DeepSeek-V4.1-Flash fait bondir son score Terminal-Bench de 31,2 à 42,3 dans ses tests

Un modèle de programmation qui obtient de meilleurs scores tout en produisant des réponses plus courtes : c’est la promesse de DeepSeek-V4.1-Flash-1017, déployé le 17 octobre 2026. L’entreprise chinoise revendique des progrès marqués sur plusieurs évaluations orientées développement logiciel, sans modifier ni l’accès au service ni ses tarifs.

Un bond notable sur les tests de programmation

DeepSeek a publié cette nouvelle version sur son site, dans son application et via son API. Le modèle succède à une version précédente de Flash et vise principalement les usages de programmation assistée, notamment les tâches exécutées depuis un terminal et les travaux d’ingénierie logicielle nécessitant plusieurs étapes.

Le résultat le plus spectaculaire concerne Terminal-Bench 4.0. Le score communiqué par DeepSeek passe de 31,2 à 42,3, soit un gain de 11,1 points. En valeur relative, cela représente une progression d’environ 35,6 % par rapport au score précédent.

Sur DeepSWE v1.1, l’amélioration est plus mesurée, mais reste positive : le score passe de 74,2 à 77,0, soit 2,8 points supplémentaires. Ces deux évaluations ne mesurent pas exactement la même chose. Terminal-Bench s’intéresse à la capacité d’un modèle à accomplir des tâches dans un environnement en ligne de commande, tandis que DeepSWE vise davantage les scénarios d’ingénierie logicielle et de résolution de problèmes liés au code.

Ces résultats suggèrent un modèle plus à l’aise avec les tâches longues, les manipulations de fichiers, l’exécution de commandes et les corrections successives. Ce sont précisément les situations où un assistant de programmation doit dépasser la simple génération d’un extrait de code pour inspecter un projet, comprendre son état, modifier plusieurs éléments et vérifier le résultat.

Des performances encore difficiles à comparer

Une réserve s’impose toutefois : ces chiffres sont ceux publiés par DeepSeek. Ils ne proviennent pas, à ce stade, d’une évaluation indépendante. La comparaison est donc utile pour mesurer le progrès revendiqué entre deux versions, mais elle ne suffit pas à établir un classement définitif face aux modèles concurrents.

La méthodologie de test, les paramètres utilisés, le nombre de tentatives et le traitement des erreurs peuvent influencer fortement les résultats sur des tâches dites agentiques. Dans ce type d’évaluation, le modèle ne se contente pas de répondre en langage naturel : il doit planifier des actions, utiliser des outils et parfois récupérer une erreur avant de poursuivre.

Les scores de DeepSeek indiquent une direction claire, mais devront être confrontés à des reproductions externes et à des tests en conditions réelles. Un modèle performant sur un jeu de tâches peut se montrer moins fiable dans un dépôt logiciel complexe, avec des dépendances particulières ou des consignes ambiguës.

Une exécution annoncée comme plus rapide et plus courte

DeepSeek affirme également que DeepSeek-V4.1-Flash-1017 réduit le temps d’exécution et la longueur de ses réponses. L’enjeu est important pour les assistants de programmation : la qualité du code ne suffit pas si chaque interaction impose une longue attente ou génère des volumes de texte inutiles.

Des réponses plus courtes peuvent diminuer le nombre de tokens consommés et accélérer le traitement, en particulier dans les flux où le modèle enchaîne plusieurs appels à des outils. Pour un agent qui doit parcourir des fichiers, lancer des tests et analyser des sorties de terminal, chaque étape supplémentaire peut augmenter la latence globale.

L’annonce ne fournit cependant pas, dans les éléments disponibles, de mesure détaillée permettant de traduire cette promesse en millisecondes économisées ou en réduction précise de consommation. Il est donc impossible d’estimer directement le gain financier pour une équipe qui utilise l’API à grande échelle.

Cette distinction compte : une baisse de la longueur des réponses peut réduire les coûts côté infrastructure, mais elle ne modifie pas automatiquement la facture du client. Or DeepSeek indique que les tarifs restent inchangés. Le bénéfice immédiat pourrait donc prendre la forme d’un meilleur rapport entre performance, temps de réponse et volume consommé, sans baisse nominale du prix par requête.

Une mise à jour sans friction pour les utilisateurs

Le déploiement sur les trois canaux principaux — site web, application et API — limite les obstacles à l’adoption. Les utilisateurs existants n’ont pas à basculer vers une nouvelle formule ni à modifier leur mode d’accès. Pour les développeurs, la continuité de l’API permet surtout de tester la nouvelle version sans revoir immédiatement l’architecture de leurs intégrations.

Cette stratégie présente aussi un intérêt pour DeepSeek. Une amélioration directement accessible permet de mesurer plus rapidement l’usage réel du modèle, en particulier sur les environnements de développement où la latence et la fiabilité comptent autant que les scores de référence.

Le positionnement est néanmoins délicat. Les gains les plus importants apparaissent sur Terminal-Bench, tandis que la progression est plus limitée sur DeepSWE. Cela peut signaler une amélioration ciblée sur l’exécution d’actions et la gestion d’environnements de terminal, plutôt qu’une hausse uniforme de toutes les capacités de programmation.

Le prochain test sera celui des projets réels

Dans les usages professionnels, la question ne sera pas seulement de savoir si le modèle produit davantage de code correct. Il faudra mesurer son taux de réussite sur des dépôts existants, le nombre d’interventions humaines nécessaires, la fréquence des régressions et le coût total d’une tâche terminée.

Le modèle devra aussi démontrer qu’il conserve ses performances lorsque les consignes sont incomplètes, que les tests échouent ou que le projet comporte une documentation lacunaire. Ces contraintes sont rarement reflétées intégralement par un score unique.

Pour l’instant, DeepSeek-V4.1-Flash-1017 présente un profil prometteur sur le papier : +11,1 points sur Terminal-Bench 4.0, +2,8 points sur DeepSWE v1.1, et une exécution annoncée comme plus concise et plus rapide. Le prochain jalon concret sera la publication de mesures indépendantes sur la latence, la consommation de tokens et la réussite de tâches de développement dans des projets réels. C’est à cette étape que l’écart entre performance déclarée et gain opérationnel pourra être établi.