DeepSeek-V4.1-Flash progresse en programmation, raisonnement et compréhension visuelle
DeepSeek actualise V4.1-Flash avec des gains en programmation, raisonnement et vision, et ouvre ses API Search & Fetch aux développeurs.
Créer un jeu vidéo, développer une application ou modéliser une scène 3D à partir d'instructions : avec DeepSeek-V4.1-Flash-1017, DeepSeek poursuit l'optimisation de son modèle destiné notamment aux agents de programmation. Publiée le 17 octobre 2026, cette mise à jour améliore les résultats de la version précédente sur plusieurs évaluations de raisonnement, de développement logiciel et de compréhension visuelle. L'entreprise annonce également une réduction de la durée d'exécution des tâches et de la longueur des réponses, sans modifier ses tarifs API. En parallèle, elle rend accessibles à tous les développeurs ses interfaces Search & Fetch, reposant sur son propre moteur de recherche. Une mise à jour orientée vers l'exécution de tâches
DeepSeek-V4.1-Flash-1017 succède à DeepSeek-V4.1-Flash, présenté en septembre 2026.
Il conserve l'orientation multimodale de cette famille, capable de traiter du texte et des images, tout en renforçant les fonctions destinées aux agents logiciels.
Ces agents ne se limitent pas à produire du code. Ils doivent comprendre une demande, examiner des fichiers, utiliser des outils, exécuter des commandes et corriger leurs résultats lorsque les premières tentatives échouent.
La nouvelle version cherche à améliorer cette succession d'opérations.
DeepSeek indique avoir utilisé un apprentissage par renforcement avec autoévaluation, afin de mieux entraîner le modèle sur des tâches nécessitant plusieurs étapes.
L'entreprise met notamment en avant des démonstrations de projets développés depuis une instruction initiale : création de jeux, reproduction d'environnements interactifs et modélisation d'objets ou de lieux en trois dimensions.
Ces démonstrations illustrent les capacités recherchées, mais ne permettent pas à elles seules d'évaluer le taux de réussite du modèle sur des projets inconnus. Des progrès mesurés en programmation
La nouvelle version affiche des gains sur plusieurs évaluations techniques publiées par DeepSeek.
Sur Terminal-Bench 4.0, consacré à l'exécution de tâches depuis un environnement de terminal, le score passe de 31,2 pour DeepSeek-V4.1-Flash à 42,3 pour la version 1017.
Sur ProgramBench, qui évalue des tâches de programmation, le résultat progresse de 20,3 à 29,1.
Le benchmark DeepSWE v1.1, consacré à la résolution de problèmes logiciels, passe de 74,2 à 77,0.
Sur NL2Repo-Bench, qui examine la capacité à transformer des instructions en modifications au sein d'un dépôt logiciel, le score atteint 68,2 contre 65,4 précédemment.
Les résultats montrent également des progrès dans les tâches d'automatisation.
Sur Automation-Bench v1.0.6, DeepSeek-V4.1-Flash-1017 obtient 60,5 contre 54,8 pour son prédécesseur.
Ces mesures portent sur des tâches évaluées dans des environnements spécifiques. Elles ne correspondent pas à un pourcentage général de projets réalisés correctement en production. Des résultats en hausse pour le raisonnement et les agents
DeepSeek annonce également des améliorations dans plusieurs évaluations qui dépassent le développement logiciel.
Sur Humanity's Last Exam, sans accès aux outils, le modèle obtient 42,6 contre 36,8 pour la version précédente.
Sur Agents' Last Exam, le score passe de 31,8 à 35,4.
L'amélioration est également visible sur Apex Bench v1.1, avec 72,1 contre 64,6.
Dans certaines évaluations, la nouvelle version dépasse les résultats publiés pour des modèles généralistes plus coûteux.
Sur Automation-Bench, par exemple, DeepSeek-V4.1-Flash-1017 atteint 60,5, contre 45,8 pour GPT-5.6 Sol et 50,3 pour Claude Opus 5 dans le tableau fourni par DeepSeek.
Sur ProgramBench, le modèle obtient 29,1, contre 23,0 pour GPT-5.6 Sol, mais reste derrière Claude Opus 5, crédité de 37,0.
Ces comparaisons montrent que les positions varient selon les tâches.
Les résultats sont ceux publiés par DeepSeek dans la fiche du modèle. Ils ne constituent pas une campagne de tests indépendante menée dans des conditions uniformes pour tous les fournisseurs. La compréhension visuelle également améliorée
DeepSeek-V4.1-Flash-1017 conserve la capacité à interpréter des images directement, sans nécessiter un modèle de vision distinct.
Cette fonction peut servir aux agents chargés d'examiner une interface, d'interpréter un graphique ou de comprendre des informations présentes dans une capture d'écran.
Sur Chartography, avec accès aux outils, le score progresse de 78,9 à 83,0.
Sur BabyVision, il atteint 92,5 contre 89,6 pour la version précédente.
ZeroBench-main affiche une progression plus modeste, de 49,0 à 51,0.
Les résultats indiquent que l'optimisation ne concerne pas uniquement le raisonnement textuel ou la programmation.
La compréhension visuelle intervient notamment dans les tâches agentiques où le modèle doit examiner le résultat d'une action avant de décider de la suivante.
Elle peut également faciliter l'utilisation d'outils graphiques et de logiciels dont une partie des informations n'est accessible qu'à travers leur interface. Des réponses plus courtes pour réduire le coût par tâche
L'autre évolution mise en avant par DeepSeek concerne l'efficacité d'exécution.
L'entreprise indique que le modèle termine ses tâches plus rapidement et produit des réponses plus courtes que la version précédente.
Cette réduction de la longueur des sorties peut avoir un impact sur la consommation de tokens, particulièrement pour les agents qui effectuent plusieurs appels successifs au modèle.
Un assistant de programmation peut en effet produire de nombreuses réponses intermédiaires pendant qu'il analyse un projet, modifie des fichiers et vérifie les résultats obtenus.
Réduire ces échanges, sans diminuer la qualité des décisions, peut alléger le coût total d'une opération.
DeepSeek présente cette évolution comme une amélioration du compromis entre performances et coût, ou frontière de Pareto.
Le lancement ne s'accompagne toutefois pas d'une réduction supplémentaire du prix par token. Les économies annoncées proviennent principalement de la meilleure efficacité des tâches et de la diminution des sorties