DeepSeek V4 Flash 0731: 82,7 på Terminal Bench, MIT-lisens og åpne vekter

82,7 mot 61,8. Det er DeepSeeks egne tall for hvor mye V4 Flash flyttet seg på Terminal Bench 2.1 fra forhåndsversjonen til den ferdige 0731-utgaven, som ble lagt ut på Hugging Face 31. juli. Modellkortet beskriver den som den offisielle V4 Flash med «betydelig forbedrede agent-egenskaper», og den avløser preview-versjonen mange allerede har testet.

Løftet er størst der agenter faktisk måles. DeepSWE går fra 7,3 til 54,4, Cybergym fra 38,7 til 76,7 og Toolathlon-Verified fra 49,7 til 70,3. På Terminal Bench 2.1 legger DeepSeek seg over GLM-5.2 på 81,0 og under Opus-4.8 på 85,0. Tallene er DeepSeeks egne og målt med selskapets eget agentoppsett, så de bør leses som en retningsangivelse, ikke som et nøytralt oppgjør.

«Prisen på $0,14 per million input og $0,27 per million output betyr at dette kanskje er modellen som gir mest intelligens per krone akkurat nå.» — Simon Willison

Willison peker samtidig på at Artificial Analysis rangerer 0731 foran MiniMax M3, en modell på 428 milliarder parametere, mens V4 Flash ifølge ham er på 304 milliarder og legger beslag på 167 GB på Hugging Face. Vektene ligger under MIT-lisens, så du kan hoste dem selv om du har maskinvaren. DeepSeeks egen vLLM-oppskrift kjører modellen på en node med fire GB300-kort, hvilket plasserer den utenfor rekkevidde for hjemmelaben og innenfor for en leid GPU-node.

To detaljer i modellkortet er verdt å merke seg før du kobler den inn i noe. Utgivelsen har ingen Jinja-mal for chat, og DeepSeek leverer i stedet en egen encoding-mappe med Python-skript som gjør OpenAI-formatert meldingshistorikk om til input-strenger. Bygger du på et rammeverk som forventer en chat-mal, må du håndtere det selv. Modellen har også fått en speculative decoding-modul kalt DSpark, som skrus på med et enkelt flagg i vLLM.

Parameteren reasoning_effort har nå tre nivåer: low, high og max. Willison beskriver resultatet fra standardnivået som skuffende i sin egen pelikan-test, mens svaret ble merkbart bedre da han satte nivået til high gjennom OpenRouter. DeepSeek anbefaler temperatur 1,0 og top_p 0,95 for agentbruk, og en maksimal svarlengde på 384 000 tokens når du kjører på high eller max.

For deg som bygger er det prisen kombinert med lisensen som betyr noe. En modell som er konkurransedyktig på terminal- og verktøyoppgaver til under en tredjedels dollar per million output-tokens endrer regnestykket for agenter som kjører i loop, der tokenforbruket løper. At vektene er MIT-lisensierte gir deg en utvei hvis API-prisen endrer seg eller tilgangen forsvinner.

Hva bør du gjøre?

1. Sett reasoning_effort til high før du konkluderer om kvaliteten. Standardnivået gir et dårligere inntrykk enn modellen fortjener.
2. Test den mot dine egne verktøykall før du bytter. Benchmarkene er kjørt med DeepSeeks eget agentoppsett, ikke ditt.
3. Planlegg for encoding-mappen hvis du kjører vektene selv. Uten Jinja-mal må meldingsformateringen inn i din egen kode.