DeepSeek-V4.1-Flash-1017: Tebakan 45-ke-46, Changelog Tiga Kalimat, dan Satu Baris yang Sama di Kedua Papan Skor

De​epSeek-V4.1-Flash-1017 itu nyata dan baru berumur satu hari. Anda dapat membaca entri changelog bertanggal 2026-10-17, mengunduh 763 miliar parameter bobot berlisensi MIT dari Hugging Face, dan memanggilnya sekarang juga dengan string model deepseek-flash yang tidak berubah pada kartu tarif yang tidak berubah. Yang tidak dapat Anda lakukan adalah mencari tahu peringkatnya. Postingan paling substantif tentang DeepSeek V4.1 Flash pada hari setelah pembaruannya dirilis bukanlah hasil — melainkan tebakan. Seorang pengikut dekat lab tersebut memperkirakan skor Artificial Analysis Intelligence Index akhir model itu di 45 hingga 46, memprediksi Grok 4.7 sebagai angka yang akan sedikit dilewatinya dan AA-Omniscience sebagai evaluasi yang meruntuhkannya, serta menyebut 57% sebagai ekspektasi yang wajar pada Vals Index. Setiap angka tersebut adalah ramalan tentang papan skor yang belum memiliki baris 1017. Rilisnya adalah fakta. Peringkatnya adalah taruhan, dan bagian yang menarik adalah mengapa tidak ada yang bisa memastikannya hari ini.

Apa yang sebenarnya dirilis pada 17 Oktober

Sumber utamanya singkat. Entri changelog DeepSeek untuk 2026-10-17 menyatakan bahwa V4.1 Flash "telah ditingkatkan ke DeepSeek-V4.1-Flash-1017," bahwa model web dan aplikasi ikut berpindah, bahwa "metode pemanggilan API dan harganya tetap tidak berubah," dan bahwa panggilan ke deepseek-flash menjangkau model terbaru. Itulah keseluruhan klaim pada tingkat spesifikasi. Repositori yang bersesuaian, deepseek-ai/DeepSeek-V4.1-Flash-1017, dibuat pada 02:40 UTC tanggal 17 Oktober dan terakhir dimodifikasi pada 05:46 UTC hari yang sama; indeks safetensors-nya berjumlah total 763.205.315.794 parameter di seluruh tipe tensor BF16, F32, F8_E4M3, dan I8. Lisensinya MIT. Tidak ada yang bersifat bocoran tentangnya.

Catatan perubahan itu menambahkan tiga hal yang bukan angka. Catatan tersebut menyebut pembaruan ini sebagai “peningkatan Pareto kinerja–biaya.” Catatan itu menyebut harness yang menjadi acuan penyetelannya — D​eepSeek Harness, T​encent CodeBuddy, dan WorkBuddy — dan memberi tahu pengguna untuk beralih ke D​eepSeek Harness 0.2.1-rc.1 atau versi yang lebih baru. Catatan itu juga menampilkan empat demo proyek, yang dirender sebagai animasi: model 3D Kota Terlarang, gim balap browser, remake Portal 2 yang dibuat di Godot, dan adegan 3D bernama “Valley of Ages.” Itu adalah materi pemasaran, bukan pengukuran, dan itulah alasan tulisan ini memisahkannya dalam paragraf terpisah dari skor.

Apa yang tidak berubah sama pentingnya dengan apa yang berubah, karena itulah bagian yang terkait dengan uang:

• Kartu tarif — tidak berubah. Input cache-hit $0.006 per juta token pada jam sibuk dan $0.003 di luar jam sibuk; input cache-miss $0.30 / $0.15; output $1.20 / $0.60. Jam sibuk berarti 01:00–04:00 dan 06:00–10:00 UTC, Senin sampai Jumat, tidak termasuk hari libur publik Tiongkok.

• String model — tidak berubah. deepseek-flash kini mengarah ke checkpoint 1017. Nama-nama yang sudah tidak digunakan, deepseek-v4-flash dan deepseek-v4-flash-vision-exp, masih diterima dan tetap diarahkan ke sana, dengan penagihan memakai tarif Flash.

• Envelope — tidak berubah pada tingkat kartu. Jendela konteks 1M token, max_tokens pada 256K atau lebih, temperature 1.0 dan top_p 1.0 direkomendasikan.

• Cacat pengemasan — juga tidak berubah. Masih belum ada templat chat Jinja. Repositori ini menyertakan encoding/encoding.py sebagai implementasi referensi yang mencakup percakapan multi-giliran, pemanggilan tool, mode berpikir, upaya penalaran numerik, pesan sistem di tengah percakapan, dan gambar berselang-seling, serta mengarahkan pengguna produksi ke deepseek-recipe, pustaka Rust dengan binding Python.

Kartu 1017 tidak menguraikan ulang arsitektur tersebut. Bentuk keluarga ini — tulang punggung 552B, Encoder-Decoder Kausal yang terbagi menjadi encoder kausal 20 lapis dan decoder 20 lapis, aktivasi asimetris 8B parameter saat prefill dan 16B saat decode, 384 pakar yang dirutekan dengan 6 aktif per token, atensi CSA2, caching KV utama FP4, dan memori kondisional Engram 196B — berasal dari kartu September, laporan teknis berjudul Pushing the Limits of KV Cache Compression, dan sitasi kartu model itu sendiri. Pembaca yang menginginkan angka-angka tersebut harus mengambilnya dari dokumen September, bukan dari halaman 1017 yang tidak pernah mengklaimnya.

Sebelas baris vendor, dan satu yang benar-benar dibaca oleh indeks

Tabel benchmark vendor adalah satu-satunya artefak yang dapat dibandingkan dalam rilis ini, dan tabel itu dipublikasikan sebagai gambar di changelog serta sebagai tabel markdown di kartu model. Dibaca dari kartu model, kolom 1017 dibandingkan dengan kolom September: HLE tanpa alat 42,6 (44,0 pada subset hanya teks) versus 36,8 (39,1); Terminal-Bench 4.0 42,3 versus 31,2; DeepSWE v1.1 77,0 versus 74,2; ProgramBench 29,1 versus 20,3; NL2Repo-Bench 68,2 versus 65,4; Automation-Bench v1.0.6 60,5 versus 54,8; Agents' Last Exam 35,4 versus 31,8; Apex Bench v1.1 72,1 versus 64,6; Chartography dengan alat 83,0 versus 78,9; BabyVision dengan alat 92,5 versus 89,6; ZeroBench-main dengan alat 51,0 versus 49,0. Kesebelas baris tersebut semuanya naik. Dua catatan kaki memberi kualifikasi pada tabel: simbol dagger menandai subset hanya teks dari HLE, dan Terminal-Bench 4.0 dijalankan dalam harness C​laude Code sedangkan DeepSWE v1.1 dijalankan di Mini-SWE-V2.

Sekarang bandingkan itu dengan Artificial Analysis Intelligence Index, yang menjadi pokok perkiraan 45-ke-46. Versi indeks saat ini adalah 4.3.2, dan indeks ini merupakan komposit berbobot dari sepuluh evaluasi dalam empat kategori: Agen 30%, Pengodean 20%, Penalaran Ilmiah 20%, Umum 30%. Bobotnya dipublikasikan, dan itulah keseluruhan argumennya. AA-Briefcase v1.1 memiliki bobot 15%. AA-Omniscience memiliki bobot 15% yang terbagi menjadi akurasi 10% dan tingkat non-halusinasi 5%. Terminal-Bench 4.0 memiliki bobot 10%. HLE memiliki bobot 10%. CritPt, kumpulan fisika tingkat riset yang belum dipublikasikan, memiliki bobot 10%. GDPval-AA v2.1 memiliki bobot 10%, GDP.pdf 10%, SciCode 10%, AutomationBench-AA 5%, dan AA-LCR v1.1 5%.

Hanya satu dari sepuluh evaluasi itu yang muncul di tabel sebelas baris D​eepSeek dengan nama yang sama dan konfigurasi yang sama: Terminal-Bench 4.0, pada sepersepuluh indeks. HLE muncul di kedua sisi tetapi tidak identik — kolom vendor adalah subset teks murni, dan indeks menjalankan set khusus teks berisi 2.158 pertanyaan. Semua hal lain yang dibaca indeks, termasuk dua komponen terberat, tidak memiliki baris vendor sama sekali. Itulah mekanisme di balik dugaan tersebut, bukan kritik terhadap lab: sederhananya, tabel vendor dan indeks komposit dibangun dari bagian-bagian yang berbeda, dan tumpang tindihnya hanya selebar satu baris.

Dari mana 45–46 berasal, dan mengapa Anda tidak dapat memeriksanya

Perkiraan tersebut adalah aritmetika atas skor September. Artificial Analysis saat ini memberi skor pada checkpoint DeepSeek V4.1 Flash September sebesar 39 dalam konfigurasi reasoning-nya pada upaya maksimum, yang menempatkannya di peringkat kesembilan dari 120 model pada Intelligence Index dan jauh di atas median 19 untuk model open-weight di kelas ukurannya. Entri yang sama mencantumkan biaya $0,27 per tugas indeks, 175,9 token keluaran per detik, dan 1,23 detik ke token pertama. Perkiraan 45-ke-46 karena itu merupakan klaim sekitar enam atau tujuh poin indeks dari satu pergantian checkpoint — pergerakan satu langkah yang luar biasa besarnya, yang justru menjadi alasan penulis unggahan itu menyiasatinya dengan "cukup bagus" alih-alih memprediksinya.

Mendarat di sana akan menempatkan 1017 dalam kumpulan yang padat. Model yang saat ini berada di 46 adalah Grok 4.7 pada xhigh dan high, MiMo-V2.6-Pro, dan G​PT-6 Astra pada low effort. Di 45 ada Qwen3.8-Max (0902), M​use Spark 1.3 pada xhigh, dan G​LM-5.3 pada max. Di 44 ada S​tep 5 Preview dan Kimi K3 pada max. Enam atau tujuh poin akan memindahkan tier murah D​eepSeek dari bawah klaster open-weight ke tengahnya, dan perbandingan yang dipilih pemosting — "lebih baik daripada G​rok" — adalah perbandingan yang akan dibuat benar secara harfiah oleh 45 atau 46 pada pengaturan effort Grok 4.7 sendiri, sementara biayanya satu orde magnitudo lebih rendah per tugas. Itulah bentuk berguna dari tebakan itu: bukan bilangan bulatnya, melainkan posisi harga-terhadap-skor yang tersirat.

Ada satu alasan lagi untuk berhati-hati dengan baseline itu sendiri. Tulisan pihak ketiga yang terbit pada September mengutip checkpoint September di angka 40 pada indeks, dengan peringkat keenam dari 113; situsnya kini menunjukkan 39 pada peringkat kesembilan dari 120, pada versi indeks yang disebutkan namanya. Bobotnya sama, angka bulat yang dipublikasikan berbeda, karena indeks tersebut berversi dan populasinya bertambah. Setiap prakiraan yang dibangun di atas angka yang sudah bergerak dua kali adalah prakiraan di atas pasir, dan versi jujur dari klaim 45–46 adalah rentang tentang rentang.

Prediksi Omniscience adalah prediksi yang memiliki mekanisme.

Dari semua yang ada dalam sinyal tersebut, klaim bahwa 1017 "akan kembali dihancurkan oleh Omniscience" adalah bagian yang memiliki mekanisme yang dapat diuji di baliknya, bukan sekadar kesan. AA-Omniscience bukan kuis pengetahuan dengan nilai kelulusan. Indeks ini menilai keandalan faktual pada sekitar 6.000 pertanyaan yang mencakup 42 topik, memberikan poin untuk jawaban benar, mengurangi poin untuk halusinasi, dan membiarkan abstain tetap netral — jadi menolak menjawab lebih baik daripada menebak dengan salah. Model yang disetel untuk throughput agentic dan output pendek, seperti yang dijelaskan changelog 1017, adalah model dengan lebih sedikit token untuk pertimbangan per jawaban. Apakah itu membantu atau merugikan pada indeks yang menghukum jawaban salah yang percaya diri adalah pertanyaan terbuka yang nyata, dan "kembali" memainkan peran dalam kalimat itu: ini menyiratkan bahwa checkpoint September sudah kurang memuaskan di sana. Indeks tersebut menerbitkan akurasi Omniscience dan tingkat non-halusinasi sebagai angka terpisah, tetapi halaman model D​eepSeek tidak menampilkan angka per benchmark, sehingga pemisahan Omniscience September saat ini tidak dapat dibaca dari situs. Prediksi itu masuk akal dan, saat ini, tidak dapat difalsifikasi.

Setengah lainnya dari keluhan yang sama — bahwa indeks "masih memakai CritPt yang rusak" — menunjuk pada sifat nyata dari komposit tersebut. CritPt adalah fisika tingkat riset yang belum dipublikasikan: masalah-masalah yang jawabannya belum ada dalam data pelatihan, yang membuatnya resistan terhadap kontaminasi dan juga membuatnya bising serta lambat diperbarui. Ia menyumbang sepersepuluh dari indeks, bobot yang sama dengan HLE dan Terminal-Bench 4.0. Keluarga model yang belum pernah mempublikasikan baris CritPt membawa titik buta 10% ke setiap prakiraan yang dibuat tentangnya. Kedua belahan kritik itu sebenarnya adalah pengamatan yang sama: indeks dan vendor mengukur hal yang berbeda, dan prakiraan harus menjembatani celah itu dengan asumsi.

Nomor Vals adalah papan yang berbeda dengan basis yang berbeda

Angka 57% itu layak mendapat paragrafnya sendiri karena itu adalah satu bagian dari sinyal yang memetakan ke angka yang telah dipublikasikan, dan pemetaannya sudah ketinggalan satu tahun ke arah yang benar. Indeks Vals AI menempatkan September DeepSeek V4.1 Flash pada 57,86%, peringkat kelima belas dari 56 model dan entri open-weight teratas, sedikit di depan Kimi K3 pada 57,81%, dengan biaya yang dinyatakan $0.30 per tes. Jadi, “57% di Vals terdengar wajar” bukanlah proyeksi naik — itu adalah proyeksi kinerja yang kurang lebih datar pada papan peringkat di mana checkpoint September sudah menjadi pemimpin open-weight. Dua papan peringkat, dua ekspektasi berbeda, dari poster yang sama, dalam kalimat yang sama: lonjakan besar pada indeks dan tidak ada lonjakan sama sekali di Vals. Asimetri itu adalah hal paling informatif dalam unggahan tersebut, karena itu memberi tahu Anda bahwa poster tersebut mengharapkan keunggulan 1017 muncul dalam evaluasi yang diberi bobot besar oleh indeks dan diberi bobot ringan oleh Vals — pekerjaan agentik bergaya Terminal-Bench, bukan cakupan pekerjaan pengetahuan umum.

Apa yang sebenarnya harus dijalankan ulang

Tidak ada satu pun angka independen yang beredar yang menggambarkan bobot 1017. DeepSeek mengganti model di balik nama API yang stabil, yang berarti kepemilikan atas setiap angka yang dipublikasikan telah diam-diam berpindah tangan: skor yang dikutip untuk DeepSeek V4.1 Flash dari uji bulan September kini menggambarkan bobot yang tidak lagi dilayani vendor, sedangkan bobot yang dilayaninya tidak memiliki skor eksternal sama sekali. Bagi siapa pun yang menganggap pertukaran checkpoint sebagai perubahan konfigurasi, aturan praktisnya adalah yang diambil dari dunia perangkat lunak: hal itu memerlukan uji regresi yang sama. Ada lima pertanyaan yang layak dijawab terhadap 1017 sebelum model itu mendekati jalur produksi.

• Apakah Terminal-Bench 4.0 dapat direproduksi? Vendor memindahkannya dari 31,2 ke 42,3 dalam harness C​laude Code, dan ini adalah salah satu dari sedikit baris yang dibaca oleh dewan independen. Pilihan harness vendor yang membuat model tampak lebih baik adalah mode kegagalan tertua dalam pelaporan benchmark.

• Apakah keunggulan DeepSWE bertahan pada scaffold yang berbeda? 77,0 di Mini-SWE-V2 dibandingkan dengan 74,2 pada September. DeepSWE telah menunjukkan sebaran yang besar di berbagai harness, jadi yang menjadi klaim adalah selisihnya, bukan tingkatnya.

• Apakah panjang keluaran benar-benar berkurang? Klaim biaya dalam changelog bertumpu pada keluaran yang lebih pendek, bukan sekadar lebih cepat. Pada API bermeteran, itu adalah perbedaan antara peningkatan Pareto dan kesalahan pembulatan.

• Apakah dial upaya penalaran berperilaku sebagaimana mestinya? Upaya bersifat numerik dengan low, high, dan max yang dipetakan ke nilai-nilai tertentu; high adalah default, dan temperature diterima tetapi diabaikan dalam mode berpikir. Uji pada nilai upaya persis yang dikirim oleh produksi, karena suite yang dijalankan pada max tidak memberi tahu apa pun tentang deployment pada high.

• Apakah penggunaan alat multi-giliran masih dapat bolak-balik? Dengan alat, reasoning_content dari setiap giliran sebelumnya — termasuk giliran tanpa pemanggilan alat — harus dikembalikan, atau permintaan akan gagal. Itulah jenis regresi yang diperkenalkan secara diam-diam oleh penukaran checkpoint.

Jika Anda ingin menjalankan proses regresi itu tanpa memindahkan jalur produksi ke bobot yang belum terukur, inilah kasus yang dirancang untuk failover OrcaRouter: letakkan 1017 di belakang rantai fallback, kirimkan trafik yang bersedia Anda relakan, dan biarkan respons yang gagal atau lambat dicoba ulang di berbagai penyedia sebelum pemanggil melihatnya. Harga adalah separuh argumen lainnya dan yang lebih sederhana — DeepSeek tidak mengubah kartu tarif Flash, dan karena OrcaRouter meneruskan harga daftar penyedia secara langsung dengan markup 0%, perubahan yang tidak mengubah harga DeepSeek tidak mengubah harga kami. Anda dapat mengakses DeepSeek V4.1 Flash dengan tarif DeepSeek sendiri hari ini, tanpa kontrak kedua dan tanpa perubahan kode, sementara papan peringkat menyusul.

Pertanyaan-pertanyaan yang dibiarkan terbuka oleh sinyal itu

Mengapa pergantian checkpoint bisa menggeser indeks sama sekali, jika arsitekturnya sama? Karena indeks memberi bobot pada evaluasi agentic dan coding sebesar setengah dari totalnya, dan itulah evaluasi tempat perubahan pasca-pelatihan seperti ini paling cepat terlihat. Kategori terbitan terlemah model September adalah kerja agentic relatif terhadap harganya; changelog 1017 hampir seluruhnya membahas kerja agentic dan biaya per tugas. Perkiraan ini adalah taruhan bahwa arsitektur yang sama ditambah pasca-pelatihan yang lebih baik akan berada di posisi yang seharusnya menurut bobot.

Apakah ada cara untuk membaca angka 1017 sebelum Artificial Analysis menerbitkannya? Hanya secara tidak langsung. Dua baris agentik yang dipublikasikan vendor — Terminal-Bench 4.0 dan Automation-Bench — adalah proksi terdekat, dan keduanya dilaporkan sendiri. Jalur ketiga adalah memantau apakah entri September di papan independen diganti nama, dijalankan ulang, atau dibiarkan saja; baris usang yang mempertahankan skor lamanya sementara bobot yang disajikan berubah adalah sinyal paling jelas bahwa suatu angka tidak lagi berarti seperti yang tertulis.

Apakah harga yang tidak berubah berarti klaim Pareto itu nyata? Artinya, klaim tersebut dapat diuji. "Peningkatan Pareto dalam kinerja–biaya" pada tarif tetap hanya benar jika token keluaran per tugas turun, karena itulah satu-satunya tuas yang tersisa. Vendor mengatakan waktu proses tugas dan panjang keluaran sama-sama turun. Itu satu-satunya klaim di halaman yang dapat diverifikasi pembaca dengan tagihan mereka sendiri.

Tontonan Berikutnya

Prakiraan yang akan dinilai bersifat spesifik, dan itulah yang membuatnya layak dipertahankan. Jika baris 1017 muncul di Intelligence Index pada 45 atau 46, poster tersebut telah menyebut posisi dan mekanismenya — pembobotan yang berat pada agentic ditambah titik lemah yang diketahui pada Omniscience — dan pelajaran yang berguna adalah bahwa skor komposit menjadi dapat diprediksi dari tabel vendor begitu bobotnya dibaca dengan cermat. Jika hasilnya sama dengan atau di bawah angka 39 pada September, pelajarannya justru sebaliknya dan lebih mahal: tabel vendor dengan sebelas baris yang naik pada setiap baris tetap dapat membuat skor komposit datar, karena baris yang bergerak bukanlah baris yang diperhitungkan. Apa pun hasilnya, itu hanyalah satu jajak pendapat terhadap satu model, bukan vonis terhadap lab tersebut, dan angka yang menentukan hasilnya adalah angka yang tidak dapat dihitung pembaca hari ini.

Apa yang bisa dilakukan seorang pembaca hari ini lebih murah daripada sebuah perkiraan. Bobot modelnya berlisensi MIT dan API-nya sudah aktif dengan harga September, jadi bulan sebelum siapa pun menerbitkan peringkat adalah bulan untuk membentuk pandangan Anda sendiri atas tiga pertanyaan yang penting bagi Anda: apakah ia menyelesaikan tugas agentik Anda lebih cepat, apakah ia lebih sedikit bicara saat melakukannya, dan apakah ia tetap andal pada jalur alat multi-putaran yang benar-benar Anda jalankan.

Catatan sumber: setiap angka D​eepSeek dalam tulisan ini — sebelas baris benchmark, total parameter 763B, jendela 1M token, lisensi MIT, kartu tarif yang tidak berubah, dan rekomendasi harness — berasal dari entri changelog 17 Oktober milik vendor itu sendiri, kartu modelnya di Hugging Face, dan halaman harga yang diterbitkannya. Setiap angka independen — 39 pada Intelligence Index, posisi kesembilan dari 120, biaya $0,27 per tugas indeks, 175,9 token per detik, dan pembobotan sepuluh evaluasi yang menopang skor tersebut — berasal dari Artificial Analysis, dibaca pada 18 Oktober 2026. Perkiraan 45-ke-46, ekspektasi Vals sebesar 57%, dan prediksi Omniscience adalah estimasi satu pengamat tentang model yang tidak memiliki baris 1017 pada salah satu papan tersebut, dan semuanya diberi label sebagai estimasi di setiap kemunculannya.

Kegagalan AI yang terdokumentasi dan insiden agen di balik rilis seperti ini dikumpulkan dalam the OrcaRouter AI Incident Archive, tempat setiap entri membawa sumbernya sendiri, tingkat keparahan, peringkat keyakinan, dan penanda sengketa.