Présentation du modèle

DeepSeek V4.1 Flash 1017 (Max) est un modèle à poids ouvert qui accepte du texte et des images en entrée et ne produit que du texte en sortie. Il dispose d’une fenêtre contextuelle de 1 million de tokens, ce qui le place parmi les modèles les plus capables de gérer de longs dialogues ou des documents volumineux. La description officielle le classe comme « rapide » tout en soulignant une tendance à la verbosité.

Performances et métriques

Sur l’Artificial Analysis Intelligence Index, le modèle obtient un score de 45, nettement supérieur à la médiane de 19 observée chez les modèles de même catégorie. Cette supériorité s’accompagne d’une production de 210 M tokens lors de l’évaluation, contre 140 M tokens en moyenne, ce qui confirme la remarque sur son caractère très verbeux. En termes de vitesse, DeepSeek V4.1 Flash 1017 (Max) traite 230 tokens par seconde, un taux classé à 78 dans le tableau comparatif, le positionnant comme l’un des modèles les plus rapides du segment open‑weight.

Coût et efficacité économique

Le modèle est facturé à 0,30 $ / 1 M tokens d’entrée, légèrement inférieur au prix médian de 0,43 $. La sortie coûte 1,20 $ / 1 M tokens, également en dessous du médian de 1,68 $. En combinant les deux flux selon le ratio d’entrée/sortie utilisé par l’étude (3 : 1), le coût moyen d’une tâche d’évaluation s’élève à 0,26 $. Cette tarification place le modèle dans la fourchette $0,15–$1 / 1 M tokens, ce qui le rend « modérément » cher mais compétitif par rapport aux alternatives open‑weight de taille comparable.

Limites et perspectives

La verbosité élevée, illustrée par la génération de 210 M tokens, peut entraîner des coûts d’inférence supérieurs à ceux d’un modèle plus concis, surtout dans des scénarios à forte demande de sortie. De plus, l’étude ne précise pas le nombre exact de paramètres du modèle, ce qui empêche une comparaison fine avec les classes Tiny, Small, Medium ou Large. Enfin, l’analyse se base sur des métriques agrégées (indice d’intelligence, vitesse) sans détailler les performances sur des tâches de raisonnement spécifiques, limitant l’évaluation de la capacité du modèle à résoudre des problèmes complexes.