DeepSeek sort DeepSeek-V4.1-Flash-1017, son modèle multimodal MoE optimisé

Introduction

Le paysage de l'intelligence artificielle évolue à une vitesse fulgurante, et DeepSeek vient de franchir une nouvelle étape cruciale. Le 17 octobre 2026, le laboratoire a annoncé la sortie de DeepSeek-V4.1-Flash-1017, une mise à jour majeure de sa lignée 'Flash' conçue pour offrir un équilibre parfait entre latence ultra-faible et capacités de raisonnement avancées.

Pour les ingénieurs et les développeurs, cette annonce n'est pas qu'une simple itération incrémentale. Il s'agit d'une optimisation profonde de l'efficacité opérationnelle. En proposant une mise à jour 'on-demand' disponible immédiatement via l'API et les applications, DeepSeek démontre une agilité rare, permettant aux utilisateurs de bénéficier de gains de performance sans modifier leurs méthodes d'appel existantes.

• Disponibilité immédiate (API, Web, App)
• Mise à jour transparente (méthode d'appel inchangée)
• Optimisation du ratio performance-coût (Pareto optimum)

Architecture et caractéristiques clés

Au cœur de DeepSeek-V4.1-Flash-1017 se trouve une architecture Mixture-of-Experts (MoE) massive de 552 milliards de paramètres. Cependant, contrairement aux modèles denses traditionnels, l'efficacité est maximisée grâce à une activation sélective : seulement 8 milliards de paramètres sont sollicités pour le traitement des entrées, et 16 milliards pour la génération des sorties.

Cette structure permet au modèle de maintenir une intelligence de haut niveau tout en conservant une vitesse d'inférence exceptionnelle, atteignant jusqu'à 300 tokens par seconde dans certains tests. Le modèle est nativement multimodal, capable de traiter des flux de données complexes, et supporte une fenêtre de contexte massive de 1 million de tokens, avec une capacité de sortie allant jusqu'à 384K tokens.

• Architecture : 552B MoE (8B actifs en entrée / 16B en sortie)
• Fenêtre de contexte : 1M de tokens
• Capacité de sortie maximale : 384K tokens
• Nature : Multimodal et Open Weights (disponible sur Hugging Face)

Performances et Benchmarks

Les résultats de DeepSeek-V4.1-Flash-1017 témoignent d'un bond significatif par rapport à la version précédente. Sur le benchmark HLE (sans outils), le modèle atteint un score de 42.6 (contre 36.8 auparavant), et s'élève à 44.0 sur le sous-ensemble purement textuel. La progression est encore plus marquée sur Terminal-Bench 4.0, où il grimpe à 42.3, surpassant largement les 31.2 de l'ancienne version.

Dans le domaine du développement logiciel, le modèle affiche des scores impressionnants : 77.0 sur DeepSWE v1.1 et 68.2 sur NL2Repo-Bench. Les capacités d'agents multimodaux sont également au rendez-vous avec des scores de 83.0 sur Chartography et 92.5 sur BabyVision. Ces tests ont été réalisés via des frameworks rigoureux tels que Claude Code pour Terminal-Bench et Mini-SWE-V2 pour DeepSWE, garantissant une évaluation proche des conditions réelles de production.