Versi singkatnya
- DeepSeek-V4.1-Flash-1017 adalah pembaruan dari DeepSeek-V4.1-Flash, yang dirilis pada 10 September 2026. Arsitektur dan nama API-nya sama, skornya lebih baik, dan jawabannya lebih singkat.
- Dalam pengujian DeepSeek sendiri, peningkatan terbesarnya ada di agentic coding: 42,3 di Terminal-Bench 4.0, naik dari 31,2, dan 77,0 di DeepSWE v1.1.
- Ini adalah model mixture-of-experts dengan 552 miliar parameter, 16 miliar di antaranya bekerja untuk setiap token yang dihasilkan, dengan konteks hingga 1 juta token. Bobotnya gratis di bawah lisensi MIT.
- Bobot lengkapnya sekitar 510 GB. Di Mac, model ini butuh Mac Studio dengan memori 256 hingga 512 GB, atau streaming dari SSD pada 128 GB.
1Apa itu DeepSeek V4.1 Flash 1017
DeepSeek-V4.1-Flash adalah model terkecil dari keluarga V4.1 DeepSeek, dengan pemahaman gambar bawaan. Model ini hadir di API DeepSeek pada 10 September 2026; pada 17 Oktober DeepSeek menggantinya dengan DeepSeek-V4.1-Flash-1017, yang disebutnya pembaruan kecil (changelog API DeepSeek).
Pembaruan ini meningkatkan skor benchmark penalaran, coding, agentic, dan visual, dan model menyelesaikan tugas dengan output lebih singkat dalam waktu lebih cepat. DeepSeek menyetelnya untuk DeepSeek Harness miliknya, Tencent CodeBuddy, dan WorkBuddy, serta menyarankan DeepSeek Harness 0.2.1-rc.1 atau yang lebih baru (Hugging Face).
Namanya mengikuti kebiasaan DeepSeek memberi tanggal pada pembaruan: 1017 adalah bulan dan tanggal, 17 Oktober.
2Benchmark: 1017 dibandingkan V4.1 Flash dan lainnya
| Benchmark | V4.1 Flash 1017 | V4.1 Flash | Opus 5 | GPT-5.6 Sol | Kimi K3 | GLM-5.3 |
|---|---|---|---|---|---|---|
| HLE, tanpa tools | 42,6 | 36,8 | 56,3 | 44,5 | 43,5 | 42,0 |
| Terminal-Bench 4.0 | 42,3 | 31,2 | 51,8 | 39,9 | 12,6 | 37,9 |
| DeepSWE v1.1 | 77,0 | 74,2 | 74,0 | 73,0 | 67,5 | 66,9 |
| ProgramBench | 29,1 | 20,3 | 37,0 | 23,0 | 17,5 | 19,0 |
| NL2Repo-Bench | 68,2 | 65,4 | 75,3 | 56,8 | 58,0 | 58,0 |
| Agents' Last Exam | 35,4 | 31,8 | 28,6 | 26,7 | 27,6 | 28,5 |
| Apex Bench v1.1 | 72,1 | 64,6 | 65,8 | 54,3 | 47,8 | 56,6 |
Menurut angka ini, 1017 unggul atas semua model di tabel pada DeepSWE, Agents' Last Exam, dan Apex Bench, dan tertinggal dari Opus 5 dalam penalaran tanpa tools, pekerjaan di terminal, dan membangun program utuh. Model ini juga membaik pada tes grafik dan gambar seperti Chartography (83,0, naik dari 78,9) dan BabyVision (92,5, naik dari 89,6).
Biaya per tugas juga turun. Dalam grafik DeepSeek yang dilaporkan The Decoder, satu tugas DeepSWE berbiaya sedikit di bawah $0,20 pada pengaturan tertinggi, dibandingkan sekitar $0,50 untuk versi sebelumnya.
3Parameter, konteks, dan ukuran
| DeepSeek-V4.1-Flash-1017 | |
|---|---|
| Total parameter | 552 miliar (mixture of experts) |
| Aktif per token | 8 miliar saat membaca prompt, 16 miliar saat menulis |
| Expert | 384 dirutekan dan 1 bersama, 6 dipakai per token |
| Konteks | Hingga 1.048.576 token |
| Memori per token konteks | Sekitar 890 byte, seperempat dari V4 Flash |
| Bobot | FP8, dengan expert dalam FP4; sekitar 510 GB |
| Input | Teks dan gambar |
| Lisensi | MIT |
Sekitar 189 GiB dari unduhannya adalah dua tabel Engram: memori besar yang dicari oleh model, bukan dihitung, beberapa baris per token. Runtime seperti DwarfStar menyimpannya di SSD dan hanya membaca baris yang dibutuhkan, itulah sebabnya model ini bisa berjalan dengan memori jauh lebih kecil daripada ukuran unduhannya (antirez di Hugging Face).
4Nama API dan harga
Di API DeepSeek, model ini bernama deepseek-flash, dan kini mengarah ke 1017; nama lama deepseek-v4-flash dan deepseek-v4-flash-vision-exp untuk sementara diarahkan ke model ini. DeepSeek menyatakan cara pemanggilan dan harganya tetap sama dengan 1017 (DeepSeek).
| Penyedia | Input, per juta token | Output, per juta token |
|---|---|---|
| DeepSeek | $0,15 | $0,60 |
| Cloudflare | $0,10 | $0,60 |
| DeepInfra | $0,098 | $0,294 |
| Together, Fireworks, Baseten | $0,30 | $1,20 |
DeepSeek menyarankan temperature 1,0, top_p 1,0, dan ruang untuk jawaban panjang (max_tokens minimal 256K). Bobotnya tidak disertai chat template Jinja: prompt disusun dengan kode encoding di repositori model.
5Bisakah Anda menjalankannya di Mac sendiri?
Bisa, tetapi hanya di Mac terbesar. Mac Studio dengan memori 512 GB (M3 Ultra atau M5 Ultra) menampung build 4-bit sepenuhnya; 256 GB cukup untuk build 2-bit dengan tabel Engram dibiarkan di SSD; Mac 128 GB bisa melakukan streaming dari SSD, dengan lambat. Uji coba pertama yang dipublikasikan, di M3 Ultra dengan 512 GB, menghasilkan sekitar 6,5 token per detik.
Build mana yang perlu diunduh, perintahnya, dan kecepatannya ada di panduan langkah demi langkah kami: Menjalankan DeepSeek V4.1 Flash di Mac.
Untuk Mac lainnya, API hanya berbiaya beberapa sen per juta token, dan model terbuka yang lebih kecil berjalan baik secara lokal: lihat Mac terbaik untuk LLM lokal.
6Manfaatkan jam menganggur Mac yang besar
Mac Studio yang dibeli untuk menjalankan model seperti ini menghabiskan sebagian besar harinya dengan menunggu. MLX Node meminjamkan waktu luang itu ke MLX Network, yang menjalankan pekerjaan AI di Mac dengan framework MLX dari Apple, dan memperoleh token MLX untuk pekerjaan yang terverifikasi: hingga 1 MLX per hari dengan kursi gratis, dan hingga 320 dengan kursi khusus Ultra yang berjalan di Mac Ultra. MLX hasil penambangan terkunci selama 30 hari, lebih singkat dengan kursi khusus; lihat risikonya.
7Pertanyaan
- Apa itu DeepSeek V4.1 Flash 1017?
- Ini adalah pembaruan 17 Oktober 2026 dari DeepSeek-V4.1-Flash, model mixture-of-experts open-weight dari DeepSeek. Arsitektur dan nama API-nya tetap, dan skornya lebih tinggi pada benchmark penalaran, coding, agen, dan gambar.
- Apa bedanya V4.1 Flash dan 1017?
- Ukuran model dan API-nya sama, pelatihannya lebih baru. Dalam pengujian DeepSeek, 1017 mencetak 42,3, bukan 31,2, di Terminal-Bench 4.0 dan 77,0, bukan 74,2, di DeepSWE v1.1, serta menulis jawaban lebih singkat sehingga biaya per tugas lebih rendah.
- Berapa jumlah parameter DeepSeek V4.1 Flash?
- Total 552 miliar. Model ini mengaktifkan 8 miliar per token saat membaca prompt dan 16 miliar saat menulis, ditambah dua tabel lookup Engram besar yang bisa tetap di disk.
- Apakah DeepSeek V4.1 Flash 1017 gratis?
- Bobotnya gratis untuk diunduh dan dipakai di bawah lisensi MIT. Penggunaan lewat API DeepSeek berbayar: $0,15 per juta token input dan $0,60 per juta token output, seperti tercantum di OpenRouter.
- Bisakah saya menjalankan DeepSeek V4.1 Flash 1017 secara lokal?
- Bisa, dengan memori yang sangat besar. Di Mac, Mac Studio dengan 512 GB menjalankan build 4-bit, dan 256 GB menjalankan build 2-bit dengan tabel Engram di SSD. Untuk Mac yang lebih kecil, lebih baik memakai API atau model yang lebih kecil.
Sumber
- changelog API DeepSeekapi-docs.deepseek.com
- Hugging Facehuggingface.co
- The Decoderthe-decoder.com
- V4.1 Flashhuggingface.co
- antirez di Hugging Facehuggingface.co
- OpenRouteropenrouter.ai