Deepseek lanza V4.1-Flash-1017 y reduce drásticamente los costos en tareas de programación agéntica

La compañía china de inteligencia artificial Deepseek ha lanzado Deepseek-V4.1-Flash-1017, un modelo ligero actualizado y diseñado para ofrecer mejoras significativas de rendimiento en programación y tareas de agentes autónomos, reduciendo al mismo tiempo de forma drástica los gastos de inferencia.

El modelo ya está disponible a través del sitio web oficial, la aplicación y la API de Deepseek. La empresa también ha publicado el modelo de pesos abiertos en Hugging Face y ModelScope.

Entrenamiento con retroalimentación propia y desarrollo de extremo a extremo

En comparación con su predecesor directo, Deepseek-V4.1-Flash-1017 se ejecuta con mayor rapidez y genera respuestas más concisas. Deepseek describe este lanzamiento como una mejora de Pareto en el equilibrio entre el rendimiento y los costos computacionales.

Para gestionar el desarrollo de software de extremo a extremo desde cero, el modelo fue entrenado mediante aprendizaje por refuerzo con retroalimentación propia (RLSF, por sus siglas en inglés). Bajo este método de postentrenamiento, el sistema se evalúa a sí mismo utilizando puntuaciones internas de confianza y críticas autogeneradas, en lugar de depender de anotadores humanos o de modelos de recompensa independientes.

De acuerdo con Deepseek, esta arquitectura optimiza la generación de proyectos de ciclo completo en diversos casos de uso, como la programación de videojuegos, el modelado 3D, tareas de diseño y la animación de videos explicativos breves. El modelo también ha sido optimizado para entornos de desarrollo como Tencent CodeBuddy, WorkBuddy y Deepseek Harness (para el cual se recomienda la versión v0.2.1-rc.1 o posterior).

Mejoras en benchmarks y reducción de costos

En benchmarks internos, Deepseek-V4.1-Flash-1017 superó tanto a su predecesor como a modelos competidores de mayor tamaño, incluidos Claude Opus 5, GPT 5.6-Sol, Kimi K3 y GLM 5.3, en múltiples pruebas de programación y agentes.

Las respuestas más cortas y concisas del modelo se tradujeron directamente en ahorros de costos en el benchmark DeepSWE:

• Configuración máxima: Alcanzó una puntuación del 77,0 % a un costo promedio inferior a 0,20 dólares por tarea.

• Configuración baja: Logró un 72,0 % de precisión por aproximadamente 0,10 dólares por tarea.

• Comparación con su predecesor: La versión previa V4.1-Flash obtuvo un 74,2 % a un costo aproximado de 0,50 dólares por ejecución.

En contraste, sistemas rivales como GPT-6 Astra, Gemini 3.8 Flash y Claude Opus 5 registraron costos por tarea de entre 2 y más de 10 dólares en la misma comparativa, sin alcanzar la precisión de este modelo más compacto. No obstante, las evaluaciones independientes aún no han verificado estas métricas internas, y las impresiones de los desarrolladores sobre la calidad del código en situaciones reales podrían variar.

API de búsqueda propias y vientos regulatorios en contra

A la par del lanzamiento del modelo, Deepseek abrió su infraestructura propietaria de búsqueda web a los desarrolladores mediante las nuevas Search and Fetch APIs. El motor de búsqueda subyacente ya procesa cientos de millones de consultas al día.

Los endpoints tienen una tarifa de 0,75 dólares por cada 1.000 llamadas. Los usuarios de la API de Deepseek pueden acceder a estas funciones sin costo a través de herramientas del lado del servidor en Deepseek Harness, Claude Code y Codex hasta el 31 de octubre de 2026 a las 4:00 p. m. UTC.

A pesar de este despliegue, existe incertidumbre respecto a la distribución de modelos de pesos abiertos en China. Diversos reportes indican que el gobierno chino está evaluando regulaciones más estrictas o posibles prohibiciones a la publicación de modelos con pesos abiertos, con un escrutinio enfocado particularmente en aquellos sistemas que se sitúan entre los 10 modelos de IA más avanzados.