La última vez que la familia Flash de DeepSeek apareció en esta página, el titular era lo pequeña que podía volverse: un modelo de 284.000 millones de parámetros, comprimido hasta unos 103 GB, funcionaba en un Mac bien equipado. El nuevo Flash es otro animal muy distinto, y fingir lo contrario sería como analizar una furgoneta de reparto como si siguiera siendo una moto.
DeepSeek-V4.1-Flash llegó el 10 de septiembre de 2026 como el miembro más pequeño de una nueva familia arquitectónica con comprensión nativa de imágenes. El 17 de octubre, DeepSeek publicó la actualización 1017, que califica de menor: mejores puntuaciones en razonamiento, programación y visión, respuestas más cortas y tareas más rápidas. Los pesos son públicos bajo licencia MIT. El checkpoint almacenado ronda los 763.000 millones de parámetros según el tamaño de los archivos en Hugging Face, y la documentación de lanzamiento que revisamos no ofrece tamaños oficiales cuantizados. El consejo de la propia DeepSeek es directo: para lograr una velocidad práctica hacen falta cientos de gigabytes de VRAM o de memoria unificada.
«Flash» sigue significando algo real, pero ya no significa pequeño. Artificial Analysis atribuye a la base de septiembre 552.000 millones de parámetros totales con unos 16.000 millones activos por token. En un modelo de mezcla de expertos (MoE), un enrutador elige unas pocas subredes especialistas para cada palabra, de modo que cada paso individual requiere poco cálculo. Aun así, toda la biblioteca tiene que caber en la estantería. Un modelo con 16B de parámetros activos corre deprisa si el edificio es lo bastante grande; simplemente no entra en un edificio pequeño.
¿Qué obtienes a cambio de ese hardware? La tabla de lanzamiento de DeepSeek sitúa al modelo en 77,0 en DeepSWE v1.1, 60,5 en Automation-Bench, 35,4 en Agents’ Last Exam y 72,1 en Apex, por delante de Claude Opus 5, GPT-5.6 Sol y GLM-5.3 en cada una de esas pruebas. Queda por detrás de Opus 5 en Terminal-Bench 4.0, ProgramBench, NL2Repo y Humanity’s Last Exam. Todo ello ha sido ejecutado por DeepSeek. Que un proveedor elija su propio entorno de pruebas es como que un alumno corrija su propio examen: el esfuerzo puede ser honesto, pero aun así quieres un segundo corrector.
Ese segundo corrector solo ha llegado a medias. Artificial Analysis midió el checkpoint de septiembre en 39 puntos dentro de su Intelligence Index, tres puntos por debajo de GLM-5.3-Flash en la misma versión del índice. La actualización 1017 aún no cuenta con mediciones independientes en el momento de escribir esta reseña, así que la expectativa razonable es encontrarnos ante un modelo más fuerte en tareas de agente que el de septiembre, pero cuyo liderazgo en inteligencia general todavía está por demostrar.
Eso deja un encaje estrecho pero nítido. Si administras un clúster privado de GPU, quieres una licencia MIT sin cláusulas a medida, necesitas un modelo capaz de leer imágenes y documentos largos y dispones del tiempo de ingeniería para validar una versión cuantizada en tus propias tareas, esta es una opción seria. Si trabajas con una sola estación de trabajo, mira primero Qwen3.8-27B. Y si lo único que buscas son tokens baratos y la privacidad no es el objetivo, la API alojada a $0,15–$0,30 de entrada y $0,60–$1,20 de salida por millón de tokens según la hora es la puerta más sencilla, teniendo presente que tus datos viajan a DeepSeek.
El resumen sincero: es un modelo más capaz que aquel al que sustituye, y también uno más difícil de poseer. Nuestra puntuación baja porque la categoría de IA Local / Privada pregunta quién puede ejecutar realmente la herramienta en casa, y para este checkpoint la respuesta abarca a menos gente que antes.
