DeepSeek V4.1 Flash 1017 : 77 % sur DeepSWE et API
DeepSeek-V4.1-Flash-1017 est la mise à jour de V4.1 Flash publiée par DeepSeek le 17 octobre 2026. Le site officiel, l’application et l’API ont été mis à jour simultanément, et les poids du modèle sont disponibles. Dans le tableau de lancement, DeepSWE v1.1 passe de 74.2 à 77.0 ; les 11 tests progressent. DeepSeek annonce également des tâches plus rapides et des sorties plus courtes. Annonce officielle
Il faut distinguer deux noms : DeepSeek-V4.1-Flash-1017 désigne la version, tandis que deepseek-flash est l’identifiant utilisé par l’API officielle de DeepSeek. Les identifiants et adresses de notre passerelle se configurent séparément de l’accès direct au fournisseur. Pour nos tarifs, consultez les prix actuels des modèles ; cet article ne reprend pas ceux du fournisseur.
Chiffres clés et sources
- Publication : 17 octobre 2026. Mise à jour simultanée du site, de l’application et de l’API. Annonce
- DeepSWE v1.1 : 77.0 (niveau de raisonnement max) contre 74.2, soit 2.8 points de pourcentage supplémentaires. Le tableau officiel utilise l’environnement Mini-SWE-V2. Résultats officiels
- Terminal-Bench 4.0 : 42.3 contre 31.2, soit 11.1 points supplémentaires. Ce test utilise le framework Claude Code. Résultats officiels
- ProgramBench : 29.1 contre 20.3, soit 8.8 points supplémentaires. Résultats officiels
- Automation-Bench V1.0.6 : 60.5 contre 54.8. Résultats officiels
- Harness : v0.2.1-rc.1 ou version ultérieure. C’est la mise à jour recommandée par DeepSeek pour ce modèle. Annonce
Ces résultats proviennent des documents de lancement de DeepSeek ; notre site ne les a pas reproduits indépendamment. Toute comparaison doit conserver la version du modèle, le jeu de tests, le framework d’agent et le niveau de raisonnement.
Qu’apporte 1017 ? Comparaison des 11 benchmarks
| Test | Version précédente de V4.1 Flash | V4.1 Flash 1017 |
|---|---|---|
| HLE (sans outils) | 36.8 / 39.1* | 42.6 / 44.0* |
| Terminal-Bench 4.0 | 31.2 | 42.3 |
| DeepSWE v1.1 | 74.2 | 77.0 |
| ProgramBench | 20.3 | 29.1 |
| NL2Repo-Bench | 65.4 | 68.2 |
| Automation-Bench V1.0.6 | 54.8 | 60.5 |
| Agents’ Last Exam | 31.8 | 35.4 |
| Apex Bench v1.1 | 64.6 | 72.1 |
| Chartography (avec outils) | 78.9 | 83.0 |
| BabyVision (avec outils) | 89.6 | 92.5 |
| ZeroBench-main (avec outils) | 49.0 | 51.0 |
* désigne le sous-ensemble textuel de HLE. Terminal-Bench 4.0 utilise Claude Code ; DeepSWE utilise Mini-SWE-V2 ; ZeroBench-main est évalué en Pass@5. Les scores sont repris tels qu’ils figurent dans le tableau : les indicateurs de tests différents ne correspondent pas tous au même taux de réussite.
Source de l’image : tableau d’évaluation publié par DeepSeek.
Parmi les six versions de modèles de ce tableau, 1017 obtient le meilleur score sur DeepSWE, Automation-Bench, Agents’ Last Exam et Apex Bench. Claude Opus 5 reste devant sur HLE, Terminal-Bench et ProgramBench, notamment ; GPT-5.6-Sol est devant sur ZeroBench-main. Le choix doit donc dépendre des tâches visées : quatre premières places ne signifient pas une supériorité dans tous les domaines.
Pour un projet existant, DeepSWE se rapproche davantage de la correction de problèmes dans le code. Pour les opérations en ligne de commande, la progression sur Terminal-Bench mérite une attention particulière. Comparez les versions avec le même dépôt, les mêmes tests et les mêmes permissions d’outils, en mesurant la réussite des tests, les nouvelles tentatives, le temps total et le volume de sortie.
Développer un projet de zéro : autoévaluation, RL et Harness
DeepSeek indique que 1017 renforce le développement de projets de bout en bout grâce à un apprentissage par renforcement fondé sur l’autoévaluation : après une première implémentation, le modèle vérifie le résultat, repère les problèmes et les corrige. Les démonstrations comprennent une modélisation 3D de la Cité interdite, un jeu de course dans le navigateur, une recréation de Portal 2 avec Godot et des scènes 3D traversant différentes époques. Ce sont des démonstrations du fournisseur, pas des validations de projets de production. Démonstrations et explications
L’entraînement a été optimisé pour DeepSeek Harness, Tencent CodeBuddy, WorkBuddy et d’autres environnements. Avec Harness, passez à v0.2.1-rc.1 ou une version ultérieure : la v0.1.5 mentionnée dans l’article de septembre n’est plus la recommandation actuelle.
Si Node.js est installé, lancez l’interface Web avec le paquet officiel :
npx @deepseek-ai/dsh@latest web
Vérifiez ensuite la version réellement démarrée, renseignez la clé API du service concerné dans les paramètres et choisissez un espace de travail. Commencez par une petite tâche accompagnée de tests dans un espace isolé, puis élargissez les permissions des outils. Projet DeepSeek Harness
Quel rapport avec l’architecture V4.1 Flash de septembre ?
Le modèle de base V4.1 Flash publié en septembre combine une architecture MoE multimodale native texte-image et un Causal Encoder-Decoder (CED). Sa fiche officielle indique 552B de paramètres dans le réseau principal, dont environ 8B activés par token au préremplissage et 16B au décodage ; le chiffre 550B utilisé dans certaines présentations est un arrondi. Le nombre total de paramètres et le nombre de paramètres activés sont deux mesures distinctes. Fiche de V4.1 Flash
Ce modèle de base réduit également le cache KV global par token, de 3514 octets avec V4 Flash à 890 octets. Il s’agit de la taille du cache, pas de toute la mémoire GPU nécessaire au déploiement. La publication 1017 porte sur l’entraînement, les performances sur les tâches et l’efficacité d’exécution : les changements d’architecture de septembre ne sont pas des nouveautés d’octobre. Pour le contexte, consultez le guide d’architecture et d’intégration V4.1 Flash.
API : distinguer version, identifiant et URL
Au 17 octobre 2026, la page officielle des spécifications associe explicitement deepseek-flash à DeepSeek-V4.1-Flash-1017. Le nom de publication ne doit pas être utilisé directement comme identifiant API. Versions des modèles officiels
| Mode d’accès | URL complète de la requête de chat | Identifiant du modèle | Fournisseur de la clé |
|---|---|---|---|
| Accès direct à DeepSeek | https://api.deepseek.com/v1/chat/completions |
deepseek-flash |
DeepSeek |
| Notre passerelle | https://api.llm-token.cn/v1/chat/completions |
deepseek-v4.1-flash, selon notre catalogue |
贵数智能 |
La mise à jour d’un alias officiel ne garantit pas la mise à jour simultanée de tous les canaux tiers. La mention 1017 sur notre page identifie la version présentée ici. Avant l’intégration, vérifiez l’identifiant disponible dans le catalogue des modèles ; si vous exigez une version précise, contactez notre équipe d’assistance. N’intervertissez pas les clés des deux services et n’ajoutez pas un second /v1 à une URL de base qui le contient déjà.
Voici le format de requête de notre passerelle. Avant de l’exécuter, vous devez disposer d’une clé valide et vérifier l’identifiant dans le catalogue :
curl https://api.llm-token.cn/v1/chat/completions \
-H "Authorization: Bearer $LLM_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "deepseek-v4.1-flash",
"messages": [
{"role": "user", "content": "Review this repository and propose a testable bug-fix plan."}
],
"stream": false
}'
Pour un accès direct à DeepSeek, remplacez l’URL complète par https://api.deepseek.com/v1/chat/completions, utilisez une clé DeepSeek et renseignez deepseek-flash dans model. Le texte de réponse se lit dans choices[0].message.content ; les appels d’outils doivent suivre le mécanisme d’exécution du client. Guide des formats d’API
Search et Fetch : des URL distinctes pour la recherche
DeepSeek ouvre également ses outils Search et Fetch. Search trouve des pages à partir de mots-clés ; Fetch lit une page donnée et renvoie son contenu en Markdown. Ils conviennent aux agents qui recherchent d’abord des sources, puis les consultent.
| Fonction | URL POST officielle de DeepSeek |
|---|---|
| Rechercher des pages Web | https://api.deepseek.com/v1/tools/search |
| Récupérer le contenu d’une page | https://api.deepseek.com/v1/tools/fetch |
Ces deux interfaces utilisent une clé DeepSeek et sont distinctes de l’interface de chat. Leur disponibilité chez DeepSeek ne signifie pas que notre passerelle relaie automatiquement ces chemins ; n’ajoutez pas simplement /v1/tools/search ou /v1/tools/fetch à notre adresse. Les champs et les limites sont décrits dans la documentation officielle Search & Fetch.
Questions fréquentes
V4.1 Flash et V4.1 Flash 1017 ont-ils deux identifiants API différents ?
Non. V4.1 Flash est la famille de modèles et 1017 désigne la mise à jour du 17 octobre. L’API officielle utilise toujours deepseek-flash. Notre service possède ses propres identifiants de catalogue : le nom affiché ne suffit pas à déterminer la version servie en amont.
Les anciens noms de modèles DeepSeek fonctionnent-ils encore ?
Selon la documentation officielle actuelle, deepseek-v4-flash et deepseek-v4-flash-vision-exp sont des alias de compatibilité servis par 1017. La page de spécifications indique encore séparément deepseek-v4-pro comme V4-Pro-0813 ; le calendrier de transition de septembre ne décrit donc pas nécessairement l’association actuelle. Pour notre passerelle, consultez les alias de notre catalogue. Description officielle actuelle
Où télécharger les poids du modèle ?
Dans le dépôt 1017 sur Hugging Face ou le dépôt 1017 sur ModelScope. Avant le déploiement, vérifiez la version, la licence, les exigences du framework d’inférence et le matériel nécessaire. Les 8B de paramètres activés ne suffisent pas à estimer les ressources nécessaires à l’ensemble du modèle.
Pour aller plus loin
- Guide d’architecture et d’intégration de DeepSeek V4.1 Flash
- Notre catalogue de modèles et les tarifs actuels
- URL d’API, formats de requêtes et dépannage
- Annonce officielle de DeepSeek 1017
Mise à jour : 17 octobre 2026. Cet article analyse les documents de lancement et d’intégration. Pour les associations entre identifiants et versions ultérieures, consultez la documentation actuelle du service concerné.