Deepseek heeft Deepseek-V4.1-Flash-1017 uitgebracht via zijn website, app en API. De modelgewichten staan als open-weightmodel op Hugging Face en ModelScope. Volgens het bedrijf is het model sneller dan zijn voorganger, geeft het kortere antwoorden en scoort het beter bij softwareontwikkeling en agenttaken. Voor het bouwen van complete softwareprojecten gebruikt Deepseek reinforcement learning met zelffeedback (RLSF), waarbij het model zijn eigen vertrouwensscores of zelfgeschreven kritiek als beloningssignaal gebruikt. Daarnaast opent Deepseek zijn eigen zoekmachine voor ontwikkelaars via nieuwe Search- en Fetch-API’s.
In eigen benchmarks verslaat het model grotere concurrenten als Claude Opus 5, GPT 5.6-Sol, Kimi K3 en GLM 5.3 in meerdere coding- en agentcategorieën. Op de DeepSWE-benchmark haalt het 77,0 procent bij gemiddeld net onder 0,20 dollar per taak. De voorganger kwam op 74,2 procent bij ongeveer 0,50 dollar per taak. Onafhankelijke benchmarks zijn er volgens de bron nog niet.