DeepSeek tauscht Flash-Modell unter gleichem API-Namen aus

DeepSeek ersetzt Flash-Modell unter altem API-Namen und öffnet Search und Fetch

DeepSeek hat am 17. Oktober 2026 einen aktualisierten Post-Training-Checkpoint seines Flash-Modells ausgeliefert. DeepSeek-V4.1-Flash-1017 läuft auf Website, App und API unter dem bisherigen Namen deepseek-flash. Laut den Release-Hinweisen bleiben Aufruf und Preisstruktur gleich. Parallel hat das Unternehmen seine Search- und Fetch-APIs für alle Entwickler freigegeben. Welche Funktionen und Konditionen Search und Fetch bieten, hat DeepSeek bislang nicht im Detail dargelegt.

Der Vorgänger V4.1-Flash erschien am 10. September 2026 offiziell und liegt als MIT-lizenzierte Gewichte auf Hugging Face. Für den 1017-Build sind dagegen laut Marktechpost keine Gewichte veröffentlicht.

77,0 auf DeepSWE v1.1: Herstellertabelle trifft auf unverändertes Leaderboard

Nach DeepSeeks Angaben übertrifft der neue Build den September-Stand in allen 11 berichteten Benchmarks, und zwar um 2,0 bis 11,1 Punkte. Den höchsten Wert nennt das Unternehmen mit 77,0 auf DeepSWE v1.1. Claude Opus 5 steht in DeepSeeks Tabelle bei 74,0. Am schwächsten fällt das Ergebnis auf HLE ohne Tools aus: 42,6, Opus 5 kommt dort auf 56,3.

DeepSWE ist ein Coding-Agent-Benchmark von Datacurve. Er umfasst 113 Aufgaben in 91 Open-Source-Repositories. Version 1.1 vom 14. Juni 2026 behält die Aufgaben bei, ändert aber die Bewertung. Das offizielle Board arbeitet mit mini-swe-agent und hat seit dem 3. September 2026 kein Modell aufgenommen. Der Datacurve-Stand vom 22. September führt GPT-6 Astra (xhigh) mit 74,1. Die 77,0 tauchen dort nicht auf.

Der Wert ist somit eine Herstellerangabe ohne unabhängige Bestätigung. Welches Scaffold DeepSeek nutzte, wie viele Läufe es gab und welchen Kontext es setzte, ist nicht dokumentiert. Ob die Konfiguration dem Board entspricht, ist offen. Die verglichenen Stände sind zudem nicht identisch. Die technischen Eckdaten stammen ebenfalls von DeepSeek, wie Marktechpost sie wiedergibt: 552B Backbone- plus 196B Engram-Parameter, 8B aktive Parameter beim Prefill und 16B beim Decode, 1M Kontext sowie bis zu 384K Output-Tokens.

Was Entwickler an deepseek-flash jetzt beachten sollten

Wer deepseek-flash nutzt, erhält das neue Verhalten ohne Eingriff am Aufruf. Ob sich eine feste Version anpinnen lässt, ist ungeklärt. Das berührt die Reproduzierbarkeit. Prompts, Evaluationsläufe und Agenten-Pipelines können gegen ein anderes Modell laufen, ohne dass sich im Code etwas ändert. Regressionstests mit eigenen Aufgaben sind deshalb sinnvoll.

Aussagen zu kürzeren Ausgaben, schnellerer Aufgabenerledigung und einer „Pareto-Verbesserung“ bei Leistung und Kosten stammen von DeepSeek. Prüfbar wären sie nur durch unabhängige Messungen von Token-Verbrauch, Latenz und Benchmarks am Endpunkt oder über einen Eintrag im offiziellen DeepSWE-Board. Dasselbe gilt für die Angabe, der Build setze Reinforcement Learning mit Self-Feedback ein. Ein technischer Bericht oder eine Model Card zum 1017-Build war bislang nicht auffindbar.

Für Agent-Builder heißt die Öffnung von Search und Fetch: Sie erhalten eine Web-Ebene beim selben Anbieter.