DeepSeek V4.1 Flash 1017 : même prix, sorties plus courtes. Faut-il passer à cette version ?

Le samedi 17 octobre 2026, DeepSeek a remplacé le modèle derrière son nom d'API deepseek-flash par un nouveau point de contrôle, DeepSeek-V4.1-Flash-1017. Le prix n'a pas changé, la fenêtre de contexte non plus, et la méthode d'appel est restée identique. C'est le modèle qui a changé : DeepSeek annonce des gains à deux chiffres sur les benchmarks de terminal et de construction de programmes, et indique que le nouveau point de contrôle termine les tâches plus vite, avec des sorties plus courtes.

En bref : si vous utilisez des agents de programmation ou des workflows riches en outils sur V4.1 Flash de septembre, passez à la nouvelle version. Vous payez le même prix par token et, selon le graphique de coûts publié par DeepSeek, bien moins par tâche accomplie. Si votre charge de travail repose surtout sur des questions-réponses nécessitant beaucoup de connaissances, l'intérêt est moindre, et les modèles de pointe restent en tête sur ce terrain.

Sur AIHubMix, le nouveau point de contrôle a son propre identifiant, deepseek-v4.1-flash-1017. Rien ne change donc tant que vous ne modifiez pas le nom du modèle.

Ce qui a changé et ce qui est resté identique

La note de version de DeepSeek qualifie 1017 d'« amélioration de Pareto en termes de performance et de coût », et la fiche Hugging Face parle de « mise à jour mineure ». Les deux formulations sont justifiées : l'architecture et l'interface de l'API n'ont pas bougé, mais le post-entraînement est nouveau (DeepSeek décrit un « apprentissage par renforcement avec auto-feedback pour améliorer le développement de projets de bout en bout »).

Les anciens noms deepseek-v4-flash et deepseek-v4-flash-vision-exp fonctionnent toujours sur l'API de DeepSeek, et tous deux tournent désormais sur 1017 aux prix Flash. DeepSeek ne propose aucun moyen de figer le point de contrôle de septembre : quiconque appelle directement deepseek-flash a donc déjà été basculé.

Où se situent les gains

Tous les chiffres ci-dessous proviennent de la fiche modèle et du journal des modifications de DeepSeek ; personne ne les a encore reproduits de manière indépendante. The Decoder et Kingy.ai ont compilé le même tableau et signalent la même réserve.

Terminal-Bench 4.0 a été exécuté dans le harnais Claude Code ; DeepSWE dans mini-SWE-v2.

La tendance est claire : les progrès les plus importants concernent les longues sessions de terminal et la construction d'un programme à partir de zéro, ce qui correspond à ce que DeepSeek dit avoir entraîné. La correction de bugs au niveau du dépôt (DeepSWE, NL2Repo) et la vision ne progressent que de deux à trois points.

Des sorties plus courtes, la vraie amélioration

Le point de contrôle de septembre coûtait cher à exécuter pour un modèle bon marché, car il bavardait beaucoup. Lorsque Artificial Analysis a lancé son Intelligence Index dessus avec l'effort maximal, il a généré environ 250M de tokens de sortie, contre une médiane de 130M, soit 62 % de plus que V4 Pro 0813 de DeepSeek.

1017 vise précisément ce point. Le graphique DeepSWE de DeepSeek (coût par tâche en abscisse, tel que lu par The Decoder) place le modèle de septembre à 74,2 % pour environ 0,50 $ par tâche, 1017 au réglage le plus élevé à 77,0 % pour un peu moins de 0,20 $, et 1017 au réglage bas à plus de 72 % pour environ 0,10 $. Le prix par token étant identique, la quasi-totalité de cette économie provient de l'utilisation de moins de tokens et de la fin de la tâche en moins de tours.

Deux mises en garde. DeepSeek n'a pas indiqué de combien les sorties sont plus courtes, et ces coûts par tâche sont lus sur un graphique du fournisseur, pas mesurés par un tiers. Testez votre propre charge de travail avant de tabler sur une économie de 60 %.

Son écart avec le niveau supérieur

Dans la gamme de DeepSeek, le niveau supérieur est V4 Pro 0813, et 1017 l'a déjà dépassé sur chacun des benchmarks agentiques publiés par DeepSeek pour les deux modèles (Terminal-Bench 4.0 : 42,3 contre 12,4 ; DeepSWE : 77,0 contre 62,7). Ce point fera l'objet d'un article dédié dans cette série.

Face aux modèles de pointe, le bilan est contrasté. Le tableau de DeepSeek devance Claude Opus 5 sur DeepSWE, Automation-Bench, Agents' Last Exam et Apex, mais Opus 5 reste en tête sur Terminal-Bench 4.0 (51,8), ProgramBench (37,0), NL2Repo (75,3) et HLE (56,3). DeepSeek a aussi comparé avec des modèles plus anciens : Opus 5.5, Sonnet 5.5 et la génération GPT-6 ne figurent pas dans son tableau, et Google indique séparément un score de 66,4 pour Opus 5.5 sur Terminal-Bench 4.0.

Prix et coût réel

Prix de pointe par million de tokens, cache non atteint. Les heures de pointe sont 01:00–04:00 et 06:00–10:00 UTC en semaine ; toutes les autres heures, les week-ends et les jours fériés chinois sont en heures creuses, à moitié prix. Les tokens Flash servis depuis le cache coûtent 0,006 $ sur DeepSeek et 0,0062 $ sur AIHubMix en heure de pointe. AIHubMix propose actuellement une réduction de 30 % à durée limitée sur 1017 ; les chiffres ci-dessous utilisent les prix catalogue.

Une session d'agent, chiffrée. Aucun test publié ne donne de nombre de tokens par tâche pour 1017. Cet exemple repose donc sur des hypothèses énoncées : une session de correction de bug de 40 appels au modèle, 1,2M de tokens d'entrée au total, dont 90 % servis depuis le cache, et 60K tokens de sortie, raisonnement inclus. Aux prix catalogue d'AIHubMix :

Calcul pour 1017 en heure de pointe : 0,12M × 0,3098 $ + 1,08M × 0,0062 $ + 0,06M × 1,2392 $ = 0,118 $.

Les mêmes volumes de tokens coûteraient le même prix sur le modèle de septembre, puisque le tarif est identique. La différence se trouve dans les volumes eux-mêmes : si 1017 a besoin de moins de tours et de réponses plus courtes pour la même correction, la facture baisse d'autant. Programmer les traitements par lots en dehors des heures de pointe la divise encore par deux.

L'effort est l'autre levier. L'article de DeepSeek sur V4.1 Flash associe les niveaux low, high et max de l'API à des valeurs internes d'effort de 50, 75 et 100, et indique que le passage final au niveau max « allonge les trajectoires des agents de 1,6 à 1,8 fois pour des gains marginaux ». Lancez vos agents en high, qui est la valeur par défaut, et réservez max aux tâches les plus difficiles.

Quand ce n'est pas le meilleur choix

• Questions riches en connaissances. Sans outils, HLE affiche 42,6, loin derrière Opus 5 (56,3) et sous Claude Haiku 5.5 (45,9, selon le chiffre d'Anthropic). Les connaissances brutes restent le point faible de la gamme Flash.
• Longues sessions shell complexes. Terminal-Bench 4.0 à 42,3 représente un bond important, mais Sonnet 5.5 (70,6) et Opus 5.5 (66,4) évoluent dans une autre catégorie sur ce benchmark.
• Charges de travail nécessitant un modèle figé. Sur l'API de DeepSeek, deepseek-flash est un alias glissant, et le point de contrôle de septembre ne peut pas être épinglé. Si vous avez besoin d'un comportement reproductible, appelez un identifiant de modèle daté.
• Trafic concentré sur les heures de pointe. Le tarif heures creuses équivaut à la moitié du tarif de pointe ; une charge de travail cantonnée à la fenêtre 01:00–10:00 UTC en semaine paie le plein tarif.

Qui doit passer, qui doit attendre

• Passer dès maintenant : agents de programmation, automatisation de terminal et pipelines d'appels d'outils sur Flash de septembre. Même prix, meilleurs scores et, selon la mesure de DeepSeek, moins de tokens par tâche.
• Passer après un test de non-régression : prompts de production avec formats de sortie stricts ou suites d'évaluation. Des sorties plus courtes peuvent casser des parseurs conçus pour l'ancienne verbosité.
• Rester en place ou regarder ailleurs : questions-réponses riches en connaissances et débogage complexe nécessitant déjà un modèle de pointe. 1017 ne change rien à cela.

Essayer sur AIHubMix

AIHubMix sert 1017 via Chat Completions, l'API Responses et Anthropic Messages. Créez une clé et suivez le démarrage rapide, puis appelez le modèle avec le SDK openai :

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AIHUBMIX_API_KEY"],
    base_url="https://aihubmix.com/v1",
)

resp = client.chat.completions.create(
    model="deepseek-v4.1-flash-1017",
    messages=[{"role": "user", "content": "Write a Python function that merges overlapping intervals."}],
    reasoning_effort="high",
    max_tokens=32000,
)
print(resp.choices[0].message.content)

Lors d'un test réalisé le 19 octobre, AIHubMix a accepté low, high et max pour reasoning_effort, et le champ model de chaque réponse indiquait deepseek-v4-1-flash-261017, ce qui permet de vérifier que le point de contrôle 1017 a bien répondu. Le raisonnement est activé par défaut et les tokens de raisonnement comptent dans max_tokens ; prévoyez donc une valeur généreuse, la fiche modèle recommandant au moins 256K pour les longues exécutions d'agents. Pour comparer les deux points de contrôle côte à côte, ouvrez la page de comparaison d'AIHubMix.

FAQ

DeepSeek V4.1 Flash 1017 est-il un nouveau modèle ou une mise à jour ?
Il s'agit d'un point de contrôle mis à jour de V4.1 Flash, avec la même architecture, la même fenêtre de contexte et la même interface d'API. DeepSeek parle de mise à jour mineure ; les gains aux benchmarks proviennent d'un nouveau post-entraînement.

Le prix a-t-il changé avec 1017 ?
Non. DeepSeek a conservé le prix de Flash à 0,30 $ en entrée et 1,20 $ en sortie par million de tokens en heure de pointe, et à la moitié de ce tarif en heures creuses. AIHubMix l'affiche à 0,3098 $ et 1,2392 $ en heure de pointe, avec une réduction de 30 % à durée limitée en cours.

Quel identifiant de modèle utiliser sur AIHubMix ?
Utilisez deepseek-v4.1-flash-1017. Le nom deepseek-flash appartient à l'API propre de DeepSeek, où il pointe désormais vers 1017.

Puis-je continuer à utiliser le point de contrôle de septembre sur l'API de DeepSeek ?
Non. DeepSeek a fait basculer deepseek-flash et les anciens noms Flash vers 1017, et ne propose aucun nom épinglé pour la version de septembre.

De combien les sorties sont-elles plus courtes ?
DeepSeek n'a publié aucun chiffre. Son graphique DeepSWE suggère que le coût par tâche est passé d'environ 0,50 $ à moins de 0,20 $ au même prix par token, ce qui indique des exécutions nettement plus courtes, mais il s'agit d'un chiffre du fournisseur.

Quel niveau d'effort de raisonnement utiliser ?
Commencez par high, la valeur par défaut. Utilisez low pour les appels simples et sensibles à la latence, et max uniquement pour les tâches les plus difficiles, car l'article de DeepSeek indique que max allonge les exécutions d'agents de 1,6 à 1,8 fois pour de faibles gains.

1017 est-il meilleur que Claude Opus 5 ?
Sur certains benchmarks agentiques, DeepSeek le place devant, comme DeepSWE et Automation-Bench. Opus 5 reste en tête sur Terminal-Bench 4.0, ProgramBench, NL2Repo et HLE, et les modèles de pointe plus récents ne faisaient pas partie de la comparaison de DeepSeek.

À lire ensuite : la série DeepSeek V4.1 Flash 1017

• Vous migrez une intégration existante ? Le guide de migration couvre l'erreur 400 liée à reasoning_content, le changement silencieux d'alias, la facturation en heure de pointe et la configuration des outils de programmation : Migrer vers DeepSeek V4.1 Flash 1017 : l'erreur 400 reasoning_content, le changement silencieux d'alias et la facturation en heure de pointe
• Vous la comparez au modèle le moins cher d'Anthropic pour les tâches d'agents ? Le comparatif oppose les deux sur une tâche de codage en terminal : DeepSeek V4.1 Flash 1017 vs Claude Haiku 5.5 : quel modèle économique choisir pour les agents de codage en terminal ?
• Vous payez toujours pour V4 Pro ? Cet article vérifie si Flash l'a rendu superflu : DeepSeek V4.1 Flash 1017 vs V4 Pro : Flash suffit-il désormais ?

Sources

• Note de version DeepSeek-V4.1-Flash-1017 (DeepSeek)
• Fiche du modèle DeepSeek-V4.1-Flash-1017 (Hugging Face)
• DeepSeek V4.1 Flash 1017 sur AIHubMix (AIHubMix)
• Deepseek V4.1 Flash 1017 devance les concurrents plus grands dans les tâches agentiques (The Decoder)
• DeepSeek V4.1 Flash 1017 testé : caractéristiques, benchmarks et prix (Kingy.ai)