DeepSeek V4.1 Flash 1017 Rilis dengan Bobot Lisensi MIT

DeepSeek merilis DeepSeek-V4.1-Flash-1017 pada 17 Oktober 2026. Ini bukan keluarga model baru, melainkan pembaruan dari V4.1-Flash yang keluar sebulan sebelumnya. Fokusnya ada di reasoning, coding, tugas agen, dan pemahaman gambar, ditambah jawaban yang lebih pendek sehingga tugas selesai lebih cepat. Bobot modelnya bisa diunduh dari Hugging Face dengan lisensi MIT.

Kenapa ini penting? Lisensi MIT termasuk yang paling longgar. Kamu boleh memakai, mengubah, dan memakai model ini untuk keperluan komersial, asalkan menyertakan pemberitahuan lisensinya. Bagi tim yang ingin menjalankan model di infrastruktur sendiri, ini jauh lebih sederhana daripada lisensi model yang memasang syarat tambahan.

Apa saja yang berubah di versi 1017?

Pengumuman resmi DeepSeek merangkumnya dalam satu kalimat: performa benchmark lebih kuat, tugas selesai lebih cepat, dan keluaran lebih pendek daripada versi sebelumnya. DeepSeek menyebutnya perbaikan sekaligus di sisi performa dan biaya.

Menurut laporan TechNode, peningkatannya mencakup empat area:

• Reasoning, yaitu kemampuan menalar langkah demi langkah.
• Coding, termasuk menulis dan memperbaiki kode.
• Tugas agen, seperti merencanakan pekerjaan, memanggil tool, lalu mengulang sampai selesai.
• Pemahaman visual, untuk membaca gambar dan tangkapan layar.

Kartu model di Hugging Face sendiri menyebut versi ini sebagai "minor update" dari V4.1-Flash. Jadi jangan berharap lompatan besar seperti pergantian generasi. Yang dijanjikan adalah model yang sama, tetapi lebih rapi dan lebih hemat token karena jawabannya tidak bertele-tele.

DeepSeek juga menyebut model ini dioptimalkan untuk beberapa alat agen coding, di antaranya DeepSeek Harness, Tencent CodeBuddy, dan WorkBuddy. Untuk DeepSeek Harness, pengumuman resmi menyarankan versi v0.2.1-rc.1 atau lebih baru.

Di mana model ini bisa dipakai?

Ada dua jalur, dan keduanya sudah tersedia per 12 November 2026.

Bagi pengguna API, artinya kamu tidak perlu mengganti nama model. Aplikasi yang sudah memanggil deepseek-flash otomatis mendapat versi baru. Sisi baiknya, peningkatan langsung terasa. Sisi lainnya, perilaku jawaban bisa sedikit berubah, misalnya lebih ringkas. Kalau aplikasimu mengandalkan format keluaran tertentu, uji ulang alurnya.

Seperti apa dasar V4.1-Flash?

V4.1-Flash dirilis 10 September 2026. Dalam pengumuman resminya, DeepSeek menggambarkannya sebagai model mixture of experts (MoE) berukuran 552 miliar parameter dengan arsitektur encoder-decoder, yang hanya mengaktifkan sebagian kecil parameter setiap kali bekerja. Pada saat yang sama, model V4-Flash lama dipensiunkan dan nama-nama lamanya diarahkan ke V4.1-Flash.

Angka parameter versi 1017 sengaja tidak ditulis di sini. Pengumuman resmi 1017 tidak menyebutnya, dan angka yang beredar di sumber lain berbeda dengan angka V4.1-Flash. Sampai DeepSeek menjelaskan, anggap ukurannya masih di kelas yang sama: model besar yang butuh banyak GPU untuk dijalankan penuh.

Ada biaya baru untuk Search dan Fetch

Bersamaan dengan 1017, DeepSeek menyediakan tool sisi server untuk pencarian web (Search) dan mengambil isi halaman (Fetch). Menurut pengumuman resmi, tarifnya US$0,75 per 1.000 panggilan untuk setiap endpoint. Panggilan lewat tool sisi server di DeepSeek Harness, Claude Code, dan Codex sempat digratiskan, dan penagihannya mulai berlaku 31 Oktober 2026 pukul 16.00 UTC.

Kalau agenmu sering mencari di web, masukkan biaya ini ke hitungan. Tarif token model sendiri tidak disebut berubah di pengumuman 1017, jadi cek halaman harga resmi DeepSeek untuk angka terbaru.

Apakah bisa dijalankan sendiri?

Secara lisensi, bisa. Secara perangkat keras, ini model besar. Kartu model memberi contoh serving dengan vLLM dan SGLang, serta menunjuk ke versi terkuantisasi untuk llama.cpp, Ollama, dan LM Studio. Kebutuhan perangkat keras tidak dirinci di kartu model.

Untuk sebagian besar usaha kecil, jalur paling masuk akal tetap API. Menjalankan model sebesar ini sendiri baru masuk akal bila ada alasan kuat, misalnya data tidak boleh keluar dari server sendiri. Kalau kamu baru mulai menimbang model terbuka, baca dulu beda open source, open-weight, dan model tertutup, lalu lihat daftar model AI open-weight yang bisa dijalankan sendiri untuk pilihan yang lebih ringan. Panduan menjalankan LLM di server sendiri dengan Ollama cocok sebagai titik awal praktik.

Apa yang perlu kamu lakukan sekarang?

Bila sudah memakai API DeepSeek, tiga hal ini cukup:

1. Jalankan ulang uji alur utama aplikasimu, terutama yang memproses keluaran JSON atau format tetap.
2. Perhatikan panjang jawaban. Jawaban lebih pendek bisa menghemat token, tetapi pastikan informasi penting tidak ikut terpotong.
3. Periksa tagihan bila agenmu memakai tool Search atau Fetch, karena panggilan itu kini berbayar.

Bila belum memakai DeepSeek, versi 1017 layak dicoba untuk tugas coding dan agen, dengan catatan kamu tetap membandingkan hasilnya di data dan kasusmu sendiri.