**DeepSeek V4.1-Flash-1017 : Un modèle léger qui défie le modèle phare — le véritable enjeu réside dans l'écosystème** DeepSeek a publié aujourd'hui V4.1-Flash-1017, affirmant qu'il offre de meilleures performances, une exécution plus rapide des tâches et des sorties plus concises, qualifiant cette amélioration de « perfection de Pareto » : aucune métrique ne s'est détériorée, toutes ont progressé. Le modèle est désormais disponible sur le site web, l'application et l'API, et est open source sur Hugging Face et ModelScope. **Chiffres : domination dans les tâches d'agent, retard persistant en raisonnement profond** Selon le tableau comparatif officiel (tous les résultats sont auto-déclarés) : - **Devance Claude Opus 5 :** DeepSWE 77,0 contre 74,0 ; Automation-Bench 60,5 contre 50,3 ; Agents' Last Exam 35,4 contre 28,6 ; Apex Bench 72,1 contre 65,8. - **Toujours en retard :** HLE 42,6 contre 56,3 ; Terminal-Bench 42,3 contre 51,8 ; ProgramBench 29,1 contre 37,0 ; NL2Repo 68,2 contre 75,3. - **Progrès marquants :** Par rapport à la version précédente Flash, Terminal-Bench est passé de 31,2 à 42,3 — la progression la plus nette. Un modèle léger de la gamme Flash qui égale ou dépasse les modèles phares sur plusieurs tests d'agents et d'ingénierie est remarquable. Toutefois, sur des évaluations de raisonnement approfondi comme HLE, l'écart reste significatif. Une appréciation plus équilibrée serait : « suffisamment bon et peu coûteux » pour les tâches d'ingénierie et d'agent — mais pas encore globalement à la hauteur. **L'enjeu réside dans Harness et l'écosystème** L'entreprise met particulièrement en avant les optimisations apportées à DeepSeek Harness, CodeBuddy de Tencent et WorkBuddy, recommandant de passer à Harness v0.2.1-rc.1 pour obtenir les meilleurs résultats. Autrement dit, DeepSeek ne vend plus seulement un modèle, mais un ensemble complet incluant le cadre d'exécution. Le Search & Fetch API lancé le même jour utilise un moteur de recherche interne, déclaré traiter des centaines de millions de requêtes par jour — comblant ainsi la lacune « recherche + extraction ». Chaque point d'accès est facturé 0,75 $, mais l'article ne précise pas entièrement l'unité de tarification — il faut consulter la documentation pour confirmation. En matière d'entraînement, DeepSeek utilise un apprentissage par renforcement avec rétroaction autonome pour améliorer le développement de projets end-to-end, démontrant des cas allant de la création de jeux à la modélisation 3D. Les animations présentées sont impressionnantes, mais une belle présentation ne garantit pas une stabilité ou une fiabilité opérationnelle — il faut attendre des tests concrets. **Quelques réserves** 1. Tous les résultats sont auto-déclarés ; certains chiffres portent une étoile et nécessitent une reproductibilité indépendante par un tiers. 2. Certains résultats pourraient être spécifiques à un environnement Harness ou à des conditions uniques — ils ne sont peut-être pas reproductibles dans d'autres contextes. 3. Selon des rapports, DeepSeek est actuellement en phase de levée de fonds et prépare son introduction en bourse ; la cadence et le récit de ces annonces pourraient être influencés par des pressions commerciales. **Conclusion** L'importance de V4.1-Flash ne réside pas dans une victoire sur Opus, mais dans la capacité à rendre les capacités d'agent « suffisamment bonnes » plus abordables et plus rapides, en les couplant à une chaîne d'outils et à une API de recherche — ce qui remet directement en question la structure des coûts des développeurs. Les deux points à surveiller désormais : les évaluations tierces indépendantes et si les développeurs choisiront réellement de migrer vers la plateforme en raison de Harness.