Terminal-Bench e DeepSWE: V4.1 Flash batte i modelli frontier nei compiti agentici

La scheda di DeepSeek-V4.1-Flash confronta i modelli frontier Opus-5.0, GPT-5.6 Sol, K3 e GLM-5.3 con due predecessori della famiglia: DeepSeek-V4-Pro e DeepSeek-V4-Flash. Tutte le misurazioni sono state effettuate con il massimo sforzo di ragionamento.

Nel ragionamento, V4.1-Flash ottiene 90,9 punti su GPQA Diamond. I concorrenti si posizionano leggermente più in alto: GPT-5.6 Sol a 94,1, Opus-5.0 a 93,4, K3 a 92,9, mentre GLM-5.3 si ferma a 88,1. Nella valutazione Codeforces, il modello registra un rating di 3471, nettamente sopra DeepSeek-V4-Pro (3348) e DeepSeek-V4-Flash (3289).

Dove contano gli agenti

Sui compiti agentici il quadro si capovolge. Su Terminal-Bench 2.1, V4.1-Flash totalizza 90,6 punti, il valore più alto dell'intera tabella, davanti a Opus-5.0 (89,1), GPT-5.6 Sol (88,8), K3 (88,3) e GLM-5.3 (88,2). Su DeepSWE v1.1, che misura la risoluzione di compiti di programmazione reali, il modello raggiunge 74,2 contro 74,0 di Opus-5.0, 73,0 di GPT-5.6 Sol, 67,5 di K3 e 66,9 di GLM-5.3.

Le versioni più recenti del test offrono un quadro più severo. Su Terminal-Bench 3.0, il modello si attesta a 30,0 punti, contro 43,3 di Opus-5.0 e 34,4 di GPT-5.6 Sol. Su Terminal-Bench 4.0, il punteggio è 31,2, contro 51,8 di Opus-5.0 e 39,9 di GPT-5.6 Sol. In questi due set più difficili, il vantaggio dei modelli americani è netto e vale una dozzina di punti.

L'harness sposta il risultato di 8 punti

DeepSeek pubblica anche i risultati di V4.1-Flash con diversi scaffold agentici. Su DeepSWE v1.1, lo stesso modello ottiene 74,2 con l'harness mini-SWE, 72,6 con DSH Minimal, 70,5 con DSH Standard e 67,6 con DSH PTC. Negli scaffold esterni, i punteggi sono 69,8 con Claude Code, 66,2 con Pi, 65,6 con Codex e 65,5 con OpenCode. Una forbice di quasi 9 punti a parità di pesi dimostra che oggi il risultato di un agente dipende non solo dal modello, ma anche dallo strato che lo avvolge.

In altre categorie, V4.1-Flash raggiunge 88,1 punti su CyberGym e 54,8 su AutomationBench, e con gli strumenti 63,9 su HLE. La stessa tabella evidenzia un salto generazionale netto all'interno della famiglia: su Terminal-Bench 4.0, DeepSeek-V4-Pro aveva 12,4 punti e V4-Flash 7,0. V4.1-Flash ha portato quel risultato a 31,2, più del doppio, con 8 miliardi di parametri attivi in ingresso.

Il servizio indipendente Artificial Analysis riporta per lo stesso modello due modalità: ragionamento massimo con indice di intelligenza 39 e modalità senza ragionamento con indice 25. Il confronto tra due metodologie del tutto diverse mostra con quanta cautela vanno letti i singoli ranking.