DeepSeek Memperbarui V4.1 Flash untuk Proyek Lengkap dan Membuka API Pencarian bagi Pengembang

Pembaruan coding hadir dengan biaya pencarian baru

DeepSeek merilis V4.1-Flash-1017 pada 17 Oktober 2026, memperbarui situs web, aplikasi, dan API-nya sekaligus membuka mesin pencari di balik layanannya bagi pengembang eksternal. Perusahaan mengatakan model ini dapat membangun proyek yang lebih lengkap dari instruksi singkat, menyelesaikan tugas lebih cepat, dan menghasilkan jawaban yang lebih pendek dibandingkan versi V4.1 Flash sebelumnya.

Rilis ini menggabungkan dua bagian alur kerja pengembang AI: perangkat lunak yang menulis dan merevisi kode, serta layanan yang mencari informasi terkini secara daring. Antarmuka Search dan Fetch baru milik DeepSeek masing-masing berbiaya $0,75 per 1.000 permintaan yang berhasil. Harga yang tercantum dalam bahasa Mandarin menetapkan biaya masing-masing 5 yuan per 1.000 permintaan yang berhasil.

Pengembang yang menggunakan alat tertentu mendapat pengecualian sementara. Panggilan Search dan Fetch melalui alat yang berjalan di server DeepSeek pada DeepSeek Harness, Claude Code, dan Codex saat ini gratis bagi pengguna API DeepSeek. Penagihan dimulai pada 16.00 UTC, 31 Oktober, setara dengan tengah malam waktu Beijing pada 1 November 2026.

Pengumuman rilis berbahasa Inggris DeepSeek menyebutkan bahwa pembaruan ini meningkatkan kinerja pada benchmark sekaligus mengurangi durasi tugas dan panjang keluaran. Manfaat praktisnya sederhana: tugas coding otomatis semestinya memerlukan lebih sedikit waktu dan menghasilkan lebih sedikit teks yang dikenai biaya.

Perusahaan juga menyediakan bobot model yang diperbarui melalui Hugging Face dan ModelScope. Rilis ini menyempurnakan V4.1 Flash, yang diperkenalkan pada 10 September, bukan meluncurkan keluarga model terpisah. Jarak kedua rilis itu 37 hari, sehingga pembaruan ini hadir dalam siklus pengembangan yang relatif singkat.

Arti membangun proyek lengkap

DeepSeek menyasar pekerjaan yang melampaui sekadar menjawab pertanyaan pemrograman atau menghasilkan satu fungsi. Agen AI dapat merencanakan proyek, membuat berkas, menjalankan alat, memeriksa hasil, dan merevisi pekerjaannya. Sebuah proyek lengkap mungkin memerlukan banyak tindakan semacam itu sebelum pengguna memperoleh sesuatu yang siap dipakai.

Empat demonstrasi menggambarkan ambisi tersebut: model 3D Kota Terlarang di Beijing, game balapan yang dimainkan di peramban, kreasi ulang Portal 2 menggunakan mesin game Godot, serta Valley of Ages, sebuah adegan 3D yang berubah dan menelusuri perkembangan dari zaman prasejarah hingga era modern.

DeepSeek mengatakan demonstrasi tersebut dibuat di dalam DeepSeek Harness dengan relatif sedikit prompt, bahan referensi terbatas, dan sedikit putaran interaksi. Pengumuman itu tidak menyebutkan jumlah prompt atau waktu penyelesaian yang pasti untuk contoh-contoh tersebut.

Perusahaan mengaitkan peningkatan itu dengan pembelajaran penguatan menggunakan umpan balik dari model sendiri. Sederhananya, metode pelatihan ini menggunakan umpan balik atas pekerjaan yang dicoba untuk membantu model membuat pilihan yang lebih baik di kemudian hari. Dalam hal ini, peningkatan yang dituju adalah kemampuan menuntaskan tugas melalui beberapa langkah yang saling terhubung, bukan sekadar memberikan jawaban pertama yang meyakinkan lalu berhenti.

Bagi orang yang memesan pembuatan game peramban atau prototipe visual, perubahan yang bermanfaat adalah berkurangnya putaran untuk meminta sistem memperbaiki bagian-bagian yang belum lengkap. Demonstrasi DeepSeek berfokus pada alur kerja proyek yang luas ini, termasuk pembuatan visual dan perangkat lunak interaktif.

Di mana peningkatan benchmark terlihat

Angka evaluasi yang dipublikasikan DeepSeek menempatkan checkpoint baru di skor 77,0 pada DeepSWE v1.1, dibandingkan 74,2 untuk V4.1 Flash sebelumnya. Itu merupakan kenaikan 2,8 poin. Evaluasi tersebut menggunakan harness mini-swe-v2, yaitu lingkungan perangkat lunak yang menjalankan dan memeriksa tugas.

Terminal-Bench 4.0 mencatat kenaikan angka yang lebih besar, dari 31,2 menjadi 42,3, atau 11,1 poin. Automation-Bench v1.0 naik dari 54,8 menjadi 60,5, sementara ProgramBench meningkat dari 20,3 menjadi 29,1. Angka-angka ini merupakan hasil evaluasi DeepSeek sendiri, dengan tiap pengujian mengukur jenis pekerjaan yang berbeda.

Perbandingan dengan model pesaing berbeda-beda menurut tugasnya. Tabel DeepSeek menempatkan V4.1-Flash-1017 di atas Claude Opus 5 pada DeepSWE, dengan skor 77,0 berbanding 74,0. Claude Opus 5 mendapat skor lebih tinggi pada Terminal-Bench, yakni 51,8 berbanding 42,3, dan ProgramBench, 37,0 berbanding 29,1.

Hasil evaluasi visual dan penalaran juga meningkat dibandingkan checkpoint Flash sebelumnya. Skor BabyVision dengan alat naik dari 89,6 menjadi 92,5, sedangkan Humanity's Last Exam tanpa alat naik dari 36,8 menjadi 42,6. Pola ini memberi alasan praktis bagi pengembang untuk menguji model yang diperbarui pada beban kerja mereka sendiri: besarnya peningkatan bergantung pada tugasnya.

DeepSeek menyebut kombinasi hasil yang lebih baik dan biaya yang lebih rendah sebagai peningkatan Pareto. Sederhananya, perusahaan menyatakan pengguna mendapatkan kinerja lebih baik dengan biaya lebih rendah, alih-alih membayar lebih untuk peningkatan tersebut. Pengumuman berbahasa Mandarin menyebut hubungan itu berlaku di beberapa harness.

Mengapa perangkat lunak pendukung juga penting

DeepSeek menyarankan pengguna memperbarui DeepSeek Harness ke versi 0.2.1-rc.1 atau yang lebih baru. Perusahaan juga mengatakan telah mengoptimalkan model untuk Tencent CodeBuddy dan WorkBuddy. Harness mengelola berkas, alat, sesi, dan tindakan di sekitar model, sehingga keputusan model berubah menjadi langkah-langkah yang dapat dijalankan komputer.

Harness versi 0.2.1-rc1 menambahkan fitur pengelolaan plugin, termasuk pemasangan dari indeks plugin khusus serta kontrol untuk mengaktifkan, menonaktifkan, menghapus, dan memperbarui plugin. Titik masuk baru memungkinkan pengguna meminta agen membuat plugin, yang mulai dijalankan setelah permintaan dikirim.

Penambahan lain menyasar pekerjaan pengembangan sehari-hari. Plugin Git Worktrees eksperimental memungkinkan agen membuat dan masuk ke checkout repositori terpisah, sehingga tersedia ruang kerja terisolasi untuk mengolah berkas. Alat working_directory memungkinkan perangkat lunak memeriksa atau mengubah folder yang digunakan dalam suatu sesi.

Rilis ini juga melanjutkan dukungan eksperimental untuk Claude Code Mods. Pengembangan tersebut menyusul uji kompatibilitas Oktober, ketika tiga contoh mod dapat dijalankan dan empat lainnya belum memiliki kapabilitas yang diperlukan. Tujuannya tetap menguji kesesuaian antarmuka ekstensi Claude Code dengan plugin DeepSeek Harness; kompatibilitas praktis penuh masih belum tercakup dalam eksperimen saat ini.

Bagi pengembang, peningkatan model dan harness menjawab kebutuhan yang berbeda. Model menentukan tindakan yang harus dilakukan, sedangkan harness menyediakan kontrol untuk mengelola berkas, ekstensi, dan eksekusi.

Search menemukan halaman, Fetch membacanya

Search dan Fetch menjalankan tugas yang berbeda. Search menerima kueri dan mengembalikan hasil web terstruktur. Fetch mengambil satu halaman web dan mengembalikan judul serta isinya dalam Markdown, format teks biasa yang mempertahankan struktur dasar seperti judul dan daftar.

Agen riset dapat menggunakan Search untuk menemukan pengumuman terbaru suatu perusahaan, lalu memanggil Fetch untuk membaca halaman yang dipilih. Agen coding dapat mengikuti pola serupa untuk menemukan dokumentasi dan memasukkan teks yang relevan ke dalam tugasnya. Setiap panggilan yang berhasil ke salah satu layanan dihitung secara terpisah.

Pengembang dapat menggunakan kredensial API DeepSeek yang sudah dimiliki. Kedua antarmuka memakai host API dan autentikasi Bearer yang sama, artinya permintaan menyertakan token akses untuk mengidentifikasi akun. Endpoint-nya adalah POST /v1/tools/search dan POST /v1/tools/fetch.

Search menerima kueri hingga 128 karakter dan mengembalikan antara satu hingga 50 hasil, dengan 10 sebagai jumlah bawaan. Opsinya mencakup permintaan konten halaman dan penggunaan operator seperti site:, lang:, after:, dan before: untuk mempersempit hasil berdasarkan situs web, bahasa, atau tanggal.

Kolom hasil mencakup judul, alamat web, ringkasan, tanggal publikasi jika tersedia, serta informasi untuk membantu model mengurutkan dan menilai halaman. Informasi itu mencakup skor pemeringkatan ulang dari nol hingga tiga dan tingkat otoritas dari nol hingga empat. Ringkasan yang lebih panjang dan teks lengkap opsional memberi aplikasi lebih banyak bahan sebelum mengirim permintaan berikutnya.

Cakupan biaya pencarian

Biaya Search dikenakan ketika permintaan berhasil dan mengembalikan daftar hasil yang tidak kosong. Biaya Fetch dikenakan ketika layanan berhasil mengembalikan konten halaman dengan respons HTTP 200, kode status standar untuk permintaan web yang berhasil. Permintaan yang gagal, hasil kosong, dan waktu tunggu yang habis tidak dikenai biaya.

Jumlah hasil pencarian yang diminta tidak mengubah harga satu panggilan Search yang berhasil. Karena itu, permintaan yang mengembalikan 50 hasil dikenai biaya Search yang sama dengan permintaan yang mengembalikan 10 hasil. Pengambilan halaman pilihan setelahnya akan menambah biaya untuk setiap panggilan Fetch yang berhasil.

Sebagai contoh, 1.000 permintaan Search yang berhasil dan 1.000 permintaan Fetch yang berhasil akan berbiaya $1,50 menurut tarif dolar, atau 10 yuan menurut tarif di China. Perhitungan itu mencakup dua layanan pengambilan informasi tersebut. Aktivitas model apa pun untuk merencanakan pencarian atau membaca teks yang dikembalikan memiliki biaya penggunaan tersendiri.

Setiap akun dibatasi hingga lima permintaan per detik untuk Search dan lima per detik untuk Fetch, dengan kedua layanan dihitung secara terpisah. Fetch juga memiliki batas tambahan berdasarkan domain. Permintaan yang melampaui batas menerima HTTP 429, respons yang memberi tahu aplikasi bahwa permintaannya dikirim terlalu cepat.

Batas ini penting saat beberapa agen berjalan sekaligus. Aplikasi perlu mengatur laju permintaan dan menangani kegagalan sementara, terutama ketika banyak tugas mencoba mengambil halaman dari situs web yang sama.

Mesin di balik antarmuka publik

Pengumuman rilis berbahasa Mandarin DeepSeek menyebutkan bahwa mesin pencarinya sudah mendukung situs web dan API perusahaan, dengan menangani ratusan juta permintaan setiap hari dari seluruh dunia. Antarmuka yang kini dibuka memberi pengembang akses ke layanan yang sudah tersedia tersebut.

Perusahaan mengatakan mesin itu mengindeks ratusan miliar halaman web dan mendukung pencarian dalam berbagai bahasa. DeepSeek menggambarkan hasilnya sebagai pilihan berdasarkan relevansi, otoritas, dan kebaruan, dengan penyaringan yang ditujukan untuk mengatasi manipulasi pencarian dan konten buatan AI berkualitas rendah.

DeepSeek secara khusus menyebut kecurangan SEO dan manipulasi GEO sebagai sasaran. SEO berarti optimisasi mesin pencari, yaitu praktik untuk mempermudah konten ditemukan melalui pencarian. GEO merujuk pada upaya memengaruhi informasi yang diambil atau dimasukkan sistem AI generatif ke dalam jawabannya. Manipulasi dapat dilakukan dengan membuat halaman tampak lebih berguna atau berwibawa daripada yang sebenarnya ditunjukkan oleh isinya.

Bagi aplikasi AI, mutu pengambilan informasi memengaruhi setiap langkah berikutnya. Model yang menulis jawaban atau membangun perangkat lunak mungkin mengandalkan halaman yang dipilih layanan pencarian. DeepSeek memosisikan penyaringan dan pemeringkatannya sebagai bagian dari layanan yang diterima pengembang, selain kemampuan pencarian dasarnya.

Bobot terbuka dan pilihan penerapan

DeepSeek telah menerbitkan bobot model V4.1-Flash-1017 di Hugging Face dan ModelScope. Bobot adalah pengaturan numerik yang dipelajari selama pelatihan. Ketersediaan unduhan memungkinkan pengembang menjalankan model pada infrastruktur yang mereka kendalikan, alih-alih sepenuhnya mengandalkan layanan terkelola.

Rilis ini disebut menggunakan lisensi MIT dan mencakup kode inferensi serta petunjuk penerapan. Inferensi adalah proses menjalankan model terlatih untuk menghasilkan jawaban. Materi tersebut memberi organisasi opsi untuk mengoperasikan model sendiri, sesuai kapasitas komputasi mereka.

Arsitektur V4.1 Flash yang mendasarinya mendukung masukan teks dan gambar, jendela konteks satu juta token, serta keluaran hingga 384.000 token. Token adalah unit informasi kecil, sering kali berupa kata atau potongan kata. Jendela konteks yang lebih besar memungkinkan model menerima lebih banyak materi dalam satu tugas, seperti kode, instruksi, dan teks referensi.

Pengembang yang tetap menggunakan API terkelola dapat memakai nama model deepseek-flash. Mengunduh model dan menggunakan layanan Search dan Fetch terkelola merupakan pilihan penerapan yang terpisah: organisasi dapat mengendalikan lokasi inferensi model sekaligus menentukan secara mandiri cara mengambil informasi web terkini.

Tanggal penting bagi pengembang

Jadwal rilis DeepSeek menghubungkan peluncuran Flash pertama, pembaruan Oktober, dan dimulainya penagihan layanan pengambilan informasi. Tanggal-tanggal utamanya adalah:

• 10 September 2026: V4.1 Flash dirilis.
• 3 Oktober 2026: DeepSeek Harness v0.2.1-alpha.1 memperkenalkan kompatibilitas eksperimental dengan Claude Code Mods.
• 17 Oktober 2026: V4.1-Flash-1017 serta antarmuka publik Search dan Fetch diumumkan.
• 31 Oktober 2026, pukul 16.00 UTC: Penagihan dimulai untuk panggilan Search dan Fetch yang memenuhi syarat melalui alat yang berjalan di server DeepSeek.
• 1 November 2026, pukul 00.00 waktu Beijing: Perubahan penagihan yang sama berlaku menurut waktu setempat di China.

Pengecualian sementara berlaku untuk panggilan tertentu melalui alat di DeepSeek Harness, Claude Code, dan Codex. Pengembang yang mengirim permintaan langsung sebaiknya membuat anggaran berdasarkan harga yang diumumkan untuk permintaan berhasil. Peluncuran 17 Oktober menghadirkan pembaruan coding dan layanan pengambilan informasi sekaligus; tenggat pada November menjadi perubahan konkret berikutnya bagi pengguna alat yang mendapat pengecualian.

Poin-Poin Utama

• V4.1-Flash-1017 memperbarui situs web, aplikasi, dan API DeepSeek dengan fokus pada pengembangan proyek lengkap.
• Evaluasi DeepSeek menunjukkan skor DeepSWE naik dari 74,2 menjadi 77,0 dan Terminal-Bench dari 31,2 menjadi 42,3.
• DeepSeek menyarankan penggunaan Harness versi 0.2.1-rc.1 atau yang lebih baru.
• Search menemukan halaman web; Fetch mengambil judul dan konten satu halaman.
• Setiap layanan berbiaya $0,75, atau 5 yuan menurut tarif di China, per 1.000 permintaan berhasil. Permintaan gagal, hasil kosong, dan waktu tunggu yang habis tidak dikenai biaya.
• Panggilan yang memenuhi syarat melalui alat tetap gratis hingga tengah malam waktu Beijing pada 1 November 2026.
• Bobot model yang diperbarui tersedia melalui Hugging Face dan ModelScope.