For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/ko/articles/deepseek-v4-1-flash-1017-coding-benchmark-81aa0890.md.
DeepSeek이 V4.1 Flash를 **DeepSeek-V4.1-Flash-1017**로 업그레이드했으며, 새 버전은 웹사이트, 앱 및 API에서 사용할 수 있습니다. 개발자는 기존 `deepseek-flash` 모델명을 계속 사용할 수 있습니다....
DeepSeek이 V4.1 Flash를 DeepSeek-V4.1-Flash-1017로 업그레이드했으며, 새 버전은 웹사이트, 앱 및 API에서 사용할 수 있습니다. 개발자는 기존 deepseek-flash 모델명을 계속 사용할 수 있습니다. 10월 업데이트로 API 호출 방식이나 모델 토큰 가격은 변경되지 않았습니다.
이번 발표는 더 짧은 출력과 줄어든 작업 실행 시간에 더해 코딩 및 에이전트 성능이 향상된 점을 강조합니다. DeepSeek은 모델 가중치도 공개하고, 별도의 Search 및 Fetch API도 사용할 수 있도록 했습니다.
출처에서는 애플리케이션이나 장면을 설명하고 에이전트가 작동하는 프로토타입을 구축하도록 하는 ‘바이브 코딩’을 통해 업데이트를 소개합니다. 이 사례들은 시연이므로, 선정된 사례에서 만들어진 결과를 보여줄 뿐 모든 프로젝트에서 한 번의 프롬프트만으로 같은 결과를 보장하지는 않습니다.
첫 번째 사례는 자금성의 3차원 장면입니다. 시연에서는 높은 시점과 낮은 카메라 각도를 오가며, 이동 가능한 환경에서 안뜰, 문, 주변 부지와 건축 세부 사항을 보여줍니다.
원문 보도에 재현된 DeepSeek 시연.
다음은 브라우저에서 실행되는 레이싱 게임입니다. 소개된 흐름에는 자동차 선택, 경주 시작, 네온 불빛이 비치는 도시 주행, 결과 화면 확인이 포함됩니다. 보도에 따르면 차량 외부 시점과 차내 시점 사이를 전환하는 기능도 구현되어 있습니다.
이어 Godot 기반의 포털(Portal)에서 영감을 얻은 시연이 등장합니다. 1인칭 시점의 테스트 공간, 환경 내 이동, 상호작용 객체, 포털과 유사한 요소를 보여줍니다. 이는 시연된 프로토타입으로 이해해야 하며, Valve 게임의 공식 라이선스 출시작은 아닙니다.
네 번째 사례인 Valley of Ages는 여러 역사적 시대에 따라 변화하는 정착지를 보여줍니다. 같은 강변 풍경을 배경으로 건물과 기반 시설이 발전하며, 초기 정착지에서 산업화 시대와 현대 도시의 모습으로 바뀝니다.
출처는 처음부터 프로젝트를 구축하는 능력의 향상을 자기 피드백을 활용한 강화 학습의 결과로 설명합니다. 이 기사에서 검토한 공식 변경 로그와 모델 카드에서는 기능 업데이트를 확인할 수 있지만, 해당 학습 과정에 대한 전체 설명은 제공하지 않습니다. 따라서 구체적인 학습 방식에 대한 설명은 보도에 인용된 내용으로 한정됩니다.
이 사례들은 유용한 개발 패턴을 보여줍니다. 실행 가능한 프로토타입을 살펴본 뒤 동작과 표현 방식을 수정하는 것입니다. 일부 시연 사례만으로 실제 운영에 사용할 준비가 되었는지, 제3자 에셋을 사용할 권리가 있는지, 최종 결과에 사람의 반복 작업이 얼마나 들어갔는지를 판단할 수는 없습니다.
공식 비교 자료는 추론, 코딩, 에이전트 및 시각 작업 전반의 성능 향상을 보고합니다. 다음 표는 모델 카드에 기재된 이전 버전과 새 버전의 결과를 그대로 보여줍니다.
| 벤치마크 | 이전 V4.1 Flash | V4.1 Flash 1017 |
|---|---|---|
| HLE, 도구 미사용 | 36.8 / 텍스트 전용 39.1 | 42.6 / 텍스트 전용 44.0 |
| Terminal-Bench 4.0 | 31.2 | 42.3 |
| DeepSWE v1.1 | 74.2 | 77.0 |
| ProgramBench | 20.3 | 29.1 |
| NL2Repo-Bench | 65.4 | 68.2 |
| Automation-Bench v1.0.6 | 54.8 | 60.5 |
| Agents' Last Exam | 31.8 | 35.4 |
| Apex Bench v1.1 | 64.6 | 72.1 |
| Chartography, 도구 사용 | 78.9 | 83.0 |
| BabyVision, 도구 사용 | 89.6 | 92.5 |
| ZeroBench-main, 도구 사용 | 49.0 | 51.0 |
HLE의 텍스트 전용 값은 일부 하위 집합에 해당하므로 전체 벤치마크 점수와 혼동해서는 안 됩니다. DeepSeek에 따르면 Terminal-Bench 4.0은 Claude Code 하네스를, DeepSWE v1.1은 Mini-SWE-V2를 사용했으며, ZeroBench-main은 Pass@5를 사용했습니다.
원문 보도에 재현된 게시자의 비교 표.
DeepSeek의 비교 표에서 새 모델은 나열된 대안 모델 가운데 DeepSWE, Automation-Bench, Agents' Last Exam 및 Apex Bench에서 가장 높은 성능을 보입니다. 하지만 모든 항목에서 선두를 차지하는 것은 아닙니다. 예를 들어 표에 표시된 Opus 5의 결과는 Terminal-Bench 4.0과 ProgramBench에서 여전히 더 높습니다. 모든 최첨단 모델보다 전반적으로 뛰어나다는 주장은 이 결과가 뒷받침하는 범위를 넘어섭니다.
출처는 게시자의 비용 비교에서 DeepSWE Pass@1 결과 77%, 작업당 약 $0.20이라는 수치도 강조합니다. 같은 비교에는 GPT-6 Astra의 74% 결과도 표시되어 있습니다. 이는 특정 벤치마크와 하네스를 사용한 비교이며, 모든 소프트웨어 작업에 적용되는 일반적인 가격 또는 성능 순위는 아닙니다.
출처에 재현된 DeepSeek의 작업 비용 비교.
DeepSeek은 여러 하네스에서 이번 업데이트가 성능과 비용 간 파레토 개선을 이뤘다고 설명합니다. 즉, 실행 시간이 줄고 출력이 짧아지는 동시에 성공한 작업은 늘었다는 것입니다. 토큰 요금이 그대로여도 작업에 사용되는 토큰이나 시도 횟수가 줄면 총비용이 낮아질 수 있지만, 실제 절감액은 작업 부하에 따라 달라집니다.
아이디어를 한 문장으로 입력하면 We0 AI가 쇼케이스 사이트, 페이지, CMS를 생성하고 출시 후 고객과 트래픽 확보를 돕습니다.
무료 등록을 위한 하나의 완전한 프로젝트 생성
하나의 완전한 생성 흐름을 시도하고 첫 번째 프로젝트 초안을 빠르게 보는 데 가장 적합합니다.
변경 로그에서는 새 모델에 DeepSeek Harness 0.2.1-rc.1 이상을 권장합니다. 이는 해당 통합 환경에 대한 권장 사항이며, API 모델명을 변경해야 한다는 뜻은 아닙니다.
DeepSeek은 공식 Hugging Face 저장소를 통해 1017 가중치를 공개했으며, 출처에는 ModelScope 릴리스 링크도 있습니다. 공식 모델 카드에는 저장소와 모델 가중치에 MIT 라이선스가 적용된다고 명시되어 있습니다.
가중치 공개가 가벼운 로컬 배포를 뜻하는 것은 아닙니다. Hugging Face 페이지에는 총 파라미터 수가 7,630억 개로 기재되어 있으며, 저장소의 추론 및 가중치 변환 안내를 참조하도록 안내합니다. 또한 이 릴리스에는 Jinja 형식의 채팅 템플릿이 없습니다. 참조 인코더와 유지 관리되는 deepseek-recipe 도구 모음이 프롬프트 형식을 처리합니다.
모델 업데이트와 함께 DeepSeek은 웹 콘텐츠 API 두 가지도 공개했습니다.
DeepSeek은 자체 검색 엔진이 수천억 개의 페이지를 색인하고, 매일 수억 건의 요청을 처리하며, SEO 스팸, GEO 조작 및 품질이 낮은 AI 생성 콘텐츠를 걸러낸다고 설명합니다. 이는 회사가 주장하는 처리 규모 및 필터링 기능이며, 이 기사에서 독립적으로 감사를 거친 측정치는 아닙니다.
| API | 중국어 문서 | 영어 문서 | 과금 조건 |
|---|---|---|---|
| Search | 성공 요청 1,000건당 5위안 | 성공 요청 1,000건당 $0.75 | HTTP 200 응답이며 비어 있지 않은 결과 배열이 반환될 때 |
| Fetch | 성공 요청 1,000건당 5위안 | 성공 요청 1,000건당 $0.75 | HTTP 200 응답과 함께 페이지 콘텐츠가 반환될 때 |
요청 실패, 시간 초과 및 검색 결과가 없는 경우에는 과금되지 않습니다. 검색 결과 수는 요청당 가격에 영향을 주지 않으며, Search와 Fetch 요금은 모델 토큰 요금과 별도로 청구됩니다.
과금 시작일: 문서에 따르면 DeepSeek Harness, Claude Code 또는 Codex에서 DeepSeek API를 통해 실행하는 서버 측 Search/Fetch 호출은 현재 무료이며, 요청당 과금은 2026년 11월 1일 베이징 시간 00:00부터 시작됩니다. 이처럼 기간이 정해진 적용 조건을 Search API가 영구적으로 무료인 것처럼 설명해서는 안 됩니다.
공식 모델명은 기존과 동일한 deepseek-flash입니다. DeepSeek에 따르면 웹사이트, 앱 및 API가 새 버전으로 전환되었지만, 이번 업데이트에서는 호출 방식이나 모델 토큰 가격이 바뀌지 않았습니다.
DeepSeek은 평가 결과에서 실행 시간 단축, 출력 길이 감소, 성능 대비 비용 개선을 보고합니다. 하지만 총비용은 토큰 사용량, 재시도, 도구 사용 여부, 생성된 프로젝트가 실제 작업을 충족하는지에 따라 달라집니다.
예. 공식 Hugging Face 모델 카드에 따르면 저장소와 가중치에는 MIT 라이선스가 적용됩니다. 로컬 배포에는 적절한 인프라와 저장소의 인코딩 및 추론 안내가 여전히 필요합니다.
아닙니다. 이는 Mini-SWE-V2 평가 하네스에서 측정한 결과이지, 다른 프로젝트에서도 같은 결과를 보장하는 것은 아닙니다. 시각적 시연 역시 프로토타입을 넘어 실제로 코드를 사용하기 전에 검토하고 테스트해야 합니다.
Search는 관련 웹 페이지를 찾아 구조화된 결과를 반환합니다. Fetch는 해당 사이트의 이용 가능 여부와 접근 정책에 따라 지정한 페이지의 본문을 Markdown으로 가져옵니다.
DeepSeek Harness, Claude Code 및 Codex에 대해 설명된 일시적인 서버 측 무료 호출은 2026년 11월 1일 베이징 시간 00:00에 종료됩니다. 모델 토큰과 도구 요청에는 별도의 요금이 적용되므로, 현재의 개별 서비스 및 지역별 요금은 해당 가격 페이지에서 확인하세요.
DeepSeek V4.1 Flash 1017은 게시자의 코딩 및 에이전트 평가에서 성능을 개선했으며, API 별칭과 모델 토큰 가격은 그대로 유지합니다. 시연은 시각적으로 완성된 프로토타입을 보여주며, 모델 가중치에는 MIT 라이선스가 적용됩니다.
Search와 Fetch가 공개되면서 페이지를 찾는 단계부터 콘텐츠를 읽는 단계까지 이어지는 별도의 경로가 마련되었으며, 요청 단위로 과금됩니다. 벤치마크 향상을 배포 결정의 근거로 삼기 전에 프로젝트 품질, 전체 작업 비용 및 도구 사용료를 함께 평가하세요.
한 문장에서 시작해 몇 분 안에 완전한 웹사이트를 받아보세요.
