DeepSeek publicó el 17 de octubre una actualización menor de DeepSeek-V4.1-Flash, y en quince días se ha convertido en el modelo abierto con más descargas de Hugging Face: más de 177.000, cerca de 4.400 me gusta, y variantes a ocho bits en circulación desde el primer día. La tarjeta del modelo la presenta como una mejora de Pareto: sube en razonamiento, código, tareas agénticas y visión respecto a la versión anterior, y además reduce el tiempo de ejecución y la longitud de la salida, lo que se traduce en tareas completadas más rápido y a menos coste. Lo más llamativo es la tabla comparativa frente a K3, GLM-5.3, GPT-5.6 y Opus 5: supera a los dos modelos cerrados de frontera en varios benchmarks de agentes, aunque en razonamiento puro y en algunas pruebas visuales con herramientas todavía les va detrás. La distribución es la de siempre: licencia MIT, multimodal (texto e imágenes) y pesos en FP8. Y un detalle que no suele estar en las fichas: en lugar de una plantilla de Jinja, DeepSeek entrega una implementación de referencia en Python autocontenida y una librería en Rust llamada deepseek-recipe, y el anuncio oficial promete optimización para el harness propio y para Tencent CodeBuddy.
El nombre lo cuenta todo: 1017 es la fecha de salida, el 17 de octubre, y el prefijo Flash recuerda a qué apunta la familia —velocidad y coste por tarea, no tamaño. No es un modelo nuevo de cero: es una iteración sobre DeepSeek-V4.1-Flash, que llegó el 10 de septiembre, dentro de una racha de entregas de la familia V4 que arrancó con la versión preliminar en abril y continuó con V4-Pro a finales de agosto. El comunicado oficial, titulado «Wish-Driven Programming Made Real», va al grano: mejor rendimiento en benchmarks, tareas completadas más rápido y salidas más cortas, «una mejora de Pareto en rendimiento y coste», ya disponible en el sitio, la aplicación y la API. La idea detrás del nombre wish-driven es la que viene marcando la agenda de los agentes: que la distancia entre describir lo que se quiere y que el sistema lo ejecute siga acortándose.
La tarjeta del modelo incluye una tabla comparativa que es, probablemente, la parte más citada del lanzamiento. Frente a su propia versión anterior, los saltos son consistentes: Terminal-Bench 4.0 sube de 31,2 a 42,3, DeepSWE de 74,2 a 77,0, ProgramBench de 20,3 a 29,1, NL2Repo-Bench de 65,4 a 68,2 y HLE sin herramientas de 36,8 a 42,6. Frente a la competencia, el mapa es más matizado. En la zona de ejecución agéntica, DeepSeek-V4.1-Flash-1017 va por delante de GPT-5.6 y de Opus 5: Automation-Bench 60,5 contra 45,8 y 50,3; Agents' Last Exam 35,4 contra 26,7 y 28,6; Apex Bench 72,1 contra 54,3 y 65,8. En DeepSWE, evaluado con el harness Mini-SWE-V2, también gana (77,0 contra 73,0 y 74,0). Pero la lectura honesta tiene otra cara: en HLE sin herramientas, Opus 5 sigue por delante (56,3 contra 42,6) y GPT-5.6 también (44,5); en Terminal-Bench, con el harness Claude Code, la diferencia con Opus 5 se mantiene (51,8 contra 42,3); y en las pruebas visuales con herramientas los resultados se intercambian —Chartography 83,0, BabyVision 92,5, ZeroBench 51,0, números muy parejos con los cerrados. El patrón que emerge: un modelo que compite en la cabeza del pelotón en ejecución de agentes y en tareas de código, con un coste de salida y una latencia que los propios anunciantes presumen, y que todavía no ha cerrado la brecha en el razonamiento crudo.
En la distribución, todo es más de lo que DeepSeek ya hizo en la V4: licencia MIT, arquitectura multimodal (la tarjeta lo etiqueta como image-text-to-text) y pesos disponibles en FP8, además de una variante a ocho bits que la comunidad está cuantizando a GGUF desde el primer día. Hay un detalle que no suele estar en las fichas: el modelo no incluye una plantilla de Jinja para el formato de conversación; en su lugar DeepSeek publica en la carpeta encoding una implementación de referencia en Python, con casos de prueba para conversaciones de varios turnos, tool calling, modo de pensamiento, esfuerzo de razonamiento numérico, mensajes de sistema a mitad de conversación e imágenes intercaladas; y por encima de eso, una librería en Rust —deepseek-recipe— orientada a producción. Es la firma de un equipo que piensa la integración de su modelo como una pieza de ingeniería. El anuncio cierra anunciando que la versión está «optimizada para DeepSeek Harness y Tencent CodeBuddy», una pista de hacia dónde va la optimización: no solo el modelo, sino también los harnesses que lo ejecutan.