Deepseek lanceert sneller en goedkoper Flash-model met open gewichten en nieuwe zoek-API
20 oktober 2026 · 3 min leestijd
Het Chinese kunstmatige-intelligentiebedrijf Deepseek heeft een bijgewerkte versie van zijn Flash-model gepresenteerd, die specifiek presteert bij taken voor agenten en coderen. Tegelijkertijd maakt de aanbieder voor het eerst de toegang tot zijn interne zoekmachine vrij voor externe ontwikkelaars. Deze nieuwe release, aangeduid als Deepseek-V4.1-Flash-1017, is per direct beschikbaar via de website, de mobiele applicatie en de programmeerinterface van het bedrijf. Daarnaast heeft Deepseek de modelgewichten als open broncode gepubliceerd op de platforms Hugging Face en ModelScope, waardoor onderzoekers en ontwikkelaars het systeem lokaal kunnen draaien.
Het bedrijf beschrijft deze update als een zogenaamde Pareto-verbetering in de verhouding tussen prestaties en kosten. Het nieuwe model levert volgens de eigen specificaties betere resultaten in benchmarktests, voltooit taken sneller en genereert kortere uitvoer dan de directe voorganger. Voor de ontwikkeling van complete softwareprojecten vanaf de basis maakt Deepseek gebruik van versterkend leren met zelffeedback. Bij deze nabewerkingsmethode gebruikt het model zijn eigen interne zekerheid of zelfgegenereerde kritiek als beloningssignaal, waardoor menselijke beoordelaars of externe beloningsmodellen overbodig worden. Deze aanpak moet de doorlopende projectontwikkeling verbeteren, variërend van spelprogrammering tot driedimensionale modellering en ontwerptaken. Het systeem kan hierdoor bijvoorbeeld compacte uitlegvideo's animeren.
Volgens de verstrekte gegevens is het model specifiek geoptimaliseerd voor ontwikkelomgevingen zoals Deepseek Harness, Tencent CodeBuddy en WorkBuddy. In de door Deepseek gepubliceerde vergelijkingstests verslaat de nieuwe versie niet alleen het vorige V4.1-Flash-model, maar ook grotere concurrentiemodellen zoals Claude Opus 5, GPT 5.6-Sol, Kimi K3 en GLM 5.3 op meerdere disciplines voor softwareontwikkeling en kunstmatige-intelligentie-agenten. De impact van de verkorte uitvoer op de efficiëntie wordt geïllustreerd door een kostengrafiek voor de DeepSWE-benchmark. Het nieuwe model behaalt een topprestatie van 77,0 procent tegen gemiddelde kosten van iets minder dan 0,20 Amerikaanse dollar per taak. Bij een lagere instelling wordt meer dan 72 procent gehaald voor ruim 0,10 Amerikaanse dollar. Een uitvoering met het voorgangermodel kostte bij een slaagkans van 74,2 procent nog ongeveer 0,50 Amerikaanse dollar per taak.
Concurrentiemodellen zoals GPT-6 Astra, Gemini 3.8 Flash of Claude Opus 5 liggen in deze weergave tussen de 2 en meer dan 10 Amerikaanse dollar per taak, zonder de trefferquote van het kleine Deepseek-model te evenaren. Onafhankelijke benchmarktests staan nog uit. Naast het taalmodel opent het bedrijf zijn interfaces voor webzoekopdrachten voor alle ontwikkelaars. Deze diensten zijn gebaseerd op een zelfontwikkelde zoekmachine die wereldwijd reeds honderden miljoenen aanvragen dagelijks verwerkt. De reguliere prijs bedraagt 0,75 Amerikaanse dollar per 1.000 oproepen voor elk eindpunt. Voor gebruikers van de Deepseek-API zijn de functies via serverzijde hulpmiddelen in Deepseek Harness, Claude Code en Codex echter tot en met 31 oktober 2026 gratis.
De diepe integratie van Chinese kunstmatige-intelligentiemodellen in werkprocessen is echter minder aantrekkelijk geworden door nieuwe plannen van de Chinese regering. De autoriteiten lijken van plan om de publicatie van open-gewichtmodellen strenger te reguleren of zelfs te verbieden. Een beslissende parameter hierbij is of het betreffende systeem tot de tien krachtigste modellen ter wereld behoort. Onafhankelijke verificatie van deze beleidsplannen ontbreekt vooralsnog in de beschikbare informatie.