Jogjaterkini.id - DeepSeek kembali memperbarui teknologi kecerdasan buatannya dengan merilis DeepSeek-V4.1-Flash-1017 pada Sabtu (17/10/2026). Model AI terbaru dari perusahaan asal China ini dirancang untuk meningkatkan kemampuan pemrograman atau coding serta mendukung pekerjaan yang dijalankan melalui agen AI.
Pembaruan ini membawa sejumlah peningkatan dibandingkan versi sebelumnya, DeepSeek-V4.1-Flash. DeepSeek mengklaim model terbarunya mampu memperoleh skor benchmark lebih tinggi, menyelesaikan tugas dalam waktu lebih singkat, dan menghasilkan jawaban yang lebih ringkas.
Selain peningkatan performa, aspek biaya menjadi salah satu keunggulan yang ditonjolkan. DeepSeek-V4.1-Flash-1017 diklaim dapat menjalankan tugas pengembangan perangkat lunak dengan biaya rata-rata di bawah 0,20 dollar AS per tugas.
Kombinasi kemampuan tersebut membuat model ini menarik untuk diperhatikan, terutama bagi pengembang yang membutuhkan AI untuk menangani pekerjaan teknis tanpa mengeluarkan biaya besar.
DeepSeek-V4.1-Flash-1017 Catat Skor Benchmark Lebih Tinggi
DeepSeek menyebut model terbarunya mengalami peningkatan kemampuan dalam menyelesaikan tugas pemrograman. Hasil pengujian internal menunjukkan DeepSeek-V4.1-Flash-1017 memperoleh skor 77 persen pada benchmark DeepSWE v1.1.
Angka tersebut lebih tinggi dibandingkan DeepSeek-V4.1-Flash versi sebelumnya yang mencatat skor 74,2 persen. Peningkatan ini menunjukkan adanya perbaikan pada kemampuan model dalam menangani tugas rekayasa perangkat lunak berdasarkan pengujian yang dilakukan perusahaan.
DeepSWE v1.1 sendiri merupakan benchmark yang digunakan untuk mengevaluasi kemampuan AI dalam menyelesaikan berbagai persoalan pengembangan perangkat lunak.
DeepSeek juga mengklaim model barunya mampu mencatat skor lebih tinggi dibandingkan sejumlah model AI pesaing, termasuk Claude Opus 5, GPT-5.6-Sol, Kimi K3, dan GLM 5.3.
Meski demikian, hasil tersebut perlu dipahami sebagai klaim berdasarkan pengujian internal DeepSeek. Skor benchmark tidak selalu mencerminkan keseluruhan kemampuan sebuah model ketika digunakan untuk mengerjakan proyek nyata.
Performa AI dalam praktik juga dapat dipengaruhi oleh tingkat kesulitan tugas, lingkungan pengembangan, serta kebutuhan spesifik pengguna.
Biaya Pengerjaan Coding Diklaim Lebih Hemat
Salah satu hal yang menjadi perhatian dari peluncuran DeepSeek-V4.1-Flash-1017 adalah biaya operasionalnya. DeepSeek mengklaim model ini membutuhkan biaya rata-rata kurang dari 0,20 dollar AS untuk setiap tugas yang dikerjakan.
Sebagai perbandingan, DeepSeek-V4.1-Flash versi sebelumnya disebut membutuhkan biaya sekitar 0,50 dollar AS per tugas.
Artinya, berdasarkan angka yang dipublikasikan perusahaan, biaya pengerjaan menggunakan model terbaru tersebut dapat ditekan hingga lebih dari separuh dibandingkan versi sebelumnya.
DeepSeek juga menyediakan pengaturan yang lebih hemat. Dalam konfigurasi tersebut, model diklaim masih mampu meraih skor di atas 72 persen dengan biaya sekitar 0,10 dollar AS per tugas.
Perbandingan yang dipublikasikan DeepSeek turut memperlihatkan biaya pengerjaan sejumlah model pesaing, seperti GPT-6 Astra, Gemini 3.8 Flash, dan Claude Opus 5, berada pada kisaran 2 dollar AS hingga lebih dari 10 dollar AS per tugas.
Perbedaan biaya ini menjadi salah satu aspek yang diunggulkan DeepSeek, terutama bagi pengembang yang menjalankan banyak tugas pemrograman menggunakan AI.
Namun, biaya aktual dapat bergantung pada konfigurasi, jenis tugas, serta metode penggunaan model. Karena itu, angka tersebut belum tentu sama untuk setiap kebutuhan pengembangan perangkat lunak.
Gunakan Metode Reinforcement Learning with Self-feedback
Untuk meningkatkan kemampuan model dalam menangani proses pengembangan perangkat lunak secara menyeluruh, DeepSeek menerapkan metode pelatihan Reinforcement Learning with Self-feedback (RLSF).
Metode ini memungkinkan model memanfaatkan skor keyakinan internal atau kritik yang dihasilkan oleh model itu sendiri sebagai sinyal penghargaan atau reward signal selama proses pelatihan lanjutan.
Pendekatan tersebut dirancang untuk mengurangi ketergantungan pada penilai manusia maupun model penghargaan eksternal dalam proses pelatihan.
Melalui metode ini, DeepSeek berupaya meningkatkan kemampuan AI dalam mengerjakan tugas yang membutuhkan beberapa tahapan, bukan hanya menghasilkan potongan kode berdasarkan perintah pengguna.
Pengembangan perangkat lunak umumnya mencakup berbagai proses, mulai dari merancang solusi, menulis kode, memperbaiki kesalahan, hingga menyelesaikan hasil akhir sesuai kebutuhan. Kemampuan menangani rangkaian pekerjaan tersebut menjadi salah satu fokus pengembangan DeepSeek-V4.1-Flash-1017.
DeepSeek menyatakan pendekatan pelatihan ini membantu model mengerjakan berbagai proyek, termasuk pemrograman game, pemodelan, serta desain tiga dimensi atau 3D.
Bisa Digunakan untuk Pengembangan Game hingga Animasi
DeepSeek-V4.1-Flash-1017 tidak hanya ditujukan untuk membantu penulisan kode sederhana. Model ini juga diklaim mampu mendukung pengerjaan proyek perangkat lunak yang lebih kompleks.
Menurut DeepSeek, model tersebut dapat digunakan untuk mengembangkan game dan menangani pekerjaan pemodelan maupun desain 3D. Selain itu, kemampuannya juga mencakup pembuatan animasi video penjelasan singkat.
Kemampuan tersebut memperlihatkan arah pengembangan model yang tidak hanya berfokus pada penyelesaian persoalan pemrograman secara terpisah, tetapi juga membantu berbagai tahapan dalam proses kreatif dan teknis.
Bagi pengembang, dukungan seperti ini berpotensi membantu mempercepat pekerjaan yang memerlukan kombinasi penulisan kode, perancangan, dan penyusunan hasil akhir.
Meski begitu, kualitas keluaran tetap perlu diperiksa sesuai kebutuhan proyek. Hasil benchmark yang tinggi tidak secara otomatis menjamin bahwa seluruh pekerjaan dapat diselesaikan tanpa pemeriksaan atau penyempurnaan tambahan.
Dioptimalkan untuk Sejumlah Lingkungan Pengembangan
DeepSeek turut mengoptimalkan model terbarunya agar dapat digunakan dalam beberapa lingkungan pengembangan yang mendukung pekerjaan berbasis AI.
Sejumlah platform yang disebutkan perusahaan meliputi DeepSeek Harness, Tencent CodeBuddy, dan WorkBuddy.
Khusus untuk pengguna DeepSeek Harness, perusahaan merekomendasikan penggunaan versi v0.2.1-rc.1 atau versi yang lebih baru agar pengalaman penggunaan model lebih optimal.
Dukungan terhadap berbagai lingkungan pengembangan ini menjadi bagian penting bagi pengembang yang ingin mengintegrasikan kemampuan AI ke dalam alur kerja mereka.
Penggunaan model melalui lingkungan yang sesuai dapat membantu pengembang menyesuaikan proses kerja dengan kebutuhan proyek, termasuk ketika menangani tugas pemrograman yang melibatkan beberapa tahapan.
DeepSeek-V4.1-Flash-1017 Tersedia Melalui Web dan API
DeepSeek-V4.1-Flash-1017 telah tersedia melalui situs web, aplikasi, dan API resmi DeepSeek. Ketersediaan melalui API memungkinkan pengembang mengintegrasikan model ke dalam aplikasi atau sistem yang sedang dikembangkan.
Selain itu, DeepSeek juga merilis bobot model secara terbuka melalui Hugging Face dan ModelScope.
Ketersediaan bobot model memberikan kesempatan bagi pengembang untuk mengakses model tersebut dan mengeksplorasi penggunaannya lebih lanjut sesuai kebutuhan teknis masing-masing.
Kombinasi akses melalui layanan DeepSeek dan distribusi bobot model terbuka menjadi bagian dari dukungan perusahaan terhadap penggunaan AI untuk pengembangan perangkat lunak.
Namun, pengembang tetap perlu memperhatikan persyaratan lisensi, kebutuhan komputasi, serta ketentuan penggunaan yang berlaku sebelum mengintegrasikan model ke dalam proyek mereka.
Kesimpulan
DeepSeek-V4.1-Flash-1017 hadir sebagai pembaruan yang menitikberatkan pada peningkatan kemampuan coding, dukungan agen AI, dan penekanan biaya pengerjaan.
Berdasarkan pengujian internal perusahaan, model ini mencatat skor 77 persen pada benchmark DeepSWE v1.1, meningkat dari 74,2 persen pada versi sebelumnya. Biaya rata-rata pengerjaannya juga diklaim berada di bawah 0,20 dollar AS per tugas.
Dukungan untuk pengembangan game, pemodelan 3D, animasi, serta integrasi dengan sejumlah lingkungan pengembangan memperluas potensi penggunaannya.
Meski demikian, klaim performa dan biaya tersebut tetap perlu dievaluasi melalui pengujian independen maupun penggunaan langsung. Dengan begitu, pengembang dapat menilai apakah kemampuan DeepSeek-V4.1-Flash-1017 sesuai dengan kebutuhan proyek dan anggaran yang tersedia.
