DeepSeek publicó el sábado 17 de octubre DeepSeek-V4.1-Flash-1017, una actualización menor de V4.1 Flash, el modelo que había presentado el 10 de septiembre. La versión nueva mejora en razonamiento, programación, tareas de agentes y pruebas visuales, y termina las tareas antes y con respuestas más cortas. Ya funciona en la web, en la app y en la API de DeepSeek, según la nota de la compañía, y sus pesos se descargan con licencia MIT.
El mismo día, DeepSeek abrió a todos los desarrolladores dos API de su buscador web propio: Search, que busca páginas para una consulta, y Fetch, que descarga una página y la devuelve en Markdown.
Qué cambia en la versión 1017
DeepSeek lo resume como una mejora de Pareto en rendimiento y coste: mejores resultados, tareas completadas más deprisa y salidas más cortas que con la versión anterior, de modo que los usuarios terminan antes y gastan menos.
La compañía ha usado aprendizaje por refuerzo con autorretroalimentación para mejorar el desarrollo de proyectos completos, de la creación de juegos al modelado 3D. La nota enseña cuatro ejemplos: la Ciudad Prohibida en 3D, un juego de carreras para el navegador, una recreación de Portal 2 con el motor Godot y Valley of Ages, una escena 3D que va de la prehistoria a la era moderna.
El modelo viene optimizado para DeepSeek Harness, Tencent CodeBuddy y WorkBuddy, entre otras herramientas, y DeepSeek recomienda actualizar a DeepSeek Harness v0.2.1-rc.1 o posterior.
Las pruebas, una a una
La tarjeta del modelo en Hugging Face compara la versión 1017 con la V4.1 Flash original en once pruebas, y la nueva gana en todas. Los saltos mayores llegan en Terminal-Bench 4.0, de 31,2 a 42,3, y en ProgramBench, de 20,3 a 29,1. DeepSeek mide Terminal-Bench 4.0 con el entorno de Claude Code y DeepSWE v1.1 con el entorno Mini-SWE-V2.
| Prueba | V4.1 Flash | V4.1 Flash 1017 |
|---|---|---|
| HLE sin herramientas | 36,8 | 42,6 |
| Terminal-Bench 4.0 | 31,2 | 42,3 |
| DeepSWE v1.1 | 74,2 | 77,0 |
| ProgramBench | 20,3 | 29,1 |
| NL2Repo-Bench | 65,4 | 68,2 |
| Automation-Bench v1.0.6 | 54,8 | 60,5 |
| Agents’ Last Exam | 31,8 | 35,4 |
| Apex Bench v1.1 | 64,6 | 72,1 |
| Chartography (con herramientas) | 78,9 | 83,0 |
| BabyVision (con herramientas) | 89,6 | 92,5 |
| ZeroBench-main (con herramientas) | 49,0 | 51,0 |
Search y Fetch: el buscador de DeepSeek, para cualquier desarrollador
Las dos API dan a los agentes y a las aplicaciones de generación aumentada por recuperación (RAG) acceso a contenido web en directo. Funcionan con el buscador propio de DeepSeek, que atiende cientos de millones de peticiones al día en todo el mundo.
Search recibe una consulta de hasta 128 caracteres y devuelve hasta 50 resultados. Cada uno trae el título y la dirección de la página, un fragmento corto para enseñarlo en una interfaz, un resumen de 600 a 800 caracteres pensado para que lo lea un modelo y, si se pide, el contenido de la página, además de la fecha de publicación y una nota de autoridad. La consulta admite operadores para limitarla a un sitio, buscar una frase exacta, filtrar por idioma o por fechas.
Fetch recibe la dirección de una página y devuelve su título y su contenido en Markdown, siempre que el sitio de destino esté disponible y lo permita.
Cómo se usa y cuánto cuesta
Las dos son API en JSON con la misma autenticación que la API de DeepSeek: la clave de siempre en una petición POST a api.deepseek.com. La guía de Search y Fetch trae ejemplos en curl y en Python.
Cada una cuesta 0,75 dólares por cada 1.000 peticiones con éxito. Los fallos, las búsquedas sin resultados y los tiempos de espera agotados no se cobran, y pedir más resultados no cambia el precio. Cada cuenta puede hacer cinco peticiones por segundo a cada API.
Para quien usa la API de DeepSeek a través de DeepSeek Harness, Claude Code o Codex, las llamadas a herramientas desde el servidor ya pasan por Search y Fetch. Esas llamadas son gratis por ahora: el cobro empieza el 31 de octubre a las 16:00 UTC.
Los pesos, para quien lo quiera correr en local
DeepSeek-V4.1-Flash-1017 se descarga en Hugging Face y en ModelScope, y tanto el repositorio como los pesos tienen licencia MIT. La página de Hugging Face le atribuye 763.000 millones de parámetros y lo etiqueta con precisión de 8 bits en FP8.
La versión se publica sin plantilla de chat en formato Jinja: el repositorio trae una implementación de referencia en Python con casos de prueba, y para producción DeepSeek publica deepseek-recipe, unas bibliotecas en Rust con enlaces para Python que preparan las peticiones en el formato del modelo y leen sus respuestas.
Los parámetros recomendados son temperatura 1,0 y top_p 1,0, con una ventana de contexto de un millón de tokens y un máximo de salida de 256K tokens o más. Quien usa la app o la web de DeepSeek ya tiene el modelo nuevo, quien programa con su API lo tiene junto a las dos API de búsqueda, y quien lo corre en local puede bajar los pesos.
Relacionado: DeepSeek lanza V4.1-Flash, un modelo abierto que divide por cuatro la memoria de los agentes
Te puede interesar
Tech Planet participa en el programa de afiliados de Amazon. Si compras a través de estos enlaces, recibimos una pequeña comisión sin coste extra para ti, lo que nos ayuda a seguir creando contenido como este.
| Imagen | Producto | Características | Comprar |
|---|---|---|---|
 |
ASUS TUF Gaming B850-Plus WiFi | ATX · socket AM5 · Wi-Fi 7 · 1 M.2 PCIe 5.0 y 2 M.2 PCIe 4.0 · Ethernet de 2,5 Gb | Ver precio en Amazon |
 |
MSI PRO Z890-A WiFi | ATX · LGA 1851 · 4 DIMM DDR5 · 1 M.2 Gen5 y 3 M.2 Gen4 · Wi-Fi 7 y LAN de 5 Gbps | Ver precio en Amazon |
 |
Gigabyte B850 Aorus Elite WiFi 7 | ATX · Ryzen serie 9000 · VRM de 14+2+2 fases · PCIe Gen5 x16 y M.2 Gen5 · LAN de 2,5 GbE | Ver precio en Amazon |
 |
Corsair Vengeance RGB RS DDR5 32 GB | 32 GB (2 × 16 GB) · DDR5 hasta 6000 MHz · AMD EXPO e Intel XMP 3.0 · RGB | Ver precio en Amazon |
Escrito por Eloy Andrade
