Deepseek V4.1 Flash 1017, kodlama ve ajan görevlerinde büyük rakiplerini geride bırakarak maliyeti düşürdü

Deepseek, V4.1‑Flash‑1017 sürümünü hem kendi platformları hem de Hugging Face ve ModelScope üzerinden açık ağırlık olarak sunarak erişilebilirliği artırdı. Model, kendine özgü Reinforcement Learning with Self‑Feedback (RLSF) yöntemiyle eğitildi; bu sayede içsel güven puanları ve kendi ürettiği eleştiriler ödül sinyali olarak kullanılıyor ve insan değerlendiricilere ya da dış ödül modellerine ihtiyaç kalmıyor. Sonuç olarak model, daha hızlı çalışıyor, çıktıları daha kısa ve maliyet açısından daha verimli.

İç benchmark sonuçları, V4.1‑Flash‑1017’nin önceki sürümünü geride bıraktığını ve Claude Opus 5, GPT 5.6‑Sol, Kimi K3 ve GLM 5.3 gibi daha büyük modelleri kodlama ve ajan görevlerinde geçersiz kıldığını gösteriyor. DeepSWE benchmarkında %77.0 doğruluk elde ederken ortalama görev başı maliyeti 0,20 $'ın altında tutuyor; düşük ayarda %72 doğrulukla 0,10 $ maliyet sağlanıyor. Rakip modellerin maliyeti 2 $ ile 10 $ arasında değişirken doğrulukları daha düşük kalıyor.

Deepseek ayrıca dahili arama motorunu dış geliştiricilere sunmak için Search ve Fetch API’lerini tanıttı. Bu API’ler 1.000 çağrı başına 0,75 $ ücretlendirilirken, Deepseek Harness, Claude Code ve Codex gibi sunucu‑tarafı araçları üzerinden 31 Ekim 2026 tarihine kadar ücretsiz kullanılabiliyor. Açık‑ağırlık model ve API erişimi, Çin’in model yayıncılığına yönelik sıkılaştırılacak düzenlemeleri göz önüne alındığında stratejik bir adım olarak değerlendiriliyor.

Bu gelişme, düşük maliyetli ve yüksek performanslı Çin yapımı modellerin küresel AI ekosisteminde daha fazla yer alabileceğini gösteriyor. Ancak, Çin hükümetinin açık‑ağırlık modellerin yayınını sınırlama planları, uzun vadeli erişim ve topluluk katkısı açısından belirsizlik yaratabilir.