — 24,4 %, le point de contrôle de juillet
• DeepSeek V4 Pro 0813 — 26,8 %, le modèle phare d'août
• DeepSeek V4.1 Flash (0910) — 26,8 %, la version de septembre qui a remplacé les deux
• DeepSeek V4.1 Flash 1017 — 46,3 %, le checkpoint d'octobre, à effort maximal
Les paliers les plus faciles ont eux aussi progressé, mais modestement : BenchLeader indique 71,2 % sur les paliers 1–3 de FrontierMath pour la version 1017, contre 67,4 % pour celle de septembre. C’est la forme à laquelle on s’attendrait pour un véritable gain de capacité — quelques points là où les questions sont traitables, une progression bien plus importante là où elles ne le sont pas. C’est aussi la forme à laquelle on s’attendrait pour un changement de harnais qui aide de manière disproportionnée sur les problèmes les plus difficiles, ce qui explique pourquoi la section suivante compte.
Le conseil auquel vous croyez dépend du conseil que vous lisez.
Nous avons vérifié cinq trackers. Deux d'entre eux affichent désormais 46,3 % pour le build 1017. Trois ne l'affichent pas.
• BenchLeader — 46,3 % au niveau 4 et 71,2 % aux niveaux 1 à 3, à effort maximal, résultat ajouté le 21 octobre 2026
• DataLearner, désormais présenté sous le nom de LLMLearner — 46,34 %, ex æquo à la 21e place, évalué dans une configuration « Max (With Tools) », dernier résultat ajouté le 26 octobre 2026, et signalé au classement comme le meilleur score parmi les modèles à poids ouverts
• benchlm.ai — 26,829 %, classé 30e, « résolution itérative de problèmes mathématiques assistée par Python », page mise à jour le 25 octobre 2026
• tensor.news — aucune ligne 1017 du tout ; son entrée DeepSeek V4.1 Flash indique 26,83 %, mesuré le 9 septembre 2026
• trustthebench — 26 %, sur une page datée du 26 août 2026, qui est entièrement antérieure au point de contrôle

Les trois dissidents partagent un problème de provenance. Le chiffre de 26.83 correspond, à deux décimales près, au score obtenu par la version de septembre. Un tracker qui reporte une nouvelle étiquette de modèle sur une ancienne mesure produit exactement ce schéma, et la page datée d'août constitue une preuve sans ambiguïté que l'un d'entre eux au moins le fait. Cela ne rend pas le 46.3 faisant autorité — cela rend le 26.8 périmé plutôt que contradictoire.
Ce qui permettrait de trancher, c’est un second banc d’essai. Ni le 46,3 ni le 71,2 n’ont été reproduits en dehors de la couche de suivi, et DeepSeek n’a publié aucune évaluation mathématique qui lui soit propre pour ce point de contrôle. Considérez ce chiffre comme un signal fort émanant d’un tiers, et non comme un fait établi concernant le modèle. Si vous avez besoin d’un chiffre défendable pour un document d’achat, vous n’en disposez pas encore.
Pourquoi DeepSeek livrerait un gain en mathématiques sans le mentionner
Le tableau du journal des modifications explique l’omission mieux que ne le ferait n’importe quelle théorie du complot. La mise à jour 1017 est présentée comme une version dédiée au code et aux agents, et les chiffres du fournisseur s’inscrivent entièrement dans ce registre : HLE sans outils passe de 36,8 à 42,6, Terminal-Bench 4.0 de 31,2 à 42,3, DeepSWE v1.1 de 74,2 à 77,0, ProgramBench de 20,3 à 29,1, Apex Bench de 64,6 à 72,1. Un modèle ajusté sur de longues trajectoires agentiques — où la récompense consiste à mener à bien une tâche en plusieurs étapes plutôt qu’à produire un token final correct — acquerra une endurance mathématique par effet secondaire. Les mathématiques difficiles et les longues exécutions d’agents récompensent le même comportement : continuer à vérifier, ne pas s’arrêter trop tôt.

Des testeurs indépendants ont trouvé l’inverse de ce que prédit cette théorie, et c’est ce qui rend toute l’affaire intéressante. Sur un échantillon de mathématiques difficiles, le sference de l’évaluateur a mesuré la sortie de raisonnement à effort minimal chuter de 1 974 tokens à 790, la sortie médiane sur AIME passant de 1 681 à 1 124. Un raisonnement plus court à effort minimal n’est pas ce à quoi on s’attendrait de la part d’un modèle qui vient de gagner dix-neuf points en mathématiques de recherche. La réconciliation la plus probable dépend de l’effort : le 46,3 a été enregistré à effort maximal, et ce qui a changé, c’est la quantité de réflexion que le modèle fournit quand on le laisse réfléchir, non l’efficacité de sa réflexion quand on ne le laisse pas faire.
Où se situe réellement 46.3
Être meilleur ex æquo parmi les modèles chinois n’est pas la même chose qu’être proche de la frontière, et le même classement le montre clairement en quelques lignes. Les leaders du Tier 4 v2 appartiennent à une toute autre classe de modèles : GPT-6.1 Sol à 100 %, GPT-6 Astra à 97,6 %, Claude Opus 5.5 à 95 %, Claude Fable 5 à 90,2 %, GPT-6 Sol à 90 %. Le modèle le plus proche au-dessus du groupe à 46,3 est GPT-5.4, à 49 %. Le classement de LLMLearner identifie 46,3 comme le meilleur score de modèles à poids ouverts du classement. Un score proche de la cinquantaine sur le niveau le plus difficile est un excellent résultat pour un modèle à poids ouverts et un piètre résultat pour un modèle de frontière, et DeepSeek V4.1 Flash 1017 appartient résolument à la première catégorie.
• Score Tier 4 v2 — DeepSeek V4.1 Flash 1017 46,3 % vs Qwen3.8-Max 46,3 % vs Claude Haiku 5.5 46,3 % (ex æquo, 21e)
• FrontierMath Tiers 1–3 — DeepSeek V4.1 Flash 1017 71,2 % contre sa propre version de septembre à 67,4 %
• Poids — sous licence MIT, téléchargeables, modèle de mélange d’experts de 552 B paramètres avec une table de mémoire conditionnelle distincte ; les trackers estiment l’empreinte totale sur disque à près de 763 B paramètres
• Prix — 0,30 $ par million de jetons d’entrée et 1,20 $ par million de jetons de sortie en période de pointe, 0,15 $ et 0,60 $ en période creuse, inchangés depuis septembre
• Contexte — 1 M de tokens, avec des images en entrée
• Revendications mathématiques du fournisseur — aucune ; FrontierMath n’apparaît nulle part dans les tableaux publiés par DeepSeek

En pratique : si votre travail relève des mathématiques de type compétition et que votre alternative était un modèle à poids ouverts, 46.3 change la donne, car il place un modèle de 552B sous licence MIT dans la même gamme que deux modèles propriétaires qui coûtent plus cher par token. Si votre alternative était un modèle fermé de pointe, rien ici ne comble l’écart — l’écart de 95 à 46 sur Tier 4 n’est pas une erreur d’arrondi.
Tester l'affirmation sur vos propres problèmes, sans y risquer un chemin de production
Étant donné que le 46,3 repose sur 41 problèmes privés et une couche de suivi, la démarche sensée consiste à le mesurer par rapport à votre propre charge de travail plutôt que de faire confiance à l’un ou l’autre de ces chiffres. DeepSeek V4.1 Flash 1017 est servi sur OrcaRouter sous deepseek/deepseek-v4.1-flash-1017, aux côtés de la version de septembre sous deepseek/deepseek-v4.1-flash — ce qui signifie que vous pouvez exécuter le même jeu de prompts sur les deux checkpoints avec une seule clé API et voir si l’écart de huit problèmes se manifeste dans vos propres évaluations. Il n’y a pas de second contrat ni de modification de code ; seule la chaîne de modèle diffère.
Deux éléments de la couche de routage sont pertinents pour une décision aussi incertaine. Les prix sont répercutés au tarif catalogue du fournisseur, avec 0 % de marge : le tarif hors pointe de DeepSeek à 0,15 $ et 0,60 $ est donc actif ici le jour même où il l’est partout ailleurs, et un changement de prix d’un fournisseur n’attend pas que nous synchronisions un catalogue. Plus utile encore lorsqu’un benchmark est contesté : le basculement automatique et le DSL de routage vous permettent d’envoyer le segment des mathématiques difficiles vers le build 1017 à effort maximal, puis de basculer vers un modèle plus puissant lorsqu’il renvoie une réponse que vous ne pouvez pas vérifier — ainsi, un gain de dix-neuf points non démontré vous coûte une règle de routage plutôt qu’une migration.
Qu’est-ce qui changerait cette histoire ?
Trois choses méritent d’être suivies, et toutes trois sont vérifiables. La première est de savoir si benchlm.ai et tensor.news mettent à jour leurs 1017 lignes avec autre chose que 26,8 ; si deux autres traqueurs convergent vers la mesure d’octobre, l’interprétation des lignes obsolètes est confirmée et le chiffre devient ordinaire. La deuxième est de savoir si DeepSeek ajoute une ligne de mathématiques à son propre tableau comparatif dans un futur journal des modifications — un fournisseur qui pensait avoir gagné dix-neuf points sur FrontierMath le dirait probablement, et son silence à ce sujet est un léger indice contraire. La troisième est une reproduction sans outils. Le 46,3 a été enregistré avec des outils autorisés, et une exécution sans état vous dirait si le gain relève du raisonnement mathématique ou d’une meilleure utilisation d’un bac à sable Python.
D’ici à ce que l’un de ces éléments aboutisse, le résumé honnête reste limité. Un checkpoint de neuf jours, une licence MIT et un prix d’entrée de 0,30 $ se situent dans la même fourchette que Qwen3.8-Max et Claude Haiku 5.5 sur le palier public de mathématiques le plus difficile — sur deux trackers, à effort maximal, sur quarante et un problèmes, sans revendication de la part du laboratoire qui l’a créé. Cela suffit à justifier un après-midi consacré à vos propres évaluations. Cela ne suffit pas à justifier de réécrire une diapositive de benchmark.
Comparés dans cet article2
Détecté à partir de cet article · Benchmarks : Artificial Analysis · mis à jour quotidiennement
