La dernière version de DeepSeek s'est offert un nouveau titre. Le modèle DeepSeek-V4.1-Flash-20261017 est désormais le modèle ouvert le mieux classé du leaderboard Code Arena WebDev d'Arena.ai, en dépassant Kimi K3 (Max) tout en fonctionnant à environ un dixième du coût.

Ce que montre le classement

Arena.ai a publié le classement mis à jour le 18 octobre 2026. La nouvelle version de DeepSeek a obtenu 1670 points sur Code Arena WebDev, la plaçant 1re parmi les modèles ouverts et 12e au classement général. Le classement couvre les tâches de codage agentiques et front-end.

Kimi K3 (Max), le modèle détrôné en tête du classement des modèles ouverts, devrait coûter environ 10 fois plus cher à exécuter, selon Arena.ai. La plateforme a également présenté cette version comme un déplacement de la frontière de Pareto performance-coût pour les modèles ouverts dans les workflows — autrement dit, le compromis entre ce qu'un modèle délivre et ce qu'il coûte à exécuter.

Une version mineure aux gains démesurés

La version du 17 octobre est techniquement une mise à jour mineure, qui actualise le modèle DeepSeek lancé en septembre 2026. Mineure, en l'occurrence, signifie tout de même une amélioration sur tous les benchmarks listés par DeepSeek. Les comparaisons avec la version de septembre incluent :

• DeepSWE v1.1 : 77,0, contre 74,2
• Terminal-Bench 4.0 : 42,3, contre 31,2
• Automation-Bench : 60,5, contre 54,8

Terminal-Bench 4.0 affiche la plus forte progression des trois, avec un gain de 11,1 points.

Sous le capot

Le modèle repose sur une architecture Mixture-of-Experts, une conception dans laquelle seul un sous-ensemble de paramètres est activé pour chaque tâche. Le backbone compte 552 milliards de paramètres, auxquels s'ajoutent 196 milliards de paramètres Engram, mais le modèle ne les active pas tous simultanément. Comme le calcul d'inférence dépend des param actifs plutôt que du total, cette configuration creuse permet de maintenir le travail derrière chaque token généré au niveau d'un réseau bien plus petit.

Pendant le prefill, l'étape où le modèle lit et traite l'entrée, 8 milliards de paramètres sont actifs. Lors du décodage, quand il génère la sortie, ce chiffre monte à 16 milliards.

Les autres caractéristiques listées incluent une structure Causal Encoder-Decoder, la vision native (le modèle peut prendre des images en entrée directe) et des optimisations du cache KV qui réduisent la mémoire nécessaire au stockage des états d'attention pendant la génération. La fenêtre de contexte atteint 1 million de tokens, soit assez pour contenir des bases de code conséquentes ou de longues sessions d'agents dans un contexte unique.

Les poids sont publiés sur Hugging Face sous licence MIT, une licence permissive autorisant l'usage commercial, la modification et la redistribution — la différence concrète entre un modèle que les équipes peuvent exécuter et modifier sur leur propre infrastructure et un modèle accessible uniquement via une API. Pour les développeurs qui ne souhaitent pas auto-héberger, l'API de DeepSeek est tarifée à 0,30 $ par million de tokens d'entrée et 1,20 $ par million de tokens de sortie en période de pointe.

Contexte : la stratégie de DeepSeek

DeepSeek, officiellement Hangzhou DeepSeek, est un laboratoire d'IA chinois qui a bâti son identité autour des modèles à poids ouverts. Sa famille V4.1 mise spécifiquement sur le codage agentique à coût maîtrisé.

Ce que cela signifie pour les développeurs

L'impact le plus direct concerne les équipes d'ingénierie qui choisissent le modèle à intégrer dans leur outillage. Un modèle classé 12e au classement général, face à des concurrents ouverts comme fermés, tout en facturant 0,30 $ par million de tokens d'entrée, constitue une option compétitive en coût pour les charges de travail de codage.

Ce classement signifie également que 11 modèles restent devant lui. Le sommet du classement demeure hors de portée pour l'instant. La prochaine mise à jour du leaderboard d'Arena.ai dira si la version du 17 octobre conserve la première place des modèles ouverts qu'elle vient de prendre.