Kenapa Update Kecil DeepSeek Ini Mengguncang Hacker News?

Bayangkan sebuah update software yang nomor versinya bahkan tidak naik mayor, tapi berhasil mengalahkan model raksasa sekelas Opus di benchmark coding.

Itulah yang terjadi kemarin. DeepSeek merilis V4.1-Flash-1017 pada 17 Oktober 2026, dan dalam hitungan jam thread-nya meroket ke puncak Hacker News dengan 844 poin dan 644 komentar.

Yang membuatnya menarik bukan cuma angkanya. Rilis ini menunjukkan arah baru perlombaan model AI: bukan siapa yang paling besar, tapi siapa yang paling cepat dan murah tanpa mengorbankan kualitas.

Apa yang Sebenarnya Dirilis DeepSeek?

DeepSeek-V4.1-Flash-1017 adalah pembaruan minor dari DeepSeek-V4.1-Flash. Bobot modelnya dibuka untuk umum di Hugging Face dan ModelScope dengan lisensi MIT, jadi siapa pun boleh mengunduh, menjalankan, bahkan memodifikasinya.

Menurut pengumuman resmi DeepSeek, versi ini membawa tiga peningkatan sekaligus: performa benchmark yang lebih kuat, penyelesaian task yang lebih cepat, dan output yang lebih pendek. Mereka menyebutnya Pareto improvement, artinya lebih baik di semua sisi tanpa ada yang dikorbankan.

Model ini juga langsung live di website, aplikasi, dan API DeepSeek. Jadi kamu tidak perlu menunggu untuk mencobanya.

Angka yang Bikin Kaget: Melibas Para Raksasa

Mari bicara angka, karena di sinilah kejutan terbesarnya. Pada benchmark DeepSWE v1.1 yang menguji kemampuan software engineering secara end-to-end, Flash-1017 mencetak skor 77,0.

Bandingkan dengan Opus 5 yang hanya 74,0 dan GPT-5.6 Sol di 73,0. Model open source mengalahkan dua raksasa proprietary di benchmark yang sama.

Di Terminal-Bench 4.0, lompatannya lebih dramatis: dari 31,2 di versi Flash sebelumnya menjadi 42,3. Benchmark ini menguji agen AI menjalankan perintah terminal sungguhan, jadi kenaikannya mencerminkan kemampuan praktis, bukan sekadar teori.

Skor lain yang patut dicatat: NL2Repo-Bench 68,2 dan Automation-Bench 60,5, keduanya naik signifikan dari versi sebelumnya. Context window-nya pun lega: 1 juta token.

Peningkatannya tidak cuma di coding. Menurut halaman Hugging Face-nya, model ini juga membaik di benchmark penalaran, tugas agen, dan visual, misalnya Chartography 83,0 dan BabyVision 92,5. DeepSeek merekomendasikan temperature 1,0 dan top_p 1,0 untuk sampling, dengan max_tokens minimal 256K.

Rahasianya: Kompresi KV Cache

Bagaimana update minor bisa selompat ini? Petunjuknya ada di judul technical report model Flash: Pushing the Limits of KV Cache Compression.

KV cache adalah memori yang dipakai model untuk mengingat konteks percakapan. Semakin efisien kompresinya, semakin cepat model berpikir dan semakin murah biaya komputasinya. DeepSeek mendorong teknik ini sampai batasnya.

Hasilnya terasa langsung: task selesai lebih cepat dan output lebih pendek. Output yang ringkas berarti token yang dibayar lebih sedikit, jadi performanya naik sementara biayanya turun. Itulah Pareto improvement yang mereka klaim.

Wish-Driven Programming: Dari Keinginan Jadi Game Utuh

DeepSeek memberi nama ambisius untuk kemampuan barunya: wish-driven programming. Idenya sederhana tapi berani: kamu sampaikan keinginan, model membangun proyek lengkap dari nol.

Mereka melatihnya dengan reinforcement learning plus self-feedback untuk pengembangan proyek end-to-end, dari pembuatan game sampai pemodelan 3D. Contoh resminya cukup gila: model 3D Kota Terlarang, game balap berbasis web, remake Portal 2 yang dibangun dengan engine Godot, dan scene 3D Valley of Ages.

Model ini dioptimasi untuk DeepSeek Harness, Tencent CodeBuddy, dan WorkBuddy.

DeepSeek menyarankan upgrade ke Harness v0.2.1-rc.1 atau lebih baru untuk pengalaman terbaik.

Kenapa Hacker News Heboh Sekali?

Thread perilisan ini mengumpulkan 844 poin dan 644 komentar di Hacker News, angka yang jarang dicapai pengumuman model. Komentar teratas mengungkap alasannya.

Banyak developer memuji kecepatannya. Token per detik yang tinggi dan waktu respons pertama yang singkat membuat agen coding terasa jauh lebih hidup. Ditambah keterbukaan modelnya: kamu bisa melihat rantai penalarannya dan tidak diblokir sembarangan.

Tentu ada juga suara skeptis. Sebagian memperdebatkan apakah kode yang dihasilkan model untuk proyek besar tetap rapi dalam jangka panjang. Tapi justru perdebatan seru inilah yang membuat thread-nya begitu ramai.

Satu komentar yang banyak disetujui menyebut DeepSeek terasa lebih baik karena tidak sok pintar: kode yang dihasilkan mirip tulisan developer sungguhan, sehingga kamu tetap memegang kendali atas arsitekturnya. Buat developer yang membangun software berlapis, sifat ini justru lebih berharga daripada sekadar skor benchmark.

Cara Kamu Mencobanya

Kabar baiknya, semua ini bisa kamu coba gratis. Bobot model tersedia di Hugging Face, dan modelnya juga sudah terdaftar di OpenRouter dengan nama deepseek-v4.1-flash-1017.

Bersamaan dengan rilis ini, DeepSeek membuka Search dan Fetch API untuk semua orang dengan harga 0,75 dolar per 1.000 panggilan. Menariknya, panggilan via server-side tools di Harness, Claude Code, dan Codex masih gratis untuk pengguna API sampai 31 Oktober 2026.

Buat yang suka eksperimen, DeepSeek juga merilis deepseek-recipe, sekumpulan library Rust dengan binding Python untuk encoding prompt, plus panduan menjalankan inferensi secara lokal. Library ini mengubah request Messages, Chat Completions, dan Responses API menjadi format percakapan DeepSeek, termasuk thinking, tool call, dan gambar.

Kalau kamu suka proyek berani seperti ini, lihat juga koleksi di /projects untuk inspirasi.