Un modelo que activa 16.000 millones de parámetros por token resuelve el 77,0 % de DeepSWE v1.1, tres puntos más que Claude Opus 5, por menos de 0,20 dólares por tarea según la gráfica de costes de DeepSeek. Es DeepSeek-V4.1-Flash-1017, publicado el 17 de octubre de 2026 en la web, la app y la API de DeepSeek, y con los pesos en Hugging Face bajo licencia MIT.
No es un modelo nuevo, sino una actualización menor de V4.1-Flash. El salto está en el post-entrenamiento: más acierto en código y agentes con respuestas más cortas, y por eso más baratas.
Qué trae la versión 1017
La arquitectura es la de V4.1-Flash: un MoE multimodal (texto e imagen) con 552.000 millones de parámetros en la red principal y contexto de un millón de tokens. Lo que lo distingue es su diseño Causal Encoder-Decoder: 20 capas de codificador y 20 de decodificador, donde la caché KV global del decodificador se proyecta desde el codificador. Así activa 8.000 millones de parámetros por token al procesar la entrada y 16.000 millones al generar, y deja la caché KV en 890 bytes por token, una cuarta parte que V4-Flash. Para cargas de agente, donde se lee mucho más de lo que se escribe, esa asimetría es justo lo que abarata cada tarea.
También mantiene el esfuerzo de razonamiento regulable con un entero de 1 a 100, en lugar de los tres o cuatro niveles habituales.
Cómo queda frente a los modelos de frontera
Cifras de la ficha del modelo, con el esfuerzo de razonamiento al máximo:
| Benchmark | V4.1-Flash-1017 | V4.1-Flash | GPT-5.6 Sol | Claude Opus 5 |
|---|---|---|---|---|
| DeepSWE v1.1 | 77,0 | 74,2 | 73,0 | 74,0 |
| Terminal-Bench 4.0 | 42,3 | 31,2 | 39,9 | 51,8 |
| NL2Repo-Bench | 68,2 | 65,4 | 56,8 | 75,3 |
| Automation-Bench | 60,5 | 54,8 | 45,8 | 50,3 |
| HLE sin herramientas | 42,6 | 36,8 | 44,5 | 56,3 |
La lectura honesta es que gana en corregir issues y en automatización, y sigue lejos de Opus 5 en tareas largas de terminal, en construir un repositorio desde cero y en razonamiento puro. Donde la distancia es enorme es el precio: en la gráfica de DeepSWE de DeepSeek, el modelo llega al 77 % por algo menos de 0,20 dólares por tarea, y en su modo de esfuerzo bajo supera el 72 % por unos 0,10. Su predecesor costaba unos 0,50 dólares, y los rivales de la gráfica, entre 2 y más de 10 dólares por tarea.
Qué significa para quien construye con agentes
Si tienes un agente de código que resuelve tickets acotados, un modelo que roza el nivel de los de frontera por una décima parte del coste cambia el cálculo de cuántos intentos en paralelo te puedes permitir. En la ficha de la versión anterior, DeepSeek publica además resultados con varios harness: con Claude Code saca un 69,8 % en DeepSWE, frente al 74,2 % con mini-SWE, así que la herramienta que lo envuelve pesa tanto como el modelo.
Junto al modelo, DeepSeek abre a todos los desarrolladores las API de búsqueda y lectura web (Search y Fetch) que usa internamente, a 0,75 dólares por cada 1.000 llamadas y gratis como herramientas de servidor en DeepSeek Harness, Claude Code y Codex hasta el 31 de octubre de 2026.
Para desplegarlo en casa, el MIT es la buena noticia y el tamaño, la mala: los pesos suman 763.000 millones de parámetros en FP8 y 8 bits, y el repositorio no trae plantilla de chat Jinja. El formato de los prompts está en una implementación de referencia en Python y en deepseek-recipe, un conjunto de librerías en Rust.
La cautela que importa aquí: la tabla compara con Opus 5 y GPT-5.6 Sol, no con Claude Opus 5.5, el modelo más reciente de Anthropic, y todas las cifras son de DeepSeek. Hasta que haya evaluaciones independientes, la única prueba que vale es pasarlo por tu propio conjunto de tickets.
Fuentes
- DeepSeek-V4.1-Flash-1017 (model card), DeepSeek on Hugging Face (2026-10-17)
- DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression, DeepSeek on Hugging Face
- Deepseek V4.1 Flash 1017 beats larger rivals in agentic tasks while once again massively cutting per-task costs, The Decoder (2026-10-17)
- DeepSeek-V4.1-Flash-1017 (discussion), Hacker News (2026-10-17)