DeepSeek-V4.1-Flash-1017: een gok van 45 naar 46, een changelog van drie zinnen, en de enige rij die beide scoreborden gemeen hebben

D​eepSeek-V4.1-Flash-1017 is echt en het is één dag oud. Je kunt het changelog-item van 2026-10-17 lezen, 763 miljard parameters aan MIT-gelicenseerde gewichten van Hugging Face downloaden en het nu meteen aanroepen onder de ongewijzigde deepseek-flash modelstring tegen de ongewijzigde tariefkaart. Wat je niet kunt, is opzoeken welke positie het inneemt. Het meest substantiële bericht over DeepSeek V4.1 Flash op de dag nadat de update verscheen, was geen resultaat — het was een gok. Een nauwe volger van het lab schatte de uiteindelijke score van het model op de Artificial Analysis Intelligence Index op 45 tot 46, voorspelde Grok 4.7 als het nummer dat het net voorbijstreeft en AA-Omniscience als de evaluatie die het onderuit haalt, en noemde 57% een redelijke verwachting op de Vals Index. Al die cijfers zijn een voorspelling over een scorebord waar nog geen 1017-rij op staat. De release is een feit. De rang is een weddenschap, en het interessante deel is waarom niemand dat vandaag kan beslechten.

Wat er op 17 oktober daadwerkelijk is uitgebracht

De primaire bron is kort. De changelogvermelding van DeepSeek voor 2026-10-17 zegt dat V4.1 Flash "is geüpgraded naar DeepSeek-V4.1-Flash-1017", dat de web- en app-modellen daarmee zijn meegegaan, dat "de API-aanroepmethode en prijsstelling ongewijzigd blijven", en dat aanroepen naar deepseek-flash het nieuwste model bereiken. Dat is de volledige claim op specificatieniveau. De bijbehorende repository, deepseek-ai/DeepSeek-V4.1-Flash-1017, is aangemaakt op 17 oktober om 02:40 UTC en voor het laatst gewijzigd op dezelfde dag om 05:46 UTC; de safetensors-index telt in totaal 763.205.315.794 parameters over de tensortypen BF16, F32, F8_E4M3 en I8. De licentie is MIT. Niets eraan is een lek.

De changelog voegt drie dingen toe die geen cijfers zijn. Deze noemt de update een "Pareto-verbetering van prestaties versus kosten". Hij noemt de harnesses waartegen de update is afgestemd — D​eepSeek Harness, T​encent CodeBuddy en WorkBuddy — en zegt tegen gebruikers dat ze moeten overstappen naar D​eepSeek Harness 0.2.1-rc.1 of later. En hij toont vier projectdemo's, weergegeven als animatie: een 3D-model van de Verboden Stad, een racegame in de browser, een remake van Portal 2 gemaakt in Godot, en een 3D-scène genaamd "Valley of Ages". Dat zijn marketingartefacten, geen metingen, en dat is de reden dat dit stuk ze in een aparte alinea van de scores houdt.

Watniet veranderde, is net zo bepalend als wat wel veranderde, omdat daar het geld aan vastzit:

• Tariefkaart — ongewijzigd. Invoer bij cache-hit: $0,006 per miljoen tokens tijdens piek en $0,003 buiten de piek; invoer bij cache-miss: $0,30 / $0,15; uitvoer: $1,20 / $0,60. Piek betekent 01:00–04:00 en 06:00–10:00 UTC, maandag tot vrijdag, met uitzondering van Chinese officiële feestdagen.

• Modelstring — ongewijzigd. deepseek-flash verwijst nu naar het 1017-checkpoint. De buiten gebruik gestelde namen deepseek-v4-flash en deepseek-v4-flash-vision-exp worden nog steeds geaccepteerd en routeren nog steeds daarheen, gefactureerd tegen Flash-tarieven.

• Envelop — ongewijzigd op kaartniveau. Contextvenster van 1M tokens, max_tokens op 256K of hoger, temperature 1.0 en top_p 1.0 aanbevolen.

• Verpakkingsgebrek — ook ongewijzigd. Er is nog steeds geen Jinja-chattemplate. De repository levert encoding/encoding.py mee als referentie-implementatie die meerbeurtige gesprekken, tool calling, denkmodus, numerieke reasoning-inspanning, systeemberichten midden in het gesprek en tussengevoegde afbeeldingen ondersteunt, en verwijst productiegebruikers naar deepseek-recipe, een Rust-bibliotheek met Python-bindings.

De 1017-kaart zet de architectuur niet opnieuw uiteen. De opzet van de familie — 552B-backbone, een causale encoder-decoder opgesplitst in een causale encoder met 20 lagen en een decoder met 20 lagen, asymmetrische activering van 8B parameters tijdens prefill en 16B tijdens decode, 384 gerouteerde experts met 6 actief per token, CSA2-attentie, FP4-main-KV-caching en een 196B Engram conditioneel geheugen — komt uit de septemberkaart, het technische rapport met de titel Pushing the Limits of KV Cache Compression, en de eigen bronvermelding van de modelkaart. Een lezer die die getallen wil, moet ze uit het septemberdocument halen, niet uit een 1017-pagina die ze nooit claimt.

Elf leveranciersrijen, en degene die de index daadwerkelijk leest

De leveranciersbenchmarktabel is het enige vergelijkbare artefact in de release, en wordt gepubliceerd als afbeelding op de changelog en als markdown-tabel op de modelkaart. Afgelezen van de kaart, de 1017-kolom tegenover de septemberkolom: HLE zonder tools 42,6 (44,0 op de alleen-tekstsubset) tegenover 36,8 (39,1); Terminal-Bench 4.0 42,3 tegenover 31,2; DeepSWE v1.1 77,0 tegenover 74,2; ProgramBench 29,1 tegenover 20,3; NL2Repo-Bench 68,2 tegenover 65,4; Automation-Bench v1.0.6 60,5 tegenover 54,8; Agents' Last Exam 35,4 tegenover 31,8; Apex Bench v1.1 72,1 tegenover 64,6; Chartography met tools 83,0 tegenover 78,9; BabyVision met tools 92,5 tegenover 89,6; ZeroBench-main met tools 51,0 tegenover 49,0. Alle elf rijen stijgen. Twee voetnoten geven een nadere toelichting bij de tabel: het dolkteken markeert de alleen-tekstsubset van HLE, en Terminal-Bench 4.0 werd uitgevoerd in de Claude Code-harness, terwijl DeepSWE v1.1 werd uitgevoerd in Mini-SWE-V2.

Leg dat nu eens naast de Artificial Analysis Intelligence Index, want daar gaat die schatting van 45 naar 46 over. De huidige indexversie is 4.3.2, en het is een gewogen samengestelde score van tien evaluaties onder vier categorieën: Agents 30%, Coding 20%, Scientific Reasoning 20%, General 30%. De gewichten zijn gepubliceerd, en ze vormen het hele argument. AA-Briefcase v1.1 weegt 15%. AA-Omniscience weegt 15%, opgesplitst in 10% nauwkeurigheid en 5% niet-hallucinatiegraad. Terminal-Bench 4.0 weegt 10%. HLE weegt 10%. CritPt, de verzameling niet-gepubliceerde natuurkunde op onderzoeksniveau, weegt 10%. GDPval-AA v2.1 weegt 10%, GDP.pdf 10%, SciCode 10%, AutomationBench-AA 5% en AA-LCR v1.1 5%.

Van die tien evaluaties komt er slechts één voor in D​eepSeek's tabel met elf rijen, onder dezelfde naam en met dezelfde configuratie: Terminal-Bench 4.0, op een tiende van de index. HLE staat aan beide kanten, maar niet identiek — de leverancierskolom is de subset met alleen tekst, en de index draait de set van 2.158 vragen met alleen tekst. Al het overige dat de index leest, inclusief de twee zwaarste componenten, heeft helemaal geen leveranciersrij. Dat is de mechanica achter de gok, geen kritiek op het lab: het is simpelweg zo dat een leverancierstabel en een samengestelde index uit verschillende onderdelen zijn opgebouwd, en de overlap één rij breed is.

Waar 45–46 vandaan komt, en waarom je het niet kunt controleren

De voorspelling is een kwestie van rekenen met de score van september. Artificial Analysis kent het DeepSeek V4.1 Flash-checkpoint van september momenteel 39 toe in zijn reasoning-configuratie op maximale inspanning, wat het op de negende plaats van 120 modellen zet in de Intelligence Index en ruim boven de mediaan van 19 voor open-weight modellen in zijn grootteklasse. Dezelfde vermelding vermeldt $0.27 kosten per indextaak, 175.9 outputtokens per seconde en 1.23 seconden tot de eerste token. De voorspelling van 45 tot 46 is dus een claim van ruwweg zes of zeven indexpunten uit één enkele checkpointwissel — een ongewoon grote stap in één keer, en precies daarom hield de poster een slag om de arm met "would be decent" in plaats van het daadwerkelijk te voorspellen.

Daar landen zou 1017 in druk gezelschap plaatsen. De modellen die momenteel op 46 staan, zijn Grok 4.7 op xhigh en high, MiMo-V2.6-Pro en G​PT-6 Astra op low effort. Op 45 staan Qwen3.8-Max (0902), M​use Spark 1.3 op xhigh en G​LM-5.3 op max. Op 44 staan S​tep 5 Preview en Kimi K3 op max. Zes of zeven punten zouden de goedkope tier van D​eepSeek van onder de open-weightcluster naar het midden daarvan brengen, en de vergelijking die de poster koos — “beter dan G​rok” — is precies degene die een 45 of 46 letterlijk waar zou maken bij de eigen effort-instelling van Grok 4.7, terwijl het per taak een orde van grootte minder kost. Dat is de nuttige vorm van de gok: niet het gehele getal, maar de prijs-tot-scorepositie die eruit volgt.

Er is nog een reden om voorzichtig te zijn met de basislijn zelf. Een publicatie van een derde partij uit september citeerde het septembermeetpunt op 40 op de index, op een zesde plaats van 113; de site geeft vandaag 39 aan, op een negende plaats van 120, op een genoemde indexversie. Dezelfde wegingen, andere gepubliceerde gehele getallen, omdat de index versiebeheer kent en de populatie groeit. Elke voorspelling die is gebaseerd op een getal dat al twee keer is verschoven, is een voorspelling op drijfzand, en de eerlijke versie van de claim 45–46 is een bandbreedte over een bandbreedte.

De Omniscience-voorspelling is degene met een mechanisme.

Van alles in het signaal is de bewering dat 1017 "weer door Omniscience onderuit wordt gehaald" het onderdeel met een testbaar mechanisme erachter in plaats van een onderbuikgevoel. AA-Omniscience is geen kennisquiz met een slaaggrens. Het scoort feitelijke betrouwbaarheid over ongeveer 6.000 vragen verdeeld over 42 onderwerpen, kent punten toe voor juiste antwoorden, trekt punten af voor hallucinaties en laat onthoudingen neutraal — dus je onthouden van een antwoord is beter dan verkeerd gokken. Een model dat is afgestemd op agentische doorvoer en korte outputs, wat de changelog van 1017 beschrijft, is een model met minder tokens aan overweging per antwoord. Of dat helpt of schaadt op een index die zelfverzekerde foute antwoorden bestraft, is een echte open vraag, en "weer" doet werk in die zin: het impliceert dat de checkpoint van september daar al tegenviel. De index publiceert Omniscience-nauwkeurigheid en niet-hallucinatiegraad als afzonderlijke cijfers, maar de DeepSeek-modelpagina toont geen cijfers per benchmark, dus de Omniscience-uitsplitsing van september is momenteel niet van de site af te lezen. De voorspelling is plausibel en vandaag de dag niet falsifieerbaar.

De andere helft van dezelfde klacht — dat de index „nog steeds gebruikmaakt van het kapotte CritPt” — wijst op een echte eigenschap van de samengestelde index. CritPt is natuurkunde op onderzoeksniveau die niet gepubliceerd is: problemen waarvan de antwoorden nog niet in de trainingsdata staan, wat het bestand maakt tegen contaminatie en tegelijk ook ruisgevoelig en traag te verversen. Het neemt een tiende van de index voor zijn rekening, hetzelfde gewicht als HLE en Terminal-Bench 4.0. Een modelfamilie die nog nooit een CritPt-regel heeft gepubliceerd, draagt een blinde vlek van 10% mee in elke voorspelling die over die familie wordt gedaan. Beide helften van de kritiek zijn eigenlijk dezelfde observatie: de index en de leverancier meten verschillende dingen, en de voorspelling moet die kloof overbruggen met aannames.

Het Vals-nummer is een ander board met een andere basis.

Het cijfer van 57% verdient een eigen alinea, want het is het enige deel van het signaal dat overeenkomt met een gepubliceerd getal, en die koppeling is een jaar verouderd in de juiste richting. De index van Vals AI plaatst de DeepSeek V4.1 Flash van september op 57,86%, vijftiende van 56 modellen en de beste open-weight-inzending, nipt voor Kimi K3 op 57,81%, tegen een opgegeven $0,30 per test. Dus "57% op Vals klinkt redelijk" is geen opwaartse projectie — het is een projectie van ongeveer gelijkblijvende prestaties op een ranglijst waar de checkpoint van september al de open-weight-koploper was. Twee ranglijsten, twee verschillende verwachtingen, van dezelfde poster, in dezelfde zin: een grote stap vooruit op de index en helemaal geen stap op Vals. Die asymmetrie is het meest informatieve aspect van de post, omdat ze je vertelt dat de poster verwacht dat de verbeteringen van 1017 neerslaan in de evaluaties die de index zwaar weegt en Vals licht — agentisch werk in Terminal-Bench-stijl, niet de breedte van algemeen kenniswerk.

Wat zou er eigenlijk opnieuw moeten worden uitgevoerd?

Geen van de onafhankelijke cijfers in omloop beschrijft de 1017-gewichten. DeepSeek heeft het model achter een stabiele API-naam vervangen, wat betekent dat het eigenaarschap van elk gepubliceerd cijfer stilletjes in andere handen is overgegaan: een score die voor DeepSeek V4.1 Flash uit een septemberrun werd geciteerd, beschrijft nu gewichten die de leverancier niet meer aanbiedt, terwijl de gewichten die hij wel aanbiedt helemaal geen externe score hebben. Voor iedereen die een checkpointwissel als een configuratiewijziging ziet, is de praktische regel afkomstig uit de software: hij vraagt om dezelfde regressieronde. Er zijn vijf vragen die de moeite waard zijn om te beantwoorden ten aanzien van 1017 voordat het ook maar in de buurt van een productietraject komt.

• Reproduceert Terminal-Bench 4.0? De leverancier verhoogde het van 31,2 naar 42,3 in de C​laude Code-harness, en het is een van de weinige rijen die een onafhankelijke raad leest. Een leverancierskeuze voor een harness die een model mooier laat lijken, is de oudste faalmodus in benchmarkrapportage.

• Blijft de DeepSWE-winst behouden bij een andere scaffold? 77.0 in Mini-SWE-V2 tegenover de 74.2 van september. DeepSWE heeft een grote spreiding over harnesses laten zien, dus de delta is de claim, niet het niveau.

• Neemt de uitvoerlengte daadwerkelijk af? De kostenclaim in de changelog berust op kortere uitvoer, niet alleen op snellere. Bij een API met verbruiksmeting is dat het verschil tussen een Pareto-verbetering en een afrondingsfout.

• Gedraagt de reasoning-effort-instelling zich zoals verwacht? Effort is numeriek, waarbij low, high en max aan gedefinieerde waarden worden toegewezen, high is de standaardwaarde, en temperature wordt geaccepteerd maar genegeerd in de thinking-modus. Test met de exacte effort-waarde die productie verstuurt, want een suite die op max draait zegt niets over een deployment op high.

• Werkt meerstaps-toolgebruik nog steeds round-trip? Bij tools moet reasoning_content van elke eerdere beurt — ook beurten zonder tool-call — terugkomen, anders mislukt het verzoek. Dat is het soort regressie dat een checkpoint-wissel stilletjes introduceert.

Als je die regressieronde wilt uitvoeren zonder een productiepad naar ongemeten gewichten te verplaatsen, is dit precies het scenario waarvoor de failover van OrcaRouter is gebouwd: zet 1017 achter een fallback-keten, stuur er het verkeer naartoe dat je bereid bent te verliezen, en laat een mislukte of trage respons opnieuw worden geprobeerd bij andere providers voordat de aanroeper het merkt. Prijsstelling is de andere helft van het argument, en de eenvoudigere helft — DeepSeek heeft de Flash-tariefkaart ongewijzigd gelaten, en omdat OrcaRouter de lijstprijs van de provider rechtstreeks doorgeeft met 0% opslag, heeft een wijziging die de prijs van DeepSeek niet verandert, geen invloed op de onze. Je kunt DeepSeek V4.1 Flash vandaag al bereiken tegen de eigen tarieven van DeepSeek, zonder een tweede contract en zonder codewijziging, terwijl de ranglijst bijtrekt.

De vragen die het signaal openlaat

Waarom zou een checkpoint-wissel de index überhaupt doen verschuiven, als de architectuur hetzelfde is?Omdat de index agentische en codeerevaluaties voor de helft van zijn totaal meeweegt, en dat zijn de evaluaties waarin post-trainingwijzigingen van dit soort het snelst zichtbaar worden. De zwakste gepubliceerde categorie van het septembermodel was agentisch werk ten opzichte van zijn prijs; de changelog van 1017 gaat bijna volledig over agentisch werk en kosten per taak. De voorspelling is een gok dat dezelfde architectuur plus betere post-training belandt waar de wegingen zeggen dat het zou moeten.

Is er een manier om een 1017-nummer te lezen voordat Artificial Analysis er een publiceert? Alleen indirect. De twee agentische rijen die de leverancier publiceert — Terminal-Bench 4.0 en Automation-Bench — zijn de dichtstbijzijnde benaderingen, en beide zijn zelfgerapporteerd. Een derde weg is te kijken of de septembervermelding op een onafhankelijk scorebord wordt hernoemd, opnieuw uitgevoerd of ongewijzigd gelaten; een verouderde rij die zijn oude score behoudt terwijl de geserveerde gewichten veranderen, is het duidelijkste signaal dat een cijfer niet meer betekent wat het zegt.

Betekent de ongewijzigde prijs dat de Pareto-bewering klopt? Het betekent dat de bewering toetsbaar is. "Prestatie-kosten-Pareto-verbetering" bij een vaste tariefkaart is alleen waar als het aantal outputtokens per taak daalt, want dat is de enige overgebleven hefboom. De leverancier zegt dat zowel de taaklooptijd als de outputlengte is gedaald. Dat is de enige bewering op de pagina die een lezer met zijn eigen factuur kan verifiëren.

Wat nu te kijken

De te beoordelen voorspelling is specifiek, en dat maakt haar het behouden waard. Als er een rij van 1017 op de Intelligence Index verschijnt op 45 of 46, dan noemde de poster de positie en het mechanisme — een weging met veel nadruk op agentische taken plus een bekend zwak punt bij Omniscience — en de nuttige les is dat de samengestelde score voorspelbaar werd op basis van de leverancierstabel zodra de gewichten zorgvuldig werden gelezen. Als hij op of onder de 39 van september uitkomt, is de les de omgekeerde en duurdere: een leverancierstabel met elf rijen die op elke regel omhooggaat, kan toch een vlakke samengestelde score opleveren, omdat de rijen die bewogen niet de rijen zijn die tellen. Beide uitkomsten zijn één peiling van één model, geen oordeel over het lab, en het getal dat de doorslag geeft, is er een dat een lezer vandaag niet kan berekenen.

Wat een lezer vandaag kan doen, is goedkoper dan een voorspelling. De gewichten zijn MIT-gelicentieerd en de API is live tegen de septemberprijs, dus de maand voordat iemand een ranglijst publiceert, is de maand om je eigen oordeel te vormen over de drie vragen die er voor jou toe doen: voltooit het je agentische taken sneller, zegt het minder terwijl het dat doet, en houdt het zich staande op de meerronde toolpaden die je daadwerkelijk uitvoert.

Bronnotitie: elk DeepSeek-cijfer in dit stuk — de elf benchmarkrijen, het parametertotaal van 763B, het venster van 1M tokens, de MIT-licentie, de ongewijzigde tariefkaart en de harness-aanbevelingen — is afkomstig uit het eigen changelogbericht van de leverancier van 17 oktober, de modelkaart op Hugging Face en de gepubliceerde prijspagina. Elk onafhankelijk cijfer — de 39 op de Intelligence Index, de negende plaats van 120, de kosten van $0,27 per indextaak, de 175,9 tokens per seconde en de weging van tien evaluaties waarop de score berust — is afkomstig van Artificial Analysis, geraadpleegd op 18 oktober 2026. De prognose van 45 naar 46, de Vals-verwachting van 57% en de Omniscience-voorspelling zijn schattingen van één waarnemer over een model dat op geen van deze ranglijsten een 1017-rij heeft, en ze worden overal waar ze voorkomen als schattingen aangeduid.

De gedocumenteerde AI-fouten en incidenten met agents achter releases zoals deze worden verzameld in het OrcaRouter AI Incident Archive, waar elke vermelding zijn eigen bronnen, ernst, betrouwbaarheidsgraad en betwistingsmarkering bevat.