DeepSeek V4.1 Flash 1017 ger kortare svar, men missar samma mejlfel

I Aipress fem vardagsuppgifter blev resultatet lika bra som med föregångaren: fyra helt rätt och samma missade datumfel i ett kundmejl. Den nya versionen använde totalt 6,2 procent färre token och var något snabbare. Ett separat test gav ett spelbart asteroidspel, men modellen följde inte instruktionen att bara lämna själva spelfilen.

DeepSeek öppnar också Search och Fetch för alla. Tjänsterna söker efter webbsidor respektive hämtar deras innehåll. Våra tester hittade rätt fakta, men också gamla uppgifter bland sökträffarna och en artikel som inte gick att hämta.

Vad är nytt i DeepSeek V4.1 Flash 1017?

DeepSeek lyfter särskilt fram möjligheten att bygga hela projekt från en beskrivning. Enligt företaget har modellen tränats med förstärkningsinlärning och egen återkoppling för att förbättra arbetet från idé till färdigt projekt. Demonstrationerna omfattar bland annat en 3D-modell av Förbjudna staden, ett racingspel i webbläsaren, en återskapning av Portal 2 i spelmotorn Godot och en 3D-scen som skildrar utvecklingen från förhistorisk tid till nutid. Det är företagets exempel, inte resultat från Aipress tester.

I DeepSeeks presentation av uppdateringen beskriver företaget bättre testresultat tillsammans med kortare arbetstid och lägre kostnad per uppgift. Modellen har anpassats för bland annat DeepSeek Harness, Tencent CodeBuddy och WorkBuddy, verktyg som låter modellen arbeta med projekt. DeepSeek rekommenderar Harness v0.2.1-rc.1 eller senare.

Tabellen visar DeepSeeks egna jämförelser. Den nya Flash-versionen får högre resultat än föregångaren på samtliga redovisade test. Den leder vissa jämförelser med andra modeller, medan Opus 5 ligger högst i flera andra. Resultaten kommer från tillverkaren och ska läsas med de angivna testvillkoren.

DeepSeeks jämförelse av den nya Flash-versionen med andra modeller

Tecknet † avser den del av HLE som bara innehåller text. DeepSeek använde Claude Code som arbetsmiljö för Terminal-Bench 4.0 och Mini-SWE-V2 för DeepSWE v1.1. Streck i tabellen betyder att något resultat inte redovisas.

DeepSeek Flash fick samma rätt och fel i vardagsuppgifterna

Aipress jämförde den nya och den tidigare V4.1-Flash med fem identiska uppgifter, en gång per uppgift och version, i tänkande läge. Testet prövar korrekturläsning, felsökning av kod, överföring av kvittouppgifter till ett bestämt dataformat, användning av ett väderverktyg och avläsning av en prislista från en bild.

Båda versionerna löste fyra uppgifter helt rätt. I mejlet rättade båda sex av sju inlagda fel och lämnade datumfelet utan kommentar. Tabellen visar resultaten och hela svarstiden. Token är de textdelar som modellen behandlar och debiteras för. Här räknas även modellens tankar in bland token ut.

Den nya versionen var snabbare och använde färre token i fyra av uppgifterna. Mejlet var undantaget: där tog den längre tid och använde 29,7 procent fler token, trots samma kvarstående fel. Båda versionerna bytte dessutom ett vardagligt ord mot ett mer skriftspråkligt, vilket inte räknades som ett fel.

I koduppgiften rättade den nya versionen båda felen utan andra ändringar och behöll ordningen mellan rabatt och frakt. Kvittot blev giltig JSON, ett dataformat med namngivna fält, utan någon extra text. Alla sex kvittorader kom med, inklusive panten som egen rad, och summan kontrollerades. Båda versionerna lade bananernas vikt i fältet för antal.

Väderuppgiften gav rätt uppgifter för båda orterna och slutsatsen att ta med regnjacka. Den nya versionen lade till tre tips, föregångaren fyra. Störst minskning av mängden token syntes i prislistan: 182 mot 628. Den nya versionen visade den korrekta uträkningen med LaTeX, en form av kod för matematiska formler, medan föregångaren använde en punktlista.

Kostnaderna nedan är beräknade med samma listpris för båda versionerna. Den nya versionen blev totalt 6,0 procent billigare i just dessa fem test. Det mesta av mängden token ut var tankar hos båda modellerna, så färre token betyder här inte bara mindre text att läsa.

Skillnaderna gäller de här uppgifterna och de enskilda svar som mättes. De visar inte hur stor skillnaden blir i andra uppgifter eller vid upprepade test.

Kan DeepSeek Flash bygga ett spel från en beskrivning?

I ett separat test på Aipress.se fick DeepSeek-V4.1-Flash-1017 skapa ett litet asteroidspel i en enda HTML-fil, alltså en fil som kan öppnas i en webbläsare. Modellen fick uppgiften en gång i tänkande läge. Testet prövade om den oredigerade spelfilen gick att spela för en människa.

Resultatet, NEON ASTEROIDS, var spelbart. Spelet börjar direkt när sidan laddas. Piltangenterna eller WASD flyttar skeppet och mellanslag skjuter. Stenarna faller snabbare och tätare med tiden. Enter eller mellanslag startar ett nytt spel efter att det tagit slut, och R startar om när som helst.

Instruktionen bad om enbart HTML-filen. Modellen lade ändå till en förklaring på drygt 1 000 tecken runt koden. Tabellen visar Aipress mätning för detta enda spel, med kostnad beräknad på DeepSeeks båda prisnivåer.

DeepSeeks webbsökning hittade rätt svar och gamla uppgifter

Search söker på webben och Fetch hämtar text från en vald sida. Enligt DeepSeek bygger tjänsterna på företagets egen sökmotor, som hanterar hundratals miljoner förfrågningar om dagen.

Aipress testade Search med två faktafrågor, var och en en gång med svenska som språk och en gång med engelska. Alla anrop använde standardinställningarna. En sökning räknades som rätt om minst en av de fem första träffarna angav facit: Anne Carson för Nobelpriset i litteratur 2026 och 2,50 procent för ECB:s inlåningsränta.

Search klarade det villkoret i alla fyra sökningarna. Sökningarna med svenska som språk gav däremot färre träffar på frågans språk. Räntefrågan gav också gamla uppgifter bland de första träffarna.

Två träffar på räntefrågan med svenska som språk och en med engelska var kopior av ECB:s sidor på andra adresser än ecb.europa.eu. I det här testet räckte det alltså inte att en träff såg ut att komma från centralbanken eller fanns högt upp för att alla uppgifter skulle vara aktuella och adressen den ursprungliga.

Fetch fick hämta sex artiklar, en gång per sida. Resultatet jämfördes med samma sida i en vanlig webbläsare. En hämtning räknades som hela artikeln när både rubriken och sista stycket fanns med. För prenumerationssidor var jämförelsen vad en besökare utan prenumeration kunde se.

Fyra hämtningar gav hela artikeln enligt det villkoret. Från dn.se kom samma utdrag som besökaren såg, följt av ett prenumerationserbjudande. Från nytimes.com kom ingen artikeltext alls, trots att webbläsaren visade rubriken och sex stycken. Teckenantalet anger mängden text som tjänsten lämnade tillbaka.

Den svenska texten återgavs korrekt. Texten levererades som Markdown, ett textformat för bland annat rubriker och länkar, med omvända snedstreck före skiljetecken, exempelvis \, och \.. Från dn.se följde dessutom början av en annan låst artikel med. De här resultaten gäller de testade sidorna med standardinställningarna.

Vad kostar DeepSeek Flash, Search och Fetch?

DeepSeek tar betalt per token för modellen och per lyckat anrop för webbtjänsterna. För Flash kostar en miljon token ut 0,6 dollar utanför högtrafik och 1,2 dollar under högtrafik. Indata kostar mindre, särskilt vid en cacheträff, när tjänsten kan återanvända tidigare behandlad indata.

Pristabellen visar Flash och Pro samt vilka funktioner de stöder. Flash har bildstöd, vilket Pro saknar i jämförelsen. En miljon token i kontext betyder hur mycket material modellen kan hantera i sitt sammanhang. Det är en annan gräns än hur långt ett enskilt svar får bli. Gränsen för samtidiga förfrågningar är högre för Flash än för Pro.

DeepSeeks funktioner, gränser och API-priser

Priserna utanför högtrafik är hälften av högtrafikpriserna. Högtrafik gäller måndag till fredag klockan 01.00 till 04.00 och 06.00 till 10.00 UTC, med undantag för kinesiska helgdagar. Övrig tid, inklusive helger, har det lägre priset.

I API:et används modellnamnet deepseek-flash. De äldre namnen deepseek-v4-flash och deepseek-v4-flash-vision-exp accepteras fortfarande, men de tidigare modellerna har tagits ur bruk. Förfrågningar med dessa namn går i stället till V4.1-Flash-1017 och debiteras till Flash-priset.

Search och Fetch har samma pris, 0,75 dollar per 1 000 lyckade anrop för vardera tjänsten.

Priser för DeepSeeks Search och Fetch

Anrop till Search och Fetch genom verktyg på serversidan i DeepSeek Harness, Claude Code och Codex är tillfälligt gratis för DeepSeeks API-användare. Debiteringen börjar den 31 oktober 2026 klockan 16.00 UTC. Det är samma tidpunkt som den 1 november klockan 00.00 i Peking.

De fem vardagsuppgifterna och spelet kostade tillsammans 0,0145 dollar utanför högtrafik eller 0,0290 dollar under högtrafik, beräknat med DeepSeeks listpris. Search- och Fetch-testets nio lyckade anrop kostade 0,00675 dollar enligt priset per anrop. Den misslyckade hämtningen kostar inget enligt prisreglerna.

DeepSeek Flash kan laddas ner med MIT-licens

Den som vill använda modellen själv hittar modellvikterna och anvisningarna för lokal användning på Hugging Face. Modellvikterna är filerna med den tränade modellens parametrar. Både dessa och kodarkivet omfattas av MIT-licensen. Modellen finns också på ModelScope.

För utvecklare skiljer sig utgåvan från modeller som levereras med en färdig chattmall i Jinja-format. Här finns i stället en fristående referensimplementation i Python för hur samtal ska formateras, med testfall för bland annat verktygsanrop, tänkande läge och bilder blandade med text.

DeepSeek släpper även deepseek-recipe, bibliotek i Rust med kopplingar till Python. Biblioteken omvandlar förfrågningar från Messages, Chat Completions och Responses API till modellens samtalsformat och tolkar svaren tillbaka, även när svaret levereras bit för bit. Den som bygger tjänsten ansvarar fortfarande för att driva modellen, utföra verktygsanrop och sköta nätverksanslutningen.

Tabellen visar DeepSeeks rekommenderade inställningar för lokal användning. Anvisningarna för att omvandla modellfilerna och använda modellen lokalt finns i modellarkivets avsnitt inference.

DeepSeeks rekommenderade inställningar för lokal användning