DeepSeek vernieuwt Flash en opent Search & Fetch; lokale LLM-kiezer toont harde meetgrenzen

DeepSeek heeft V4.1-Flash-1017 uitgebracht als open model onder MIT-licentie, met een referentie-encoder voor de promptindeling. De eigen cijfers tonen vooral winst op agent- en codingtests, maar zijn geen onafhankelijke validatie. Tegelijk maken een benchmarkkaart voor arbeidstaken en een lokale-hardwareplanner dezelfde les praktisch: meet altijd de taak, context en runtime die je werkelijk nodig hebt.

DeepSeek vernieuwt Flash-model en opent tool-API’s

DeepSeek-V4.1-Flash-1017 is een nieuwe, volgens de maker kleinere update van V4.1 Flash, maar met aanzienlijk hogere eigen scores op onder meer Terminal-Bench 4.0 (42,3 tegenover 31,2), DeepSWE v1.1 (77,0 tegenover 74,2) en ProgramBench (29,1 tegenover 20,3). DeepSeek positioneert de versie ook als korter van stof en sneller per taak. De vergelijking gebruikt volgens de modelpagina Claude Code voor Terminal-Bench en Mini-SWE-V2 voor DeepSWE; het zijn dus geen harness-neutrale of onafhankelijke metingen.

Het praktischere nieuws voor integrators zit in de artefacten: de gewichten zijn MIT-gelicentieerd, de modelpagina bevat een Python-referentie voor meerbeurtengesprekken, toolcalls, thinking en beelden, plus Rust-libraries met Python-bindings voor dezelfde promptindeling. Inference, HTTP-transport en daadwerkelijke tooluitvoering blijven uitdrukkelijk de verantwoordelijkheid van de gebruiker. DeepSeek meldt daarnaast dat Search & Fetch via zijn API voor iedereen beschikbaar is, voor $0,75 per duizend calls.

Dat maakt dit een echte nieuwe evaluatiekandidaat, niet alleen een benchmarkpost. Test wel eerst je eigen toolcall-formaat, lange context en regressies: de documentatie adviseert een contextvenster van één miljoen tokens en ten minste 256K outputtokens, maar dat is geen uitspraak over geheugenbeslag of praktisch gedrag op jouw runtime. De claims over betere prestaties, kortere output en kosten komen van DeepSeek zelf.

Modelpagina met benchmarks, encoder en licentie · DeepSeek-aankondiging met Search & Fetch · HN-discussie

Benchmarkkaart: brede economische conclusies rusten op een smalle set taken

Mercor heeft 29 openbare of eigen agentbenchmarks gekoppeld aan de 18.797 taken in de Amerikaanse O*NET-taxonomie. Volgens de kaart heeft slechts 208 van 923 beroepen minstens één taak die door vijf of meer benchmarkprompts wordt geraakt; de auteurs ramen daaruit dat 90% van de Amerikaanse werkuren op taken met weinig of geen dekking valt.

De waarde zit niet in een uitspraak over de Nederlandse arbeidsmarkt — die volgt hier nadrukkelijk niet uit — maar in de meetmethode. Een modelscore op software-, finance- of researchtaken is geen algemene productiviteitsscore als de werkelijke workflow ook overdracht, controles, uitzonderingen en domeinkennis bevat. De onderzoekers zien bovendien dat hun selectie relatief vaak taken in beroepen met grote loonmassa en AI-blootstelling raakt.

De grenzen zijn expliciet. De inventaris is een zelfgekozen initiële set van 29 benchmarks; een LLM koppelt prompts aan O*NET-taken en een taak telt pas mee vanaf vijf gekoppelde prompts. De auteurs erkennen dat onvolledigheid de dekking omlaag kan vertekenen, dat het uitsluiten van verzadigde benchmarks óók bias geeft en dat begrippen als ‘economische realiteit’ subjectieve keuzes bevatten. Gebruik dit dus als argument voor een eigen taaksuite met foutkosten en menselijke review, niet als bewijs dat een model wel of niet een beroep kan vervangen.

Mercor: kaart, methode en beperkingen · HN-discussie

llmspeed onderscheidt gemeten lokale cijfers van schattingen

llmspeed wil hardwarekeuzes voor lokale LLM’s laagdrempeliger maken: je kiest een apparaat en model uit, waarna de site een korte-promptschatting voor één apparaat toont. De catalogus bevat onder meer RTX-kaarten, Strix Halo, Apple Silicon, AMD-kaarten, Arc Pro en enkele datacenter-GPU’s, met modellen als Qwen, GLM-5.3 Flash, DeepSeek V4 Flash en GPT-OSS.

Belangrijk is de kleine letter: alleen een deel van de getallen komt uit communitybenchmarks; andere waarden zijn afgeleid uit vergelijkbare opstellingen of uit specificaties. De site zegt dat zelf expliciet. Daarmee is het een bruikbare eerste filter voor VRAM- en snelheidsverwachtingen, geen aankoopcalculator.

De HN-discussie vult de ontbrekende dimensies goed aan: contextlengte, prefill, speculative decoding, parallelle requests, multi-GPU-topologie en runtimeversie kunnen de bruikbaarheid sterker veranderen dan een enkel tok/s-getal. Wie hardware overweegt, kan deze tool dus gebruiken om opties te beperken, maar moet daarna de exacte modelquant, engine, promptlengte en gelijktijdigheid testen — eventueel eerst kort op gehuurde hardware.

llmspeed · HN-discussie over context en configuratiegrenzen

Verder nog

• C++26 standaardiseert debuggertraps: de nieuwe header <debugging> krijgt std::breakpoint(), std::is_debugger_present() en std::breakpoint_if_debugging(). Daarmee hoeven projecten niet langer elk hun eigen #ifdef-mix rond int3, SIGTRAP of platformintrinsics te onderhouden; de functies zijn ook voor freestanding-omgevingen voorzien. Zonder debugger is het gedrag van breakpoint() implementatiegedefinieerd, dus vervang niet blind een bestaande foutafhandelingsroute. In de HN-discussie wordt bovendien een mogelijk UX-randgeval rond embedded INT3 en sommige debuggers besproken, geen vastgesteld standaarddefect. Uitleg en API-overzicht · HN-discussie
• Eufy HomeBase 2 onder de soldeerbout: onderzoekers analyseerden firmware 3.4.2.2h van één apparaat en beschrijven hoe de management-SSID OCEAN_… uit MAC-adresdelen wordt samengesteld, terwijl de WPA-sleutel uit NVRAM komt. De opgeslagen brontekst is afgekapt en het onderzoek concludeert in het zichtbare deel geen reproduceerbare kwetsbaarheid; behandel het dus als een hardware-reverse-engineeringverslag, niet als een security advisory voor alle Eufy-apparaten. Onderzoeksverslag · HN-discussie