DeepSeek V4.1 Flash 1017 point release, kodlama ve agent benchmarklarını yükseltirken çıktıları da kısaltıyor

Ölçüsünün çok üzerinde kazançlar sağlayan bir point release

17 Ekim'de DeepSeek, V4.1 Flash modelinin küçük bir güncellemesi olan DeepSeek-V4.1-Flash-1017'yi yayınladı. DeepSeek-AI'nın Hugging Face'te yayınladığı model kartına göre, bu snapshot akıl yürütme, kodlama, agentic görevler ve görsel benchmarklarda önemli iyileştirmeler sunarken, görev yürütme süresini ve çıktı uzunluğunu da azaltıyor. Kart, sürümü birden fazla agent harness'te performans–maliyet Pareto sınırını ileriye taşıyan bir adım olarak tanımlıyor: kullanıcılar aynı anda daha yetenekli davranış ile daha kısa ve daha ucuz tamamlamalar elde ediyor.

Rakamlar nerede değişti

Hugging Face model kartı, önceki Flash snapshot'ı ile K3, GLM-5.3, GPT-5.6 Sol ve Opus 5 gibi birkaç rakiple karşılaştırmalı bir tablo içeriyor.

En çarpıcı kazançlar kodlama tarafında. Claude Code harness'i ile çalıştırılan Terminal-Bench 4.0'da yeni model, önceki Flash sürümünün 31,2 puanına karşılık 42,3 puan alıyor — on bir puandan fazla bir sıçrama. ProgramBench 20,3'ten 29,1'e yükseliyor; Mini-SWE-V2 harness'i ile ölçülen DeepSWE v1.1 ise 74,2'den 77,0'a tırmanıyor.

Agentic benchmarklar benzer bir hareket gösteriyor: Automation-Bench v1.0.6 54,8'den 60,5'e, Apex Bench v1.1 64,6'dan 72,1'e ve Agents' Last Exam 31,8'den 35,4'e yükseliyor. Araç kullanılmadan yapılan Humanity's Last Exam'de model 36,8'den 42,6'ya, yalnızca metin alt kümesinde ise 44,0'a iyileşiyor.

Karşılaştırma alanına bakıldığında, yeni DeepSeek agent odaklı testlerde — DeepSWE, Automation-Bench, Agents' Last Exam ve Apex Bench — tablonun zirvesinde yer alırken, Opus 5 HLE (56,3), Terminal-Bench (51,8), ProgramBench (37,0) ve NL2Repo-Bench (75,3) alanlarındaki liderliğini koruyor. Araç destekli görsel benchmarklar da iyileşiyor: Chartography 78,9'dan 83,0'a, BabyVision 89,6'dan 92,5'e çıkıyor; ancak Opus 5 her birinde hâlâ önde ve GPT-5.6 Sol, ZeroBench'de daha yüksek puan alıyor.

Yeni prompt kodlama araçları

Dikkat çekici bir şekilde, bu sürüm Jinja formatında bir chat template içermiyor. Bunun yerine model kartında, kodlama klasörünün çok turlu konuşmaları, araç çağrılarını, thinking modunu, sayısal akıl yürütme eforunu, konuşma ortasındaki sistem mesajlarını ve araya giren görsel içeriği kapsayan test senaryolarıyla birlikte kendi başına çalışan bir Python referans uygulaması içerdiği belirtiliyor.

Üretim kullanımı için DeepSeek, Python bağlayıcılarına sahip bir dizi Rust kütüphanesi olan deepseek-recipe'yi de yayınlıyor. Bu kütüphaneler Messages, Chat Completions ve Responses API isteklerini modelin Conversation formatına dönüştürüyor, bunları DeepSeek V4 ve V4.1 prompt'larına veya token ID'lerine kodluyor ve model çıktısını thinking, araç çağrıları, görseller ve üretim ayarlarını kapsayacak şekilde tam veya akış halindeki yanıtlara geri ayrıştırıyor. Model çıkarımı, araç yürütme ve HTTP taşıması çağıran tarafa bırakılıyor.

Önerilen örnekleme ayarları: temperature 1.0, top_p 1.0, 1M token'lık bir context window ve en az 256K max_tokens. Depo ve ağırlıklar MIT lisanslı. Karttaki atıf, Flash hattının teknik odağı olarak KV cache sıkıştırmasını gösteriyor.

Vercel üzerinden hemen kullanılabilir

Vercel aynı gün, DeepSeek V4.1 Flash 1017'nin AI Gateway üzerinde deepseek/deepseek-v4.1-flash-1017 model adıyla kullanılabildiğini duyurdu. Vercel'e göre kodlama kazançları terminal çalışmasında ve tüm depoları oluşturma ile düzenlemede, agentic kazançlar çok adımlı otomasyonda, görsel iyileştirmeler ise modelin araç çağırabildiği durumlarda grafik okuma ve görsel akıl yürütmede kendini gösteriyor.

Vercel verimlilik iddiasını da yineliyor: yeni snapshot görevleri öncekinden daha hızlı ve daha kısa çıktılarla tamamladığından, agent çalışmaları genellikle daha az zaman alıyor ve daha az çıktı token'ı kullanıyor. Geliştiriciler, en güncel Vercel CLI'yi kurup npx vercel ai-gateway setup komutunu çalıştırarak modeli Claude Code, Codex, Cursor ve diğer istemcilere bağlayabilir. Vercel, gateway'in sağlayıcı fiyatlandırmasını没有任何 ek kâr marjıyla yansıttığını ve kendi anahtarını getir (bring-your-own-key) istekleri dahil çıkarımda platform ücreti almadığını belirtiyor.

Neden önemli

Terminal-Bench'i on bir puan hareket ettiren tarihli bir point release, değerlendirme odaklı iterasyonun hâlâ ne kadar alanı olduğunu ve küçük ile büyük sürümler arasındaki çizginin ne kadar bulanıklaştığını gösteriyor. Üretimde agent çalıştıran ekipler için verimlilik iddiası puanlar kadar önemli: daha kısa çıktılar ve daha hızlı görev tamamlama, agent iş yüklerinin iki baskın maliyeti olan gecikmeyi ve token harcamasını azaltıyor.

Benchmark tablosu ayrıca rekabetin şu anda nerede durduğunu gösteriyor. Yeni model agentic ve yazılım mühendisliği testlerinde önde, HLE gibi bilgi ağırlıklı testlerde ise Opus 5'in gerisinde — kurumsal talebin yoğunlaştığı yerle örtüşen bir bölünme. Son olarak, paketleme her iki uçta engelleri düşürüyor: MIT lisanslı ağırlıklar, 1M token'lık context window ve bakımı yapılan bir Rust kodlama araç seti kendi sunucunuzda barındırmayı daha pratik hale getirirken, Vercel'in gateway'inde sağlayıcı fiyatlandırmasıyla aynı gün kullanılabilirlik, modeli kendisi çalıştırmak istemeyen ekiplere hizmet ediyor.