Deepseek strikes again

Item: Deepseek strikes again
Rating: 4
Author: PostSingularity Institute

DeepSeek frappe encore

par AI Search · Voir la chaîne sur PSI

Sciences formelles & physiques IA — Actualité & Applications UYInformatique UYQIntelligence artificielle (IA)

🎙 AI Search 👥 764K 📅 23 octobre 2026 ⏱ 27 min 👁 65K 📄 revue d'actualité 🧭 2026-10-23

Disponible en : Français (actuel) English

Mots-clés

DeepSeek V4.1DeepInferopen sourceagentic codingefficacité

Résumé

La vidéo passe en revue le nouveau modèle DeepSeek V4.1 Flash 1017, sorti le 17 octobre, et le moteur d’inférence open source DeepInfer. L’auteur réalise plusieurs tests pratiques : création d’une vidéo explicative avec un outil de motion graphics, génération d’un jeu 3D procédural dans Unreal Engine, composition musicale dans un DAW, reconstruction d’une propriété Airbnb en 3D, un test de détection d’animal dans une image (le fameux ‘frog test’), l’identification de tumeurs cérébrales, une recherche approfondie sur Alzheimer et une génération d’idées pour améliorer le bien-être animal. Le modèle se montre très performant, notamment sur le frog test qu’aucun autre modèle n’a réussi, mais il reste légèrement en deçà des modèles fermés comme GPT-6 Astra ou Claude Opus pour des tâches complexes. Les benchmarks indiquent des performances équivalentes à GPT-5.6 ou Claude Opus 4, avec un coût très faible (environ 6 dollars pour l’ensemble des tests). La vidéo aborde aussi les spécifications techniques : modèle de 552 milliards de paramètres avec 16 milliards actifs, et présente DeepInfer, le logiciel d’inférence maison, qui affiche 155 000 milliards de tokens par jour, un taux de cache de 96% et une marge estimée à 80%. DeepSeek a également ajouté le support des puces Huawei Ascend, offrant une alternative à Nvidia.

208 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur du contenu est principalement démonstrative : les tests concrets montrent les capacités réelles du modèle, ce qui est plus parlant que des benchmarks seuls. L’argumentation est structurée et comparative, avec des références aux modèles concurrents. L’auteur justifie les coûts par des statistiques d’utilisation. Cependant, l’évaluation est essentiellement qualitative et les résultats peuvent dépendre de versions spécifiques et de la configuration. Il manque une méthodologie rigoureuse pour répéter les tests.

Rigueur scientifique, qualité des sources, adéquation du titre

Les sources mentionnées sont les liens officiels vers le modèle sur Hugging Face, le dépôt GitHub pour DeepInfer, et une vidéo explicative. L’auteur cite des benchmarks comme Deep Suite 1.1 et Kernel Bench, mais ne fournit pas d’accès direct aux données. L’adéquation titre/contenu est bonne, le titre reflète exactement le sujet. Les commentaires montrent un public enthousiaste, notamment pour le frog test, mais aucun retour critique sur la méthodologie.

155 mots

Adéquation titre / contenu

Le titre correspond au contenu qui présente une nouvelle version du modèle DeepSeek et son moteur d'inférence.

Qualité & fiabilité

7/10

Test pratique solide, données de coût et benchmarks crédibles, mais pas de vérification indépendante des performances annoncées.

Chapitres

Sources citées

DeepSeek-V4.1-Flash-1017 sur Hugging Face — Page du modèle officiel, accès aux poids et documentation.
DeepInfer sur GitHub — Dépôt officiel du moteur d'inférence open source.
Vidéo explicative sur DeepSeek 4.1 — Vidéo précédente qui explique l'architecture du modèle.
AI Search - outils et emplois IA — Plateforme de l'auteur pour découvrir des outils IA.
Newsletter AI Search — Newsletter hebdomadaire de l'auteur.
Higgfield (sponsor) — Sponsor de la vidéo, outils de génération d'images et de vidéos.

Sources concordantes

GitHub DeepInfer — Preuve de la sortie du moteur d'inférence open source.

Références externes

nvda.ws

Apport & nouveautés

La vidéo apporte une évaluation pratique du modèle DeepSeek V4.1 et met en lumière l’ouverture du moteur d’inférence, ce qui est rare. Elle montre des réussites notables (frog test) et des limites claires. Le point important est la divulgation d’optimisations d’inférence qui sont habituellement gardées secrètes par les laboratoires fermés, ce qui pourrait influencer la recherche future.

Pour aller plus loin :

Mixture of experts — Architecture utilisée par DeepSeek pour activer seulement une partie des paramètres, expliquant son efficacité.
DeepSeek (entreprise) — Contexte sur l’entreprise et ses autres modèles.
Cache hit rate — Concept expliqué dans la vidéo, pas de page dédiée mais pertinent ici.
Huawei Ascend — Alternative aux puces Nvidia supportées par DeepInfer.

116 mots

Profil radar

Le profil radar est bien équilibré avec une forte quantité et qualité d'information, un niveau technique élevé et une fiabilité moyenne. La video est riche en contenu pratique mais repose sur des affirmations non vérifiées indépendamment.

Fiabilité 6/10

💬 Très positif : les commentaires expriment une enthousiasme marqué, particulièrement pour la réussite du 'frog test' et l'admiration pour l'ouverture de DeepSeek. Sur les 30 commentaires analysés, la grande majorité est positive et célèbre la performance du modèle.