DeepSeek V4.1 Flash 1017 정리: 벤치마크, 가격, 바뀐 점
딥시크가 10월 17일 V4.1 Flash의 갱신판 DeepSeek-V4.1-Flash-1017을 공개했습니다. 이전 버전 대비 점수, GPT-5.6 Sol과 Claude Opus 5 비교에서 앞선 항목과 뒤진 항목, 그대로인 API 가격과 한국 시간 기준 할인 시간대, 새 검색 API와 가중치 공개 조건을 공식 자료로 확인합니다.
목차
세 줄로 먼저 읽기
이번 방문에서 한 편은 바로 볼 수 있습니다.
딥시크(DeepSeek)가 2026년 10월 17일 DeepSeek-V4.1-Flash-1017을 공개했습니다. 9월 10일에 나온 V4.1 Flash를 다시 학습시킨 갱신판이고, 이름 끝의 1017은 공개 날짜입니다. 딥시크는 이번 갱신을 마이너 업데이트라고 부르지만, 공개한 점수는 에이전트와 코딩 항목에서 크게 올랐고 같은 작업을 더 짧은 출력으로 끝낸다고 설명합니다.
이 글은 10월 18일 기준 딥시크 공식 발표문, API 변경 이력, 가격표, Hugging Face 모델 카드를 바탕으로 합니다. 벤치마크 점수는 모두 딥시크가 측정한 값입니다.
V4.1 Flash 1017의 구조와 이전 버전과의 관계
딥시크는 중국 항저우의 AI 기업이고, 가중치를 공개하는 대형 언어 모델과 저렴한 API로 알려졌습니다. Flash는 딥시크 모델 가운데 빠르고 저렴한 쪽을 맡는 제품군입니다. 9월에 나온 V4.1 Flash는 딥시크가 새로 만든 구조 제품군에서 가장 작은 모델이고, 공식 발표 기준 다음과 같은 특징이 있습니다.
- MoE(전문가 혼합) 구조: 전체 552B(5,520억) 파라미터 가운데 토큰마다 일부 전문가 신경망만 골라 계산합니다.
- 입력과 출력의 활성 파라미터가 다름: 딥시크가 Causal Encoder-Decoder라고 부르는 구조로, 입력을 읽을 때는 8B, 답을 쓸 때는 16B 파라미터만 계산에 씁니다.
- 이미지 이해 기본 내장: 예전에는 별도 실험 모델이 맡던 이미지 입력을 한 모델에서 처리합니다.
1017은 이 구조를 그대로 두고 학습을 더 한 버전입니다. Hugging Face에 올라온 가중치 파일 전체 크기는 이전 V4.1 Flash와 1017 모두 약 510GB로 같습니다.
딥시크는 게임 제작이나 3D 모델링처럼 프로젝트를 처음부터 끝까지 만드는 작업을 강화학습으로 개선했다고 밝혔습니다. 강화학습은 모델이 과제를 풀어 본 결과에 점수를 주며 학습시키는 방식입니다. 발표문에는 자금성 3D 모델링, 웹 레이싱 게임, Godot 엔진으로 만든 포털 2 재현 예시가 실렸습니다.
이전 버전 대비 점수 변화
딥시크가 공개한 11개 벤치마크는 모두 이전 V4.1 Flash보다 올랐습니다. 아래는 변경 이력과 모델 카드의 점수를 상승 폭 순으로 정렬한 표입니다. 분야는 딥시크가 추론, 코딩, 에이전트, 시각 순으로 묶어 발표한 구분을 따랐습니다.
| 벤치마크 | 분야 | V4.1 Flash | 1017 | 변화 |
|---|---|---|---|---|
| Terminal-Bench 4.0 | 코딩 | 31.2 | 42.3 | +11.1 |
| ProgramBench | 코딩 | 20.3 | 29.1 | +8.8 |
| Apex Bench v1.1 | 에이전트 | 64.6 | 72.1 | +7.5 |
| HLE(도구 없음) | 추론 | 36.8 | 42.6 | +5.8 |
| Automation-Bench v1.0.6 | 에이전트 | 54.8 | 60.5 | +5.7 |
| Chartography(도구 사용) | 시각 | 78.9 | 83.0 | +4.1 |
| Agents' Last Exam | 에이전트 | 31.8 | 35.4 | +3.6 |
| BabyVision(도구 사용) | 시각 | 89.6 | 92.5 | +2.9 |
| DeepSWE v1.1 | 코딩 | 74.2 | 77.0 | +2.8 |
| NL2Repo-Bench | 코딩 | 65.4 | 68.2 | +2.8 |
| ZeroBench-main(도구 사용) | 시각 | 49.0 | 51.0 | +2.0 |
HLE(Humanity's Last Exam)는 여러 분야 전문가가 낸 어려운 문제로 추론 능력을 측정하는 시험입니다. 텍스트 문제만 따로 채점하면 1017은 44.0입니다. Terminal-Bench는 모델이 터미널에서 명령을 실행하며 과제를 끝내는지 채점하는 벤치마크이고, DeepSWE는 실제 저장소의 코드를 고치는 과제, Chartography는 차트를 읽는 과제입니다. 딥시크는 Terminal-Bench 4.0을 클로드 코드 환경에서, DeepSWE는 Mini-SWE-V2 환경에서 측정했고 ZeroBench는 다섯 번 시도 중 한 번 맞히면 정답으로 치는 Pass@5 기준이라고 밝혔습니다.
상승 폭이 큰 항목은 터미널 작업과 프로그램 제작, 에이전트 작업에 몰려 있습니다. 반면 저장소 단위 과제인 DeepSWE와 NL2Repo, 이미지 관련 항목은 2~4점 오르는 데 그쳤습니다. 코딩 에이전트로 긴 작업을 맡기던 쪽이 체감할 변화가 가장 클 것으로 보입니다.
예전 글이나 9월 발표문에서 V4.1 Flash의 Terminal-Bench 점수를 90.6으로 본 분도 있을 텐데, 그 값은 Terminal-Bench 2.1 기준입니다. 4.0과는 문제 구성이 달라 점수를 바로 비교할 수 없습니다.
GPT-5.6 Sol, Claude Opus 5와 비교한 결과
모델 카드에는 경쟁 모델 네 개의 점수도 함께 실렸습니다. 아래는 그중 오픈AI의 GPT-5.6 Sol, 앤트로픽의 Claude Opus 5와 비교한 결과를 세 묶음으로 나눈 것입니다.
| 구분 | 벤치마크 | 1017 | GPT-5.6 Sol | Claude Opus 5 |
|---|---|---|---|---|
| 두 모델보다 높음 | Automation-Bench | 60.5 | 45.8 | 50.3 |
| Agents' Last Exam | 35.4 | 26.7 | 28.6 | |
| Apex Bench | 72.1 | 54.3 | 65.8 | |
| DeepSWE | 77.0 | 73.0 | 74.0 | |
| GPT-5.6 Sol보다 높고 Opus 5보다 낮음 | Terminal-Bench 4.0 | 42.3 | 39.9 | 51.8 |
| ProgramBench | 29.1 | 23.0 | 37.0 | |
| NL2Repo-Bench | 68.2 | 56.8 | 75.3 | |
| Chartography | 83.0 | 79.9 | 84.0 | |
| BabyVision | 92.5 | 88.9 | 94.1 | |
| 두 모델보다 낮음 | HLE(도구 없음) | 42.6 | 44.5 | 56.3 |
| ZeroBench-main | 51.0 | 53.0 | 52.0 |
에이전트와 자동화 항목에서는 1017이 두 모델보다 높게 보고됐습니다. 반면 터미널 작업과 프로그램 제작은 Opus 5에 8~10점 뒤지고, 추론 시험인 HLE는 Opus 5와 13.7점 차이가 납니다. 같은 표에 실린 중국 모델과 비교하면 문샷 AI의 Kimi K3보다는 HLE를 뺀 모든 항목에서, Z.ai의 GLM-5.3보다는 점수가 공개된 모든 항목에서 높습니다.
비교 대상은 최신 모델이 아닙니다. GPT-5.6 Sol은 7월 9일, Claude Opus 5는 7월 24일에 공개된 모델이고, 각각의 후속인 GPT-6.1 Sol(9월 29일)과 Claude Opus 5.5(9월 22일)는 표에 없습니다. 경쟁 모델의 점수도 딥시크가 측정한 값입니다.
출력이 짧아져 줄어드는 작업당 비용
이번 갱신에서 딥시크가 점수만큼 강조한 것은 효율입니다. 같은 작업을 더 빨리, 더 적은 출력 토큰으로 끝낸다는 설명입니다. 토큰은 AI가 글을 나눠 처리하고 사용량을 계산하는 단위이고, API 요금은 토큰 수에 단가를 곱해 매깁니다. 단가가 같아도 출력이 줄면 작업 한 건의 비용이 줄어듭니다.
API 가격은 바뀌지 않았습니다. 10월 18일 확인한 공식 가격표의 deepseek-flash 단가는 다음과 같습니다(100만 토큰당, 달러).
| 항목 | 할인 시간 | 피크 시간 |
|---|---|---|
| 입력, 캐시 히트 | 0.003 | 0.006 |
| 입력, 캐시 미스 | 0.15 | 0.30 |
| 출력 | 0.60 | 1.20 |
캐시 히트는 앞서 처리한 입력의 앞부분을 재사용해 싸게 계산되는 경우이고, 캐시 미스는 새로 처리한 입력입니다. 한국에서 쓸 때 주의할 점은 피크 시간이 한국의 업무 시간과 겹친다는 것입니다. 공식 피크 시간은 월요일부터 금요일 UTC 01:00~04:00, 06:00~10:00이고, 한국 시간으로 바꾸면 평일 오전 10시부터 오후 1시, 오후 3시부터 7시입니다. 이 시간에는 할인 시간의 두 배 요금이 붙습니다.
예를 들어 캐시 미스 입력 100만 토큰과 출력 10만 토큰을 쓰는 작업이라면 할인 시간에는 0.15 + 0.06 = 0.21달러, 피크 시간에는 0.30 + 0.12 = 0.42달러입니다. 출력이 많은 에이전트 작업을 밤이나 주말에 몰아 실행하면 같은 작업을 절반 가격에 처리할 수 있습니다.
웹, 앱, API에서 쓰는 방법
딥시크 웹사이트와 앱은 별도 설정 없이 1017로 바뀌었습니다. API도 호출 방법이 그대로라 model 값에 deepseek-flash를 넣으면 1017이 응답합니다. 예전 이름인 deepseek-v4-flash와 deepseek-v4-flash-vision-exp로 보낸 요청도 1017로 연결되고 Flash 가격으로 청구됩니다.
아래는 공식 시작 안내 문서의 요청 예시를 그대로 옮긴 것입니다. 오픈AI와 같은 Chat Completions 형식이고, thinking으로 추론 모드를 켜고 reasoning_effort로 추론에 쓰는 양을 정합니다.
curl https://api.deepseek.com/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer ${DEEPSEEK_API_KEY}" \
-d '{
"model": "deepseek-flash",
"messages": [
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": "Hello!"}
],
"thinking": {"type": "enabled"},
"reasoning_effort": "high",
"stream": false
}'같은 모델 이름이 날짜에 따라 다른 버전을 가리키므로, 9월에 측정한 결과와 지금 결과를 비교한다면 실행 날짜를 함께 기록해야 차이의 원인을 구분할 수 있습니다. 문맥 길이는 100만 토큰, 최대 출력은 384K 토큰이고 이미지 입력과 도구 호출을 지원합니다.
딥시크는 1017을 자사 코딩 에이전트 도구인 DeepSeek Harness와 텐센트의 CodeBuddy, WorkBuddy에 맞춰 조정했다고 밝혔고, DeepSeek Harness는 0.2.1-rc.1 이상 버전을 권장합니다. 클로드 코드나 OpenCode 같은 다른 도구에서도 딥시크 API를 연결해 쓸 수 있습니다.
외부 중계 서비스에서도 1017을 고를 수 있습니다. Vercel AI Gateway는 deepseek/deepseek-v4.1-flash-1017이라는 날짜가 붙은 이름을 따로 제공합니다.
함께 공개된 Search & Fetch API
같은 날 딥시크는 자체 검색 엔진을 외부 개발자용 API로 열었습니다. Search는 웹 검색 결과를, Fetch는 지정한 웹 페이지의 내용을 가져오는 기능입니다. 딥시크 웹과 API의 검색 기능에 이미 쓰던 엔진이고, 딥시크는 하루 수억 건의 검색 요청을 처리하며 SEO 스팸과 저품질 AI 생성 글을 걸러낸다고 설명합니다.
- 가격: 두 기능 각각 1,000회 호출당 0.75달러입니다.
- 무료 기간: 딥시크 API 사용자가 DeepSeek Harness, 클로드 코드, 코덱스의 서버 측 도구로 호출하면 2026년 10월 31일 16:00 UTC, 한국 시간 11월 1일 오전 1시까지 무료입니다.
에이전트에 웹 검색을 붙이려고 별도 검색 API를 계약하던 경우라면 비교해 볼 만한 선택지입니다. 다만 무료 기간이 끝나면 호출 수만큼 요금이 붙으므로, 에이전트가 검색을 몇 번 부르는지 기간 안에 확인해 두는 편이 좋습니다.
가중치 공개와 로컬 실행 조건
모델 가중치는 Hugging Face와 중국 모델 공유 사이트 ModelScope에 공개됐고, 저장소와 가중치 모두 MIT 라이선스입니다. MIT는 상업적 이용과 수정, 재배포를 허용하는 대표적인 허용형 라이선스입니다.
직접 실행하려면 두 가지를 알아야 합니다.
- 채팅 템플릿이 없습니다. 대화를 모델 입력 형식으로 바꾸는 Jinja 템플릿 대신 파이썬 참고 구현(
encoding.py)과 이를 제품용으로 정리한 Rust 라이브러리 deepseek-recipe를 제공합니다. 기존 추론 도구가 템플릿을 자동으로 읽는 방식이라면 별도 연결 작업이 필요합니다. - 권장 설정: temperature와 top_p는 1.0, 문맥 창은 100만 토큰, 최대 출력은 256K 토큰 이상입니다.
가중치 파일만 약 510GB이고 긴 문맥을 처리할 메모리가 따로 듭니다. 입력 8B, 출력 16B라는 활성 파라미터는 계산량을 뜻할 뿐 메모리에는 전체 가중치를 올려야 하므로, 개인 PC보다는 여러 장의 데이터센터 GPU를 갖춘 서버가 필요한 모델입니다. 대부분은 API로 쓰는 편이 현실적입니다.
공개 하루 전인 10월 16일 중국 상무부와 과학기술부는 AI 기술 23개를 수출 금지와 제한 목록에 넣는 초안을 발표했습니다. 상무부는 오픈소스나 논문으로 이미 공개된 기술은 관리 대상에서 빼고, 오픈소스 형태의 수출에는 자동 허가 같은 간소화 절차를 적용하며, API와 앱, 웹으로 모델을 제공하는 경우는 대상이 아니라고 밝혔습니다. 의견 수렴은 11월 15일까지입니다.
지금 확인할 것
- 이미
deepseek-flash를 쓰고 있다면 모델이 이미 바뀌었습니다. 자주 맡기는 작업 몇 개를 다시 실행해 결과와 출력 토큰 수, 걸린 시간을 이전 기록과 비교합니다. - 비용을 줄이고 싶다면 출력이 긴 작업을 한국 시간 평일 오전 10시부터 오후 1시, 오후 3시부터 7시를 피해 실행합니다.
- 다른 모델과 비교하려면 딥시크 표의 경쟁 모델은 이전 세대이므로, 지금 쓰는 Claude나 GPT 모델과 같은 과제를 맡겨 결과와 비용을 함께 봅니다.
딥시크 V4 시리즈의 모델 이름과 Codex 연결 조건은 DeepSeek V4 가이드에, 딥시크 앱의 첫 사용과 데이터 처리는 딥시크 사용법에 정리했습니다.
참고 자료: 딥시크 1017 발표문, API 변경 이력, 모델과 가격, Hugging Face 모델 카드, V4.1 Flash 발표문, 신화통신 상무부 설명
제대로 이해했는지 한 문제로 확인해 볼까요?
답을 고르면 바로 풀이가 나와요.
10월 17일 이후 API에서 model 값을 deepseek-flash로 보내면 어떤 모델이 응답하나요?
이 글이 도움이 되었나요?
내 컴퓨터에서 AI를 돌릴 때 필요한 하드웨어, 모델 크기, 실행 도구를 순서대로
코스 전체 보기 →
새 글과 AI 소식을 메일로 받아 보세요
AI가 바꾸는 일과 도구, 측정 실무 이야기를 매주 한 번 보내 드려요.