DeepSeek V4 Flash får agentløft uten å bli større

Hvis du bruker AI-agenter til koding og terminalarbeid, er den oppdaterte DeepSeek V4 Flash mer interessant enn 0731-navnet antyder. DeepSeek har ikke gjort modellen større. Selskapet har kjørt post-training på nytt, målt et kraftig løft i egne agenttester og tilpasset modellen spesielt for Codex.

Den oppdaterte modellen heter DeepSeek-V4-Flash-0731 og er tilgjengelig i offentlig beta fra 31. juli 2026. Samme API-kall som før henter den nye versjonen når modellnavnet er deepseek-v4-flash. Du trenger altså ikke bytte endepunkt eller bygge integrasjonen på nytt.

DeepSeek avslutter kunngjøringen med at den offisielle versjonen av V4 Pro kommer snart. Det vil nok stjele mye av oppmerksomheten, men akkurat nå er hovedsaken en annen: Flash viser hvor mye bedre en eksisterende modell kan bli når arbeidet etter grunntreningen treffer bedre.

Hva er nytt i DeepSeek V4 Flash?

DeepSeek V4 Flash er oppdatert med en ny runde post-training som skal gjøre modellen betydelig bedre til agentoppgaver. Arkitekturen og modellstørrelsen er uendret fra preview-versjonen, ifølge DeepSeeks endringslogg fra 31. juli. Det er modellen etter treningen som er forbedret, ikke selve grunnmodellen.

Post-training er fasen der en ferdig grunnmodell lærer å følge instruksjoner, resonnere på en nyttig måte, bruke verktøy og oppføre seg som en assistent. Det er også her reinforcement learning, spesialiserte treningsoppgaver og destillasjon kan gjøre en modell langt mer praktisk uten å legge til flere parametere.

Det er derfor «samme størrelse» ikke betyr «samme modellopplevelse». En coding agent må tolke tilbakemeldinger fra terminalen, velge riktig verktøy, rette feil og holde retningen gjennom mange steg. Små forbedringer i hvert valg kan gi stor forskjell når en oppgave består av hundrevis av slike valg.

DeepSeek oppgir blant annet 82,7 på Terminal Bench 2.1 for 0731-versjonen og sier resultatene ligger klart over V4-Pro-Preview. Det er et sterkt leverandørtall, men det bør ikke leses som en ferdig dom over hvilken modell som fungerer best i ditt prosjekt.

Hvorfor er ny post-training hovedsaken?

Ny post-training er hovedsaken fordi den skal ha løftet agentegenskapene uten at DeepSeek har endret arkitektur, parameterantall eller kontekstvindu. V4 Flash er fortsatt en Mixture-of-Experts-modell med 284 milliarder parametere totalt og 13 milliarder aktive per token. Den støtter fortsatt opptil én million tokens kontekst.

Jeg skrev tidligere om forskjellen mellom DeepSeek V4 Pro og Flash. Pro er den enorme varianten med 1,6 billioner parametere totalt og 49 milliarder aktive. Flash er laget for å gi mye av kapasiteten til lavere pris og med mindre regnearbeid per token.

DeepSeeks offisielle modellkort beskriver hvordan V4-familien ble grunntrent på mer enn 32 billioner tokens og deretter fikk en todelt post-training-prosess. Spesialister ble først trent hver for seg, før egenskapene ble samlet gjennom destillasjon. 0731-oppdateringen bygger videre på denne delen av arbeidet.

Det gjør lanseringen til et ganske godt eksempel på hvor konkurransen mellom AI-modeller har flyttet seg. Større modeller og mer treningsdata betyr fortsatt mye, men den rå grunnmodellen er bare råmaterialet. Hvordan modellen trenes til å planlegge, bruke verktøy og kontrollere eget arbeid kan være minst like avgjørende for det du faktisk får levert.

Er benchmarkene til å stole på?

Benchmarkene viser at DeepSeek har målt et stort løft, men de beviser ikke alene at V4 Flash er bedre i din coding agent. Testoppsettet betyr mye. DeepSeek brukte sitt eget, foreløpig upubliserte DeepSeek Harness i minimalmodus, høyeste innsatsnivå, top_p=0.95 og temperatur 1,0 på de offentlige kodeagent-testene.

To av målingene i kunngjøringen er dessuten interne DeepSeek-tester. Det gjør dem nyttige for selskapets egen sammenligning før og etter treningen, men vanskeligere for andre å kontrollere. Resten må også gjentas med samme verktøy, tidsgrenser og budsjett før en helt ren sammenligning er mulig.

Dette er ikke en anklage om at tallene er verdiløse. Agent-benchmarker måler bare mer enn modellen. Harness, systemprompt, verktøyformat, tillatt tenketid og hvor mange forsøk agenten får kan påvirke sluttresultatet. Når DeepSeek sier at Flash langt overgår V4-Pro-Preview, er den presise formuleringen derfor at den gjør det i DeepSeeks oppgitte oppsett.

Den praktiske testen blir om modellen fullfører ekte oppgaver med færre avbrudd og mindre opprydding. Holder den retningen i en stor kodebase? Forstår den feilmeldingen? Stopper den når oppgaven er ferdig? Slike ting er vanskeligere å presse inn i ett pent tall, men det er de som avgjør om en billig agent faktisk er billig.

Hva betyr Codex-tilpasningen?

Codex-tilpasningen betyr at DeepSeek V4 Flash nå støtter Responses API-formatet direkte og er konfigurert for bruk med Codex-klienter. DeepSeek omtaler støtten som innebygd i den offisielle Flash-versjonen. V4 Pro støtter ikke Responses API ennå, men DeepSeeks pristabell sier at støtten skal komme tidlig i august 2026.

Responses API er et format for agentarbeid der samtale, resonnering, verktøykall og resultater kan håndteres som en sammenhengende arbeidsflyt. For utviklere er poenget mindre oversettelsesarbeid mellom modellen og agentverktøyet. Modellen kan passe inn i en eksisterende Codex-lignende arbeidsmåte uten at noen må lime sammen et eget kompatibilitetslag.

Det betyr ikke at OpenAI leverer eller godkjenner DeepSeek-modellen. «Tilpasset for Codex» betyr her at DeepSeek har gjort sitt eget API kompatibelt med klienten og arbeidsformen. Modell, kapasitet, fakturering og databehandling kommer fortsatt fra DeepSeek når du peker klienten mot DeepSeeks endepunkt.

For alle som liker å bytte modell etter oppgave, er dette praktisk. Samtidig ville jeg ikke sendt sensitiv kundekode til en ny leverandør bare fordi en konfigurasjonsfil er enkel. Sjekk databehandling, tilgangskontroll og hvilke filer agenten kan lese før du lar den slippe løs i et prosjekt.

Hva koster DeepSeek V4 Flash?

DeepSeek V4 Flash koster 0,14 dollar per million input-tokens uten cache-treff og 0,28 dollar per million output-tokens. Med Norges Banks siste publiserte dollarkurs på 9,5641 kroner tilsvarer det cirka 1,34 kroner for input og 2,68 kroner for output per million tokens. Ved cache-treff koster input 0,0028 dollar, eller omtrent 2,7 øre per million tokens.

Prisene står i DeepSeeks offisielle API-pristabell. Det er oppsiktsvekkende billig, særlig for arbeidsflyter som gjenbruker en stor systemprompt eller mye av den samme kodebasen. Men cache-prisen hjelper bare når forespørslene faktisk gir treff.

DeepSeek varsler også at selskapet vil innføre topp- og lavlastprising. I de oppgitte tidsrommene på dagtid i Beijing skal alle prisene dobles. Ikrafttredelsesdatoen er ikke annonsert, så dagens priser gjelder fortsatt når denne artikkelen skrives 31. juli. En dobling vil fremdeles være billig i nominelle kroner, men den bør inn i kostnadsberegningen før en stor automatisering settes i drift.

V4 Flash har en oppgitt samtidighetsgrense på 2 500, mot 500 for V4 Pro. Det understreker hvilken rolle Flash er ment å ha: høy kapasitet, lave kostnader og mange agentoppgaver. En pris per token sier likevel ikke hvor mange tokens eller forsøk modellen trenger for å komme i mål. Mål hele jobben.

Hva skjer med V4 Pro?

DeepSeek sier at den offisielle utgaven av V4 Pro kommer snart, men gir ingen konkret lanseringsdato i kunngjøringen. 0731-oppdateringen endrer bare Flash-API-et. V4 Pro-endepunktet og modellene i DeepSeeks app og nettjeneste er uendret.

Det er et viktig skille fordi V4 Pro allerede har vært tilgjengelig i preview-form. «Kommer snart» betyr en offisiell oppdatering eller ferdig versjon, ikke at modellnavnet dukker opp for aller første gang. Jeg ville derfor ikke brukt formuleringen «V4 Pro lanseres» uten å forklare hva som faktisk endres.

Den større Pro-modellen er mest interessant for oppgaver som krever mer kunnskap og de tyngste agentløpene. Flash har langt færre aktive parametere, men DeepSeek hevder at den kan komme nær Pro når den får et større tenkebudsjett. 0731-resultatene gjør den kommende Pro-utgaven mer spennende, men også mer krevende å vurdere: Pro må gi en tydelig praktisk gevinst når Flash er så billig.

Du kan lese bakgrunnen i min tidligere gjennomgang av DeepSeek V4-preview og konkurransen mot Claude og GPT. For den tekniske arkitekturen har jeg også en egen forklaring av FP4, sparse attention og stabilitetsmekanismene i DeepSeek V4.

Hvem bør prøve den oppdaterte modellen?

Den oppdaterte V4 Flash er mest relevant for utviklere som allerede bruker coding agents, kjører mange oppgaver via API eller vil sammenligne flere modeller i samme arbeidsflyt. Du får tilgang med det eksisterende modellnavnet, så en kontrollert test på et avgrenset prosjekt bør være enkel å sette opp.

Test komplette oppgaver, ikke bare enkeltprompter. Registrer hvor ofte agenten må korrigeres, hvor mange verktøykall den bruker, om testene faktisk passerer og hva hele jobben koster. Sammenlign gjerne med modellen du bruker i dag på nøyaktig samme oppgave og med samme tilgang til verktøy.

Jeg er skeptisk til å kåre noen modell til ny standard på bakgrunn av leverandørens egen resultattabell. Samtidig er det vanskelig å overse kombinasjonen av svært lav pris, én million tokens kontekst, native Responses API og et stort løft i DeepSeeks egne agenttester. Dette fortjener en ordentlig praktisk sammenligning.

Det mest interessante er egentlig ikke om Flash slår Pro-preview på én benchmark. Det er at DeepSeek hevder å ha flyttet samme modell så langt med post-training alene. Hvis det holder i vanlig bruk, er 0731 en større oppdatering enn navnet får den til å se ut som. Og da får V4 Pro en ganske høy list å hoppe over når den offisielle versjonen kommer.

Ofte stilte spørsmål