2026년 10월 17일 토요일, DeepSeek는 deepseek-flash API 이름이 가리키는 모델을 새 체크포인트인 DeepSeek-V4.1-Flash-1017로 교체했습니다. 가격은 바뀌지 않았고, 컨텍스트 윈도우도, 호출 방식도 그대로입니다. 바뀐 것은 모델 자체입니다. DeepSeek는 터미널 및 프로그램 구축 벤치마크에서 두 자릿수 성능 향상을 보고했으며, 새 체크포인트가 작업을 더 빨리 끝내고 출력도 더 짧다고 밝혔습니다.
요약하면, 9월 버전 V4.1 Flash로 코딩 에이전트나 도구 사용이 많은 워크플로를 돌리고 있다면 전환하세요. 토큰당 비용은 같고, DeepSeek 자체 비용 차트 기준으로 작업 하나당 비용은 훨씬 적습니다. 지식 중심의 Q&A 작업이라면 전환의 근거가 약하며, 해당 영역에서는 여전히 프론티어 모델이 앞서 있습니다.
AIHubMix에서 새 체크포인트는 고유 ID deepseek-v4.1-flash-1017를 가지므로, 모델 이름을 직접 바꾸기 전까지는 아무것도 자동으로 바뀌지 않습니다.
바뀐 점과 바뀌지 않은 점
DeepSeek의 릴리스 노트는 1017을 "성능과 비용 측면의 파레토 개선"이라고 부르고, Hugging Face 카드는 "마이너 업데이트"라고 설명합니다. 둘 다 타당합니다. 아키텍처와 API 표면은 그대로이고, 사후 학습(post-training)은 새로운 것입니다(DeepSeek는 "엔드 투 엔드 프로젝트 개발을 개선하기 위한 자기 피드백 강화학습"이라고 설명합니다).
| 항목 | 9월 V4.1 Flash | V4.1 Flash 1017 |
|---|---|---|
| 아키텍처 | 552B MoE, 활성 파라미터 8B / 16B | 동일 |
| 컨텍스트 / 최대 출력 | 1M / 384K | 동일 |
| 입력 | 텍스트 및 이미지 | 동일 |
| 사고(thinking) 기본값 | 켜짐, effort high | 동일 |
| Effort 수준 | low / high / max | 동일 |
| DeepSeek API 이름 | deepseek-flash | deepseek-flash (현재 1017) |
| 정가 | 변동 없음 | 변동 없음 |
| 출력 길이 | 김 | 더 짧음 (DeepSeek 발표, 수치 미공개) |
기존 이름 deepseek-v4-flash와 deepseek-v4-flash-vision-exp도 DeepSeek API에서 여전히 작동하며, 둘 다 이제 Flash 가격으로 1017에서 실행됩니다. DeepSeek는 9월 체크포인트를 고정할 방법을 제공하지 않으므로, deepseek-flash를 직접 호출하던 사용자는 이미 새 모델로 옮겨진 상태입니다.
성능 향상이 나타난 영역
아래 수치는 모두 DeepSeek의 모델 카드와 변경 로그에서 가져온 것이며, 아직 누구도 독립적으로 재현하지 못했습니다. The Decoder와 Kingy.ai도 같은 표를 정리했고 같은 주의 사항을 언급합니다.
| 벤치마크 | 9월 | 1017 | 변화 |
|---|---|---|---|
| Terminal-Bench 4.0 | 31.2 | 42.3 | +11.1 |
| ProgramBench | 20.3 | 29.1 | +8.8 |
| Apex Bench v1.1 | 64.6 | 72.1 | +7.5 |
| HLE, 도구 미사용 | 36.8 | 42.6 | +5.8 |
| Automation-Bench | 54.8 | 60.5 | +5.7 |
| Agents' Last Exam | 31.8 | 35.4 | +3.6 |
| DeepSWE v1.1 | 74.2 | 77.0 | +2.8 |
| NL2Repo-Bench | 65.4 | 68.2 | +2.8 |
| 도구 사용 시 BabyVision | 89.6 | 92.5 | +2.9 |
Terminal-Bench 4.0은 Claude Code 하네스에서, DeepSWE는 mini-SWE-v2에서 실행되었습니다.
패턴은 분명합니다. 가장 큰 도약은 긴 터미널 세션과 처음부터 프로그램을 만드는 작업에서 나타나며, 이는 DeepSeek가 학습 목표로 밝힌 내용과 일치합니다. 저장소 단위 버그 수정(DeepSWE, NL2Repo)과 비전 영역은 2~3포인트 정도 움직였습니다.
더 짧은 출력이 진짜 업그레이드입니다
9월 체크포인트는 저렴한 모델치고 실행 비용이 많이 들었는데, 말이 너무 많았기 때문입니다. Artificial Analysis가 최대 effort에서 Intelligence Index를 돌렸을 때 약 250M 출력 토큰을 생성했습니다. 이는 중앙값인 130M보다 많고, DeepSeek 자체 V4 Pro 0813보다도 62% 많은 수치입니다.
1017은 바로 그 부분을 겨냥합니다. DeepSWE 차트(x축은 작업당 비용, The Decoder 해석 기준)에 따르면, 9월 모델은 작업당 약 $0.50에 74.2%를, 최고 설정의 1017은 $0.20 조금 못 미치는 비용에 77.0%를, 낮은 설정의 1017은 약 $0.10에 72% 이상을 기록합니다. 토큰당 가격은 동일하므로, 절감액 대부분은 모델이 더 적은 토큰을 사용하고 더 적은 턴으로 작업을 끝내는 데서 나옵니다.
두 가지 주의할 점이 있습니다. DeepSeek는 출력이 얼마나 짧아졌는지 밝히지 않았고, 작업당 비용도 제3자가 측정한 값이 아니라 벤더 차트에서 읽은 값입니다. 60% 절감을 전제로 계획을 세우기 전에 직접 워크로드를 돌려 보세요.
바로 위 등급과의 격차
DeepSeek 라인업에서 바로 위 등급은 V4 Pro 0813이며, 1017은 DeepSeek가 두 모델 모두에 대해 공개한 모든 에이전트 벤치마크에서 이미 이를 앞섭니다(Terminal-Bench 4.0: 42.3 대 12.4; DeepSWE: 77.0 대 62.7). 이 부분은 이 시리즈에서 별도 포스트로 다룹니다.
프론티어 모델과 비교하면 결과는 엇갈립니다. DeepSeek의 표에서 1017은 DeepSWE, Automation-Bench, Agents' Last Exam, Apex에서 Claude Opus 5를 앞서지만, Terminal-Bench 4.0(51.8), ProgramBench(37.0), NL2Repo(75.3), HLE(56.3)에서는 Opus 5가 여전히 앞섭니다. DeepSeek는 더 오래된 모델과도 비교했는데, Opus 5.5, Sonnet 5.5, GPT-6 세대는 표에 포함되지 않았습니다. 한편 Google은 별도로 Opus 5.5의 Terminal-Bench 4.0 점수를 66.4로 발표했습니다.
가격과 실제 비용
| 모델 | DeepSeek 입력 | DeepSeek 출력 | AIHubMix 입력 | AIHubMix 출력 |
|---|---|---|---|---|
| V4.1 Flash (9월) | $0.30 | $1.20 | $0.3098 | $1.2392 |
| V4.1 Flash 1017 | $0.30 | $1.20 | $0.3098 | $1.2392 |
| V4 Pro 0813 | $1.32 | $3.96 | $1.3944 | $4.1832 |
캐시 미스 기준, 1M 토큰당 피크 가격입니다. 피크 시간은 평일 UTC 01:00–04:00 및 06:00–10:00이며, 그 밖의 시간, 주말, 중국 공휴일은 비피크로 가격이 절반입니다. Flash 캐시 적중 비용은 피크 시간에 DeepSeek $0.006, AIHubMix $0.0062입니다. AIHubMix는 현재 1017에 대해 기간 한정 30% 할인을 진행 중이지만, 여기서는 정가를 사용합니다.
에이전트 세션 한 번의 비용 계산. 1017의 작업별 토큰 수를 공개한 테스트는 없으므로, 이 예시는 명시된 가정을 사용합니다. 버그 수정 세션은 모델 호출 40회, 총 입력 1.2M 토큰(그중 90%는 캐시에서 제공), 사고 토큰 포함 출력 60K 토큰입니다. AIHubMix 정가 기준:
| 모델 | 피크 | 비피크 |
|---|---|---|
| V4.1 Flash 1017 | $0.118 | $0.059 |
| V4 Pro 0813 | $0.469 | $0.233 |
피크 시간 1017 계산: 0.12M × $0.3098 + 1.08M × $0.0062 + 0.06M × $1.2392 = $0.118.
같은 토큰 수라면 가격이 동일하므로 9월 모델도 같은 비용이 듭니다. 차이는 토큰 수 자체에서 나옵니다. 같은 수정 작업을 1017이 더 적은 턴과 더 짧은 답변으로 끝낸다면 청구 금액도 함께 줄어듭니다. 배치 작업을 피크 시간 밖으로 옮기면 비용이 다시 절반으로 줄어듭니다.
또 다른 레버는 effort입니다. DeepSeek의 V4.1 Flash 논문은 API의 low, high, max 등급을 내부 effort 값 50, 75, 100에 대응시키며, 마지막 단계인 max는 "개선 폭은 미미한데 에이전트 궤적을 1.6–1.8배 늘린다"고 보고합니다. 에이전트는 기본값인 high에서 시작하고, max는 가장 어려운 작업에만 남겨두세요.
최선의 선택이 아닌 경우
- 지식 중심 질문. 도구 없는 HLE 점수는 42.6으로 Opus 5(56.3)에 크게 뒤지고, Claude Haiku 5.5(45.9, Anthropic 수치)보다도 낮습니다. 원시 지식은 여전히 Flash 라인의 약점입니다.
- 길고 어려운 셸 세션. Terminal-Bench 4.0 42.3은 큰 도약이지만, 이 벤치마크에서 Sonnet 5.5(70.6)와 Opus 5.5(66.4)는 다른 수준입니다.
- 고정된 모델이 필요한 워크로드. DeepSeek 자체 API에서
deepseek-flash는 롤링 별칭이며 9월 체크포인트는 고정할 수 없습니다. 재현 가능한 동작이 필요하다면 날짜가 붙은 모델 ID를 호출하세요. - 모든 트래픽이 피크 시간에 몰리는 경우. 비피크 가격은 피크의 절반입니다. 평일 UTC 01:00–10:00 구간에 갇힌 워크로드는 정가를 전부 냅니다.
누가 전환하고 누가 기다려야 할까
- 지금 전환: 9월 Flash를 쓰는 코딩 에이전트, 터미널 자동화, 도구 호출 파이프라인. 가격은 같고 점수는 높으며, DeepSeek 측정 기준 작업당 토큰도 적습니다.
- 회귀 테스트 후 전환: 엄격한 출력 형식을 가진 운영 프롬프트나 평가 스위트. 출력이 짧아지면 기존의 긴 출력을 전제로 한 파서가 깨질 수 있습니다.
- 현 상태 유지 또는 다른 모델 검토: 지식 중심 Q&A와 이미 프론티어 모델이 필요한 어려운 디버깅. 1017은 이 상황을 바꾸지 않습니다.
AIHubMix에서 사용해 보기
AIHubMix는 1017을 Chat Completions, Responses API, Anthropic Messages로 제공합니다. 키를 만들고 빠른 시작 안내를 따른 뒤, openai SDK로 호출하세요:
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)
10월 19일 테스트 실행에서 AIHubMix는 reasoning_effort에 대해 low, high, max를 모두 받아들였고, 모든 응답의 model 필드는 deepseek-v4-1-flash-261017로 표시되었습니다. 이를 통해 1017 체크포인트가 응답했음을 확인할 수 있습니다. 사고 기능은 기본으로 켜져 있고, 추론 토큰도 max_tokens에 포함되므로 넉넉하게 설정하세요. 모델 카드는 긴 에이전트 실행에 최소 256K를 권장합니다. 두 체크포인트를 나란히 비교하려면 AIHubMix 비교 페이지를 여세요.
FAQ
DeepSeek V4.1 Flash 1017은 새 모델인가요, 업데이트인가요?
V4.1 Flash의 업데이트된 체크포인트로, 아키텍처, 컨텍스트 윈도우, API 표면은 동일합니다. DeepSeek는 이를 마이너 업데이트라고 부르며, 벤치마크 향상은 새로운 사후 학습에서 나왔습니다.
1017로 가격이 바뀌었나요?
아니요. DeepSeek는 Flash 가격을 피크 시간 기준 1M 토큰당 입력 $0.30, 출력 $1.20으로 유지했고, 비피크 시간에는 그 절반입니다. AIHubMix는 피크 시간 기준 $0.3098과 $1.2392로 표시하며, 현재 30% 할인 기간 한정 프로모션이 진행 중입니다.
AIHubMix에서 어떤 모델 ID를 쓰나요?
deepseek-v4.1-flash-1017을 사용하세요. deepseek-flash 이름은 DeepSeek 자체 API에 속하며, 이제 1017을 가리킵니다.
DeepSeek API에서 9월 체크포인트를 계속 쓸 수 있나요?
아니요. DeepSeek는 deepseek-flash와 이전 Flash 이름들을 1017로 옮겼고, 9월 버전을 고정할 이름은 제공하지 않습니다.
출력은 얼마나 짧아졌나요?
DeepSeek는 수치를 공개하지 않았습니다. DeepSWE 차트를 보면 토큰당 가격이 같은 상태에서 작업당 비용이 약 $0.50에서 $0.20 미만으로 떨어진 것으로 보이며, 이는 실행이 훨씬 짧아졌음을 시사합니다. 다만 이는 벤더 수치입니다.
어떤 reasoning effort를 써야 하나요?
기본값인 high부터 시작하세요. 단순하고 지연에 민감한 호출에는 low를, 가장 어려운 작업에만 max를 쓰세요. DeepSeek 논문도 max가 에이전트 실행을 1.6~1.8배 늘리면서 개선은 작다고 말합니다.
1017은 Claude Opus 5보다 나은가요?
DeepSeek가 보고한 일부 에이전트 벤치마크, 예컨대 DeepSWE와 Automation-Bench에서는 앞서 있습니다. Terminal-Bench 4.0, ProgramBench, NL2Repo, HLE에서는 Opus 5가 여전히 앞서며, 더 새로운 프론티어 모델들은 DeepSeek의 비교 대상에 포함되지 않았습니다.
계속 읽기: DeepSeek V4.1 Flash 1017 시리즈
- 기존 연동을 옮기는 중이라면 마이그레이션 가이드에서
reasoning_content400 오류, 조용한 별칭 교체, 피크 시간 과금, 코딩 도구 설정을 다룹니다: DeepSeek V4.1 Flash 1017로 마이그레이션: reasoning_content 400, 조용한 별칭 교체, 피크 시간 과금 - Anthropic의 가장 저렴한 모델과 에이전트 작업에서 비교해 보고 싶으신가요? 이 비교는 두 모델을 터미널 코딩 작업에서 실행합니다: DeepSeek V4.1 Flash 1017 vs Claude Haiku 5.5: Which Cheap Model for Terminal Coding Agents?
- 아직 V4 Pro를 쓰고 계신가요? 이 글은 Flash가 이제 V4 Pro를 불필요하게 만들었는지 확인합니다: DeepSeek V4.1 Flash 1017 vs V4 Pro: Is the Flash Enough Now?
출처
- DeepSeek-V4.1-Flash-1017 release note (DeepSeek)
- DeepSeek-V4.1-Flash-1017 model card (Hugging Face)
- DeepSeek V4.1 Flash 1017 on AIHubMix (AIHubMix)
- DeepSeek V4.1 Flash 1017은 에이전트 작업에서 더 큰 경쟁 모델들을 능가한다 (The Decoder)
- DeepSeek V4.1 Flash 1017 Tested: Specs, Benchmarks & Price (Kingy.ai)
