De nieuwste release van DeepSeek heeft een nieuwe onderscheiding verdiend. Het model DeepSeek-V4.1-Flash-20261017 is nu het hoogstgenoteerde open model op Arena.ai's Code Arena WebDev-ranglijst en haalde Kimi K3 (Max) in, tegenroughly een tiende van de kosten.

Wat de ranglijst laat zien

Arena.ai publiceerde de bijgewerkte ranglijst op 18 oktober 2026. De nieuwe DeepSeek-build scoorde 1670 punten op Code Arena WebDev, wat neerkomt op plaats #1 onder open modellen en #12 in het algemeen. De ranglijst omvat agentische en front-end codeertaken.

Kimi K3 (Max), het model dat van de eerste plaats onder de open modellen is verdrongen, kost naar schatting van Arena.ai ongeveer 10 keer meer om te draaien. Het platform omschreef de release ook als een verschuiving van de performance-kosten-Pareto-grens voor open modellen in workflows — met andere woorden, de afweging tussen wat een model levert en wat het kost om te draaien.

Een puntrelease met bovengemiddelde winst

De build van 17 oktober is technisch gezien een kleine update, die het DeepSeek-model uit september 2026 opfrist. Klein betekent in dit geval nog steeds beter op elke benchmark die DeepSeek noemt. Vergelijkingen met de septemberversie:

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

Terminal-Bench 4.0 liet de grootste sprong van de drie zien, met een stging van 11,1 punten.

Onder de motorkap

Het model is gebouwd op een Mixture-of-Experts-ontwerp, een architectuur waarbij slechts een subset van de parameters wordt geactiveerd voor een bepaalde taak. De ruggengraat telt 552 miljard parameters, met daarbovenop nog eens 196 miljard Engram-parameters, maar het model activeert niet alles tegelijk. Omdat de rekenkracht voor inferentie schaalt met actieve in plaats van totale parameters, houdt deze sparse opzet het werk achter elke gegenereerde token in lijn met een veel kleiner netwerk.

Tijdens de prefill, de fase waarin het model de invoer leest en verwerkt, zijn 8 miljard parameters actief. Tijdens de decoding, wanneer het uitvoer genereert, loopt dat aantal op tot 16 miljard.

Andere genoemde kenmerken zijn een Causal Encoder-Decoder-structuur, native vision (het model kan afbeeldingen als directe invoer verwerken) en KV-cache-optimalisaties die het geheugen verminderen dat nodig is om attentietoestanden op te slaan tijdens de generatie. Het contextvenster loopt op tot 1 miljoen tokens, lang genoeg om aanzienlijke codebases of uitgebreide agentsessies in één context te houden.

De gewichten zijn gepubliceerd op Hugging Face onder de MIT-licentie, een permissieve licentie die commercieel gebruik, modificatie en herdistribution toestaat — het praktische verschil tussen een model dat teams op eigen infrastructuur kunnen draaien en aanpassen en een model dat alleen via een API toegankelijk is. Voor ontwikkelaars die liever niet zelf hosten, is DeepSeek's API geprijsd op $0,30 per miljoen invoertokens en $1,20 per miljoen uitvoertokens op piekmomenten.

Achtergrond: DeepSeek's aanpak

DeepSeek, formeel Hangzhou DeepSeek, is een Chinees AI-lab dat zijn identiteit heeft opgebouwd rond open-weight modellen. De V4.1-familie richt zich specifiek op kostenefficiënt agentisch coderen.

Wat dit betekent voor ontwikkelaars

De meest directe impact merken engineeringteams die kiezen welk model ze in hun tooling opnemen. Een model dat #12 staat in het algemeen, tegen zowel open als gesloten concurrenten, en $0,30 per miljoen invoertokens rekent, is een kostenconcurrerende optie voor coderingsworkloads.

De ranglijstpositie betekent ook dat er nog 11 modellen boven het model staan. De absolute top van de ranglijst blijft voorlopig buiten bereik. De volgende update van Arena.ai's ranglijst zal uitwijzen of de build van 17 oktober de leidende positie onder de open modellen kan behouden.