DeepSeek V4-Flash-0731 : Réentraîné, sous licence MIT, et dépassant Pro dans les benchmarks

Introduction

Le rythme de publication de DeepSeek est devenu l’un des rendez-vous les plus fiables de l’infrastructure IA. Le 31 juillet 2026, l’entreprise a publié DeepSeek V4-Flash-0731, une version réentraînée du modèle DeepSeek V4-Flash dont la première préversion remontait à avril (Source : MarkTechPost — DeepSeek Upgrades DeepSeek V4-Flash-0731 with Major Agentic and Coding Gains). L’architecture du modèle est inchangée : il s’agit toujours d’une conception mélange d’experts (MoE) de 284 milliards de paramètres avec 13 milliards de paramètres actifs par jeton. Ce qui a changé, c’est le post-entraînement — une phase renforcée d’apprentissage par renforcement ciblant le suivi d’instructions, l’utilisation d’outils et le raisonnement agentique.

Le résultat est un modèle qui surpasse le propre V4-Pro-Preview de DeepSeek sur neuf benchmarks publiés, est distribué avec des poids sous licence MIT, et coûte 0,14 $ par million de jetons en entrée. Dans un domaine où « poids ouverts » et « performance de pointe » cohabitent rarement, la version 0731 mérite un examen approfondi.

Ce qui a changé dans le réentraînement 0731

DeepSeek V4-Flash-0731 n’est pas une nouvelle architecture. Il conserve le même squelette MoE de 284G — 13G de paramètres actifs par passe avant — livré en avril. La totalité du delta réside dans le post-entraînement.

La préversion d’avril était déjà solide en raisonnement brut (MMLU, MATH, benchmarks de code) mais montrait des faiblesses sur les tâches agentiques multitours : orchestration d’outils, opérations sur le système de fichiers, planification à long terme. DeepSeek a corrigé cela par une phase élargie d’apprentissage par renforcement qui, selon les notes de publication, a spécifiquement ciblé la fidélité au suivi d’instructions, la précision des appels d’outils en contexte étendu, et le raisonnement par chaîne de pensée sur des flux de travail multi-étapes (Source : TechTimes — DeepSeek Retrained V4-Flash, Beats Its Flagship Pro on Nine Agent Benchmarks).

Le modèle conserve une fenêtre de contexte de 1M de jetons avec une sortie maximale de 384K — des paramètres identiques à ceux d’avril. La différence réside entièrement dans ce que le modèle fait à l’intérieur de cette fenêtre.

Analyse des benchmarks

Le chiffre annoncé est frappant : V4-Flash-0731 dépasse V4-Pro-Preview, le modèle phare plus coûteux de DeepSeek, sur neuf benchmarks d’agents et de code. Voici les chiffres.

Benchmarks agents et code : préversion d’avril vs 0731

Benchmark	Préversion d’avril	V4-Flash-0731	Gain	V4-Pro-Preview
Terminal-Bench 2.1	56.9	82.7	+25.8	Inférieur à 82.7
DeepSWE	7.3	54.4	+47.1	Inférieur à 54.4
Cybergym	38.7	76.7	+38.0	Inférieur à 76.7
Toolathlon-Verified	49.7	70.3	+20.6	Inférieur à 70.3
NL2Repo	39.4	54.2	+14.8	Inférieur à 54.2
Agents’ Last Exam	15.8	25.2	+9.4	Inférieur à 25.2

Le gain moyen sur ces six benchmarks nommés publiquement est d’environ 26 points. Le saut le plus important — DeepSWE — a connu un bond de 47,1 points, passant de 7,3 à 54,4, faisant passer le modèle de « à peine fonctionnel » à « utilisable » sur des tâches d’ingénierie logicielle. Terminal-Bench 2.1 a grimpé de 25,8 points pour atteindre 82,7, le plaçant à portée des modèles propriétaires de pointe (Source : MarkTechPost — DeepSeek Upgrades DeepSeek V4-Flash-0731 with Major Agentic and Coding Gains).

Deux benchmarks internes supplémentaires — DSBench-FullStack (68,7) et DSBench-Hard (59,6) — apparaissent dans les documents de publication de DeepSeek mais manquent de validation externe. Ils n’existent dans aucun classement public ni aucun cadre de reproduction par un tiers, ce qui limite leur poids probant.

Corroboration indépendante

Artificial Analysis, une plateforme d’évaluation indépendante des modèles, a rapporté un bond d’environ 10 points sur son Intelligence Index pour V4-Flash-0731 par rapport à la préversion d’avril (Source : Artificial Analysis — DeepSeek V4-Flash). Bien que ce gain soit plus modeste que les sauts sur les benchmarks spécifiques aux agents, il est cohérent dans la direction et provient d’un évaluateur indépendant, ce qui renforce la crédibilité de la tendance générale.

L’astérisque Terminal-Bench

Le score de 82,7 sur Terminal-Bench 2.1 appelle une mise en garde. Selon la divulgation de DeepSeek elle-même, ce résultat a été obtenu avec « DeepSeek Harness » en mode minimal avec un effort de raisonnement maximal — un système d’échafaudage interne non publié. Terminal-Bench évalue les agents de codage en tant que systèmes complets (modèle plus harnais), et non des modèles isolés. Un score obtenu avec un échafaudage propriétaire et indisponible n’est pas reproductible indépendamment, et des benchmarks tiers utilisant un outillage standard produiront probablement des chiffres différents (Source : TechTimes — DeepSeek Retrained V4-Flash, Beats Its Flagship Pro on Nine Agent Benchmarks).

Cela n’invalide pas les résultats — DeepSeek divulgue l’existence du harnais — mais cela signifie que l’écart entre le 0731 et les modèles concurrents mesurés avec des harnais différents sur les mêmes benchmarks n’est pas une comparaison parfaitement équivalente.

API Responses native et intégration Codex CLI

Pour les développeurs qui vivent dans le terminal, le changement le plus conséquence de la version 0731 n’est peut-être pas un chiffre de benchmark mais un indicateur API : wire_api = responses.

V4-Flash-0731 est livré avec un support natif pour le format wire de l’API OpenAI Responses. Cela élimine la couche de traduction chat-completions qui s’interposait auparavant entre les points de terminaison de DeepSeek et les outils attendant la sémantique de l’API Responses — notamment le Codex CLI d’OpenAI (Source : Daniel Vaughan — DeepSeek V4-Flash-0731: Native Codex Support, MIT Open Weight, Agent Economics).

Pour les utilisateurs de Codex CLI, la conséquence pratique est simple :

Avant 0731 : Utiliser DeepSeek avec Codex nécessitait un proxy via chat-completions, une solution de contournement qui introduisait des frictions avec le formatage des appels d’outils, les schémas de sortie structurée et l’état de conversation multi-tour.
Avec 0731 : Codex dialogue directement avec l’API DeepSeek via le format wire Responses. Les appels d’outils, les sorties structurées et les boucles multi-tours fonctionnent nativement sans calque de traduction.

Le guide de configuration de Daniel Vaughan confirme qu’en déposant une clé API DeepSeek et un point de terminaison dans Codex avec wire_api = responses, on obtient des boucles agentiques fonctionnelles directement (Source : Daniel Vaughan — DeepSeek V4-Flash-0731: Native Codex Support, MIT Open Weight, Agent Economics).

DeepSeek a également annoncé que V4-Pro bénéficiera de la prise en charge de l’API Responses début août 2026, ce qui suggère qu’il s’agit d’une migration à l’échelle de la plateforme plutôt qu’une fonctionnalité réservée à Flash.

Licence et auto-hébergement

DeepSeek a publié les poids de V4-Flash-0731 sur Hugging Face sous licence MIT — l’une des licences open-source les plus permissives disponibles (Source : Hugging Face — DeepSeek V4-Flash-0731). Le dépôt contient 48 fragments Safetensors pour environ 160 Go en précision mixte FP4/FP8.

La licence MIT n’impose pratiquement aucune restriction : vous pouvez utiliser les poids à des fins commerciales, les modifier, les redistribuer et les incorporer dans des systèmes propriétaires sans obligation d’attribution ni de licence réciproque. Pour les entreprises qui sont restées sur la touche en raison d’incertitudes sur les licences d’autres modèles à poids ouverts, c’est un véritable différenciateur.

L’auto-hébergement est réalisable mais non trivial. Le modèle nécessite environ 160 Go de VRAM à la précision distribuée, ce qui correspond à des configurations 2×H100 (80 Go) ou 4×A100 (40 Go). Unsloth fournit des chemins de quantification optimisés et des guides de déploiement pour faire tourner les modèles de la famille DeepSeek V4 sur du matériel grand public et semi-professionnel (Source : Unsloth Documentation — DeepSeek V4). La plateforme felloai propose également un hébergement géré avec une tarification au jeton comparable à celle de l’API de DeepSeek (Source : felloai — DeepSeek V4).

Économie des agents : prix au jeton vs coût par tâche acceptée

La grille tarifaire de DeepSeek V4-Flash-0731 raconte une histoire :

Tranche	Prix par million de jetons
Entrée	0,14 $
Sortie	0,28 $
Entrée en cache	0,0028 $

À titre de comparaison, l’entrée non mise en cache de GPT-4.1 est à 2,00 $/M, Claude Opus 4 à 15,00 $/M en entrée — des ratios de prix de 14× et 107× respectivement. Sur la base du coût brut des jetons, DeepSeek évolue dans un univers tarifaire totalement différent.

Mais le prix au jeton n’est pas la bonne métrique pour les charges de travail agentiques. Une session de codage agentique n’est pas une réponse unique en un tour ; c’est une boucle. Le modèle génère un appel d’outil, le harnais l’exécute, le résultat est réinjecté dans le contexte, et le cycle se répète — souvent des dizaines de fois — gonflant le nombre total de jetons bien au-delà de ce qu’une conversation en un seul tour consommerait.

Ce que coûte une véritable exécution d’agent

Prenons une session agentique de 20 millions de jetons avec un ratio entrée/sortie de 3:1 et un taux de hit cache de 30 % :

Total jetons : 20 000 000
Entrée (75 % des jetons) : 15 000 000 — dont 4 500 000 tombent dans le cache
Sortie (25 % des jetons) : 5 000 000

Composant	Jetons	Coût
Entrée non cachée	10 500 000	1,47 $
Entrée en cache	4 500 000	0,01 $
Sortie	5 000 000	1,40 $
Total	20 000 000	~2,88 $

C’est moins de 3 $ pour une session agentique complète qui peut produire une branche de fonctionnalité, corriger un bogue sur plusieurs fichiers ou remanier un module. La même session sur Claude Opus 4 pourrait atteindre 150 à 200 $, et sur GPT-4.1, environ 30 à 40 $.

La métrique qui devrait remplacer le coût par jeton dans l’économie des agents est le coût par tâche acceptée — c’est-à-dire le coût total de session divisé par le nombre de tâches que l’agent a accomplies correctement du premier coup. Un modèle qui coûte 10× plus cher au jeton mais réussit du premier coup plus de 10× plus souvent peut encore l’emporter sur cette métrique. Mais la tarification de DeepSeek est suffisamment agressive pour que même un taux de réussite de 50 % à 3 $ la session puisse concurrencer un taux de 90 % à 40 $ la session, surtout pour les charges de travail où la révision humaine est peu coûteuse par rapport au calcul.

Tarification en heures de pointe (en attente)

DeepSeek a annoncé une tarification en heures de pointe à 2× le tarif de base pendant les heures ouvrables de Pékin, mais ce surcoût n’est pas encore activé. Quand il entrera en vigueur, il affectera de manière disproportionnée les charges de travail agentiques qui tournent pendant la journée en Asie-Pacifique — une considération pour les pipelines CI/CD mondiaux et les agents de codage autonomes.

Reproductibilité : le problème du harnais

Un nombre croissant de recherches soutient que l’évaluation des agents de codage comme s’il s’agissait de modèles — en rapportant un score unique et en l’attribuant au LLM — est méthodologiquement erronée. L’article de position de Tessl, présenté à l’atelier SE 3.0 de KDD 2026, l’affirme explicitement : un agent de codage est un système composé d’un modèle, d’un harnais (échafaudage) et d’un environnement. Les scores de benchmark amalgament les trois (Source : arXiv:2606.17799 — Tessl Position Paper, SE 3.0 Workshop, KDD 2026).

Cela complique l’interprétation des résultats de V4-Flash-0731 de deux manières :

Le harnais DeepSeek n’est pas publié. Le score de 82,7 sur Terminal-Bench 2.1 a été obtenu avec un échafaudage propriétaire qu’aucun tiers ne peut reproduire. Les évaluations indépendantes utilisant des harnais standards (l’échafaudage officiel de SWE-bench, les frameworks agentiques open-source) pourraient produire des chiffres matériellement différents.
Variance du harnais entre évaluations. Même lorsque les modèles sont comparés sur le même benchmark, les différences dans le harnais de l’agent — logique de réessai, sélection des outils, formatage des invites, gestion du contexte — produisent une variance de score qui peut dépasser les différences entre modèles. Un écart de 5 points entre deux modèles sur Terminal-Bench peut être moins significatif qu’un écart de 15 points causé par des différences de harnais.

La leçon à retenir n’est pas que les benchmarks de V4-Flash-0731 sont invalides, mais qu’ils doivent être lus comme des mesures niveau système, et non comme des évaluations pures du modèle. Le modèle a obtenu ces scores à l’intérieur du harnais de DeepSeek ; vos résultats à l’intérieur du vôtre varieront.

Implications

Pour l’IA open-source

DeepSeek V4-Flash-0731 sous licence MIT est le modèle agentique à poids ouverts le plus performant disponible en août 2026. Il égale ou dépasse le modèle phare à poids fermés de DeepSeek sur les tâches agentiques tout en étant exempt des frictions de licence qui ont maintenu les entreprises prudentes vis-à-vis des modèles de la famille Llama (politique d’utilisation acceptable de Meta) ou de Qwen (conditions d’Alibaba). Pour les entreprises qui construisent des agents de codage internes, l’option d’auto-hébergement avec 160 Go de VRAM est à la portée d’une seule machine de classe DGX.

Pour les laboratoires de pointe

La pression sur les prix est réelle. OpenAI et Anthropic ne peuvent pas rivaliser sur le coût brut des jetons — leur modèle économique ne le leur permet pas. Leur parade doit porter sur la fiabilité : le taux de réussite au premier essai, la cohérence sur des tâches variées, et la qualité du harnais agentique. Si DeepSeek parvient à pousser son taux de réussite au premier essai vers la parité tout en maintenant un avantage de coût de 10 à 100×, le niveau « premium » devient plus difficile à justifier pour quiconque exécute des charges de travail agentiques à haut volume.

Pour l’infrastructure agentique

La prise en charge native de l’API Responses est un signal. Alors que les outils agentiques convergent autour du format wire de l’API OpenAI Responses comme standard de fait, les fournisseurs qui le supportent nativement gagnent une compatibilité immédiate avec le segment à la croissance la plus rapide de l’infrastructure IA — les agents de codage en terminal. Le fait que DeepSeek livre cela dès juillet et promette la même chose pour V4-Pro en août suggère que l’entreprise comprend que la compatibilité API, pas seulement la qualité du modèle, détermine l’adoption dans l’écosystème agentique.

FAQ

Q : Est-ce que V4-Flash-0731 est une nouvelle architecture de modèle ?

Non. C’est la même architecture MoE de 284G (13G actifs par jeton) que la préversion d’avril 2026. Les changements se situent entièrement dans le post-entraînement : un RL renforcé pour le suivi d’instructions, l’utilisation d’outils et le raisonnement agentique. Pensez-y comme une mise à jour logicielle majeure sur un matériel existant.

Q : Puis-je exécuter V4-Flash-0731 sur mon propre matériel ?

Oui — les poids sous licence MIT sont sur Hugging Face sous forme de 48 fragments Safetensors à environ 160 Go (précision mixte FP4/FP8). Vous aurez besoin d’environ 160 Go de VRAM, ce qui correspond à 2×H100 ou 4×A100. Unsloth fournit des chemins de quantification optimisés pour des configurations plus petites.

Q : Qu’est-ce que l’API Responses et pourquoi est-ce important ?

L’API OpenAI Responses est un format wire conçu pour les interactions agentiques multi-tours — elle gère nativement les appels d’outils, les sorties structurées et l’état de conversation. Codex CLI (l’agent de codage en terminal d’OpenAI) utilise ce format. En le supportant directement (wire_api = responses), DeepSeek élimine la couche de traduction chat-completions, ce qui en fait un remplaçant direct pour les utilisateurs de Codex.

Q : Comment dois-je penser la tarification de DeepSeek pour les charges de travail agentiques ?

Ne raisonnez pas en coût par jeton — raisonnez en coût par tâche acceptée. Une session agentique complète (environ 20M de jetons avec un ratio entrée:sortie de 3:1) coûte à peu près 3 $ sur DeepSeek avant les remises de cache. La même session sur les modèles premium coûte 30 à 200 $. La question est de savoir si le taux de réussite plus élevé au premier essai des modèles premium justifie la prime de 10 à 100×. Pour de nombreuses charges de travail, la réponse est de plus en plus « non ».

Q : Les scores de benchmark sont-ils reproductibles ?

Partiellement. Le score de 82,7 sur Terminal-Bench 2.1 a été obtenu avec le « DeepSeek Harness » non publié — un échafaudage propriétaire non disponible aux tiers. Des évaluations indépendantes sur des harnais standards produiront probablement des chiffres différents. Le gain sur l’intelligence index d’Artificial Analysis (environ 10 points) fournit une corroboration indépendante de l’amélioration, mais pas à l’ampleur rapportée par DeepSeek pour des benchmarks agentiques spécifiques.