DeepSeek baru saja melepas DeepSeek-V4.1-Flash-1017, versi open-weight dari keluarga V4.1-Flash. Beberapa fakta penting dari rilis ini:
Arsitektur baru: Causal Encoder-Decoder (CED). V4.1-Flash adalah model pertama DeepSeek yang dibangun di atas arsitektur CED, bukan pure decoder-only ala transformer klasik. Dampaknya: model lebih murah untuk inferensi, tapi tetap mempertahankan kualitas reasoning.
763B parameter, sparse MoE. Model ini adalah sparse mixture-of-experts dengan 763B total parameter, tapi hanya sebagian yang aktif per token. Artinya biaya inferensi jauh lebih rendah dibanding model dense ukuran sama.
Native multimodal. Versi 1017 (dirilis 17 Oktober 2026) menambahkan kemampuan memahami gambar. Ini penting karena banyak model open-weight di kelas 700B belum mendukung visual secara native.
Dipakai di Hugging Face. Model sudah tersedia di deepseek-ai/DeepSeek-V4.1-Flash-1017 dan masuk perbandingan harga di OpenRouter. Ada juga opsi deployment di 2.000 GPU + storage cluster, yang menurut DeepSeek terbuka untuk diskusi.
Konteks: hari yang sama OpenAI juga rilis GPT-6.1 Terra
Menurut briefing AIBriefs (31 Oktober 2026), OpenAI merilis GPT-6.1 Terra fokus pada fast, cheap computer use. DeepSeek V4.1-Flash adalah respons kompetitif di sisi open-weight — model yang bisa di-self-host, bukan cuma dipanggil via API.
Untuk praktisi
Kalau kamu sedang evaluasi model open-weight di kelas 700B+:
- Cek V4.1-Flash-1017 di Hugging Face sebelum GPT-6.1 Terra.
- Perbandingan biaya inferensi vs GPT-6.1 Terra di OpenRouter.
- Untuk deployment on-prem, siapkan 2.000 GPU + storage cluster — DeepSeek menerima diskusi.
DeepSeek konsisten dengan strategi open-weight. Ini penting karena setiap rilis besar DeepSeek langsung mengubah harga pasar model LLM.