DeepSeek V4.1 Flash: Un modelo base completamente nuevo que lleva un número de versión menor.

DeepSeek V4.1 Flash tiene seis días de vida, y las tres preguntas que dejó abiertas su lanzamiento ya se han cerrado: dos de ellas a favor de la empresa y una marcadamente en contra. El modelo en sí no ha cambiado desde el 10 de septiembre: una mezcla de expertos de 552.000 millones de parámetros con pesos abiertos MIT, un contexto de un millón de tokens y una nueva arquitectura Causal Encoder-Decoder que la propia ficha de modelo del proveedor archiva bajo lo que la empresa llama su «nueva familia de arquitecturas». Lo que se movió es todo lo que lo rodea. Un evaluador independiente publicó una puntuación donde la mañana del lanzamiento no había ninguna. La empresa dio marcha atrás a la retirada de DeepSeek V4 Pro que había anunciado en su propio registro de cambios. Y el trabajo de servicio del día cero que no existía esa mañana ahora se ejecuta en varios runtimes de inferencia convencionales, y sus dos partes más difíciles, las tablas de memoria Engram y la división prefill/decode de la que dependen los despliegues en producción, siguen reelaborándose activamente en público.

El desajuste de nombres sigue siendo la razón de que exista este texto. Leer «V4 Flash a V4.1 Flash» como un paso de parche es lo natural y es lo incorrecto: el número de versión queda a un decimal de un reajuste, mientras que la arquitectura subyacente da origen a una familia. Seis días de evidencia no han suavizado eso. Si acaso, los números independientes lo han endurecido, porque un modelo que supera en puntuación al buque insignia de 1,6 billones de parámetros de su propio proveedor no es una versión puntual: es una generación que se negó a nombrarse a sí misma.

Lo que realmente se lanzó el 10 de septiembre

Esto no fue una filtración ni una beta. La prueba de API de dos días que comenzó el 8 de septiembre bajo el ID de modelo deepseek-v4.1-flash-expires-on-0910 terminó tal como indicaba su sufijo, y el lanzamiento llegó a la aplicación web, la aplicación móvil y la API propia de DeepSeek, con los pesos y un informe técnico publicados en Hugging Face bajo deepseek-ai/DeepSeek-V4.1-Flash.

Los detalles prácticos no se han movido en seis días:

• Nombre del modelo: llámelo deepseek-flash. Los nombres heredados deepseek-v4-flash y deepseek-v4-flash-vision-exp todavía se aceptan, pero ya no se resuelven a los modelos que solían: ambos están retirados, y las solicitudes que los nombran son atendidas por DeepSeek V4.1 Flash y se facturan a la tarifa Flash.

• Qué incluye — una ventana de contexto de 1M de tokens, salida máxima de 384K, salida JSON, llamadas a funciones, entrada de imágenes nativa y un modo de pensamiento que está activado por defecto con ajustes de esfuerzo bajo, alto y máximo.

• Licencia — MIT, pesos incluidos, con una carpeta de inferencia y un módulo de codificación independiente en el repositorio. DeepSeek invitó explícitamente a la comunidad de código abierto a crear soporte de inferencia desde el primer día, y la comunidad lo adoptó más rápido de lo que la invitación daba a entender.

El .1 que no es una versión de punto

La afirmación que dio inicio a este artículo provino de teortaxesTex, un observador de DeepSeek seudónimo pero muy seguido, en una publicación del 10 de septiembre: que esta es "la primera vez que DeepSeek etiqueta un modelo base completamente nuevo con una versión de lanzamiento .1", que V4.1 es "más diferente de V4 que, digamos, LLaMA 3 de LLaMA 1", y que DeepSeek "no siente que esto merezca aún V5" — sin que el autor pudiera explicar por qué no.

Trate la parte causal como inferencia y la parte estructural como comprobable. La inferencia — por qué DeepSeek eligió .1 en lugar de V5 — es la lectura de un observador y nada más; nadie fuera de la empresa ha explicado la decisión, y los propios materiales de DeepSeek nunca la abordan. La parte comprobable es la arquitectura, y no parece una versión menor. El registro de cambios de DeepSeek describe V4.1 Flash como "el modelo más pequeño de nuestra nueva familia de arquitecturas", lo cual es una frase extraña para escribir sobre un aumento de versión: un aumento de versión extiende una familia, no funda una.

Hay un costo real en la ambigüedad, y recae sobre los compradores, no sobre DeepSeek. Los números de versión son la señal más barata que tiene un desarrollador para saber "¿es esta una nueva generación o un reajuste, y cuánto de mi presupuesto de evaluación merece?" DeepSeek ha hecho que esa señal no sea confiable en una dirección: un modelo que funda una familia de arquitecturas está a un decimal de distancia de uno que cambió su receta de post-entrenamiento. La empresa puede mantener su marcador V5 en reserva. Todos los que hacen una evaluación de migración pagan por la confusión.

Qué significa "nueva arquitectura" en los pesos

La tarjeta del modelo es inusualmente específica, lo que hace que la afirmación generacional sea comprobable sin un solo benchmark. Cinco cosas destacan —la quinta es la que la cobertura del lanzamiento omitió en gran medida, y la que resulta ser la más importante para cualquiera que intente servir este modelo.

• Activación asimétrica: la división Causal Encoder-Decoder es un transformador de 40 capas organizado como un codificador causal de 20 capas seguido de un decodificador de 20 capas, donde la caché KV global del decodificador se proyecta desde los estados ocultos finales del codificador, en lugar de derivarse de los propios de cada capa del decodificador. El objetivo de este diseño es que el modelo active solo 8 mil millones de parámetros por token durante el prefill y 16 mil millones durante la decodificación. Las cargas de trabajo de agente con mucha entrada (documentos largos, rastros de herramientas largos) obtienen la mitad económica del modelo; la generación obtiene la mitad costosa.

• Compresión de la caché KV, medida por token — DeepSeek-V4.1-Flash ejecuta el almacenamiento en caché KV principal FP4 a 890 bytes por token, lo que la tarjeta sitúa en aproximadamente una cuarta parte de DeepSeek V4 Flash. La cobertura china fue más allá y enmarcó la compresión frente al modelo V4 de primera generación como una reducción de 437×; esa cifra mayor es aritmética procedente del proveedor sobre una base diferente, así que trátala como una afirmación más que como una medición.

• SWA Bounded Replay — la atención de ventana deslizante normalmente te obliga a persistir el estado KV en SSD para reconstruir el contexto. Esto reconstruye los estados KV de SWA faltantes reproduciendo solo la ventana más reciente de tokens, reduciendo la huella de KV persistente a aproximadamente un octavo de la de DeepSeek V4 Flash.

• Compressed Sparse Attention 2 — cada capa de atención se ejecuta en uno de tres modos estáticos (Full, Reindex o Reuse), compartiendo el estado de KV y del indexador entre capas, con un indexador disperso jerárquico que acota el costo de las capas más profundas independientemente de la longitud del contexto.

• Engram — un módulo de memoria condicional que mantiene la memoria separada de la computación, implementado como búsquedas hash de n-gramas con compuertas hacia el flujo residual del modelo, en lugar de como atención o como expertos adicionales. Las dos tablas fp8 contienen 189 GiB de pesos, según la propia documentación de SGLang sobre la arquitectura, y los proveedores de runtime que portaron el checkpoint sitúan las tablas en aproximadamente 196B parámetros, además del backbone de 552B — por eso el número de parámetros que encabeza la ficha describe el backbone y no la descarga completa. Engram se entrena en dos capas, usa órdenes de dos, tres y cuatro n-gramas a través de ocho cabezas de hash por orden, y colapsa los tokens que se normalizan de la misma manera, de modo que las variantes de capitalización se asignan al mismo bucket mediante hash. El detalle de diseño que conviene retener es el coste que impone: cada paso de decodificación lee esas tablas, así que dónde las coloques decide cuánta caché KV te queda.

Lee esos cinco en conjunto y el panorama estratégico es legible: esto es, ante todo, una arquitectura de esparsidad, eficiencia de caché y descarga de memoria, dimensionada para que la misma estructura pueda escalarse más adelante. La mención de una "nueva familia de arquitecturas" cumple una función real: es una declaración de que viene más.

La puntuación independiente por fin llegó, y respalda al proveedor

Hace cuatro días, esta sección se habría leído de manera muy diferente. En el lanzamiento, Artificial Analysis no había publicado nada sobre DeepSeek V4.1 Flash, la página del modelo en Hugging Face todavía incluía la nota de que el modelo «no está desplegado por ningún proveedor de inferencia», y la afirmación clave de todo el lanzamiento —que un modelo de la gama Flash supera de forma integral a un buque insignia de 1,6 T de parámetros en rendimiento, costo, velocidad y tiempo total de tarea— era una aseveración del proveedor sin auditoría externa. Desde entonces, esas tres lagunas se han cerrado.

Artificial Analysis ya ha medido el modelo en su Intelligence Index, y la versión breve es que la afirmación de DeepSeek sobrevive al contacto con un tercero:

• Intelligence Index — DeepSeek V4.1 Flash obtiene 40 con el máximo esfuerzo de razonamiento, ocupa el sexto puesto entre 113 modelos de su clase de comparación y está muy por encima de la mediana de 18 de los modelos comparables de pesos abiertos. DeepSeek V4 Pro 0813, el buque insignia al que se acusó de desplazar, obtiene 36 en el mismo índice.

• Costo por tarea — $0.27 por tarea del Intelligence Index para V4.1 Flash frente a $0.67 para V4 Pro 0813. Esa es la afirmación de capacidad por dólar, reproducida de forma independiente: el modelo más económico es el más capaz según esta medida, con aproximadamente el 40% del costo por tarea completada.

• Velocidad — 212,1 tokens de salida por segundo frente a una mediana de 73,1 t/s en modelos comparables, con un tiempo hasta el primer token de 1,31 s frente a una mediana de 2,37 s. En el mismo banco de pruebas, V4 Pro 0813 registra 94,4 t/s y un TTFT de 1,72 s.

• Precio — Artificial Analysis registra $0.30 por millón de tokens de entrada y $1.20 por millón de tokens de salida con un 98% de descuento de caché, que es la tarifa máxima de DeepSeek tal como se publica, no un recargo premium de terceros.

Etiquétalo correctamente, porque la etiqueta ha cambiado. Estas son mediciones independientes, no cifras del proveedor, pero son mediciones independientes en un único arnés de terceros, y un índice no es un veredicto sobre un modelo. Lo que sí resuelve es más acotado y más útil que una posición en una tabla de clasificación: la afirmación específica que DeepSeek hizo para justificar su propia línea de productos, que Flash superaría a Pro en capacidad y costo a la vez, ahora tiene corroboración externa en lugar de un changelog que la respalde.

También hay una salvedad honesta del otro lado, y proviene del mismo informe del proveedor que antes. Los propios números de DeepSeek sitúan a V4.1 Flash ganando 13 de 16 comparaciones contra Kimi K3 y 11 de 13 contra GLM-5.3, aunque sigue por detrás de GPT-5.6 Sol y Claude Opus 5 en las tareas más recientes de Terminal-Bench 3.0 y 4.0 y en ProgramBench. Ese es un perfil coherente —el más fuerte en el trabajo de programación, terminal y automatización de agentes para el que está optimizada esta arquitectura, y más débil en tareas de razonamiento de frontera—, y es el perfil que tendría un verdadero salto generacional. El índice independiente coincide con el esquema general sin resolver cada celda.

La retirada de Pro que DeepSeek anunció — y luego canceló

Aquí está la parte que cambió con respecto al propio plan declarado de DeepSeek, y es la parte con más probabilidades de afectar a una integración en vivo.

En el lanzamiento, DeepSeek dijo que DeepSeek V4 Pro se retiraría de su API. A partir de las 12:00 hora de Pekín del 14 de septiembre, las solicitudes que nombraran deepseek-v4-pro se enrutarían a V4.1 Flash y se facturarían al precio de Flash — una reducción de aproximadamente el 70 % en el costo de salida para cualquiera que tuviera el nombre del modelo Pro codificado de forma rígida — y permanecerían enrutadas de esa manera hasta que se lanzara un futuro V4.1 Pro. En la tarifa del día del lanzamiento, eso significaba que los $3.96 por millón de tokens de salida de Pro se desplomaran a los $1.20 de Flash en hora pico, sin cambios de código y sin aviso más allá de una entrada en el registro de cambios.

Eso no ocurrió. El 11 de septiembre, DeepSeek publicó un aviso en su propia plataforma abierta diciendo que, en respuesta a la demanda de los usuarios, seguiría proporcionando el servicio de API de DeepSeek V4 Pro después del 14 de septiembre, con la facturación sin cambios; el aviso permaneció visible en la plataforma el propio 14 de septiembre, después de que hubiera pasado el momento del cambio, así que se trata de una declaración en vivo de la propia empresa en lugar de un rumor sobre una. La razón reportada es lo menos sorprendente de esta historia: los desarrolladores se opusieron a que un proveedor cambiara silenciosamente los pesos detrás del nombre de un modelo en una integración de producción, y las propias pruebas multiparte de DeepSeek habían encontrado que V4 Pro conservaba una ventaja de calidad en las cargas de trabajo reales de algunos equipos incluso donde V4.1 Flash gana en las evaluaciones públicas.

La lectura práctica es una inversión total de lo que aconsejaba la cobertura del día de lanzamiento. Si marcaste el 14 de septiembre en tu calendario para volver a probar una integración fijada a Pro, la fecha límite queda sin efecto: DeepSeek V4 Pro sigue siendo DeepSeek V4 Pro, y conserva el mismo precio que antes, mientras que V4.1 Pro sigue sin anunciarse, sin ficha, sin número de parámetros, sin fecha y sin pesos. Lo que no ha cambiado es la dirección del rumbo —DeepSeek claramente pretende converger su línea en la nueva arquitectura, y lo único que ha confirmado sobre la antigua es que no forzará el cambio en una fecha fija.

Sirviéndolo: 189 GiB de tablas de n-gramas, y el trabajo sigue abierto

El planteamiento de la disponibilidad en el día del lanzamiento era «funciona con la API del proveedor y en ningún otro sitio». Eso ya no es cierto, y el punto en que dejó de serlo resulta revelador acerca de esta arquitectura.

SGLang y Miles lanzaron soporte desde el día cero para DeepSeek V4.1 el 10 de septiembre, en la misma ventana que el propio modelo, por lo que la nota de «sin servicio de terceros» que aparecía en la página de Hugging Face en el lanzamiento quedó obsoleta en cuestión de horas. Lo interesante no es que funcione; es lo que cuesta ejecutarlo. Como cada paso de decodificación lee las tablas de Engram, el enfoque de SGLang consiste en permitirte colocarlas en la memoria de la GPU o en la memoria del host; la descarga al host libera aproximadamente 46 GiB por GPU para la caché KV a costa de unos 200 GB de RAM del host en el nodo. En una configuración GB300 de cuatro GPU, la descarga al host aumentó la capacidad de la caché KV en un 36 %, con un rendimiento de decodificación y un tiempo hasta el primer token comparables, y las 28 finalizaciones de sondeo greedy coincidieron con la línea base con todo en GPU. Es opcional, se activa con una única variable de entorno y no es la configuración predeterminada. vLLM tiene trabajo en paralelo que va en la dirección opuesta —mapear en memoria fragmentos de las tablas desde el disco en lugar de mantenerlos en la RAM del host—, lo que muestra lo mismo desde dos ángulos: las tablas de Engram, no los pesos, son la restricción que determina lo económico que resulta servir este modelo.

Los cambios más recientes de toda la historia se encuentran aquí, y son pequeños, de esos que merecen etiquetarse como pequeños. El 15 de septiembre, un colaborador de SGLang abrió el pull request #39666, añadiendo un módulo Engram y un adaptador compartido de historial de solicitudes a la rama DeepSeek V4.1 del proyecto — 7 archivos, +1205/−11, con el adaptador exponiendo campos opcionales de historial de n-gramas en el planificador y en los lotes de avance y reconstruyendo ese historial a través de aciertos de prefijo, retracciones y reutilización de ranuras. Está abierto y sin fusionar, sus ejecuciones de CI estaban fallando, y estaba a la espera de revisión por parte de nueve propietarios de código; el propio resumen del autor es tajante sobre los límites, señalando que las comprobaciones de búsqueda no demuestran la corrección del ciclo de vida de las solicitudes. Era uno de un lote de pull requests de DeepSeek V4.1 abiertos en esa rama el 15 de septiembre, la mayoría del mismo colaborador, que abarcaban la construcción del modelo, la torre de visión, la codificación de chat y la capa de kernel.

Luego, el 16 de septiembre, el plan para la mitad más difícil del serving llegó al público. Un issue de roadmap, #39700, expone la desagregación de prefill/decode para DeepSeek V4.1 en la plataforma B200 como una lista por etapas: primero el paralelismo de contexto del lado del prefill, luego ese trabajo de prefill combinado con MegaMoE, BCG y multi-stream, después los elementos del lado del decode, entre ellos la atención DP y la memoria de grafos CUDA. La etapa uno se integró como el pull request #39748, titulado "[DSV4.1-PD-1/8] Support prefill node use cp parallel strategy", y fue abierto el mismo día por el mismo autor. Permite que el nodo de prefill en un despliegue desagregado ejecute una estrategia de paralelismo de contexto, con una configuración de referencia de ocho B200 en TP4/EP4 ejecutando el runner de MoE flashinfer_mxfp4 y la decodificación especulativa DSPARK. El nodo de prefill recibe --enable-prefill-cp --cp-strategy interleave junto con --disaggregation-mode prefill sobre el backend de transferencia Mooncake; el nodo de decode se ejecuta sin ningún flag de CP. La validación consiste en la puntuación de gsm8k más pruebas unitarias en las rutas de texto e imagen. Al igual que el pull request de Engram, está abierto, sin fusionar y actualmente bloqueado en CI por una etiqueta run-ci faltante.

Que quede claro qué es todo eso y qué no es. Es fontanería de infraestructura dentro de un runtime que ya sirve al modelo: no cambia nada sobre lo que hace DeepSeek V4.1 Flash, cuánto cuesta ni si deberías usarlo. Merece estas líneas solo porque marca dónde están las aristas afiladas que quedan. Del lado de Engram, que el historial de n-gramas sobreviva a la retractación y a la reutilización de la caché de prefijos es exactamente el tipo de detalle de corrección que separa una demo de un endpoint de producción. Del lado de la desagregación, el objetivo son los operadores que dividen prefill y decode en grupos separados para que cada mitad pueda paralelizarse en función de su propio cuello de botella: un despliegue cuya configuración de referencia parte de ocho B200s, lo cual es una decisión de capital y no una línea en un archivo de configuración. Y la serie está etiquetada como 1/8, mientras que el issue de la hoja de ruta enumera sus etapas en seis partes, con toda la mitad de decode aún sin escribir: incluso la numeración es provisional. Si no estás tomando esa decisión de capital, nada de esto es visible desde donde estás: DeepSeek V4.1 Flash está activo en OrcaRouter a la tarifa de paso directo que aparece abajo, y la fontanería se queda del lado del operador del endpoint.

Llamando a DeepSeek V4.1 Flash hoy

La línea de disponibilidad también ha cambiado de nuestro lado, y ha cambiado justo en la dirección en la que se dijo a los lectores de la versión de este artículo del día del lanzamiento que no lo haría. OrcaRouter no ofrecía DeepSeek V4.1 Flash el 10 de septiembre — la página del modelo devolvía «model not found» y este artículo lo dijo con claridad en lugar de insinuar lo contrario. Ahora sí lo ofrece: deepseek/deepseek-v4.1-flash está activo en el catálogo a $0.15 por millón de tokens de entrada y $0.60 por millón de tokens de salida, la propia tarifa del proveedor DeepSeek trasladada con un 0 % de margen añadido, que es además la cifra que hay que consultar la próxima vez que DeepSeek cambie un precio. Desde que llegó, ha movido 54,982.2M tokens por la plataforma con un tiempo hasta el primer token de 811 ms en p50 y 3.03 segundos en p95.

Lo que eso te ofrece más allá de la misma tarifa es la capacidad de tratar una arquitectura de seis días como un experimento en lugar de un compromiso. La conmutación por error significa que una llamada de V4.1 Flash que empieza a dar errores bajo carga se puede redirigir a otro modelo sin necesidad de un despliegue; el DSL de enrutamiento significa que puedes poner el nuevo modelo en parte de tu tráfico y uno conocido en el resto, y compararlos con tus propias entradas en lugar de con una tabla de clasificación; y todos los demás modelos del catálogo están detrás de la misma clave, incluido el resto de la línea DeepSeek — DeepSeek V4 Flash y DeepSeek V4 Pro —, por lo que volver a cambiar es un cambio de cadena, no un segundo contrato.

Eso importa más de lo habitual aquí, por dos razones que seis días de noticias han concretado. La primera es que la ventaja de precio es real, pero está condicionada a que el proveedor mantenga la tarifa, y un acuerdo de repercusión es el único tipo que se mantiene honesto cuando no lo hace. La segunda es que la única advertencia de la semana de lanzamiento ha sobrevivido: tanto la ventaja de capacidad como la ventaja de costos ahora se miden de forma independiente, pero se miden en un solo arnés, en un modelo cuyo nombre dice «actualización menor» y cuya arquitectura dice lo contrario. Enrútalo como una nueva generación, porque eso es lo que es, y mantenlo detrás de un nivel que puedas mover.

¿Qué sigue abierto?

Tres cosas, en orden ascendente de cuánto te dirían.

DeepSeek V4.1 Pro pondría a prueba la afirmación sobre la familia. DeepSeek V4.1 Flash se autodenomina el modelo más pequeño de una nueva familia de arquitectura, y el hermano que demostraría que la familia existe todavía no tiene ficha, ni recuento de parámetros, ni fecha, ni pesos, ni precio. También es el modelo en torno al cual se estructuró toda la maniobra de enrutamiento Pro, ahora que la maniobra se ha cancelado.

Una segunda evaluación independiente pondría a prueba la puntuación. Un Intelligence Index de 40, con un 36 para el modelo al que reemplazó, es un resultado claro en un arnés y un único punto de datos sobre la cuestión de si esta arquitectura está una generación por delante o es un paso lateral bien optimizado. Hay que estar atentos a un segundo evaluador, y a si la ruta de servicio con Engram-offload se sostiene bajo tráfico real en lugar de en sondeos greedy, y a si la división prefill/decode que ahora se está preparando en pull requests llega alguna vez a convertirse en una historia de empaquetado que un equipo normal pueda desplegar.

Y lo útil, aunque poco glamoroso: si DeepSeek vuelve a hacerlo. Una segunda etiqueta .1 en otro nuevo modelo base convertiría una anomalía en una convención, y una convención es algo en torno a lo cual un desarrollador puede planificar. Un modelo es una curiosidad. La nomenclatura solo se vuelve engañosa de manera útil una vez que hay un patrón.

Por ahora, la lectura práctica se separa limpiamente según quién seas. Si estás en DeepSeek V4 Pro, el modelo detrás de ese nombre no cambia el 14 de septiembre ni en ninguna fecha anunciada — DeepSeek dio marcha atrás con eso, y puedes dejar tu integración como está. Si estás en DeepSeek V4 Flash, ya te están migrando, al mismo precio, a una arquitectura que DeepSeek construyó para escalar. Y si estabas esperando la V5, la respuesta honesta es que DeepSeek parece haber lanzado la generación, haberse negado a ponerle nombre y luego haber descubierto que el número en la caja sí que es estructural después de todo.