AI & computing › Agentic AI & autonome agents
Deepseek lanceert snellere Flash-AI die duurdere concurrenten verslaat in codeertaken
Het Chinese AI-bedrijf Deepseek heeft een nieuwe versie van zijn Flash-model uitgebracht die volgens eigen tests beter scoort op programmeer- en agenttaken dan veel grotere en duurdere modellen van concurrenten. Opvallend is vooral de prijs: één taak kost nog maar enkele dubbeltjes, terwijl rivalen vaak meerdere euro's per taak rekenen.
Deepseek heeft zijn model Deepseek-V4.1-Flash-1017 gelanceerd. Het is beschikbaar via de website, app en API van het bedrijf, en de broncode en modelgewichten staan gratis online op de platforms Hugging Face en ModelScope. Dat laatste betekent dat ontwikkelaars overal ter wereld het model zelf kunnen downloaden, aanpassen en gebruiken, zonder daarvoor te betalen aan Deepseek.
Beter, sneller en goedkoper dan de voorganger
Volgens Deepseek presteert de nieuwe versie op vrijwel elk gebied beter dan het vorige Flash-model. Het model werkt sneller, geeft kortere antwoorden en is toch nauwkeuriger. Dat is belangrijk, want bij AI-modellen die via een API worden aangeroepen, betalen gebruikers doorgaans per hoeveelheid gegenereerde tekst. Kortere, raak geformuleerde antwoorden besparen dus direct geld.
Op een bekende test voor zogeheten agentic coding, waarbij een AI zelfstandig programmeertaken moet uitvoeren, haalde het nieuwe model een score van 77 procent bij een gemiddelde kostprijs van net onder de 20 dollarcent per taak. In een zuinigere instelling daalt de prijs naar ongeveer 10 dollarcent, bij een score van 72 procent. De voorganger kwam op een vergelijkbare score van 74,2 procent, maar kostte toen nog ongeveer 50 dollarcent per taak.
Grotere namen als Claude en GPT worden verslagen
Deepseek vergelijkt zijn nieuwe model ook met grotere, bekendere concurrenten: Claude Opus 5 van Anthropic, GPT 5.6-Sol van OpenAI, en de Chinese modellen Kimi K3 en GLM 5.3. Op meerdere programmeer- en agenttaken zou het kleinere Deepseek-model die grotere rivalen overtreffen. Bovendien liggen de kosten per taak bij concurrenten vaak tussen de 2 en meer dan 10 dollar, terwijl geen van die modellen de nauwkeurigheid van Deepseek's goedkopere model evenaart. Belangrijk is wel dat dit cijfers zijn die Deepseek zelf heeft gepubliceerd. Onafhankelijke tests zijn er nog niet, en benchmarks vertellen niet het hele verhaal: hoe goed gegenereerde code daadwerkelijk werkt in de praktijk, kan daarvan afwijken.
Eigen zoekmachine wordt publiek toegankelijk
Naast het nieuwe taalmodel opent Deepseek ook zijn interne zoekmachine voor andere ontwikkelaars, via nieuwe Search- en Fetch-API's. Volgens het bedrijf verwerkt deze zoekmachine wereldwijd al honderden miljoenen zoekopdrachten per dag. Elke aanroep van de nieuwe diensten kost 0,75 dollar per duizend keer. Tot en met 31 oktober 2026 kunnen ontwikkelaars de functies gratis uitproberen via ontwikkelomgevingen als Deepseek Harness, Claude Code en Codex. Het nieuws komt op een moment dat de Chinese overheid naar verluidt juist strengere regels overweegt voor het vrij vrijgeven van opensource-AI-modellen, vooral als die tot de tien krachtigste systemen ter wereld behoren. Dat kan gevolgen hebben voor hoe vrij Deepseek in de toekomst nog modellen kan blijven delen.
Achtergrond & begrippen
Wat betekent dit voor de toekomst? Doordat AI-modellen als dit Deepseek-model steeds goedkoper en efficiënter worden in het zelfstandig uitvoeren van complexe taken zoals programmeren, kunnen bedrijven en ontwikkelaars AI op grotere schaal inzetten zonder hoge kosten. Dit versnelt de opmars van AI-assistenten die hele software-projecten kunnen bouwen, en verlaagt de drempel voor kleinere bedrijven om hiermee te experimenteren.
- Agentic AI
- AI die zelfstandig meerdere stappen uitvoert om een taak te voltooien, zoals het bouwen van een complete applicatie, zonder bij elke stap menselijke input nodig te hebben.
- Open-weight model
- Een AI-model waarvan de onderliggende parameters (de 'gewichten') publiek beschikbaar zijn, zodat iedereen het kan downloaden en zelf gebruiken of aanpassen.
- Reinforcement learning met self-feedback (RLSF)
- Een trainingsmethode waarbij een AI-model leert door zijn eigen betrouwbaarheidsscores of zelfgegenereerde kritiek te gebruiken als beloningssignaal, in plaats van menselijke beoordelaars.
- Benchmark
- Een gestandaardiseerde test waarmee de prestaties van verschillende AI-modellen onderling vergeleken kunnen worden.
- API
- Een technische interface waarmee ontwikkelaars software kunnen laten communiceren met een extern systeem, zoals een AI-model of zoekmachine.
- Pareto-verbetering
- Een situatie waarin iets beter wordt op het ene vlak (zoals prestaties) zonder dat dit ten koste gaat van iets anders (zoals kosten).
Bronnen
Dit artikel is met behulp van AI geschreven op basis van bovenstaande bronnen en is geen letterlijke vertaling. Zo werkt onze redactie.
