El nuevo modelo V4.1-Flash de DeepSeek ofrece un mejor rendimiento a menor costo, mientras que su API de búsqueda abierta proporciona a los desarrolladores una herramienta unificada y más económica para crear agentes de IA con capacidad web.
Resumen generado con IA. Consulta el original para comprobar el contexto y la precisión.
Este es el extracto disponible del feed. Puede estar abreviado o en el idioma original.
DeepSeek has just released DeepSeek-V4.1-Flash-1017, a new checkpoint of its V4.1-Flash model. It is live on the DeepSeek website, app and API. DeepSeek claims stronger scores, faster task completion and shorter outputs than the September V4.1-Flash release. The company calls it a Pareto improvement in performance and cost. Alongside it, DeepSeek opened its Search and Fetch APIs to every developer. For agent builders, that means a cheaper coding model plus a first-party web layer behind one API key. TL;aDR Size: 552B backbone parameters plus 196B Engram parameters. It activates 8B parameters per token in prefill and 16B in decode. Context is 1M tokens, with up to 384K output tokens. Runs on: DeepSeek API as deepseek-flash. September V4.1-Flash weights (763B parameters, FP8) are MIT-licensed on Hugging Face. Hardware requirements and 1017 weights: Not disclosed. Performance: Beats the previous V4.1-Flash on all 11 benchmarks DeepSeek reported, by 2.0 to 11.1 points. Best: 77.0 on DeepSWE v1.1, above Claude Opus 5 (74.0) in DeepSeek’s table. Worst: 42.6 on HLE without tools, versus 56.3 for Claude Opus 5. What is DeepSeek-V4.1-Flash-1017? DeepSeek-V4.1-Flash-1017 is an updated post-training checkpoint of DeepSeek-V4.1-Flash, served through the deepseek-flash model name. The architecture details below come from the V4.1-Flash technical report. DeepSeek team states that DeepSeek-V4.1-Flash-1017 uses reinforcement learning with self-feedback for end-to-end project work. Its examples run from game creation to 3D modeling. It is tuned for DeepSeek Harness, Tencent CodeBuddy and WorkBuddy. DeepSeek recommends DeepSeek Harness v0.2.1-rc.1 or later. How does the V4.1-Flash architecture work? V4.1-Flash is a multimodal Mixture-of-Experts model with 40 Transformer layers. They split into a 20-layer causal encoder and a 20-layer decoder. Causal Encoder-Decoder (CED): Decoder global KV is projected from the final encoder hidden states. This nearly halves prefill compu
Una ayuda automática para ordenar, basada en fuentes, palabras clave y entidades, en una escala de 1–12. Alta: 9–12; media: 6–8; baja: 1–5. No mide urgencia, verifica noticias ni representa respaldo editorial.
Voxtral 3 de Mistral unifica las capacidades de transcripción de voz a texto, síntesis de voz y agentes de voz en una única API, simplificando el desarrollo de aplicaciones de voz en tiempo real.
llm-d 1.0 de Google optimiza la inferencia de IA a gran escala en Kubernetes, resolviendo los problemas de equilibrado de carga para cargas de trabajo de agentes autoalojados y aprendizaje por refuerzo.
La nueva herramienta de simulación generativa de NVIDIA transforma la formación en cirugía clínica al crear escenarios realistas impulsados por IA que mejoran la educación médica y la pericia quirúrgica.