DeepSeek acaba de publicar una nueva versión de V4.1 Flash. Se llama DeepSeek V4.1 Flash 1017 y, aunque por el nombre parezca una actualización menor, los resultados merecen bastante la pena. Algunos hablan de que podría ser perfectamente un v4.2.
El modelo mantiene la arquitectura que conocimos en septiembre, con 552.000 millones de parámetros, 16.000 millones activos durante la inferencia y una ventana de contexto de hasta un millón de tokens. Con el mismo tamaño y la misma arquitectura, DeepSeek se ha centrado esta vez en sacar más partido de los recursos que el modelo ya tiene.
Y los avances son interesantes.
En Terminal-Bench 4.0, una evaluación de agentes que deben resolver tareas utilizando una terminal, pasa de 31,2 a 42,3 puntos. También mejora de 20,3 a 29,1 en ProgramBench y alcanza 77 puntos en DeepSWE v1.1, una prueba orientada al desarrollo de software.
Son cifras publicadas por DeepSeek, pero los resultados de Artificial Analysis apuntan en la misma dirección. Su Intelligence Index pasa de 39 a 45 puntos, mientras que el coste medio por tarea evaluada cae aproximadamente un 47 %.
La combinación es bastante interesante: más capacidad sin aumentar el tamaño del modelo y, al menos en esa batería de pruebas, un coste considerablemente menor para completar las tareas.
Pero hay algo que nos interesa incluso más que los benchmarks.
¿Qué ocurre cuando le encargas un proyecto real, le das herramientas y dejas que trabaje?
Qué ha mejorado en DeepSeek V4.1 Flash 1017
Para entender esta actualización, merece la pena recordar brevemente qué hizo DeepSeek en septiembre.
V4.1 Flash introdujo mejoras importantes en la gestión de la memoria necesaria para procesar contextos largos. Su arquitectura permite trabajar con hasta un millón de tokens de contexto, algo especialmente útil para agentes que necesitan revisar repositorios, consultar documentación extensa o mantener conversaciones con muchas interacciones.
En su momento ya explicamos esa arquitectura y sus implicaciones en nuestro artículo sobre DeepSeek V4.1 Flash .
La actualización 1017 mantiene esa base y mejora los resultados en distintas evaluaciones de razonamiento, programación, automatización y comprensión visual.
Estas son algunas de las cifras publicadas por DeepSeek:
| Benchmark | V4.1 Flash | V4.1 Flash 1017 | Mejora |
|---|---|---|---|
| Terminal-Bench 4.0 | 31,2 | 42,3 | +11,1 puntos |
| DeepSWE v1.1 | 74,2 | 77,0 | +2,8 puntos |
| ProgramBench | 20,3 | 29,1 | +8,8 puntos |
| Automation-Bench | 54,8 | 60,5 | +5,7 puntos |
| Apex Bench | 64,6 | 72,1 | +7,5 puntos |
Fuente: ficha oficial de DeepSeek V4.1 Flash 1017 en Hugging Face . Resultados publicados por el desarrollador, con sus respectivas configuraciones de evaluación.
El salto en Terminal-Bench es especialmente llamativo. Pero también resulta interesante que el modelo mejore en tareas donde no basta con generar una respuesta correcta a la primera.
Cuando utilizas un agente para programar, este tiene que entender el proyecto, decidir qué archivos modificar, ejecutar comandos, interpretar errores y continuar trabajando. Puede necesitar decenas de pasos antes de completar una tarea relativamente sencilla.
Por eso, mejorar en este tipo de evaluaciones tiene implicaciones diferentes a subir unos puntos en un benchmark de preguntas y respuestas.
Ahora bien, no significa que DeepSeek haya superado a todos los modelos propietarios. En los resultados publicados por el propio laboratorio, Opus 5 sigue por delante en Terminal-Bench y ProgramBench, aunque 1017 consigue superarlo en otras pruebas como DeepSWE o Automation-Bench.
Los modelos tampoco trabajan aislados: el agente, las herramientas y la estrategia con la que se gestiona el contexto pueden cambiar considerablemente los resultados.
Y aquí es donde resulta especialmente útil mirar evaluaciones independientes.
Artificial Analysis confirma la mejora
Artificial Analysis ha comparado la nueva versión de DeepSeek V4.1 Flash con la anterior, utilizando la configuración Max de razonamiento.
El resultado es una mejora de seis puntos en su Intelligence Index, pasando de 39 a 45.
También mejora en diferentes evaluaciones individuales. En la implementación de Terminal-Bench 4.0 utilizada por Artificial Analysis pasa del 27 % al 34 %, mientras que en SciCode sube del 52 % al 56 % y en Humanity's Last Exam, del 39 % al 43 %.
Las cifras de Terminal-Bench no coinciden exactamente con las publicadas por DeepSeek porque las condiciones y metodologías de evaluación son diferentes. Es importante no mezclar ambas como si fueran resultados de una misma prueba.
Pero quizá lo más interesante de la comparativa sea cuánto cuesta conseguir esa puntuación.
| Métrica de Artificial Analysis | V4.1 Flash | V4.1 Flash 1017 |
|---|---|---|
| Intelligence Index | 39 | 45 |
| Coste medio por tarea evaluada | 0,49 $ | 0,26 $ |
| Coste total de ejecutar el índice | 677 $ | 445 $ |
| Tokens de salida para ejecutar el índice | 253 M | 211 M |
| Tokens de razonamiento por tarea | 63.000 | 59.000 |
Fuente: comparativa de Artificial Analysis . Las cifras corresponden a su metodología y precios de referencia, no a una medición de costes de Helmcode.
El coste medio por tarea pasa de 0,49 a 0,26 dólares. Una reducción de aproximadamente el 47 %, sin que el precio de catálogo por token utilizado en la comparación haya cambiado.
Además, para ejecutar el Intelligence Index, la nueva versión genera alrededor de un 17 % menos de tokens de salida.
No podemos atribuir toda la reducción de coste exclusivamente a que las respuestas sean más cortas, porque también influyen los tokens de entrada, la caché y la distribución de las tareas. Pero la mejora económica es significativa dentro de esa evaluación.
Esto me parece particularmente relevante para agentes de programación.
En una conversación convencional, que un modelo necesite unos pocos tokens más para responder probablemente no importe demasiado. Pero cuando tienes un agente ejecutando cientos de llamadas, revisando código y trabajando durante muchos minutos, la cantidad de tokens que consume para llegar a una solución puede marcar una diferencia importante.
Hay que tener cuidado, eso sí, con una conclusión demasiado optimista.
Artificial Analysis no registra una mejora generalizada de velocidad. Las mediciones de latencia y generación varían entre las versiones y pueden depender del proveedor y del momento en que se realizaron.
Tampoco significa que tus aplicaciones vayan a costar automáticamente un 47 % menos. Esa cifra corresponde a las tareas y condiciones del índice.
Lo que sí muestran los resultados es que DeepSeek ha conseguido aumentar la capacidad de V4.1 Flash y mejorar su eficiencia económica en una batería de pruebas independiente.
Y eso merece bastante más atención que una simple comparación de precios por millón de tokens.
Le pedimos que diseñara una web desde cero
Más allá de las evaluaciones, nos interesaba ver cómo se comportaba DeepSeek trabajando en algo que no se pudiera resolver simplemente escribiendo una función. El diseño no era su fuerte y se supone que había mejorado bastante aquí.
Así que preparamos un reto de diseño web al que llamamos Signal / Noise.
La idea era sencilla: entregar el mismo briefing creativo a DeepSeek V4.1 Flash 1017 y Claude Opus 5.5, y comprobar qué eran capaces de construir.
No partían de un diseño terminado. Tenían que interpretar el encargo, tomar decisiones sobre la composición, elegir una dirección visual y convertir todo eso en una web funcional.
Este tipo de prueba me gusta especialmente porque mezcla disciplinas bastante diferentes. Un modelo puede escribir código correcto y, aun así, no tener demasiado criterio para diseñar una interfaz. Puede construir una web técnicamente impecable que visualmente no diga absolutamente nada.
Aquí necesitábamos las dos cosas.
Los modelos llegaron a propuestas que compartían algunas decisiones visuales, algo que también nos hizo preguntarnos por qué tienden a encontrar soluciones parecidas cuando reciben instrucciones creativas similares.
Pero el proceso fue muy diferente.
DeepSeek necesitó unos 40 minutos y consumió aproximadamente 770.000 tokens. Opus terminó en 17 minutos, utilizando alrededor de 195.000.
Es decir, DeepSeek empleó casi cuatro veces más tokens y necesitó más del doble de tiempo.
Son diferencias considerables.
Eso no significa que Opus sea automáticamente cuatro veces mejor, ni que DeepSeek resulte necesariamente más caro. Para calcular el coste económico de ambas ejecuciones necesitamos tener en cuenta el precio de los tokens de entrada y salida, el modelo de facturación y las condiciones del entorno. Aun así, el precio de DeepSeek es tan barato que en cualquier comparativa sale ganando.
Además, es una prueba concreta, sin múltiples ejecuciones ni resultados estadísticos detrás.
Pero sí demuestra por qué hay que mirar algo más que el resultado final.
Cuando utilizas agentes para construir aplicaciones completas, importa la calidad de lo que producen, pero también cuántas iteraciones necesitan, cuánto tardan y cuántos recursos consumen.
En este caso, ambos llegaron a una buena solución.
Puedes navegar por las dos webs, ver cada pantalla y comparar sus métricas en el Design Challenge 001 .
También quisimos probarlo con motion graphics
Después del reto de diseño web, decidimos llevar el experimento un poco más lejos.
Esta vez no queríamos una página web. Queríamos una pequeña pieza audiovisual que pareciera un encargo de un estudio de motion graphics.
El concepto era bastante abierto: What happens when machines begin to dream? Queríamos explorar la transformación de la información en inteligencia y de la inteligencia en algo que casi pareciera estar vivo.
Y queríamos ir más allá de la típica animación de una red neuronal: narrativa visual, composición, movimiento, transiciones y una dirección artística reconocible. Algo que tuviera personalidad y no pareciera simplemente una demostración técnica.
Hay un matiz importante: la pieza está construida enteramente con código, sin ningún modelo generativo de vídeo. Queríamos comprobar hasta dónde podía llegar DeepSeek por ese camino.
Eso implica resolver problemas bastante distintos.
Hay que trabajar el ritmo, diseñar los elementos, animarlos, coordinar las transiciones y mantener una estética coherente de principio a fin. Y, como sucede con una web, conseguir que técnicamente funcione es solo una parte del trabajo.
La primera versión nos permitió explorar las posibilidades del modelo, pero también sus limitaciones. Había decisiones interesantes y una base sobre la que seguir iterando, aunque el resultado todavía necesitaba trabajo para alcanzar el nivel de acabado que buscábamos.
Y creo que esa es precisamente una de las partes más interesantes de utilizar modelos como estos para proyectos creativos.
Pueden generar código, construir animaciones y ejecutar una idea con una autonomía cada vez mayor. Pero sigue existiendo una diferencia importante entre producir algo funcional y conseguir que tenga una buena dirección artística.
Lo que medimos con esta prueba es la capacidad del modelo para construir una pieza audiovisual con código y tomar decisiones durante ese proceso, algo distinto de un benchmark de generación de vídeo.
Por qué nos interesa tanto esta actualización
Hay algo que me gusta especialmente de este lanzamiento.
Durante los últimos meses hemos visto a los laboratorios competir por mejorar las capacidades de sus modelos, ampliar sus contextos y conseguir mejores resultados en tareas de programación y razonamiento.
DeepSeek V4.1 Flash 1017 demuestra que una parte de ese progreso puede llegar sin necesidad de aumentar el tamaño del modelo o cambiar completamente su arquitectura.
La mejora de su Intelligence Index y la reducción del coste por tarea en Artificial Analysis son buenos ejemplos de ello.
Pero también plantea una pregunta interesante: ¿estamos prestando suficiente atención a cuánto trabajo necesita un agente para conseguir un resultado?
En los agentes de programación, el coste no depende únicamente del precio por token. También influyen el número de llamadas, la cantidad de contexto procesado, las iteraciones necesarias y los errores que el modelo consigue resolver por sí mismo.
Y todo eso acaba afectando al tiempo, al consumo y a la experiencia de quien utiliza el agente.
Nuestros experimentos con diseño web y motion graphics no sustituyen a las evaluaciones independientes. Pero permiten observar un aspecto complementario: qué ocurre cuando le das un proyecto completo a un modelo, en lugar de pedirle que resuelva una tarea aislada.
Por eso nos gusta combinar ambas aproximaciones.
Los benchmarks ayudan a comparar modelos bajo condiciones definidas. Los proyectos reales permiten observar cómo se comportan ante encargos más abiertos, con decisiones técnicas, creativas y muchas posibilidades de equivocarse.
Y si lo que queremos es incorporar estos modelos a productos, necesitamos entender ambas cosas.
DeepSeek V4.1 Flash 1017 en Helmcode
En Helmcode trabajamos para que puedas utilizar modelos abiertos sin tener que gestionar toda la infraestructura necesaria para servirlos.
DeepSeek V4.1 Flash ya formaba parte de nuestro catálogo y esta actualización mejora precisamente algunas de las capacidades que más nos interesan para programación, agentes y aplicaciones con grandes volúmenes de inferencia.
Si ya utilizas la versión anterior, merece la pena volver a ejecutar tus pruebas. Los resultados generales pueden mejorar considerablemente, pero eso no garantiza que todos tus prompts, herramientas o agentes se comporten exactamente igual.
Y si todavía no lo has probado, te recomendamos ir un poco más allá de las preguntas habituales.
Dale un proyecto. Haz que utilice herramientas, que escriba y ejecute código, que encuentre errores y que tenga que decidir cómo continuar.
Después revisa lo que ha construido, cuánto ha tardado y cuántos recursos ha necesitado.
Puedes consultar la ficha oficial de DeepSeek V4.1 Flash 1017 , sus evaluaciones en Artificial Analysis y nuestro análisis de la arquitectura original de V4.1 Flash .
