**DeepSeek V4.1-Flash-1017: Model Ringan Menantang Flagship, Fokus Sejati Ada pada Ekosistem** DeepSeek hari ini meluncurkan V4.1-Flash-1017, yang menurut pihak resmi memiliki kinerja lebih kuat, penyelesaian tugas lebih cepat, dan output lebih ringkas, serta menyebutnya sebagai "Pareto Improvement" dalam hal efisiensi dan biaya—artinya tidak ada satu aspek pun yang memburuk, semua meningkat. Model ini segera tersedia di situs web, aplikasi, dan API, serta telah di-open source di Hugging Face dan ModelScope. **Angka: Unggul dalam Tugas Agent, Masih Ketinggalan dalam Inferensi Mendalam** Menurut tabel perbandingan resmi (semua hasil dilaporkan sendiri): - **Mengungguli Claude Opus 5:** DeepSWE 77.0 vs 74.0, Automation-Bench 60.5 vs 50.3, Agents' Last Exam 35.4 vs 28.6, Apex Bench 72.1 vs 65.8. - **Masih tertinggal:** HLE 42.6 vs 56.3, Terminal-Bench 4.0: 42.3 vs 51.8, ProgramBench 29.1 vs 37.0, NL2Repo 68.2 vs 75.3. - **Peningkatan signifikan:** Dibandingkan versi Flash sebelumnya, Terminal-Bench naik dari 31.2 menjadi 42.3—peningkatan paling jelas. Fakta bahwa model ringan sekelas Flash mampu menyamai bahkan mengungguli model flagship dalam berbagai tes agent dan teknik adalah hal paling menarik. Namun, dalam tes inferensi mendalam seperti HLE, kesenjangan masih jelas. Pernyataan yang lebih adil adalah: model ini "cukup baik dan murah" untuk tugas teknik dan agent, bukan secara menyeluruh mengejar ketertinggalan. **Fokus pada Harness dan Ekosistem** Pihak resmi secara khusus menekankan optimasi untuk DeepSeek Harness, Tencent CodeBuddy, dan WorkBuddy, serta menyarankan pembaruan ke Harness v0.2.1-rc.1 untuk hasil terbaik. Dengan kata lain, DeepSeek tidak lagi hanya menjual model, tetapi juga kerangka eksekusi yang menyertainya. API Search & Fetch yang diluncurkan hari yang sama menggunakan mesin pencari milik mereka sendiri, yang menurut pihak resmi menangani ratusan juta permintaan per hari, melengkapi bagian "pencarian dan pengambilan" dari puzzle ini. Setiap endpoint dihargai $0.75, tetapi postingan tidak menampilkan unit harga secara lengkap—perlu memeriksa dokumentasi untuk konfirmasi. Dalam hal pelatihan, pihak resmi menggunakan pembelajaran penguatan dengan umpan balik mandiri untuk meningkatkan pengembangan proyek end-to-end, dengan contoh mulai dari pembuatan game hingga pemodelan 3D. Animasi yang ditampilkan sangat menarik, tetapi tampilan yang bagus tidak sama dengan stabilitas dan kelayakan penggunaan—masih perlu menunggu uji coba nyata. **Beberapa Poin yang Perlu Dipertimbangkan** 1. Semua hasil adalah laporan resmi; sebagian angka diberi tanda bintang dan masih perlu diverifikasi oleh pihak ketiga. 2. Beberapa soal mungkin hanya menghasilkan hasil spesifik di harness tertentu atau kondisi tunggal—tidak bisa direproduksi di lingkungan berbeda. 3. Dilaporkan bahwa DeepSeek sedang melakukan pendanaan dan mempersiapkan IPO; ritme peluncuran dan narasi mungkin dipengaruhi tekanan komersial. **Kesimpulan** Makna V4.1-Flash bukanlah "mengalahkan Opus", tetapi membuat "kemampuan agent yang cukup baik" menjadi lebih murah dan lebih cepat, sambil menggabungkannya dengan rantai alat dan API pencarian untuk langsung menekan struktur biaya pengembang. Dua hal yang perlu dipantau selanjutnya: hasil evaluasi pihak ketiga, serta apakah pengembang benar-benar akan beralih platform demi Harness.