Résultats de DeepSeek V4 Flash 0731 sur ARC-AGI
L'article présente les résultats du benchmark ARC-AGI pour le modèle DeepSeek V4 Flash 0731. Il renvoie à la page officielle des résultats hébergée par l'organisation ARC Prize.
DeepSeek publie V4-Flash-0731, surpassant V4-Pro à moindre coût
DeepSeek a publié DeepSeek-V4-Flash-0731, une version mise à jour de son modèle « Flash » plus petit qui surpasse le plus grand DeepSeek-V4-Pro sur des benchmarks indépendants. Cette publication utilise un nouveau processus de réglage fin tout en conservant l'architecture originale Mixture-of-Experts avec 284 milliards de paramètres au total.
DeepSeek-V4 Flash 0731 vs GPT-5.6 Luna sur DeepSWE : Coût et codage
Une comparaison entre DeepSeek-V4 Flash 0731 et GPT-5.6 Luna sur le benchmark DeepSWE révèle que, bien que GPT-5.6 Luna soit l'ingénieur le plus performant, une stratégie en cascade utilisant les deux modèles atteint une précision supérieure à un coût moindre.
Qwen 3.8 Max classé meilleur modèle global devant Opus 5 par Artificial Analysis
Artificial Analysis a mis à jour son indice agentic pour classer Qwen 3.8 Max comme le meilleur modèle global, le plaçant devant Opus 5.
SciCode-Verified corrige les défauts du benchmark pour révéler la véritable capacité de codage scientifique des modèles
Les auteurs identifient que les scores en plateau sur le benchmark SciCode proviennent de défauts significatifs dans l'instrument d'évaluation plutôt que de limitations dans la capacité des modèles. Un audit par des experts du domaine de 65 problèmes de test a révélé 263 défauts, dont 192 entraînant le rejet incorrect de solutions correctes en raison de problèmes tels que des réponses de référence non reproductibles et des tolérances excessivement serrées.
Alibaba annonce Qwen3.8-Max avec 2,4T de paramètres et des poids ouverts à venir
Alibaba a annoncé Qwen3.8-Max comme son nouveau modèle phare, le décrivant comme une architecture sparse de 2,4T de paramètres axée sur les travaux agents à long terme, la programmation et le raisonnement multimodal. L'entreprise a confirmé que les poids ouverts pour Qwen3.8-Max seront publiés la semaine prochaine, accompagnés de la variante à poids ouverts Qwen3.8-27B.
Qwen 3.8 Max marque 1588 au Debate Benchmark, en hausse par rapport aux 1462 de Qwen 3.7 Max
Qwen 3.8 Max atteint un score de 1588 au Debate Benchmark, améliorant le score de 1462 de Qwen 3.7 Max. Ce benchmark évalue la capacité des grands modèles de langage à soutenir un argument face à une opposition adversariale et multiround sur divers sujets.
DeepSeek v4 flash mène les modèles à poids ouvert en vitesse et coût sur les tâches agentic
Une évaluation interne des modèles à poids ouvert sur des tâches agentic complexes a révélé que DeepSeek v4 flash était l'option la plus rapide et la moins chère parmi ses pairs. Le test impliquait des workflows de longue durée sur plusieurs applications, évalués par des vérifications déterministes exigeant un succès complet.
Qwen3.8-Max égale Kimi K3 et DeepSeek V4 Flash sur les benchmarks
Qwen3.8-Max (2.4T) est un nouveau modèle à poids ouverts qui offre des performances très proches de celles de Kimi K3 et DeepSeek V4 Flash dans toutes les catégories de benchmarks, tout en démontrant une performance supérieure dans les tâches de codage et de logiciel.
Qwen 3.8-Max publié, classé #2 dans Vision Arena
Qwen 3.8-Max a été publié et occupe actuellement la position #2 dans le classement de Vision Arena, derrière seulement Claude Fable 5 Max.
DeepSeek-V4-Flash-0731 dépasse Fable-5, Sol et Kimi-K3 sur le benchmark d'échecs
L'article annonce que le modèle DeepSeek-V4-Flash-0731 a dépassé Fable-5, Sol et Kimi-K3 sur un benchmark d'échecs.
Levent Bulut évalue la fiabilité de l'annotation des LLM sur la projection objective
Levent Bulut a publié un benchmark composé de trois études évaluant la fiabilité des annotations générées par machine pour un corpus narratif turc, révélant d'importantes divergences entre les évaluateurs automatisés et le jugement humain. L'étude a testé six caractéristiques binaires sur 120 et 100 scènes en utilisant des détecteurs basés sur des règles et des modèles incluant Gemini 2.5 Flash, Grok, ChatGPT 5.5 et Claude Fable 5 High.
DeepSeek-V4-Flash-0731 atteint un score d'intelligence de 50
Le modèle DeepSeek-V4-Flash-0731 a atteint un score d'indice d'intelligence de 50, une métrique qui égale la performance des modèles de pointe de mars 2026, qui avaient un score de 51.
DeepSeek v4 flash à poids ouverts avec 284B totaux et 13B actifs force des baisses de prix
Un meme traduit circulant sur Reddit indique qu'un concurrent a dû réduire ses prix de 80% en raison de la pression concurrentielle de DeepSeek v4 flash. Ce modèle à poids ouverts dispose de 284 milliards de paramètres totaux et de 13 milliards de paramètres actifs, offrant des métriques supérieures de rapport qualité-prix.
DeepSeek V4 Flash GA occupe le même rang que Sonnet 5 et Grok 4.5 sur DeepSWE
DeepSeek affirme que son nouveau modèle généralement disponible, DeepSeek V4 Flash, atteint une parité de performance avec Anthropic's Sonnet 5 et xAI's Grok 4.5 sur le benchmark DeepSWE.
DeepSeek-V4-Flash-0731 dépasse DeepSeek-V4-Pro-Preview dans les benchmarks
Le modèle DeepSeek-V4-Flash-0731 surpasse désormais significativement DeepSeek-V4-Pro-Preview dans divers tests de benchmark.
DeepSeek V4-Flash atteint 50 à l'indice ArtificialAnalysis
Le nouveau modèle DeepSeek V4-Flash a obtenu un score de 50 à l'indice ArtificialAnalysis. Ce résultat le place à seulement un point en dessous de GLM-5.2 et GPT-5.6 Luna.
DeepSeek-V4-Flash-0731 bat GLM 5.2 au même coût
Le modèle DeepSeek-V4-Flash-0731 surpasse GLM 5.2 tout en maintenant le même prix que son prédécesseur.
Mises à jour de DeepSeek V4 Flash avec des scores améliorés sur Terminal Bench et Toolathlon
DeepSeek a mis à jour son modèle V4 Flash, en publiant une nouvelle version le 2026-07-31 qui affiche des gains de performance significatifs par rapport à la précédente version d'aperçu. La mise à jour introduit des résultats pour plusieurs nouveaux benchmarks tout en améliorant les scores sur ceux existants.
Kimi K3 surpasse Opus 4.8 dans la génération HTML en un seul exemple
Un utilisateur a évalué Kimi K3 par rapport à Claude Opus 4.8 en exécutant 34 prompts en un seul exemple et en évaluant le HTML, les captures d'écran et les GIF résultants à l'aide de Sonnet 4.6. L'évaluation a conclu que Kimi K3 a produit de meilleurs résultats qu'Opus 4.8.