DeepSeek-V4.1-Flash-1017: En gissning på 45 till 46, en ändringslogg på tre meningar och den enda rad som båda resultattavlorna har gemensamt

DeepSeek-V4.1-Flash-1017 finns på riktigt och är en dag gammal. Du kan läsa ändringsloggsposten daterad 2026-10-17, ladda ner 763 miljarder parametrar av MIT-licensierade vikter från Hugging Face och anropa den just nu under den oförändrade deepseek-flash modellsträngen till den oförändrade prislistan. Det du inte kan göra är att slå upp var den rankas. Det mest substantiella inlägget om DeepSeek V4.1 Flash dagen efter att dess uppdatering landade var inte ett resultat – det var en gissning. En nära följare av labbet satte modellens slutliga poäng på Artificial Analysis Intelligence Index till 45 till 46, förutspådde Grok 4.7 som siffran den knuffar sig förbi och AA-Omniscience som utvärderingen som plattar till den, och angav 57 % som en rimlig förväntan på Vals Index. Var och en av dessa siffror är en prognos om en resultattavla som ännu inte har någon 1017-rad. Släppet är ett faktum. Placeringen är ett vad, och det intressanta är varför ingen kan fastställa den i dag.

Vad släpptes faktiskt den 17 oktober?

Primärkällan är kort. D​eepSeeks changelogginlägg för 2026-10-17 säger att V4.1 Flash "har uppgraderats till D​eepSeek-V4.1-Flash-1017", att webb- och appmodellerna följde med, att "API-anropsmetoden och prissättningen är oförändrade" och att anrop till deepseek-flash når den nyaste modellen. Det är hela påståendet på specifikationsnivå. Det motsvarande repot, deepseek-ai/D​eepSeek-V4.1-Flash-1017, skapades 02:40 UTC den 17 oktober och ändrades senast 05:46 UTC samma dag; dess safetensors-index uppgår till 763 205 315 794 parametrar över tensorstyperna BF16, F32, F8_E4M3 och I8. Licensen är MIT. Inget med det är en läcka.

Ändringsloggen lägger till tre saker som inte är siffror. Den kallar uppdateringen en "Paretoförbättring för prestanda och kostnad". Den namnger de testharnessar som den trimmats mot – D​eepSeek Harness, T​encent CodeBuddy och WorkBuddy – och uppmanar användare att gå över till D​eepSeek Harness 0.2.1-rc.1 eller senare. Och den visar fyra projektdemonstrationer, renderade som animation: en 3D-modell av Förbjudna staden, ett racingspel i webbläsaren, en remake av Portal 2 byggd i Godot och en 3D-scen som kallas "Valley of Ages". Det är marknadsföringsmaterial, inte mätningar, och de är anledningen till att den här artikeln håller dem i ett separat stycke från poängen.

Det som inte förändrades är lika bärande som det som förändrades, eftersom det är den del som har pengar kopplade till sig:

• Prislista — oförändrad. Indata vid cacheträff $0.006 per miljon tokens under högtrafik och $0.003 under lågtrafik; indata vid cachemiss $0.30 / $0.15; utdata $1.20 / $0.60. Högtrafik innebär 01:00–04:00 och 06:00–10:00 UTC, måndag till fredag, med undantag för kinesiska allmänna helgdagar.

• Modellsträng — oförändrad. deepseek-flash mappar nu till 1017-kontrollpunkten. De utgångna namnen deepseek-v4-flash och deepseek-v4-flash-vision-exp accepteras fortfarande och dirigeras fortfarande till den, debiteras enligt Flash-priser.

• Envelope — oförändrat på kortnivå. Kontextfönster på 1M token, max_tokens på 256K eller högre, temperature 1.0 och top_p 1.0 rekommenderas.

• Packningsskavank – även oförändrat. Det finns fortfarande ingen Jinja-chattmall. Repositoriet levererar encoding/encoding.py som en referensimplementation som täcker flerturssamtal, verktygsanrop, tänkandeläge, numerisk resonemangsansträngning, systemmeddelanden mitt i samtalet och invävda bilder, och hänvisar produktionsanvändare till deepseek-recipe, ett Rust-bibliotek med Python-bindningar.

1017-kortet upprepar inte arkitekturen. Familjens utformning — 552B-stomme, en Causal Encoder-Decoder uppdelad i en 20-lagers kausal encoder och en 20-lagers dekoder, asymmetrisk aktivering av 8B parametrar under prefill och 16B under decode, 384 routade experter med 6 aktiva per token, CSA2-attention, FP4-cachning för huvud-KV och ett 196B Engram-villkorligt minne — kommer från september-kortet, den tekniska rapporten med titeln Att pressa gränserna för KV-cache-komprimering, och modellkortets egen citering. En läsare som vill ha dessa siffror bör hämta dem från septemberdokumentet, inte från en 1017-sida som aldrig gör anspråk på dem.

Elva leverantörsrader, och den som indexet faktiskt läser

Leverantörens benchmarktabell är den enda jämförbara artefakten i utgåvan, och den publiceras som en bild i ändringsloggen och som en markdown-tabell på modellkortet. Avläst från kortet: 1017-kolumnen mot septemberkolumnen: HLE utan verktyg 42,6 (44,0 i den textbaserade delmängden) mot 36,8 (39,1); Terminal-Bench 4.0 42,3 mot 31,2; DeepSWE v1.1 77,0 mot 74,2; ProgramBench 29,1 mot 20,3; NL2Repo-Bench 68,2 mot 65,4; Automation-Bench v1.0.6 60,5 mot 54,8; Agents' Last Exam 35,4 mot 31,8; Apex Bench v1.1 72,1 mot 64,6; Chartography med verktyg 83,0 mot 78,9; BabyVision med verktyg 92,5 mot 89,6; ZeroBench-main med verktyg 51,0 mot 49,0. Alla elva raderna ökar. Två fotnoter förtydligar tabellen: dolktecknet markerar den textbaserade delmängden av HLE, och Terminal-Bench 4.0 kördes i Claude Code-harnessen medan DeepSWE v1.1 kördes i Mini-SWE-V2.

Ställ nu det mot Artificial Analysis Intelligence Index, som gissningen 45 till 46 handlar om. Den aktuella indexversionen är 4.3.2, och den är ett viktat sammansatt mått av tio utvärderingar under fyra rubriker: Agenter 30 %, Kodning 20 %, Vetenskapligt resonemang 20 %, Allmänt 30 %. Vikterna är publicerade, och de utgör hela argumentet. AA-Briefcase v1.1 står för 15 %. AA-Omniscience står för 15 %, uppdelat i träffsäkerhet på 10 % och en icke-hallucinationsfrekvens på 5 %. Terminal-Bench 4.0 står för 10 %. HLE står för 10 %. CritPt, setet på forskningsnivå med opublicerad fysik, står för 10 %. GDPval-AA v2.1 står för 10 %, GDP.pdf 10 %, SciCode 10 %, AutomationBench-AA 5 % och AA-LCR v1.1 5 %.

Endast en av dessa tio utvärderingar förekommer i DeepSeeks tabell med elva rader under samma namn och samma konfiguration: Terminal-Bench 4.0, på en tiondel av indexet. HLE förekommer på båda sidor men inte identiskt – leverantörskolumnen är delmängden med enbart text, och indexet kör den textbaserade uppsättningen med 2 158 frågor. Allt annat som indexet läser, inklusive de två tyngsta komponenterna, har ingen leverantörsrad alls. Det är mekaniken bakom gissningen, inte en kritik av labbet: det är helt enkelt så att en leverantörstabell och ett sammansatt index byggs från olika delar, och överlappningen är en rad bred.

Varifrån 45–46 kommer, och varför du inte kan kontrollera det

Prognosen är en aritmetisk uträkning utifrån septemberscore. Artificial Analysis poängsätter för närvarande september-checkpointen DeepSeek V4.1 Flash till 39i dess reasoning-konfiguration vid maximal ansträngning, vilket placerar den på nionde plats av 120 modeller på Intelligence Index och väl över medianen på 19 för öppna modeller i dess storleksklass. Samma post har $0,27 i kostnad per indextask, 175,9 output-tokens per sekund och 1,23 sekunder till första token. Prognosen på 45 till 46 är därför ett påstående om ungefär sex eller sju indexpoäng från ett enda checkpointbyte – en ovanligt stor förflyttning i ett enda steg, vilket är precis varför den som lade upp inlägget garderade sig med "skulle vara okej" i stället för att förutspå det.

Att landa där skulle placera 1017 i ett tätt sällskap. De modeller som just nu ligger på 46 är Grok 4.7 vid xhigh och high, MiMo-V2.6-Pro och G​PT-6 Astra vid låg effort. På 45 ligger Qwen3.8-Max (0902), M​use Spark 1.3 vid xhigh och G​LM-5.3 vid max. På 44 ligger S​tep 5 Preview och Kimi K3 vid max. Sex eller sju poäng skulle flytta D​eepSeeks billiga nivå från under open-weight-klustret till mitten av det, och jämförelsen som postaren valde – ”bättre än G​rok” – är den som en 45 eller 46 skulle göra bokstavligen sann vid Grok 4.7:s egen effort-inställning, samtidigt som den kostar en storleksordning mindre per uppgift. Det är gissningens användbara form: inte heltalet, utan den position i förhållandet mellan pris och poäng som den antyder.

Det finns ytterligare en anledning att vara försiktig med själva baslinjen. En tredjepartsrapport som publicerades i september angav septembermätpunkten till 40 på indexet, med placeringen sexa av 113; sajten visar i dag 39 på nionde plats av 120, i en namngiven indexversion. Samma vikter, olika publicerade heltal, eftersom indexet är versionshanterat och dess population växer. Varje prognos som bygger på ett tal som redan har ändrats två gånger är en prognos byggd på sand, och den ärliga versionen av påståendet om 45–46 är ett intervall kring ett intervall.

Förutsägelsen om allvetenhet är den som har en mekanism.

Av allt i signalen är påståendet att 1017 "återigen kommer att sänkas av Omniscience" den del som har en testbar mekanism bakom sig snarare än en känsla. AA-Omniscience är inte ett kunskapsquiz med godkäntgräns. Den bedömer faktamässig tillförlitlighet över ungefär 6 000 frågor som spänner över 42 ämnen, ger poäng för korrekta svar, drar av för hallucinationer och lämnar avståenden neutrala – så att avstå från att svara slår att gissa fel. En modell som är inställd för agentisk genomströmning och korta utdata, vilket är vad ändringsloggen för 1017 beskriver, är en modell med färre tokens för överläggning per svar. Huruvida det hjälper eller stjälper i ett index som bestraffar självsäkra felaktiga svar är en verklig öppen fråga, och "igen" spelar roll i den meningen: det antyder att septembercheckpointen redan underpresterade där. Indexet publicerar Omniscience-noggrannhet och icke-hallucinationsfrekvens som separata siffror, men DeepSeek-modellens sida visar inte siffror per benchmark, så septemberuppdelningen för Omniscience går för närvarande inte att läsa från webbplatsen. Förutsägelsen är rimlig och, i dag, inte falsifierbar.

Den andra hälften av samma klagomål – att indexet "fortfarande använder trasiga CritPt" – pekar på en genuin egenskap hos kompositen. CritPt är opublicerad fysik på forskningsnivå: problem vars svar ännu inte finns i träningsdatan, vilket är det som gör det motståndskraftigt mot kontaminering och också det som gör det brusigt och långsamt att uppdatera. Det utgör en tiondel av indexet, samma vikt som HLE och Terminal-Bench 4.0. En modellfamilj som aldrig har publicerat en CritPt-rad bär med sig en blind fläck på 10 % i varje prognos som görs om den. Båda halvorna av kritiken är egentligen samma observation: indexet och leverantören mäter olika saker, och prognosen måste överbrygga den klyftan med antaganden.

Vals-numret är ett annat kort med en annan bas

Siffran 57 % förtjänar ett eget stycke, eftersom det är den enda delen av signalen som motsvarar en publicerad siffra, och kopplingen är ett år gammal men åt rätt håll. Vals AI:s index placerar DeepSeek V4.1 Flash från september på 57,86 %, på femtonde plats av 56 modeller och som den främsta posten med öppna vikter, marginellt före Kimi K3 på 57,81 %, till en angiven kostnad på 0,30 dollar per test. Så ”57 % på Vals låter rimligt” är inte en uppskrivning — det är en prognos om i stort sett oförändrad prestanda på en resultattavla där september-checkpointen redan var ledaren bland modellerna med öppna vikter. Två resultattavlor, två olika förväntningar, från samma person bakom inlägget, i samma mening: ett stort kliv upp på indexet och inget kliv alls på Vals. Den asymmetrin är det mest informativa i inlägget, eftersom den säger att personen bakom inlägget förväntar sig att 1017-vinsterna ska hamna i de utvärderingar som indexet viktar tungt och som Vals viktar lätt — agentiskt arbete i Terminal-Bench-stil, inte bredd inom allmänt kunskapsarbete.

Vad skulle egentligen behöva köras om

Inga av de oberoende siffror som cirkulerar beskriver 1017-vikterna. DeepSeek ersatte modellen bakom ett stabilt API-namn, vilket innebär att ägandet av varje publicerad siffra tyst har bytt händer: en poäng som citeras för DeepSeek V4.1 Flash från en septemberkörning beskriver nu vikter som leverantören inte längre tillhandahåller, medan de vikter den faktiskt tillhandahåller inte har någon extern poäng alls. För alla som betraktar ett byte av checkpoint som en konfigurationsändring är den praktiska regeln den som hämtats från mjukvaruutveckling: det motiverar samma regressionskörning. Fem frågor är värda att besvara gentemot 1017 innan det kommer i närheten av en produktionsväg.

• Reproduceras Terminal-Bench 4.0? Leverantören flyttade den från 31,2 till 42,3 i Claude Code-harnesset, och det är en av de få rader som en oberoende styrelse läser. Ett leverantörsval av harness som smickrar en modell är det äldsta felsättet i benchmarkrapportering.

• Överlever DeepSWE-vinsten ett annat scaffold? 77,0 i Mini-SWE-V2 mot septembers 74,2. DeepSWE har visat stor spridning mellan olika harnessar, så det är deltat som är påståendet, inte nivån.

• Minskar utdatans längd verkligen? Ändringsloggens kostnadspåstående bygger på kortare utdata, inte bara snabbare sådana. I ett mätarbaserat API är det skillnaden mellan en Pareto-förbättring och ett avrundningsfel.

• Beter sig reglaget för resonemangsansträngning som det ska? Ansträngningsvärdet är numeriskt, där low, high och max mappas till definierade värden, high är standard, och temperature tas emot men ignoreras i tänkläge. Testa med det exakta ansträngningsvärde som produktionen skickar, eftersom en testsvit som körs på max inte säger något om en driftsättning på high.

• Fungerar verktygsanvändning över flera turer fortfarande fram och tillbaka? Med verktyg måste reasoning_content från varje tidigare tur – även turer utan verktygsanrop – komma tillbaka, annars misslyckas begäran. Det är den typen av regression som ett byte av checkpoint inför tyst.

Om du vill köra den där regressionstestkörningen utan att flytta en produktionsväg till omätta vikter, är det precis detta OrcaRouters failover är byggd för: lägg 1017 bakom en reservkedja, skicka trafiken du är beredd att förlora till den och låt ett svar som misslyckas eller är långsamt göra om försöket hos flera leverantörer innan anroparen ser det. Prissättningen är den andra halvan av argumentet och den enklare — D​eepSeek har lämnat Flash-prislistan oförändrad, och eftersom OrcaRouter för vidare leverantörens listpris direkt med 0 % påslag påverkar en ändring som inte flyttar D​eepSeek-priset inte vårt. Du kan nå DeepSeek V4.1 Flash till D​eepSeeks egna priser idag, utan ett andra avtal och utan kodändring, medan topplistan hinner ikapp.

Frågorna som signalen lämnar öppna

Varför skulle ett byte av checkpoint flytta indexet över huvud taget, om arkitekturen är densamma?Därför att indexet viktar agentiska och kodningsrelaterade utvärderingar till hälften av sin totalsumma, och det är de utvärderingar där efterträningsförändringar av det här slaget syns snabbast. Septembermodellens svagaste publicerade kategori var agentiskt arbete i förhållande till sitt pris; 1017-ändringsloggen handlar nästan helt om agentiskt arbete och kostnad per uppgift. Prognosen är en satsning på att samma arkitektur plus bättre efterträning landar där vikterna säger att den borde.

Finns det något sätt att läsa ett 1017-nummer innan Artificial Analysis publicerar ett? Bara indirekt. De två agentiska raderna som leverantören publicerar – Terminal-Bench 4.0 och Automation-Bench – är de närmaste proxyna, och båda är självrapporterade. En tredje väg är att hålla koll på om posten för september på en oberoende resultattavla byter namn, körs om eller lämnas orörd; en inaktuell rad som behåller sin gamla poäng medan de serverade vikterna ändras är den tydligaste signalen om att ett nummer inte längre betyder det det säger.

Betyder det oförändrade priset att Pareto-påståendet stämmer? Det betyder att påståendet går att testa. ”Paretoförbättring av prestanda och kostnad” med en fast prislista är bara sant om antalet utdatatoken per uppgift minskar, eftersom det är den enda återstående hävstången. Leverantören säger att både körtiden per uppgift och utdatalängden minskade. Det är det enda påståendet på sidan som en läsare kan verifiera med sin egen faktura.

Vad du ska titta på härnäst

Prognosen som ska bedömas är specifik, och det är det som gör den värd att behålla. Om en 1017-rad dyker upp på Intelligence Index på 45 eller 46, har den som postade förutsagt positionen och mekanismen – en agentiktung viktning plus en känd svag punkt på Omniscience – och den användbara lärdomen är att den sammansatta poängen blev förutsägbar utifrån leverantörstabellen när väl vikterna lästes noggrant. Om den landar på eller under septembervärdet 39 är lärdomen den motsatta och dyrare: en leverantörstabell med elva rader som rör sig uppåt på varje rad kan ändå lämna en sammansatt poäng oförändrad, eftersom raderna som rörde sig inte är de rader som räknas. Båda utfallen är en enda mätning av en enda modell, inte en dom över labbet, och talet som avgör det är ett som en läsare inte kan beräkna i dag.

Det en läsare kan göra i dag är billigare än en prognos. Vikterna är MIT-licensierade och API:et är live till septemberpriset, så månaden innan någon publicerar en rangordning är månaden då du bör bilda dig en egen uppfattning om de tre frågor som spelar roll för dig: slutför den dina agentiska uppgifter snabbare, säger den mindre samtidigt som den gör det, och håller den för de fleromgångsverktygsvägar du faktiskt kör.

Källanmärkning: varje DeepSeek-siffra i den här artikeln – de elva benchmarkraderna, parametertotalen på 763B, 1M-tokenfönstret, MIT-licensen, den oförändrade prislistan och harnessrekommendationerna – kommer från leverantörens egen ändringsloggspost från 17 oktober, dess modellkort på Hugging Face och dess publicerade prissida. Varje oberoende siffra – 39:an på Intelligence Index, placeringen som nia av 120, kostnaden på 0,27 USD per indexuppgift, 175,9 token per sekund och viktningen av tio utvärderingar som bär upp poängen – kommer från Artificial Analysis, avläst den 18 oktober 2026. Prognosen 45 till 46, Vals-förväntan på 57 % och Omniscience-prognosen är en observatörs uppskattningar om en modell som inte har någon 1017-rad på någon av dessa resultattavlor, och de märks som uppskattningar överallt där de förekommer.

De dokumenterade AI-felen och agentincidenterna bakom släpp som detta samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omstridd flagga.