La dernière fois que la gamme Flash de DeepSeek figurait sur cette page, son principal argument était sa compacité : un modèle de 284 milliards de paramètres, ramené à environ 103 Go, tournait sur un Mac bien équipé. Le nouveau Flash est un tout autre animal, et faire semblant du contraire reviendrait à tester une camionnette de livraison comme s’il s’agissait encore du scooter.
DeepSeek-V4.1-Flash est arrivé le 10 septembre 2026 comme le plus petit membre d’une nouvelle famille d’architectures dotée d’une compréhension native des images. Le 17 octobre, DeepSeek a publié la mise à jour 1017, qualifiée de mineure : meilleurs scores en raisonnement, programmation et vision, sorties plus courtes, exécution plus rapide. Les poids sont publics sous licence MIT. Le checkpoint stocké représente environ 763 milliards de paramètres d’après la taille des fichiers sur Hugging Face, et la documentation de lancement que nous avons consultée n’indique aucune taille officielle après quantification. Le conseil de DeepSeek est direct : obtenir une vitesse exploitable demande des centaines de gigaoctets de VRAM ou de mémoire unifiée.
« Flash » veut toujours dire quelque chose de concret, mais plus « petit ». Artificial Analysis crédite la base de septembre de 552 milliards de paramètres au total pour environ 16 milliards actifs par token. Dans un modèle à mélange d’experts (MoE), un routeur sélectionne quelques sous-réseaux spécialisés pour chaque mot, si bien que chaque étape de calcul reste légère. Mais toute la bibliothèque doit quand même tenir sur les étagères. Un modèle à 16B paramètres actifs répond vite si le bâtiment est assez vaste ; il ne rentre tout simplement pas dans un bâtiment plus modeste.
Qu’obtient-on en échange de ce matériel ? Le tableau de lancement de DeepSeek place le modèle à 77,0 sur DeepSWE v1.1, 60,5 sur Automation-Bench, 35,4 sur Agents’ Last Exam et 72,1 sur Apex, devant Claude Opus 5, GPT-5.6 Sol et GLM-5.3 sur chacune de ces lignes. Il reste derrière Opus 5 sur Terminal-Bench 4.0, ProgramBench, NL2Repo et Humanity’s Last Exam. L’ensemble a été exécuté par DeepSeek. Qu’un éditeur choisisse son propre environnement d’évaluation ressemble à un étudiant qui corrigerait lui-même sa copie : le travail a beau être honnête, on préfère tout de même l’avis d’un second correcteur.
Ce second correcteur n’a rendu son verdict qu’en partie. Artificial Analysis a mesuré le checkpoint de septembre à 39 sur son Intelligence Index, trois points sous GLM-5.3-Flash sur la même version de l’indice. La mise à jour 1017 n’ayant pas encore fait l’objet d’une mesure indépendante au moment où nous écrivons ces lignes, on peut raisonnablement s’attendre à un modèle plus performant sur les tâches d’agent qu’en septembre, mais dont la supériorité en intelligence générale reste à démontrer.
Le créneau d’usage est donc étroit mais limpide. Si vous exploitez un cluster GPU privé, souhaitez une licence MIT sans clauses sur mesure, avez besoin d’un modèle capable de lire des images et de longs documents, et disposez du temps d’ingénierie requis pour valider une version quantifiée sur vos propres tâches, c’est une option sérieuse. Si vous n’avez qu’une seule station de travail, regardez d’abord Qwen3.8-27B. Et si vous cherchez simplement des tokens bon marché sans que la confidentialité soit l’enjeu, l’API hébergée à $0,15–$0,30 en entrée et $0,60–$1,20 en sortie par million de tokens selon l’heure reste la porte d’entrée la plus simple — avec la réserve que vos données partent chez DeepSeek.
En résumé : le modèle est plus puissant que celui qu’il remplace, mais aussi plus lourd à posséder. Notre note baisse parce que la catégorie IA locale / privée pose une question pragmatique — qui peut réellement faire tourner l’outil chez soi ? — et que, pour ce checkpoint, la réponse concerne moins de monde qu’auparavant.
