DeepSeek V4.1 Flash-1017 veröffentlicht: Fokus auf Coding und Agentenaufgaben

DeepSeek hat das Modellupdate V4.1 Flash-1017 am 17. Oktober 2026 über die Website, App und API des Unternehmens zugänglich gemacht. Die Gewichte des Updates wurden auch auf Hugging Face und ModelScope veröffentlicht. Laut DeepSeek erledigt die neue Version Aufgaben schneller und gibt kürzere Antworten aus als das vorherige Flash-Modell. In derselben Ankündigung stellte das Unternehmen außerdem die Search- und Fetch-APIs vor, mit denen Entwickler auf die eigenen Websuchwerkzeuge zugreifen können.

Auf welche Aufgaben konzentriert sich das Update?

DeepSeek zufolge richtet sich V4.1 Flash-1017 an Anwendungsfälle wie die durchgängige Entwicklung von Softwareprojekten und die Ausführung von Aufgaben durch KI-Agenten. Für die Post-Training-Phase des Modells kommt die von DeepSeek als RLSF bezeichnete Methode des selbstreflektierenden Reinforcement Learnings zum Einsatz. Dabei werden die eigenen Konfidenzwerte des Modells oder seine erzeugten Kritiken als Belohnungssignale bewertet. Laut Unternehmen benötigt das Verfahren weder menschliche Evaluatoren noch externe Reward-Modelle.

DeepSeek zufolge verbessert diese Methode die durchgängige Projektentwicklung bei Aufgaben von Game-Programmierung bis hin zu 3D-Modellierung und Design. Das Unternehmen gibt außerdem an, das Modell für Entwicklungsumgebungen wie DeepSeek Harness, Tencent CodeBuddy und WorkBuddy optimiert zu haben. Für Harness wird Version v0.2.1-rc.1 oder höher empfohlen.

Wie sind die Benchmark-Ergebnisse einzuordnen?

In den eigenen Tests von DeepSeek erzielt V4.1 Flash-1017 höhere Ergebnisse als die vorherige Version V4.1 Flash. Im DeepSWE-Test werden für die hohe Einstellung 77,0 Prozent und durchschnittliche Kosten von etwas weniger als 0,20 US-Dollar pro Aufgabe angegeben. Bei der niedrigen Einstellung liegt das Ergebnis laut DeepSeek über 72 Prozent, die Aufgabenkosten betragen etwa 0,10 US-Dollar. Für die vorherige Version nennt das Unternehmen 74,2 Prozent und rund 0,50 US-Dollar pro Durchlauf.

Diese Werte basieren auf den unternehmenseigenen Benchmarks; unabhängige Tests wurden bislang noch nicht veröffentlicht. Die Ergebnisse bedeuten daher nicht, dass sich in jedem Workflow dieselbe Geschwindigkeit oder Kosteneffizienz erzielen lässt. In der Praxis können Faktoren wie die Aufgabenart und die Ausführung des Modells eine Rolle spielen. DeepSeek argumentiert außerdem, dass die neue Version kürzere Ausgaben produziert und dadurch das Kosten-Leistungs-Verhältnis verbessert.

Preise für Search und Fetch API

Die für Entwickler verfügbaren Search- und Fetch-Endpunkte kosten jeweils 0,75 US-Dollar pro 1.000 Aufrufe. DeepSeek zufolge greifen die Tools auf die eigene Suchmaschine des Unternehmens zurück, die weltweit täglich Hunderte Millionen Suchanfragen verarbeite. Details zur Einrichtung finden sich in der API-Dokumentation.

Nutzer der DeepSeek API können über serverseitige Tools in DeepSeek Harness, Claude Code und Codex bis zum 31. Oktober 2026 um 16.00 UTC kostenlos auf diese Funktionen zugreifen. Dieses Datum und diese Uhrzeit markieren das Ende des kostenlosen Nutzungszeitraums; Angaben zu einer danach geltenden Preisgestaltung enthält die Quelle nicht.

Auswirkungen auf Workflows in Architektur, Innenarchitektur und Visualisierung

Die Aussagen zum Einsatz bei 3D-Modellierungs- und Designaufgaben könnten für Architekturbüros und Visualisierungsteams besonders im Hinblick auf Prototyping, unterstützende Codegenerierung und repetitive Entwicklungsaufgaben interessant sein. Die Quellen belegen jedoch weder die direkte Kompatibilität des Modells mit einer bestimmten 3D-Software noch seine Genauigkeit bei Architekturprojekten oder die Produktionsreife seiner Ergebnisse. Die allgemeinen Leistungsversprechen des Unternehmens sollten deshalb anhand realer Dateien und Aufgaben im Büroalltag geprüft werden.

Die Veröffentlichung der Modellgewichte eröffnet die Möglichkeit eines lokalen Betriebs. Zu den Hardwareanforderungen und Lizenzbedingungen des Updates liegen in den Quellen jedoch keine ausreichenden Angaben vor. Diese Punkte sollten vor einer Entscheidung geklärt werden, insbesondere bei Teams, die Projektdaten nicht an externe Dienste übermitteln möchten. Wer die API nutzen will, sollte außerdem die Kosten pro Aufgabe sowie die Aufrufe von Search und Fetch getrennt betrachten.