El build 1017 de DeepSeek V4.1 Flash se presenta con números de modelo de frontera en tareas de terminal. La ficha del modelo y un medidor independiente no coinciden, y esa distancia pesa más que cualquiera de las dos cifras.
DeepSeek V4.1 Flash 1017: qué es el modelo que se está probando
El nombre completo es DeepSeek-V4.1-Flash-1017. El sufijo identifica el build, no una versión al uso, y los Flash anteriores de la generación V4 quedan por detrás.
La arquitectura es mixta. Combina una base de 552.000 millones de parámetros con un conjunto Engram de 196.000 millones.
La parte curiosa es Engram. Funciona con búsquedas de n-gramas de hasta cuatro tokens, de modo que esa tabla no tiene que vivir en la memoria de la GPU. Encima, DSpark añade decodificación especulativa, que consiste en proponer varios tokens y validarlos después.
El contexto es de 1.048.576 tokens. Un millón largo para meter repositorios enteros sin trocear.
Los pesos están abiertos. Eso es lo que hace que la conversación sobre ejecutarlo en casa sea relevante, aunque el hardware necesario merezca un apartado propio.
Terminal-Bench 2.1: la distancia entre la ficha y Vals AI
Terminal-Bench 2.1 mide tareas de agente en una terminal: encadenar comandos, leer la salida y corregir el rumbo. En la ficha del modelo, DeepSeek V4.1 Flash marca un 90,6%.
En la tabla de Vals AI, el mismo modelo aparece con un 74,5%. Dieciséis puntos de diferencia en la misma prueba.
No hay que elegir bando para sacar una conclusión útil. Las dos cifras se obtuvieron con ajustes distintos, y eso significa que el número depende más del arnés que del modelo.
Quien vaya a automatizar tareas de terminal debería quedarse con la cifra baja como suelo.
Los DeepSeek benchmarks que BenchLM recogió y los que faltan
El resto de la ficha sigue la misma tónica: cifras altas en pruebas concretas, aunque muy desiguales entre sí. Terminal-Bench 4.0 baja al 42,30%, DeepSWE llega al 77,0% y NL2Repo al 68,2%.
AutomationBench se queda en 60,5%. Agents' Last Exam, que es una prueba de tareas largas y abiertas, marca 35,4%. CyberGym sube al 88,1%, GPQA-Diamond al 90,9% y HLE al 42,6%.
En programación competitiva, Codeforces da 3471. FrontierMath v2 en su nivel 4 se queda en 26,8%, que es donde se ve el techo de un modelo pequeño en matemáticas duras.
Leídos en conjunto, estos DeepSeek benchmarks describen un modelo muy bueno en tareas de código con verificación automática y mucho más flojo cuando la tarea exige criterio abierto.
BenchLM y su ranking: 65,41 en el puesto 31 de 1.016
BenchLM le pone 65,41 sobre 100 y lo coloca en el puesto 31 de 1.016 modelos. Son cifras que suenan a medio de la tabla hasta que uno mira cuántos modelos hay por encima.
El propio agregador avisa de su límite: ha cubierto 53 de las 759 pruebas que maneja, y dice que esa cobertura parcial hace que la nota general sea conservadora. Un ranking con un 7% de las pruebas no es un veredicto.
Artificial Analysis añade otro dato incómodo. Su índice de inteligencia queda en 39,5%, y la tasa de alucinación en su prueba Omniscience llega al 96,5%, con un índice de -5,3%.
Un modelo barato que inventa con esa facilidad sirve para escribir scripts, renombrar funciones y rellenar formularios, pero no para responder a un cliente sin que alguien revise cada frase.
DeepSeek local inference: 128 GB de RAM y un cuantizado de 500 GB
Aquí se cae la fantasía del portátil. La guía de Unsloth sitúa el modelo en máquinas de 128 GB de RAM o más, y con 64 GB solo funciona más lento, tirando de SSD.
Los archivos no ayudan. El cuantizado UD-Q8_K_XL ocupa 508,4 GB, y el UD-Q4_K_XL baja a 500,7 GB. Hablamos de medio terabyte de disco para un modelo que, en teoría, es la versión económica.
Un portátil de oficina con 16 GB no llega. DeepSeek local inference es cosa de un servidor, de una estación de trabajo con mucha memoria o de alquilar por horas.
Unsloth afirma además que sus cuantizados dinámicos V3.1 dan entre un 10% y un 15% más de precisión y gastan un 30% menos de tokens que otros del mismo tamaño, y que son unas tres veces más rápidos que repositorios comparables. Son cifras del proveedor de la herramienta, no una medición externa.
DeepSeek V4.1 Flash piensa por defecto: reasoning_effort y 256K de salida
El modelo razona antes de responder, y viene activado. El parámetro reasoning_effort se mueve en una escala de 1 a 100 y arranca en 75.
La plantilla traduce los niveles habituales: bajo equivale a 50, medio a 62, alto a 75 y máximo a 100. Para generaciones largas, DeepSeek recomienda dejar al menos 256.000 tokens de salida.
Ese detalle explica por qué algunas pruebas salen caras sin que el precio por token sea alto. Si el modelo piensa durante párrafos antes de escribir, el consumo se dispara.
Bajar el esfuerzo a 50 es la palanca más directa para recortar coste en tareas simples, como resumir un archivo o renombrar funciones.
DeepSeek pricing sin cifras: dónde cae este modelo en la escala
No hay tarifa verificada para esta corrida, así que conviene hablar de posición y no de importes. El modelo se sitúa en la gama Flash de DeepSeek, la que la compañía usa para el trabajo masivo.
El nombre de la API también cambió de sitio. Según la documentación, deepseek-flash lo sirve ahora DeepSeek-V4.1-Flash-1017, y los nombres antiguos como deepseek-v4-flash se siguen aceptando, facturados al precio Flash.
Eso importa a quien tenga código en producción: no hace falta tocar el nombre del modelo para recibir el nuevo, y el cambio llega sin aviso en la factura.
La factura de la API llega en dólares, así que el tipo de cambio entra en la cuenta igual que el precio por token. Para un equipo que paga en euros, la comparación con un modelo local cambia según el mes.
Cómo usar DeepSeek V4.1 Flash sin creerte el primer número
La recomendación práctica no tiene misterio. ¿Y si tu tarea no se parece a ninguna de esas pruebas?
Entonces el único dato que vale es el tuyo: coge las cinco tareas que de verdad ejecuta tu equipo, móntalas en el mismo arnés y mide.
Si el modelo resuelve cuatro de cinco en tareas de terminal, el 74,5% o el 90,6% dan igual. Si falla en la segunda, tampoco importa que la ficha diga 90,6%.
Y si el plan es ejecutarlo en local, empieza por el disco.
Ahí está el corte.
Medio terabyte de cuantizado y 128 GB de RAM son la puerta de entrada real, no el titular de los benchmarks.
