DeepSeek V4.1 Flash 1017, 에이전트 점수를 끌어올린 제자리 업그레이드

작동 방식

DeepSeek는 이 체크포인트를 자기 피드백을 활용한 강화학습으로 훈련했다고 밝힌다. 프로젝트 전체를 처음부터 끝까지 만들어 내는 능력을 겨냥한 훈련이며, 시연 사례로는 3D 자금성과 Godot로 다시 만든 Portal 2가 있다. 구조와 1M 토큰 컨텍스트는 V4.1 Flash에서 그대로 이어진다. DeepSeek의 표에서는 모든 벤치마크가 올랐고, 가장 큰 폭은 Terminal-Bench 4.0의 11.1점과 ProgramBench의 8.8점이다. Terminal-Bench 4.0은 31.2에서 42.3으로 올랐다.

주요 스펙

컨텍스트 윈도우는 1M 토큰이고 최대 출력은 384K이다. API 모델 이름은 deepseek-flash로 바뀌지 않았다. 그래서 이미 이 이름으로 호출하던 사용자는 코드를 고치지 않아도, 가격이 오르지 않아도 새 모델을 받게 된다. 이전 이름인 deepseek-v4-flash와 deepseek-v4-flash-vision-exp도 같은 Flash 가격으로 1017 모델에 연결된다. 에이전트 작업에는 DeepSeek Harness v0.2.1-rc.1 이상을 권장한다.

가격

비피크 시간대 기준으로 입력은 캐시 미스 100만 토큰당 0.15달러, 캐시 히트 0.003달러이고, 출력은 0.60달러이다. 피크 시간대에는 각각 0.30달러, 0.006달러, 1.20달러로 두 배가 된다. 피크 시간은 평일 UTC 기준 01:00부터 04:00까지, 그리고 06:00부터 10:00까지이며 중국 공휴일은 제외된다.

벤치마크

Claude Code 하네스로 측정한 Terminal-Bench 4.0에서 1017은 42.3%이고 이전 V4.1 Flash는 31.2%, GLM-5.3은 37.9%, GPT-5.6 Sol은 39.9%, Opus 5는 51.8%이다. Apex Bench v1.1에서는 1017이 72.1%로 이전 모델의 64.6%, GLM-5.3의 56.6%, GPT-5.6 Sol의 54.3%, Opus 5의 65.8%를 모두 앞선다. DeepSWE v1.1은 77.0이다. 모델 카드 표에서 1017은 11개 벤치마크 중 9개에서 GPT-5.6 Sol을 넘고, HLE 도구 미사용(42.6 대 44.5)과 ZeroBench에서만 뒤처진다. Opus 5는 대부분의 항목에서 여전히 앞서지만, DeepSWE v1.1, Automation-Bench, Agents' Last Exam, Apex Bench에서는 1017이 더 높다.

Search와 Fetch API

같은 발표에서 DeepSeek는 자체 Search API와 Fetch API를 모두에게 열었다. 각 엔드포인트는 1,000회 호출당 0.75달러이다. DeepSeek Harness, Claude Code, Codex의 서버 측 도구로 부르는 호출은 2026년 10월 31일 UTC 16:00에 과금이 시작될 때까지 무료이다.

왜 중요한가

값싼 오픈 모델이 에이전트 시험에서 비싼 모델과의 격차를 줄였고, 업그레이드를 받는 데 필요한 작업이 없다는 점이 핵심이다. DeepSeek는 작업이 더 빨리 끝나고 출력이 짧아져 작업당 비용도 줄어든다고 설명한다. 다만 위 수치는 DeepSeek가 직접 공개한 표라는 점을 감안해야 한다.

정리

정리하면 이번 1017은 새 이름의 모델이 아니라, 같은 deepseek-flash 이름 뒤에서 더 잘 훈련된 체크포인트로 교체된 업그레이드이다. 이미 DeepSeek API를 쓰고 있다면 별도 작업 없이 에이전트와 코딩 성능 향상을 기대할 수 있고, 직접 호스팅하는 팀은 MIT 라이선스로 새 가중치를 받아 쓸 수 있다.