DeepSeek V4.1 Flash Resmi Tersedia Umum: 552B dengan Arsitektur Baru, Bobot MIT, dan Penghentian V4 Pro yang Tidak Pernah Terjadi

DeepSeek V4.1 Flash bukan lagi eksperimen dua hari. Model yang selama 8 dan 9 September berada di dalam API live vendor dengan ID yang membawa tanggal kedaluwarsanya sendiri — deepseek-v4.1-flash-expires-on-0910 — benar-benar dirilis pada 10 September 2026, di aplikasi, antarmuka web, dan API DeepSeek, tempat ia kini dikenal dengan nama model deepseek-flash. Tiga hal tentang rilis ini lebih besar daripada yang tersirat dari beta. Yang pertama adalah dokumennya: DeepSeek menerbitkan laporan teknis — berjudul, tanpa banyak basa-basi, Pushing the Limits of KV Cache Compression — dan bobot berlisensi MIT untuk model mixture-of-experts multimodal berparameter 552B yang dibangun di atas arsitektur Causal Encoder-Decoder baru. Bobot itu bukan sekadar janji: 48 shard safetensors, totalnya sekitar 510 GB, dipublikasikan daring pada pagi hari rilis, yang mengubah slogan beta yang belum terverifikasi — “arsitektur baru, multimodal native” — menjadi sesuatu yang dapat diunduh dan diperiksa pembaca. Yang kedua adalah bentuk jajaran produknya. DeepSeek V4 Flash dan DeepSeek-V4-Flash-Vision-Exp dipensiunkan, ID lama keduanya masih mengarah ke model baru dengan tarif Flash, dan rencana menghentikan DeepSeek V4 Pro secara bertahap pada 14 September ditarik sebelum tanggal itu tiba: V4 Pro masih dilayani, dengan penagihan yang tidak berubah, dan DeepSeek telah berjanji memberi pemberitahuan sebelum ada yang berubah. Model termurah dalam keluarga ini telah mengambil tempat model unggulan dalam hal harga dan pada tolok ukur DeepSeek sendiri, dan DeepSeek mengatakan arsitektur di baliknya dirancang untuk dapat diskalakan ke model yang lebih besar. Apa yang berada di atasnya, per 25 September, adalah dugaan seorang pemantau — lini tiga tingkat Flash, Pro, dan Ultra pada 522B, 2T, dan 8T — yang diajukan oleh akun yang mempostingnya sebagai spekulasi dan tidak dikonfirmasi oleh apa pun yang telah diterbitkan DeepSeek. Yang ketiga adalah hal yang tidak pernah dimiliki beta. Artificial Analysis kini telah menerbitkan evaluasi luar pertama atas model ini — skor Intelligence Index 39 dalam mode Reasoning pada upaya maksimum untuk bobot September dan 45 untuk checkpoint 1017 (kenaikan enam poin yang menyamakannya dengan GLM-5.3 di posisi kedua di antara model open-weights, satu poin di belakang MiMo-V2.6-Pro), dibandingkan dengan 36 untuk DeepSeek V4 Pro 0813 pada skala yang sama, yang menjadikan model 552B itu model DeepSeek dengan skor tertinggi yang pernah diukur situs tersebut. Sepuluh butir lainnya lebih baru daripada rilis ini, dan mengarah ke arah yang berbeda-beda. Pada 25 September, kepala pengujian model ARC Prize sendiri membuka pull request yang menambahkan profil DeepSeek V4.1 Flash kelas satu ke harness benchmarking yayasan tersebut — evaluator yang papannya dibaca bidang ini sebagai batas atas penalaran alih-alih pemeriksaan produktivitas, hadir tanpa hasil terlampir dan tanpa hasil yang dijanjikan. Tiga hari kemudian sebuah laboratorium luar menerbitkan jenis berita yang berlawanan: pengukuran yang telah selesai, pada papan berbeda, yang menempatkan DeepSeek V4.1 Flash di samping model open-weight lain dan mendapatinya lebih lemah di antara keduanya — dan mendapati angka itu lebih banyak bergerak karena harness yang membungkus model daripada karena model itu sendiri. Pada Exploit Bench, tolok ukur Carnegie Mellon yang menilai seberapa jauh agen menanjak menuju eksploitasi penuh atas V8 produksi, DeepSeek V4.1 Flash rata-rata 4,7 dari 16 dalam konfigurasi default tolok ukur itu sendiri dan 9,3 di bawah Claude Code, sementara GLM-5.3-Flash memuncak pada 10,6 di bawah Codex dan turun ke 6,2 di bawah harness yang justru paling cocok untuk DeepSeek V4.1 Flash. Yang ketiga adalah yang paling tidak dramatis dan paling mudah diperiksa: pada 7 Oktober proyek vLLM menerbitkan perhitungan tiga minggunya sendiri tentang penyajian model ini, melaporkan bahwa build saat ini 1,9× lebih cepat pada konkurensi rendah dan throughput 5,3× lebih tinggi di bawah batasan 150 TPS dibandingkan implementasi hari-0 miliknya sendiri — perbandingan sebelum-dan-sesudah sebuah mesin terhadap dirinya sendiri, bukan evaluasi luar lainnya, dan menjadi pokok bagian kecepatan di bawah. Yang keempat adalah tentang berapa biaya penggunaan model ini alih-alih skornya, dan hal itu berubah dua kali dalam tiga hari: pada 12 Oktober OpenCode, agen coding yang menetapkan harga model ini berdasarkan jatah penggunaan bulanan alih-alih token bermeter, menaikkan jatahnya untuk model ini dari $60 menjadi $80 — pernyataan platform itu sendiri tentang produk yang dijualnya, dimuat di halaman harga miliknya — dan pada 15 Oktober platform itu mulai menyajikan model yang sama secara gratis, dengan id model kedua, pada konteks 200.000 token dibandingkan jendela 1M yang dimiliki entri bermeter. Yang kelima, dari 14 Oktober, mengukur biaya penyajian model alih-alih kualitasnya: Artificial Analysis menambahkan DeepSeek V4.1 Flash ke AA-AgentPerf, tolok ukur perangkat kerasnya untuk inferensi agentic, dengan hasil pada akselerator NVIDIA dan AMD — pada 100 token per detik per pengguna, GB300 NVL72 milik NVIDIA memimpin bidang ini dengan sekitar 261 juta token per detik per megawatt, dan proses yang sama menyajikan model pada hanya dua akselerator, yang merupakan bagian di bawah dalam mata uang kedua. Yang keenam adalah rilis itu sendiri, yang telah digantikan: pada 17 Oktober DeepSeek mengganti checkpoint di balik nama model deepseek-flash yang sama dengan DeepSeek-V4.1-Flash-1017 — bobot baru, tabel tolok ukur vendor yang mengalahkan model September pada setiap baris yang diterbitkannya, kartu tarif yang sama, dan amplop 1 juta token yang sama — dan, per 18 Oktober, pengukuran luar atas bobot baru yang bertentangan dengan baris yang diunggulkan vendor: Artificial Analysis memberi skor checkpoint 1017 sebesar 45 pada Intelligence Index dan 33,8 pada Terminal-Bench 4.0 di bawah harness miliknya sendiri, dibandingkan dengan 42,3 pada kartu DeepSeek. Butir ketujuh adalah perdebatan yang dihasilkan selisih itu. Pada 19 Oktober sebuah akun pemantau yang punya rekam jejak menyebut rilis-risi ini lebih awal menyatakan dirinya “sangat yakin” bahwa 42,3 itu nyata “karena itu lebih baik daripada GLM-5.3,” dan meminta Artificial Analysis menjalankan model itu dalam harness native. Situs tersebut sudah menjawab sehari sebelumnya, dengan angka delapan setengah poin lebih rendah. Yang kedelapan bukan skor: pada 20 Oktober seorang pemantau DeepSeek memposting transkrip agen yang di dalamnya checkpoint 1017 menolak persona yang di-jailbreak dengan dsh-purge — plugin yang dibuat untuk menanggalkan batasan harness itu sendiri — diterapkan, dan catatan abliterasi pihak ketiga menempatkan tingkat penolakan checkpoint yang tidak disentuh pada 97 dari 100 prompt berbahaya dalam mode chat dan 98 dalam mode think, dengan DeepSeek tidak menerbitkan evaluasi keselamatan sendiri untuk checkpoint mana pun. Yang kesembilan bukan skor dan bukan harga: minggu ini DeepSeek membuka mesin inferensi yang menjalankan layanannya sendiri, dengan kurva decode untuk checkpoint 1017 dan angka produksi di baliknya, dan utas yang memunculkannya minggu ini membandingkan kurva itu dengan tolok ukur Ascend 950DT pada 30 September yang menempatkan komponen Huawei sekitar lima hingga tujuh kali lebih tertinggal per chip — bagian silikon penyajian di bawah. Yang kesepuluh bukan skor, harga, atau checkpoint: pada 22 Oktober YuyuantanTan, akun urusan terkini yang dijalankan China Media Group, melaporkan bahwa DeepSeek dan MiniMax telah menyelesaikan prosedur pendaftaran yang melekat pada draf katalog ekspor teknologi Tiongkok dan menyelesaikan open-source serta lisensi luar negeri. Itu adalah pemberitaan media negara tentang dua perusahaan, bukan pemberitahuan regulator atau pernyataan perusahaan, dan itulah perkembangan yang menjawab pertanyaan yang dibuka draf katalog pada 16 Oktober — apakah bobot MIT yang menjadi pokok tulisan ini dapat terus diterbitkan dan dikirim ke luar negeri. Bagian lisensi di bawah memisahkan apa yang dikatakan laporan itu dari apa yang tidak dikatakannya.

Semua yang berikut ini memisahkan dua jenis klaim. Spesifikasi, benchmark, dan harga berasal dari changelog, kartu model, dan laporan teknis DeepSeek sendiri — diterbitkan vendor, dijalankan vendor, dan tidak direproduksi oleh pihak lain. Celah itu sejak itu menyempit berkat empat instrumen independen — sebuah indeks komposit, papan kernel komunitas, benchmark siber yang dikendalikan harness, dan benchmark serving perangkat keras — salah satunya, yaitu indeks, kini telah dijalankan terhadap kedua checkpoint. Tidak ada satu pun dari instrumen itu yang mereplikasi satu pun baris vendor, dan ARC Prize masih membangun evaluasi penalaran, dengan belum ada yang diterbitkan darinya. DeepSeek mengganti model di balik nama API yang sama pada 17 Oktober dengan checkpoint DeepSeek-V4.1-Flash-1017. Selama sehari, itu berarti setiap angka eksternal dalam tulisan ini menggambarkan bobot yang tidak lagi dilayani vendor, tanpa skor eksternal untuk bobot yang justru dilayani; pada 18 Oktober Artificial Analysis menjalankan ulang indeksnya pada checkpoint baru dan menerbitkan 45, dibandingkan 39 untuk bobot September. Tiga instrumen lainnya belum dijalankan ulang: benchmark siber, papan kernel, dan benchmark perangkat keras masih menggambarkan bobot September, dan tidak ada skor independen, lama maupun baru, yang mereplikasi salah satu baris benchmark DeepSeek sendiri. Angka biaya serving yang diterbitkan proyek vLLM pada 17 Oktober hanya lebih baru dari segi tanggal terbit: grafik di baliknya bertanggal 16 Oktober, sehari sebelum penggantian, sehingga menggambarkan bobot yang sama yang telah digantikan. Pada indeksnya saat ini (v4.3.2), Artificial Analysis memberi skor 39 untuk checkpoint DeepSeek V4.1 Flash September dan 45 untuk checkpoint 1017, dengan menyebut keduanya jauh di atas median 19 untuk model open-weight berukuran sebanding; itu adalah angka pihak ketiga yang sahih dan yang pertama dalam kisah ini yang tidak dihasilkan DeepSeek. Masing-masing adalah satu komposit dari sepuluh evaluasi, bukan replikasi satu pun baris vendor individual, dan tidak mengatakan apa pun tentang ekonomi konteks 1M. Angka penolakan dalam tulisan ini adalah jenis klaim keempat dan diberi label di tempat kemunculannya: angka itu berasal dari orang-orang yang membangun turunan tanpa sensor dari bobot ini, bukan dari DeepSeek dan bukan dari laboratorium evaluasi, dan DeepSeek belum menerbitkan evaluasi keselamatan untuk kedua checkpoint tersebut. Angka perangkat keras di bagian serving adalah kelas lain lagi: kurva decode NVIDIA dan angka produksi adalah pengukuran DeepSeek sendiri atas mesinnya sendiri, yang diterbitkan bersama kode minggu ini, dan titik-titik Ascend berasal dari lembar benchmark yang direproduksi dalam utas di X yang tidak diterbitkan di situs vendor mana pun. Jika suatu angka milik DeepSeek, tulisan ini menyebutkannya. Satu kelas lagi berada di luar taksonomi itu. Laporan 22 Oktober bahwa DeepSeek dan MiniMax menyelesaikan registrasi di bawah rancangan katalog ekspor adalah media negara — YuyuantanTan milik China Media Group, yang diulang di berbagai media keuangan Tiongkok — bukan pemberitahuan Kementerian Perdagangan, dan DeepSeek belum menerbitkan pernyataan yang mengonfirmasinya. Katalog itu sendiri adalah rancangan pemerintah yang terbuka untuk komentar hingga 15 November, dan disebut sebagai rancangan di mana pun katalog itu muncul dalam tulisan ini. Nama build yang dilekatkan pada laporan itu — V4.1F-1017 dan M3.1-Flash — berasal dari satu akun X pada 23 Oktober dan tidak muncul dalam laporan media negara atau media yang meneruskannya; checkpoint yang disebutkan dalam unggahan itu sudah dapat diunduh selama enam hari ketika unggahan itu ditulis.

Checkpoint 17 Oktober: apa yang berubah pada DeepSeek-V4.1-Flash-1017

Lima minggu setelah rilis yang menjadi fokus tulisan ini, DeepSeek mengganti model di baliknya. Entri changelog bertanggal 17 Oktober terdiri atas tiga kalimat: “DeepSeek V4.1 Flash telah ditingkatkan ke DeepSeek-V4.1-Flash-1017. Model web dan APP resmi juga telah diperbarui ke versi baru. Metode pemanggilan API dan harga tetap tidak berubah — cukup gunakan deepseek-flash untuk mengakses model terbaru.” Semua dalam kutipan itu adalah vendor yang berbicara tentang produknya sendiri, dan ketiga klaim itu dapat diperiksa di halaman DeepSeek sendiri, bukan sekadar dipercaya: baris versi model pada tabel Models & Pricing kini bertuliskan DeepSeek-V4.1-Flash-1017, tempat sebelumnya bertuliskan DeepSeek-V4.1-Flash; daftar tarif di sebelahnya adalah pembagian off-peak dan peak yang sama seperti yang diterbitkan pada 10 September — $0.003, $0.15, dan $0.60 per 1 juta token saat off-peak, menjadi dua kali lipat $0.006, $0.30, dan $1.20 di dalam jendela peak hari kerja — dan panduan cepat API masih mencantumkan deepseek-flash sebagai string model, dengan konteks 1 juta token, batas output 384K, dan batas konkurensi 2.500 permintaan yang tidak berubah. ID alias yang dihentikan berperilaku seperti yang dinyatakan catatan September: deepseek-v4-flash dan deepseek-v4-flash-vision-exp masih diterima dan kini merespons sebagai DeepSeek-V4.1-Flash-1017 dengan harga Flash. DeepSeek mengumumkan perubahan yang sama dari akunnya sendiri hari itu, dan postingan itu layak dibaca bersama changelog karena lebih singkat dan lebih blak-blakan: “DeepSeek-V4.1-Flash-1017 telah hadir! Performa benchmark lebih kuat, penyelesaian tugas lebih cepat, dan output lebih pendek daripada versi sebelumnya—peningkatan Pareto dalam performa dan biaya. Kini live di situs web, aplikasi, dan API kami,” diikuti oleh tiga harness yang sama dan instruksi yang sama untuk meningkatkan ke DeepSeek Harness 0.2.1-rc.1 atau yang lebih baru. Semuanya di dalamnya adalah vendor yang mendeskripsikan produknya sendiri di salurannya sendiri: “kini live di situs web, aplikasi, dan API kami” adalah pengulangan dari “model web dan APP resmi juga telah diperbarui” dalam changelog, dan klaim benchmark, runtime, panjang output, serta Pareto berasal dari kartu model — dengan satu perbedaan yang penting bagi siapa pun yang memutuskan apakah akan mencobanya. Kartu model mencantumkan angka di samping setiap baris benchmark; postingan tidak mencantumkan satu pun, dan baik postingan maupun changelog tidak memberikan angka pada klaim runtime dan panjang output. Dua dari empat hal yang ditonjolkan DeepSeek di sini masih merupakan klaim vendor, bukan hasil yang dipublikasikan, dan grafik di balik klaim Pareto — yang dilampirkan pada postingan — adalah milik DeepSeek sendiri, digambar berdasarkan pengukuran biaya tugasnya sendiri.

Bobotnya ikut berpindah, dan itulah bagian yang dapat diverifikasi pembaca tanpa harus memercayai changelog. Repositori kedua, deepseek-ai/DeepSeek-V4.1-Flash-1017, muncul di Hugging Face pada dini hari 17 Oktober dengan lisensi MIT yang sama: 48 shard safetensors lagi, totalnya tetap sekitar 510 GB, setiap shard berukuran sama dengan padanannya pada September, dan hash setiap shard berbeda. Bentuk sama, isi berbeda — yang memang seperti itulah “pembaruan minor” seharusnya terlihat dari luar, dan itu juga berarti klaim arsitektur yang telah dilaporkan bagian ini sejak September tidak tersentuh: file konfigurasi yang mendeklarasikan backbone 552B, 384 expert yang dirutekan, jalur prefill 8B parameter aktif per token, dan jalur decode 16B identik byte-per-byte dengan yang ada di repositori September, sehingga KV cache 890 byte per token merupakan desain yang sama, bukan desain baru. Yang tidak dibawa repositori baru ini adalah dokumen pendukungnya. Tidak ada laporan teknis di dalamnya, tidak ada folder evaluasi, dan tidak ada template chat Jinja; kartu model menyatakan bahwa rilis ini tidak menyertakan template chat dan sebagai gantinya mengarah ke referensi encoding Python serta toolkit Rust baru, deepseek-recipe, untuk mengubah permintaan Chat Completions, Responses, dan format Anthropic menjadi format prompt model. Siapa pun yang menyematkan bobot berdasarkan nama repositori harus tahu bahwa kedua unduhan itu berbeda lebih dari sekadar hash. Daftar file menjelaskan persis bagaimana: ke-48 shard memiliki checksum berbeda dan ukuran byte yang identik, sementara file yang bukan bobot — konfigurasi yang mendeklarasikan arsitektur, lisensi, dan seluruh folder encoding — identik byte-per-byte di kedua repositori. Tujuh file ada di repositori September dan tidak ada di repositori ini, dan tidak ada yang ditambahkan untuk menggantikannya: laporan teknis, folder evaluasi, template chat, dua gambar yang dulu disematkan kartu, dan sebuah .gitignore. Kartu model juga mempersempit satu parameter penyajian. Kartu September merekomendasikan top_p 0,95 atau 1,0; kartu 17 Oktober merekomendasikan 1,0, dengan temperature 1,0, jendela konteks 1M, dan max_tokens minimal 256K yang tidak berubah.

Tabel benchmark DeepSeek sendiri adalah tempat pembaruan ini dimaksudkan untuk terlihat, dan itu adalah tabel vendor dengan jenis yang persis sama seperti baris-baris September: ujian oleh perusahaan yang sama, tidak direproduksi oleh siapa pun, diterbitkan pada model yang bobotnya sudah publik selama beberapa jam. Terhadap checkpoint September, model ini naik pada setiap baris yang dibawa kartu — HLE tanpa alat 42.6 berbanding 36.8, atau 44.0 berbanding 39.1 pada subset hanya teks; Terminal-Bench 4.0 42.3 berbanding 31.2; DeepSWE v1.1 77.0 berbanding 74.2; ProgramBench 29.1 berbanding 20.3; NL2Repo-Bench 68.2 berbanding 65.4; Automation-Bench v1.0.6 60.5 berbanding 54.8; Agents' Last Exam 35.4 berbanding 31.8; Apex Bench v1.1 72.1 berbanding 64.6; Chartography dengan alat 83.0 berbanding 78.9; BabyVision dengan alat 92.5 berbanding 89.6; dan ZeroBench-main dengan alat 51.0 berbanding 49.0, pada Pass@5. Tabel yang sama menempatkan 1017 terhadap model-model frontier yang menjadi pembanding DeepSeek: sekarang model ini mengalahkan GPT-5.6 Sol pada Terminal-Bench 4.0, 42.3 berbanding 39.9, sementara masih tertinggal dari Opus 5 pada 51.8, dan memimpin keduanya pada DeepSWE v1.1, 77.0 berbanding 73.0 dan 74.0 — sebuah baris yang dibaca dari grafik yang dilampirkan pada pengumuman vendor sendiri, dan angka tunggal yang paling banyak dikutip minggu ini. Pada NL2Repo-Bench, model ini bergerak ke 68.2 dan masih berada di belakang Opus 5 pada 75.3, yang juga merupakan bentuk yang dimiliki tabel September: terkuat pada pekerjaan agentic yang menggunakan harness, tertinggal pada baris-baris yang memberi imbalan pada kedalaman penalaran. Baris Terminal-Bench 4.0 adalah baris yang perlu dibaca dua kali, karena sekarang menjadi satu-satunya baris dalam tabel tersebut dengan padanan independen. DeepSeek menjalankannya di bawah harness Claude Code; Artificial Analysis menjalankan 66 tugas yang sama di bawah mini-swe-agent, dan hasil 18 Oktober untuk bobot ini adalah 33.8 — delapan setengah poin di bawah 42.3 milik vendor. Pada tabel DeepSeek sendiri, baris itu mengalahkan GLM-5.3 dengan 4.4 poin, 42.3 berbanding 37.9. Pada harness Artificial Analysis, bobot yang sama tertinggal dari GLM-5.3 dengan delapan poin, 33.8 berbanding 41.9.

Satu baris catatan kecil lebih bernilai daripada beberapa delta tersebut. Kartu September mengevaluasi Terminal-Bench 4.0 dengan DeepSeek Harness dalam mode Minimal; kartu 1017 menyatakan bahwa ia menggunakan harness Claude Code untuk Terminal-Bench 4.0 dan Mini-SWE-V2 untuk DeepSWE v1.1. Studi harness lebih jauh di tulisan ini mengukur tujuh poin sebaran pada satu model di tujuh CLI agen, sehingga kenaikan Terminal-Bench 4.0 sebesar sebelas poin yang datang dengan harness berbeda di bawahnya tidak dapat dibaca sebagai sebelas poin model. Kartu itu menyatakan harness mana yang digunakan, yang membuat baris tersebut dapat diaudit dan bukan sekadar mengesankan, tetapi baris itu adalah dua perubahan yang memakai satu angka. Run independen memisahkan keduanya, dan tidak menguntungkan vendor. Artificial Analysis mengevaluasi bobot 1017 yang sama pada Terminal-Bench 4.0 di bawah mini-swe-agent — harness yang dijaga konstan di setiap model pada papan itu — dan memperoleh 33,8, dibandingkan 26,8 untuk checkpoint September pada harness yang sama. Pada harness tetap, checkpoint itu bernilai tujuh poin, bukan sebelas, dan angka utama DeepSeek berada delapan setengah poin di atas skor bobot yang sama ketika harness dijaga konstan di seluruh model. Sisa framing DeepSeek adalah tentang biaya, bukan skor, dan itu adalah sumbu yang sama yang menjadi dasar penjualan rilis September: changelog mengklaim pembaruan ini mengurangi waktu proses tugas dan panjang keluaran, menyebut hasilnya “optimum Pareto kinerja–biaya baru di berbagai harness,” dan menyatakan bahwa ia dioptimalkan untuk DeepSeek Harness, Tencent CodeBuddy, dan WorkBuddy, serta merekomendasikan DeepSeek Harness 0.2.1-rc.1 atau yang lebih baru. Waktu proses dan panjang keluaran adalah persis kuantitas yang dilacak bukti verbositas dalam tulisan ini dari luar, dan DeepSeek kini mengklaim telah memangkas keduanya — tanpa angka yang disertakan. Satu pengukuran luar atas checkpoint baru kini ada, dan itu tidak menunjukkan pemangkasan waktu proses atau keluaran: run indeks Artificial Analysis menempatkan bobot 1017 pada 288,8 detik per tugas dibandingkan 289,9 untuk September, dan 89.495 token keluaran per tugas dibandingkan 88.574 — datar pada keduanya, dengan penghematan biaya mendarat di tempat lain sepenuhnya. Posting yang DeepSeek publikasikan di akunnya sendiri pada hari yang sama memadatkan semua itu menjadi “penyelesaian tugas lebih cepat, dan keluaran lebih pendek,” lalu menyebut pasangan itu sebagai peningkatan Pareto dalam kinerja dan biaya — klaim changelog dalam bentuk lebih singkat, dari sumber yang sama, dan sama-sama tidak terukur. Itu adalah vendor yang mengulang pernyataannya sendiri, bukan sumber kedua — yang penting, karena angka dari grafik itu adalah angka yang telah diulang dunia luar sepanjang minggu ini. Satu-satunya artefak dalam pengumuman yang memang membawa angka adalah grafik yang dilampirkan pada posting, dan itu adalah DeepSWE v1.1 Pass@1 yang diplot terhadap biaya rata-rata per tugas di bawah harness mini_swe_v2. Keterangannya layak dibaca sebelum baris Pareto: data papan peringkat publik di bawahnya bertanggal 22 September pada grafik itu sendiri, tiga setengah minggu sebelum checkpoint yang sedang dipromosikan grafik itu, dan garis pembanding untuk model-model OpenAI dikreditkan ke grafik DeepSWE milik OpenAI sendiri, bukan ke run bersama. Satu titik pada plot itu baru. Segala sesuatu yang menjadi pembandingnya telah dipublikasikan sebelum titik itu ada.

Pada hari yang sama dengan pertukaran itu, pembacaan yang paling banyak dibagikan atas tabel tersebut berasal dari seseorang yang berkepentingan terhadap tempat model itu dijalankan. Yuchen Jin, yang bekerja pada sistem AI di Databricks, memposting bahwa DeepSeek-V4.1-Flash-1017 “mencetak 77 pada DeepSWE v1.1”, bahwa itu adalah “performa setingkat Opus 5 dengan biaya 83x lebih rendah”, dan bahwa “kami akan meluncurkannya di Databricks”. Angka 77 adalah baris DeepSeek sendiri, diambil dari bagan yang dilampirkan pada pengumuman vendor, dan tidak ada pihak di luar perusahaan yang telah mereproduksinya. Dua titik perbandingan itu milik Jin, dan keduanya terbagi rapi menjadi satu yang bertahan dalam pemeriksaan eksternal dan satu yang tidak. Setingkat Opus 5 terbukti bertahan: papan independen yang menerbitkan DeepSWE v1.1 menempatkan nama model ini di kisaran itu dalam uji mereka sendiri. Papan peringkat APEX Mercor — 113 tugas orisinal di 91 repositori, dinilai dengan harness mini-swe-agent — mencantumkan Opus 5 Max pada 71,4% dan entri DeepSeek V4.1 Flash Max pada 71,7%, dan papan llm-stats untuk benchmark yang sama menempatkan Claude Opus 5 pada 68,8% versus 74,2% untuk DeepSeek-V4.1-Flash. Pembacaan jujur atas pasangan itu lebih sempit daripada yang dibuat posting tersebut: dua papan yang mengukur benchmark ini secara independen sepakat bahwa model tersebut setidaknya setara dengan Opus 5 pada benchmark ini, dan tidak ada papan yang menunjukkan angka 77, karena keduanya memuat entah angka September atau hasil uji mereka sendiri dan tidak ada yang memberi label pada entri dengan checkpoint 1017. Setingkat Opus 5 dapat didukung sebagai pernyataan tentang kisaran sekitar. Angka yang menghasilkan klaim itu belum dapat direproduksi.

Bagian 83× dari tulisan ini adalah aritmetikanya, bukan angka yang diterbitkan, dan itulah bagian yang perlu dipegang dengan longgar. Tidak ada papan mana pun yang mencantumkan biaya per tugas untuk checkpoint 1017, dan grafik vendor di balik klaim Pareto DeepSeek sendiri memplot biaya per tugas pada sumbu log yang membentang dari sepuluh sen hingga dua puluh dolar — rentang seperti itulah yang dibutuhkan oleh kelipatan sebesar itu. Dari tarif daftar saja, selisihnya lebih sempit daripada 83×: Claude Opus 5 mengenakan biaya $5 per 1M token input dan $25 per 1M output, sedangkan DeepSeek-V4.1-Flash $0.30 dan $1.20 dalam jendela jam sibuk hari kerja, kira-kira 17× pada input dan 21× pada output, dan hasilnya berubah jauh tergantung pada proporsi cache-hit dan berapa banyak token yang dibutuhkan suatu tugas. Arah argumen biaya tidak diperdebatkan, baik di sini maupun di bagian lain tulisan ini. Kelipatan spesifiknya adalah klaim tentang perbandingan yang belum pernah diterbitkan siapa pun.

Databricks adalah bagian dari tulisan itu yang dapat diperiksa pembaca terhadap dokumentasi, dan dokumentasi menyebutkan lebih banyak daripada tulisan tersebut. DeepSeek V4.1 Flash telah ada di Databricks Unity Gateway sejak 11 September, sehari setelah peluncuran DeepSeek, dengan input teks dan gambar melalui Foundation Model APIs platform itu dengan nama layanan system.ai.deepseek-v4-1-flash; pada 7 Oktober platform tersebut menambahkan priority pay-per-token dan reserved provisioned throughput untuknya. Platform itu juga menjadi tujuan yang ditetapkan untuk keluarga model ini: Databricks telah menjadwalkan pensiun DeepSeek V4 Pro (0813) pada 30 Oktober dan DeepSeek V4 Flash (0731) pada 5 November, dengan menetapkan DeepSeek V4.1 Flash sebagai pengganti yang direkomendasikan dalam kedua catatan. Yang tidak dikatakan halaman Databricks mana pun adalah bahwa checkpoint 17 Oktober akan datang. Klaim itu adalah seorang karyawan yang berbicara atas akunnya sendiri — sinyal internal tentang niat, bukan tanggal rilis, dan halaman model yang didukung masih mencantumkan model tersebut tanpa label checkpoint. Jadi perubahan ketersediaan minggu ini bersifat prospektif, berasal dari sumber di dalam platform, bukan dari platform itu sendiri; yang dapat dipanggil pelanggan Databricks hari ini adalah bobot September, dan pertukaran yang telah dijelaskan tulisan ini — bobot baru di balik nama yang sama dan rate card yang sama — adalah bentuk yang akan diambil penggantian itu saat terwujud.

Jadi, apa yang tidak berubah sama pentingnya dengan apa yang berubah. Tiga dari empat instrumen independen masih mencakup bobot September dan hanya itu: tabel harness Exploit Bench, papan kernel komunitas, dan uji perangkat keras AA-AgentPerf semuanya dihasilkan sebelum pertukaran, dan dua papan DeepSWE v1.1 yang mencantumkan nama model ini menerbitkan entri tanpa checkpoint di dalamnya. Instrumen keempat berubah pada 18 Oktober: Artificial Analysis menambahkan baris terpisah untuk checkpoint 1017, memberinya skor 45 pada Intelligence Index dan 33,8 pada Terminal-Bench 4.0, serta membiarkan baris September tetap berdiri pada 39 dan 26,8. Itu adalah pertama kalinya sebuah angka dalam artikel ini dihasilkan oleh pihak selain DeepSeek terhadap bobot yang saat ini disajikan DeepSeek. Perubahan API adalah penyegaran checkpoint di balik nama yang sudah didokumentasikan DeepSeek sebagai menunjuk ke model Flash terbaru — kebalikan dari rencana September untuk membuat deepseek-v4-pro menjawab sebagai model yang berbeda, yang merupakan pembedaan yang ditarik pengembang ketika mereka menolak yang itu. Bagi pemanggil, efek praktisnya sempit dan konkret: meminta deepseek-flash sekarang mendapatkan bobot yang berbeda dengan harga yang sama, dengan tabel yang lebih baik yang dilaporkan vendor di belakangnya dan, sejak 18 Oktober, satu pihak ketiga yang menilainya — lebih rendah pada satu baris tempat keduanya ada. Di OrcaRouter, id model dan kartu tarif juga tidak berubah — DeepSeek V4.1 Flash dirutekan pada harga daftar DeepSeek sendiri dengan markup 0% diteruskan — yang seharusnya tampak dari sisi pemanggil ketika vendor menyegarkan model tanpa mengubah nama atau harganya.

Apa yang sebenarnya dirilis pada 10 September

Entri changelog dibuka dengan satu kalimat: "Hari ini, kami secara resmi merilis model DeepSeek-V4.1-Flash." DeepSeek menyebutnya sebagai anggota terkecil dari keluarga struktur model baru, dengan pemahaman visual native, dan ini adalah rilis pertama dalam siklus ini yang hadir dengan laporan teknis terlampir. Di sisi API, ini adalah penggantian nama, bukan migrasi:

• Nama model — deepseek-flash pada API milik DeepSeek sendiri; URL dasar, kunci, dan format permintaan tidak berubah.

• Pensiun — DeepSeek V4 Flash dan DeepSeek-V4-Flash-Vision-Exp sudah offline. ID lama mereka masih diterima dan sekarang dialihkan ke V4.1 Flash, ditagih dengan tarif Flash, sehingga integrasi yang ada tetap berfungsi tanpa perubahan kode.

• V4 Pro — DeepSeek mengumumkan bahwa mulai pukul 12.00 waktu Beijing pada 14 September, permintaan deepseek-v4-pro akan dialihkan ke V4.1 Flash dengan harga V4.1 Flash hingga V4.1 Pro dirilis, lalu membatalkan keputusan tersebut sebelum tanggal itu tiba. V4 Pro masih tetap dilayani, dengan penagihan yang tidak berubah, dan DeepSeek menyatakan akan memberikan pemberitahuan mengenai perubahan lebih lanjut.

• Envelope — jendela konteks 1M-token, output maksimum 384K, 2.500 permintaan bersamaan per akun, mendukung input gambar, mode berpikir aktif secara default dengan opsi non-berpikir.

• Bobot — pada hari yang sama, repositori deepseek-ai/DeepSeek-V4.1-Flash muncul di Hugging Face di bawah lisensi MIT: 48 pecahan safetensors dengan total sekitar 510 GB, laporan teknis dalam format PDF di sampingnya, dan implementasi inferensi referensi di folder inference.

Butir terakhir itu juga menjadi tempat kisah ID model yang sudah dipensiunkan berlaku bagi siapa pun yang menanamkan deepseek-v4-flash secara hardcoded di jalur produksi: ID itu masih berfungsi, tetapi yang menjawab adalah model yang berbeda. DeepSeek telah menegaskan bahwa ini adalah shim kompatibilitas, bukan janji, sehingga menjadikannya tenggat migrasi yang dibungkus pemberitahuan deprecation.

Arsitektur, kini tercatat.

Dua hari yang lalu, bagian ini hanya bisa berupa daftar hal-hal yang belum dipublikasikan siapa pun. Laporan teknisnya menyelesaikan hal itu, dan klaim struktural ternyata bersifat literal, bukan sekadar pemasaran. DeepSeek V4.1 Flash adalah model mixture-of-experts multimodal dengan 552B parameter, dan bagian yang baru adalah bagian yang menentukan biaya untuk menjalankannya:

Backbone — total 552B parameter, mixture-of-experts dengan satu pakar bersama dan 384 pakar yang dirutekan per lapisan, enam pakar yang dirutekan aktif per token.

• CED — transformer 40 lapis yang dibagi menjadi encoder kausal 20 lapis dan decoder 20 lapis. Cache KV global decoder diproyeksikan dari keadaan tersembunyi akhir encoder, bukan diturunkan dari keadaan tersembunyi setiap lapis decoder sendiri, yang merupakan sumber sebagian besar penghematan memori.

Asimetri aktivasi — sekitar 8 miliar parameter aktif per token selama prefill dan 16 miliar selama decode, sehingga membaca prompt yang panjang jauh lebih murah daripada menghasilkan teks darinya.

• KV cache — laporan tersebut mengklaim 890 byte per token dari cache KV global, sekitar seperempat dari DeepSeek V4 Flash, menggunakan caching KV utama FP4 dengan satu skala per 16 kanal ditambah penggunaan ulang lintas lapisan.

• Attention dan decoding — Compressed Sparse Attention 2 dengan mode Full, Reindex, dan Reuse serta pengindeks sparse hierarkis, Single-Pass mHC, dan decoding spekulatif DSpark.

• Engram — tabel memori kondisional berparameter 196B, yang diakses secara sparse melalui pencarian berbasis token, dan berada di samping jalur mixture-of-experts alih-alih di dalam tumpukan atensi. Ini adalah blok bobot tunggal terbesar dalam rilis ini, dan angka pada kartu model untuknya adalah yang membuat ukuran unduhan dapat dipahami.

• Visi — DeepSeek-ViT dengan proyektor MLP dua lapis, dilatih sejak awal pra-pelatihan model bahasa, bukan ditempelkan ke basis teks setelahnya.

• Pelatihan — 45T token korpus multimodal, dengan sparse attention dilatih pada panjang sekuens 64K dan konteks diperpanjang hingga 1M pada titik 34T token. Pasca-pelatihan menjalankan SFT, lalu RL, kemudian distilasi on-policy.

• Upaya penalaran — bilangan bulat yang dapat dikontrol secara kontinu dari 1 hingga 100, dial yang lebih halus daripada tingkatan low, high, dan max yang diekspos DeepSeek V4 Pro.

Angka KV-cache adalah angka yang konsekuensinya melampaui lembar spesifikasi, dan di sinilah desain itu membuktikan manfaatnya. Jendela konteks 1M token hanya berguna jika Anda mampu mengisinya. Alasan ekonomi konteks panjang generasi sebelumnya terasa menyakitkan ada dua: cache bertambah besar seiring setiap lapisan yang melakukan attention pada prompt, dan sebagian besar kapasitas cache persisten dihabiskan untuk menyimpan status jendela geser yang berhenti berguna dalam hitungan menit. Jawaban laporan itu menyerang keduanya. Apakah produk yang dilayankan menyamainya pada 1M token di bawah konkurensi nyata adalah jenis klaim yang masih memerlukan pihak ketiga — skor independen yang kini tersedia mengukur model, bukan ekonomi konteks panjang — tetapi mekanismenya kini didokumentasikan, bukan disimpulkan, dan bagian di bawah ini membedahnya.

Di dalam cache: bagaimana 890 byte per token benar-benar bisa dicapai

Judul laporan itu adalah tesisnya. Bacalah, dan klaim efisiensi berhenti terlihat seperti efek samping dari tulang punggung mixture-of-experts dan mulai terlihat seperti brief desain — pembacaan yang telah disepakati oleh tulisan-tulisan independen sejak rilis. Alasan ini penting secara komersial, bukan akademis, terletak pada di mana tagihan agen sebenarnya mengendap: kerangka DeepSeek adalah bahwa baris cache-hit adalah yang mendominasinya pada beban kerja agentik yang panjang, yang menjadikan ukuran cache sebagai tuas biaya tingkat pertama. Angka DeepSeek menempatkan cache global pada 890 byte per token, sekitar 437× lebih kecil daripada DeepSeek V1 asli dan sekitar seperempat dari DeepSeek V4 Flash. Jalankan aritmetika pada jendela penuh dan itu adalah perbedaan antara sekitar 890 MB KV global untuk satu sekuens 1M token dan sekitar 3,5 GB pada laju per token V4 Flash. Tiga perubahan melakukan sebagian besar pemadatan: satu pada berapa banyak yang disimpan, satu pada apa yang dibaca, dan satu pada apa yang sama sekali dipertahankan.

Format penyimpanan adalah yang paling mudah dibaca di antara semuanya. Cache global utama disimpan dalam FP4 menggunakan tata letak E2M1 dengan satu skala E4M3 per 16 kanal — setengah lebar cache FP8 yang disimpan DeepSeek V4 dan seperempat FP16. Yang membuat itu bisa bertahan adalah DeepSeek mengkuantisasi cache selama pelatihan, bukan pada waktu penyajian, sehingga derau yang diperkenalkan format yang lebih sempit adalah sesuatu yang dipelajari model untuk diatasi, bukan sesuatu yang ditimpakan padanya setelahnya. Tidak semua dikompresi dengan cara itu: cache jendela geser lokal tetap dalam FP8, karena laporan menganggapnya sebagai bagian yang sensitif terhadap penyempitan lebih lanjut.

Compressed Sparse Attention 2 mengatur apa yang dibaca. Setiap lapisan atensi secara statis ditetapkan salah satu dari tiga mode — Full, Reindex, atau Reuse — sehingga lapisan decoder dapat berbagi key state dan indexer state alih-alih masing-masing menyimpan miliknya sendiri, dan lapisan mode Full pertama membangun pool kandidat yang hanya boleh digunakan oleh lapisan pengindeksan berikutnya. Angka dalam laporan menempatkan pool tersebut pada 16.384 posisi dengan seleksi sparse atas 512 entri teratas, yang memisahkan biaya pengindeksan dari panjang konteks: klaim DeepSeek adalah bahwa berpindah dari konteks 4K ke 1M hanya menambah sekitar seperempat komputasi per token yang dihasilkan, bukan pertumbuhan yang kira-kira sebanding dengan jendela seperti yang tersirat dari desain sebelumnya. Angka tunggal itu adalah hal paling berguna dalam laporan bagi siapa pun yang mencoba memperkirakan biaya beban kerja konteks panjang, dan itu juga satu-satunya yang sama sekali tidak memiliki konfirmasi eksternal — tidak ada pengukuran eksternal dalam tulisan ini yang menguji ujung jauh jendela konteks.

Perubahan yang paling banyak berperan di sisi persisten justru punya nama yang paling tidak menjanjikan. DeepSeek V4 menyimpan dua hal di cache persistennya selama lebih dari 72 jam pada beban kerja tipikal: KV global dan status attention jendela geser. Status jendela geser hanya penting selama beberapa menit, tetapi ia menghabiskan hampir setengah kapasitas cache persisten — penyimpanan yang dirancang untuk hitungan hari, dipakai untuk data yang hanya berguna satu menit. V4.1 Flash mengeluarkan status SWA sepenuhnya dari cache persisten dan menempatkannya di pool yang dirakit dari sekitar 10% DRAM host tiap mesin dengan time to live tingkat menit. Saat sesi dilanjutkan dan status itu sudah tidak ada, SWA Bounded Replay merekonstruksinya secara perkiraan: alih-alih memutar ulang layers × token jendela, ia hanya memutar ulang jendela paling baru, yang dilaporkan sebesar 128 token, dan menerima bahwa status hasil rekonstruksi tidak identik secara matematis dengan pemutaran ulang penuh. DeepSeek mengatakan pihaknya mengamati dampak kualitas yang kecil dari pendekatan perkiraan ini dan menyimulasikan perilaku yang sama selama pascapelatihan. Gabungkan itu dengan cache global yang lebih sempit, dan jejak KV persisten turun menjadi sekitar seperdelapan DeepSeek V4 Flash pada beban kerja yang identik — pemangkasan yang lebih besar daripada angka seperempat yang menjadi unggulan di lembar spesifikasi, karena ini adalah dua perubahan yang bertumpuk, bukan satu perubahan format.

Ada dua batasan yang membebani semua itu. Laporan tersebut tidak menawarkan perbandingan latensi atau biaya secara end-to-end, sehingga cache persisten yang delapan kali lebih kecil bukanlah bukti beban kerja yang delapan kali lebih murah: kompresi meringankan tekanan memori, dan hanya bagian tagihan yang terikat memori yang merespons hal itu. Dan penghematan itu bukan sesuatu yang otomatis Anda dapatkan. Mesin harus mengimplementasikan proyeksi encoder-decoder, tiga mode CSA2, tata letak cache FP4, dan Bounded Replay sebelum angka itu bermakna, itulah sebabnya 890 byte paling baik dibaca sebagai spesifikasi pihak pertama untuk API yang dilayankan DeepSeek sendiri, bukan janji tentang build lokal — konversi terkuantisasi untuk llama.cpp, Ollama, dan LM Studio di repositori tidak membawa cache ini. Angka utama juga mencakup token teks; embedding visi berada di luar cakupannya. Pada apa pun yang di-self-host, angka yang layak dipercaya adalah angka yang Anda ukur sendiri. Seberapa jauh sebuah mesin dapat melangkah dengan ini bukan lagi hipotetis, meski tetap belum independen. vLLM mengimplementasikan pemangkasan sisi decoder dan Bounded Replay dalam tiga minggu setelah rilis dan menerbitkan perbandingan sebelum-sesudah di bagian kecepatan di bawah — hal yang paling mendekati pemeriksaan terhadap spesifikasi, dan dilakukan oleh mesin yang mengukur pekerjaannya sendiri, bukan oleh evaluator yang mengukur model.

Skor independen, dijalankan dua kali: 39 untuk bobot September, 45 untuk 1017

Artificial Analysis telah menerbitkan evaluasi eksternal pertama untuk DeepSeek V4.1 Flash, dan itulah angka yang tidak dapat dihasilkan versi beta. Pada versi terkini Artificial Analysis Intelligence Index (v4.3.2), model tersebut mencetak skor 39 dalam Mode Penalaran pada upaya maksimum. Pada skala dan pengaturan yang sama, DeepSeek V4 Pro 0813 mencetak 36 dan DeepSeek V4 Flash 0731 mencetak 34. Dibaca bersama-sama, ketiga baris itu menyatakan hal yang diklaim oleh pemasaran DeepSeek sendiri tetapi tidak dapat dibuktikan oleh benchmark-nya secara mandiri: model terkecil dalam keluarga itu kini menjadi yang terkuat. Artificial Analysis menyebut 39 jauh di atas median 19 untuk model berbobot terbuka dengan ukuran sebanding. Selama lima minggu, angka itu hanya merupakan skor untuk checkpoint September: daftar evaluator tersebut hanya mencantumkan tanggal rilis September dan tidak lebih. Pada 18 Oktober hal itu berubah, dan perubahan itulah berita yang tidak dimiliki artikel ini saat pertama kali terbit. Baris kedua muncul untuk DeepSeek V4.1 Flash 1017, bertanggal 17 Oktober, dengan skor 45 pada indeks yang sama pada upaya maksimum yang sama. Itu menempatkan bobot 1017 sejajar dengan GLM-5.3 pada 45, dua poin di bawah GPT-5.6 Sol pada 47 dan enam poin di bawah Claude Opus 5 pada 51 — dan menjadikan checkpoint tersebut sebagai model DeepSeek dengan skor tertinggi yang pernah diukur situs itu, lima minggu setelah bobot September mengambil gelar tersebut. Hal itu juga memberi model tersebut posisi yang sebelumnya tidak dimilikinya, dan yang dinyatakan secara langsung oleh evaluator dalam tulisannya pada 19 Oktober: peringkat kedua pada tabel bobot terbuka, terikat dengan GLM-5.3 dan satu poin di belakang MiMo-V2.6-Pro pada 46, dengan Step 5 Preview dan Kimi K3 satu poin lebih jauh di belakang pada 44. Enam poin itu tidak tersebar merata di sepuluh evaluasi. Tulisan yang sama melaporkan pergerakan terbesar pada komponen agentic dan pengetahuan — Elo GDPval-AA v2.1 sebesar 1.746 berbanding 1.600, Elo AA-Briefcase v1.1 sebesar 1.570 berbanding 1.420, dan tingkat non-halusinasi AA-Omniscience sebesar 33% berbanding 4%, dengan akurasi naik dari 43% menjadi 46% dan indeks evaluasi tersebut bergerak dari -5 ke +5. Itu adalah angka milik evaluator untuk pengujiannya sendiri, diterbitkan olehnya dan bukan direproduksi di sini, dan angka-angka itu menggambarkan model yang menjadi jauh lebih enggan mengarang jawaban — peningkatan yang berbeda dari peningkatan kecepatan yang dijadikan andalan changelog DeepSeek.

Perbandingan yang penting di sini adalah perbandingan internal, karena ini adalah perbandingan yang sama yang dibuat oleh tabel routing DeepSeek. V4.1 Flash membawa 552B parameter total dengan 16B aktif per token; DeepSeek V4 Pro 0813 membawa sekitar 1,6T total dengan sekitar 49B aktif. Model dengan sekitar sepertiga backbone mencetak skor tiga poin lebih tinggi pada komposit yang tidak dijalankan pembuatnya — sembilan poin lebih tinggi setelah bobot 1017 dihitung, karena model unggulan 1,6T belum bergerak dari 36. Pertukaran ukuran-ke-skor adalah seluruh tesis dari desain Causal Encoder-Decoder, dan evaluator yang tidak memiliki kepentingan pada hasil kini telah menghasilkan angka yang konsisten dengannya.

Bagian harga dari klaim itu juga terbukti benar, dan ini adalah perbandingan harga pertama dalam cerita ini yang tidak berasal dari daftar tarif DeepSeek. Artificial Analysis mencantumkan DeepSeek V4.1 Flash pada $0.30 per 1 juta token input dan $1.20 per 1 juta output, dibandingkan $1.32 dan $3.96 untuk DeepSeek V4 Pro 0813 — 4.4× lebih murah pada input dan 3.3× pada output, dengan biaya campuran $0.18 per 1 juta berdasarkan campuran cache-hit, input, dan output 7:2:1 di situs tersebut. Model ini juga lebih murah daripada DeepSeek V4 Flash 0731 yang lebih lama dan lebih kecil yang digantikannya, yang dicantumkan situs tersebut pada $0.44 dan $1.32 sementara skornya lima poin lebih rendah. Lebih murah daripada model yang digantikannya, lebih murah daripada model yang digesernya, dan unggul dari keduanya pada indeks.

Ada dua peringatan yang perlu dilekatkan pada angka itu. Angka itu adalah komposit dari sepuluh evaluasi yang dijalankan pada upaya penalaran maksimum, jadi tidak mengatakan apa pun tentang pengaturan upaya lebih rendah yang sebenarnya digunakan sebagian besar lalu lintas produksi, dan tidak tentang bagaimana kualitas bertahan di ujung jauh jendela 1M token. Dan itu adalah skor dari satu evaluator: independen, tetapi tidak direplikasi — dan komposit itu sendiri telah direvisi sejak artikel ini pertama kali mengutipnya, dari v4.3 ke v4.3.2, yang mengubah skor DeepSeek V4.1 Flash dari 40 menjadi 39 dan skor pendahulunya dari 35 menjadi 34. Yang ditetapkannya memang sempit dan berguna — satu klaim yang tidak dapat didukung oleh beta, bahwa model 552B benar-benar kompetitif dengan model unggulan 1.6T milik DeepSeek sendiri, kini memiliki sumber di luar DeepSeek. Baris 1017 membawa dua peringatan yang sama dan satu peringatan lagi. Ini adalah skor dari satu evaluator, untuk bobot yang lima minggu lebih baru daripada sebagian besar bukti di sini, dan ini satu komposit, bukan replikasi baris vendor mana pun. Harga per tugasnya juga telah berubah di situs: checkpoint September kini tercantum hari ini pada $0.49 per tugas Intelligence Index, sedangkan artikel ini pertama kali memuat $0.27, dan checkpoint 1017 pada $0.26. Anggaplah angka dolar itu sebagai angka hidup di dasbor orang lain, bukan sebagai konstanta — yang merupakan pelajaran yang sama yang diajarkan skor indeks itu sendiri ketika berubah dari 40 menjadi 39. Tabel biaya di samping skor adalah sisa peringatannya, dan itu berlaku dua arah. Model satu peringkat di atasnya juga setengah harganya: MiMo-V2.6-Pro mencapai 46 pada $0.13 per tugas Intelligence Index dibandingkan $0.26 di sini, dan perbandingan Artificial Analysis sendiri menempatkan GPT-6.1 Sol pada upaya sedang di 48 dengan $0.21. Yang benar-benar dimenangkan checkpoint 1017 adalah adu langsung yang dijual DeepSeek sejak September — ia mengalahkan GLM-5.3-Flash pada kedua sumbu tabel itu, 45 berbanding 42 dan $0.26 berbanding $0.28 per tugas — yaitu pasangan di mana kemampuan dan biaya bergerak ke arah yang sama.

Skor luar berikutnya: ARC Prize sedang membangun tes

Pada 25 September, kepala pengujian model ARC Prize, Matt Mazur, membuka pull request di repositori benchmark ARC-AGI-3 milik yayasan itu sendiri yang menambahkan adaptor penyedia DeepSeek kelas satu: satu profil, bernama deepseek-v4-1-flash-low-provider-adapter, yang bidang modelnya adalah deepseek-ai/DeepSeek-V4.1-Flash. Klaim bahwa ARC Prize berniat mengevaluasi model ini datang sebagai satu unggahan media sosial, jadi kami memeriksanya terhadap kode yayasan itu sendiri, bukan terhadap unggahan tersebut. Adaptor, profil, tes unit, dan dokumentasinya ada di diff, dan repositori itu adalah harness yang disebut kebijakan pengujian ARC Prize untuk benchmark agentik interaktifnya. Yang tidak ada adalah hasil: pull request-nya terbuka dan belum digabungkan, tidak ada skor, tidak ada tanggal publikasi, dan tidak ada pernyataan tentang tingkat penalaran mana yang akan dipublikasikan. Alasan ini penting adalah bentuk pengukurannya, bukan berita bahwa pengukuran akan datang. ARC-AGI mengajukan pertanyaan yang tidak diajukan papan lain: sebuah model bisa cepat, murah, dan kuat di dalam sebuah harness namun tetap mendapat skor enam puluhan pada tugas yang belum pernah dilihatnya. Itulah pertanyaan yang belum pernah diajukan kepada DeepSeek V4.1 Flash.

Profil ini menetapkan bagaimana proses semacam itu akan berjalan, dan tiga detail akan membentuk angka yang akhirnya dihasilkan. Profil ini menjalankan model pada pengaturan upaya penalaran rendah, bukan maksimum, mengalirkan respons, menetapkan konteks harness 1M token dengan pemicu pemadatan ringkasan pada 175.000 token, dan membatasi output pada 262.144 token. Profil ini merutekan melalui endpoint yang kompatibel dengan OpenAI milik Baseten, bukan milik DeepSeek sendiri, dan dikonfigurasi pada $0,30 per 1 juta token input dan $1,20 per 1 juta output — tarif puncak dalam daftar harga DeepSeek, bukan angka di luar jam sibuk yang dikutip lebih jauh di artikel ini. ARC Prize menghitung biaya per tugas dari harga yang dikonfigurasi dalam profil, sehingga angka akhirnya akan berbasis tarif puncak, yang perlu diingat sebelum membandingkannya dengan $0,042 per tugas yang dicatat DeepSeek V4 Flash 0731 saat diuji. Fitur tidak biasa lainnya adalah solusi untuk perilaku mode berpikir DeepSeek: konten penalaran historis hanya diputar ulang ketika permintaan membawa tools, jadi adapter membuat model mengeluarkan setiap aksi ARC sebagai panggilan tool submit_action dan memutar ulang pesan asisten yang sama persis dengan penalarannya terlampir, alih-alih mengurai aksi dari prosa.

Tolok ukur yang akan digunakan untuk menilai ini berasal dari papan milik ARC Prize sendiri. DeepSeek V4 Flash 0731, checkpoint yang dipensiunkan oleh V4.1 Flash, adalah entri terverifikasi papan tersebut untuk tier Flash asalnya: 61,4% pada ARC-AGI-2 dengan upaya penalaran maksimum dan 89,0% pada ARC-AGI-1, dengan biaya $0,042 dan $0,021 per tugas. Dots3-Note Preview berada di 76,8% pada ARC-AGI-2, yaitu angka 77% yang dituju oleh postingan yang menandai adaptor itu, dan ekspektasi akun yang sama — bahwa apa pun di bawah 80% dari penerus yang jauh lebih besar dan multimodal secara native akan mengecewakan — adalah pembingkaiannya, bukan target yang dipublikasikan. Bagian lain dari pembingkaian itu layak diberi label: klaim bahwa V4.1 Flash menghasilkan 29% lebih banyak token daripada model yang digantikannya tidak memiliki atribusi dan tidak terdefinisi, dan tidak ada yang dipublikasikan DeepSeek atau ARC Prize yang mengatakan apa yang diukurnya.

Satu catatan kehati-hatian tentang papan mana ini. Adapter itu mendarat di repositori ARC-AGI-3, harness untuk benchmark agentik interaktif yayasan tersebut, dan repositori terpisah yang menjalankan ARC-AGI-1 dan ARC-AGI-2 sama sekali tidak memuat entri V4.1 — daftar modelnya belum diperbarui sejak 27 Juli dan masih mencantumkan endpoint DeepSeek yang lebih lama. Jadi fakta yang dapat dipastikan tanggalnya adalah bahwa ARC Prize telah menghubungkan model ini ke harness agentiknya; apakah model ini juga akan muncul di papan ARC-AGI-2, tempat perbandingan 61.4% berada, bukanlah sesuatu yang ditunjukkan kode publik saat ini. Pembacaan praktis bagi siapa pun yang memilih model kini semakin luas. Empat instrumen independen untuk DeepSeek V4.1 Flash kini digunakan — indeks komposit yang telah dijalankan dua kali, sekali per checkpoint; papan kernel komunitas; benchmark siber yang dikendalikan harness; dan, sejak 14 Oktober, benchmark serving perangkat keras — dan dua di antaranya menempatkan model di dalam harness pada tugas-tugas yang belum pernah dilihatnya. Yang lebih baru di antara keduanya adalah indeks komposit, yang telah memuat Terminal-Bench 4.0 sejak indeks v4.3: 66 tugas terminal, pass@1 dirata-ratakan atas tiga pengulangan, setiap model berada di bawah harness agen yang sama. Hasilnya pada 18 Oktober untuk bobot 1017 adalah 33.8. Benchmark siber di bawah ini adalah yang paling mendekati dari semuanya, dan pada benchmark itu model ini kalah dalam satu-satunya perbandingan head-to-head yang dijalaninya. Profil ARC adalah evaluasi yang dibangun untuk menjawab pertanyaan penalaran, dan itu masih menjadi satu-satunya yang belum memiliki angka. Sampai evaluasi itu dijalankan, batas atas penalaran model ini belum terukur, dan angka pembandingnya adalah angka pendahulunya.

Skor siber eksternal pertama: harness lebih banyak menggerakkan angka itu daripada model.

Pada 28 September, laboratorium evaluasi Generality Labs menerbitkan tindak lanjut dari karya sibernya sebelumnya yang berjudul “Apakah harness berpengaruh saat menjalankan Cyber Benchmarks?” — pengukuran luar pertama yang selesai yang menempatkan DeepSeek V4.1 Flash di samping model open-weight lain pada tolok ukur siber yang sama. Tolok ukurnya adalah Exploit Bench, sebuah evaluasi Carnegie Mellon oleh Seunghyun Lee dan Prof. David Brumley yang menilai seberapa jauh agen menaiki tangga enam belas kemampuan — dari mencapai kode rentan, hingga memicu bug, hingga membangun primitif eksploit, hingga eksekusi kode arbitrer — terhadap V8 produksi dengan sandbox keamanan V8 diaktifkan. Lab tersebut menjalankan dua model, DeepSeek V4.1 Flash dan GLM-5.3-Flash milik Z.ai, dengan anggaran 250 juta token per tugas untuk 10 tugas yang diambil dari 41 tugas asli tolok ukur berdasarkan Item Response Theory, dan mengulangi setiap model di bawah tujuh konfigurasi harness: enam CLI agen — Claude Code, Codex, Kimi CLI, ReAct, Gemini CLI, dan OpenCode — plus default milik tolok ukur itu sendiri, yang oleh tulisan tersebut dilabeli Original. Original sama sekali bukan CLI pihak ketiga: ia tidak memiliki batas token, batas 300 giliran, dan tanpa pemadatan konteks. Akun yang menyoroti hasil ini menggambarkan Original kira-kira sebagai loop while Python; itu adalah karakterisasinya, bukan karakterisasi para peneliti, yang deskripsinya sendiri adalah yang di atas.

Hasilnya adalah sebaran yang tidak akan ditunjukkan oleh satu skor pun. Kemampuan rata-rata dari 16. DeepSeek V4.1 Flash berada pada performa terbaiknya di bawah Claude Code, 9,3, dengan Codex di posisi kedua pada 8,9; model yang sama turun menjadi 7,4 pada Kimi CLI, 5,9 pada OpenCode, 5,7 pada Gemini CLI, 5,3 pada ReAct dan 4,7 di bawah Original — default benchmark-nya sendiri, dan yang terburuk dari tujuh. GLM-5.3-Flash membalik peringkat itu di kedua ujungnya. Konfigurasi terbaiknya adalah Codex pada 10,6, di atas 10,02 yang dimiliki dataset studi itu sendiri untuk Mythos Preview pada set lengkap 41 tugas, meskipun para peneliti memperingatkan bahwa subset 10 sampel tidak sepenuhnya representatif; terburuknya adalah Claude Code pada 6,2, harness yang sama yang merupakan yang terbaik bagi DeepSeek V4.1 Flash, dan 8,9 pada Gemini CLI, 8,2 pada Kimi CLI, 8,1 pada OpenCode, 7,7 pada ReAct dan 6,4 di bawah Original. Jika dirata-ratakan dari ketujuh konfigurasi, GLM-5.3-Flash berada di sekitar 8,0 dan DeepSeek V4.1 Flash di sekitar 6,7. Jadi kedua bagian dari klaim yang beredar bersama hasil ini terbukti benar berdasarkan data yang dirilis: pilihan harness bernilai beberapa poin, dan pada benchmark ini DeepSeek V4.1 Flash adalah yang lebih lemah dari kedua model — kecuali di bawah Claude Code, di mana ia memimpin dengan selisih lebih dari tiga.

Para peneliti secara eksplisit menyatakan bahwa mereka tidak dapat sepenuhnya menjelaskan sebaran itu. Satu petunjuk positif mereka adalah bagaimana setiap harness memadatkan konteks, dan perbedaannya terletak pada pilihan kata. Prompt pemadatan ReAct meminta model untuk “Tulis ringkasan lanjutan yang akan memungkinkan Anda (atau instans lain dari diri Anda) melanjutkan pekerjaan”; dalam transkrip yang diterbitkan lab itu, hal tersebut kadang membuat model menyatakan pekerjaan selesai, setelah itu harness membangunkannya lagi dan model mengirimkan ulang laporan yang sama puluhan kali sampai anggaran habis. Codex membingkai momen yang sama sebagai “Buat ringkasan serah terima untuk LLM lain yang akan melanjutkan tugas,” dan lab itu berhipotesis bahwa menyapa agen yang berbeda itulah yang membuat model terus membuat kemajuan selama anggaran yang panjang. Mereka menyebut ini hipotesis, bukan penyebab. Satu kesalahan konfigurasi juga penting untuk membaca tabel: pemadatan ReAct diatur ke 100K token, bukan ke pemicu yang dimaksudkan, sehingga pemadatan terjadi jauh lebih sering daripada yang diminta desain, yang menekan baris ReAct kedua model. Kaveat studi itu sendiri layak disertakan bersama angka apa pun darinya — dua model, 10 sampel per konfigurasi harness, 70 sampel pertanyaan per model dibandingkan 41 tugas asli benchmark, dan tiga sampel yang mengalami error atau tidak pernah selesai, dua di antaranya GLM-5.3-Flash. Para penulis menyatakan bahwa sampel kecil secara inheren mengandung derau, bahwa hasilnya tidak boleh diasumsikan berlaku untuk domain dan tugas lain, dan bahwa pekerjaan sebelumnya oleh METR tidak menemukan perbedaan yang signifikan secara statistik antara harness pada tugas dengan horizon panjang. Ini adalah lab luar yang menjalankan benchmark milik orang lain, bukan pemilik benchmark tersebut, dan ini tidak melalui tinjauan sejawat. Satu hal yang bukan: angka vendor, dan ini adalah angka dari pihak luar pertama dalam tulisan ini yang bertentangan dengan narasi vendor sendiri, bukan sekadar gagal mengonfirmasinya.

Ada satu hal di sini yang dapat ditindaklanjuti oleh router dan satu hal yang tidak bisa. Router tidak dapat memilih harness Anda — itu adalah loop agen yang sudah Anda jalankan, dan inti dari studi ini adalah bahwa pilihan tersebut bersifat menentukan. Yang dapat dilakukannya adalah membuat separuh model dari pasangan tersebut menjadi perubahan satu baris. DeepSeek V4.1 Flash dan GLM-5.3-Flash keduanya dapat dirutekan melalui OrcaRouter dengan satu kunci yang kompatibel dengan OpenAI, pada harga daftar resmi penyedia dengan tambahan markup 0%, sehingga tim yang ingin menemukan kombinasi model-dan-harness-nya sendiri dapat menukar model di bawah harness yang tetap tanpa kontrak kedua atau integrasi kedua, dan meninggalkan model yang sudah terbukti di belakangnya sebagai failover otomatis jika penukaran itu ternyata merupakan regresi. Itulah argumen yang sama yang dibuat oleh bagian adopsi di bawah, yang diterapkan pada keputusan yang baru saja dibuat konkret oleh studi harness: berdasarkan bukti ini, harness yang Anda jalankan mungkin lebih penting daripada model yang Anda pilih, dan sisi model dari pasangan itu adalah sisi yang dapat Anda ubah dalam waktu satu sore.

Di mana ia berhadapan dengan perbatasan, dan di mana ia masih kalah

Kartu model September membandingkan V4.1 Flash dengan Opus-5.0, GPT-5.6 Sol, Kimi K3, dan GLM-5.3 pada upaya penalaran maksimum, dengan DeepSeek V4 Pro dan DeepSeek V4 Flash miliknya sendiri sebagai baseline internal. Setiap angka di bawah ini dilaporkan vendor, dijalankan pada harness DeepSeek, dan tidak direproduksi oleh pihak ketiga mana pun. Kartu tersebut mencatat bahwa hasil agentic menggunakan mode Minimal dari DeepSeek Harness dengan konteks 1 juta token untuk benchmark kode dan jendela 512K untuk benchmark visual, sehingga angka-angka ini tidak dapat dibandingkan secara langsung dengan angka pihak ketiga yang dipublikasikan pada benchmark yang sama. Skor independen di bagian-bagian di atas adalah pengukuran berbeda pada set evaluasi yang berbeda; skor tersebut mendukung gambaran umum dan tidak mengonfirmasi satu pun baris di bawah ini, dan baris 17 Oktober di bagian di atas berasal dari kartu berbeda dan eksekusi berbeda dari benchmark yang sama.

Pada pekerjaan agentic dan coding, angka-angka vendor menempatkan V4.1 Flash di atas model-model frontier yang disebutkannya:

• Terminal-Bench 2.1 — 90.6, berbanding 89.1 untuk Opus-5.0, 88.8 untuk GPT-5.6 Sol, dan 87.9 untuk DeepSeek V4 Pro

• DeepSWE v1.1 — 74.2 diselesaikan, dibandingkan dengan 74.0, 73.0, dan 62.7

• CyberGym — 88.1, dibandingkan 84.5 untuk GPT-5.6 Sol dan GLM-5.3, serta 83.3 untuk DeepSeek V4 Pro

• AutomationBench — 54.8, dibandingkan dengan 50.3 untuk Opus-5.0 dan 37.7 untuk DeepSeek V4 Flash

• Agent's Last Exam — 31.8, dibandingkan dengan 28.6 dan 25.7

Codeforces — peringkat 3,471, mengungguli DeepSeek V4 Pro dengan 3,348 dan DeepSeek V4 Flash dengan 3,289

• MathArena Apex — 65.6, setara dengan Kimi K3 dan melampaui DeepSeek V4 Pro yang mencapai 65.3

Dan pada rangkaian agen yang lebih sulit, hal itu tidak:

• Terminal-Bench 3.0 — 30.0, jauh tertinggal dari Opus-5.0 dengan 43.3 dan GPT-5.6 Sol dengan 34.4, meskipun jauh di depan DeepSeek V4 Pro dengan 11.8

• Terminal-Bench 4.0 — 31.2, dibandingkan dengan 51.8 dan 39.9, dan sekali lagi unggul atas DeepSeek V4 Pro pada 12.4

• ProgramBench — 20.3, dibandingkan dengan 37.0 untuk Opus-5.0

• NL2Repo-Bench — 64.0, dibandingkan dengan 75.3 untuk Opus-5.0

• HLE — 36.8, terhadap 56.3 dan 44.5

• ExploitGym — 15.3, melawan 33.7 dan 22.1

Bentuk daftar itu lebih informatif daripada baris mana pun secara individual. V4.1 Flash melewati batas terdepan pada benchmark yang memberi imbalan atas penggunaan alat berkelanjutan di dalam harness, dan kalah pada benchmark yang memberi imbalan atas kedalaman penalaran — pola yang wajar diharapkan dari model yang dirancang sekitar throughput dan ekonomi konteks alih-alih sekitar plafon penalaran mentah. Perbandingan internal adalah yang mencolok: model ini mengalahkan DeepSeek V4 Pro pada hampir setiap baris, termasuk baris-baris di mana keduanya kalah dari Opus-5.0. DeepSeek tidak mengklaim model termurahnya adalah model terbaik di pasar. DeepSeek mengklaim model termurahnya adalah model terbaik yang dibuat DeepSeek, dan klaim itu didukung oleh tabel routing miliknya sendiri.

Berapa biayanya, dan seperti apa perbandingan Pro sebenarnya.

Daftar tarif 10 September kini hanya kartu V4.1 Flash, yang dipublikasikan di halaman Models & Pricing DeepSeek dengan pembagian tarif jam sibuk dan luar jam sibuk:

• Input, cache hit — $0,003 per 1 juta token di luar jam sibuk, $0,006 pada jam sibuk

• Input, cache miss — $0.15 per 1M token di luar jam sibuk, $0.30 saat jam sibuk

• Output — $0,60 per 1 juta token di luar jam sibuk, $1,20 pada jam sibuk

— Jendela puncak — 01:00–04:00 dan 06:00–10:00 UTC, Senin hingga Jumat; setiap jam lainnya ditagih dengan setengah tarif puncak

• Dalam renminbi — ¥0,02, ¥1, dan ¥4 di luar jam sibuk, berlipat dua menjadi ¥0,04, ¥2, dan ¥8 pada jam sibuk.

Bandingkan itu dengan model yang digantikannya. DeepSeek V4 Pro menagih $0,022 per 1 juta input cache-hit, $0,66 input cache-miss, dan $1,98 output di luar jam sibuk — sekitar 4,4× untuk input cache-miss dan 3,3× untuk output. Itulah angka yang akan diterapkan oleh pengalihan rute 14 September pada setiap panggilan deepseek-v4-pro, yang membuat rencana itu sama besarnya soal harga dan soal kemampuan, dan angka-angka itu masih menjadi alasan perbandingan ini penting: DeepSeek menarik pengalihan rute, bukan kartu tarifnya. Artificial Analysis mencapai perhitungan yang sama dari daftar harganya sendiri — $0,30 dan $1,20 per 1 juta untuk V4.1 Flash versus $1,32 dan $3,96 untuk DeepSeek V4 Pro 0813, dengan 4,4× dan 3,3× yang sama, serta campuran gabungan $0,18 per 1 juta berdasarkan rasio 7:2:1 cache-hit, input, dan output di situs tersebut. Kartu tarif itu juga lebih murah daripada DeepSeek V4 Flash 0731, model yang dipensiunkannya, yang oleh situs yang sama dicantumkan sebesar $0,44 dan $1,32.

Harga per token bukanlah biaya per tugas, dan beta adalah buktinya. Penguji hari pertama melaporkan sesi lima menit menguras saldo mereka lebih cepat pada model baru daripada waktu aktual yang sama pada DeepSeek V4 Flash, karena model ini dirancang untuk mengeluarkan token dengan cepat dan tagihannya berskala dengan token, bukan dengan menit. Kartu yang harganya seperempat dari harga Pro adalah nilai bagus jika suatu tugas selesai dalam jumlah token yang sebanding; itu impas jika model berpikir lebih lama untuk mencapainya.

Jika ada angka eksternal untuk pertanyaan itu, angkanya menunjuk ke dua arah. Artificial Analysis menempatkan DeepSeek V4.1 Flash pada $0,27 per tugas Intelligence Index pada set evaluasinya sendiri — angka per tugas yang nyata, dihasilkan di luar DeepSeek, dan tergolong rendah. Namun proses yang sama menghasilkan 250 juta token keluaran dibandingkan median 140 juta untuk model sebanding, dan ringkasan situs tersebut menyebut model ini sangat bertele-tele sekaligus cepat. Bertele-tele itu gratis di dalam harness benchmark dan mahal dalam produksi, yang justru merupakan mekanisme yang dijelaskan para penguji beta ketika mereka melaporkan saldo terkuras lebih cepat dalam hitungan waktu nyata. Keadaan jujur dari pertanyaan per tugas adalah bahwa satu evaluator independen kini telah mengukur kedua sisinya, pada set evaluasinya sendiri, dan jawabannya masih bergantung pada apa yang Anda jalankan. Angka komposit tidak dapat menunjukkan ke mana keluaran ekstra itu pergi, dan para penguji beta juga tidak pernah mengatakannya. Laporan praktik pertama melakukannya, dan ada di bagian kecepatan di bawah: model ini bertele-tele karena ia sedang memeriksa. Pembaruan 17 Oktober adalah kali pertama DeepSeek mengklaim telah mengubah angka itu: changelog mengatakan checkpoint baru “mengurangi waktu proses tugas dan panjang keluaran,” dan postingan beberapa jam kemudian mengatakan hal yang sama dengan lebih sedikit kata — “penyelesaian tugas lebih cepat, dan keluaran lebih pendek.” Itu adalah DeepSeek yang menanggapi, atas otoritasnya sendiri, kuantitas persis yang dikeluhkan pengukuran eksternal, tanpa angka yang dilampirkan pada kedua pernyataan tersebut. Pandangan luar pertama terhadapnya, pada 18 Oktober, menemukan volume agregat turun — 210 juta token keluaran di seluruh indeks dibandingkan 250 juta pada September — dan angka per tugas datar, di 89.495 token dibandingkan 88.574.

Berapa biaya sebulan: jatah $80, lalu tier gratis

Kartu di atas menjawab berapa biaya sebuah token. Angka yang berbeda telah bergerak dua kali, dan keduanya berasal dari OpenCode — agen coding yang langganan Go-nya mematok akses ke model ini sebagai jatah penggunaan bulanan alih-alih sebagai token terukur — yang berbicara tentang langganannya sendiri, bukan tentang modelnya. Pada 25 September, akun platform tersebut memposting: “Operation Cheepseek Phase 2: $60 of usage for DeepSeek v4.1 Flash is now permanent.” Pada 12 Oktober, ia memposting kelanjutannya dalam format yang sama — “Operation Cheepseek Phase 3: $80 of usage for DeepSeek V4.1 Flash” — dan halaman harganya menampilkan $80 untuk model ini, padahal pada akhir September halaman itu menampilkan $60. Pembacaan itu dilakukan untuk kedua kalinya pada 13 Oktober, terhadap halaman yang sama, dan menghasilkan baris yang sama: $80 pada tier Go seharga $10 per bulan, $160 pada Go Plus. Jadi, angka itu bukanlah klaim satu postingan tentang dirinya sendiri; itu adalah harga yang diterbitkan oleh satu platform untuk menyediakan model ini, dan angka itu masih ada sehari kemudian. Jika dibaca bersama, kedua postingan itu menjelaskan apa yang ternyata dimaksud dengan “permanent”: tidak ada tanggal berakhir — dan angka yang lebih tinggi tiga minggu kemudian. Yang bukan merupakan perubahan itu adalah cara baru untuk mengakses model ini — hal itu datang tiga hari kemudian, di paragraf di bawah. DeepSeek V4.1 Flash telah tersedia di API milik DeepSeek sendiri sejak 10 September dan OrcaRouter telah menyediakannya dengan tarif milik DeepSeek sendiri sejak perilisannya, sehingga bobot, arsitektur, dan setiap baris benchmark dalam artikel ini tidak terpengaruh oleh perubahan harga langganan; yang berubah pada Oktober adalah siapa yang bersedia menyediakan model ini dan dengan syarat apa.

Entri gratis adalah jenis perubahan yang berbeda dari keduanya, dan satu-satunya dari ketiganya yang mengubah apa yang dapat dilakukan pembaca minggu ini. Pada 15 Oktober OpenCode menambahkan entri terpisah untuk model ini — DeepSeek V4.1 Flash Free, id model deepseek-v4.1-flash-free — yang disediakan tanpa biaya. Daftar model publik platform mengembalikannya di samping id berbayar, dokumentasi Console-nya memuat entri model gratis yang menggambarkannya sebagai gratis untuk waktu terbatas dan menyebut penyedianya mengikuti kebijakan retensi nol yang tidak melakukan pelatihan pada data, dan tabel harga yang dipublikasikannya menetapkan input, output, dan pembacaan cache sebagai Gratis. Yang jelas, ini bukan produk lengkapnya. Batas-batas yang tercatat pada entri gratis — ditambahkan ke models.dev, katalog yang menjadi sumber daftar model OpenCode sendiri, pada 15 Oktober — menyebut entri berbayar sebagai model dasar dan membatasi jendela pada 200.000 token dengan plafon output 32.000 token, dibandingkan dengan konteks 1M dan output maksimum 384K yang dimiliki entri deepseek-v4.1-flash berbayar. Itu adalah bobot yang sama di balik ketentuan penyajian yang lebih sempit, bukan model yang lebih kecil atau model hasil distilasi, dan plafon output adalah klausul yang lebih dulu berdampak pada pekerjaan agentic, di mana satu penyuntingan file bisa melewatinya. Platform tidak mencantumkan tanggal berakhir pada pengaturan ini dan tidak menerbitkan daftar tarif untuknya, karena tidak ada tarif. Tidak satu pun dari ini berasal dari DeepSeek: ini adalah keputusan komersial sebuah platform tentang model yang tidak dimilikinya, yang dinyatakan dalam daftar modelnya sendiri, dokumentasinya sendiri, dan tabel harganya sendiri, dan itu satu-satunya sumber untuk semuanya — kami tidak menemukan pengukuran independen tentang bagaimana endpoint gratis berperilaku di bawah beban, dan “waktu terbatas” adalah frasa platform, bukan jadwal. Bacalah ini sebagai cara termurah untuk menempatkan jendela 200.000 token di depan model ini hari ini, dan bukan sebagai perubahan pada apa model itu.

Mekanismenya berasal dari halaman penetapan harga itu, yang dibaca pada 12 Oktober dan dibaca ulang pada 13 Oktober. Go adalah langganan $10 per bulan, dan tabelnya memasangkan setiap model di dalamnya dengan estimasi jumlah permintaan per lima jam dan batas penggunaan bulanan, dalam kolom terpisah untuk kedua tier. DeepSeek V4.1 Flash memiliki jatah terbesar di halaman itu: $80 per bulan dan 34.670 estimasi permintaan per lima jam pada Go, berlipat menjadi $160 dan 69.330 pada Go Plus. Baris-barisnya menagih model tersebut dengan kartu milik DeepSeek sendiri — $0,15 per 1 juta token input, $0,60 output, dan $0,003 untuk pembacaan cache di luar jam sibuk, berlipat menjadi $0,30, $1,20, dan $0,006 di dalam jendela jam sibuk hari kerja — dan itu adalah angka dari vendor, tidak berubah sejak pembacaan September yang sudah dimuat di bagian ini. Dua hal yang ditampilkan halaman itu saat itu tidak ada di halaman tersebut hari ini, dan keduanya layak ditandai karena pembacaan sebelumnya bergantung pada keduanya: aturan penarikan tiga keranjang — 20% selama lima jam mana pun, 50% sepanjang seminggu, dan 100% sepanjang sebulan — tidak lagi muncul, dan URL dokumentasi tempat estimasi permintaan awalnya dibaca, opencode.ai/docs/go, mengembalikan 404 saat kami memeriksa. Jumlah permintaan di atas adalah aritmetika platform atas bentuk panggilan yang tidak dipublikasikannya, bukan hitungan kami.

Perubahan itu dapat diperiksa terhadap halaman tersebut, dan demikian pula fakta bahwa sekarang sudah ada lebih dari satu. Pada akhir September, baris yang sama terbaca $60 tanpa masa berlaku, setelah tunjangan promosi $15 dikalikan empat kali menjadi $60 dan mencantumkan 20 September sebagai tanggal berakhirnya pengali; perkiraan permintaan diterbitkan dalam dua kolom, 6,500 / 16,250 / 32,500 standar versus 26,000 / 65,000 / 130,000 dengan pengali diterapkan. Baris tersebut terbaca $80 pada kedua pembacaan, dan perkiraan yang diterbitkan untuk model ini adalah 34,670 per lima jam dan 69,330 per bulan — tunjangan dolar yang lebih tinggi bersanding dengan jumlah permintaan bulanan yang lebih rendah daripada kumpulan yang diperluas pada September, yang keduanya tidak mungkin menggambarkan bentuk panggilan yang diasumsikan sama. Halaman tersebut tidak menyatakan campuran token dan tidak memberikan penjelasan, jadi perbedaannya adalah fakta tentang kedua pembacaan itu alih-alih sesuatu yang dapat kita selesaikan dari luar. Tarifnya sendiri tidak pernah merupakan diskon pada daftar harga DeepSeek — penetapan harga per token telah menjadi milik vendor sepanjang waktu, dan masih demikian. Apa yang tidak dilakukan oleh tunjangan adalah mengatakan apa pun tentang kualitas: itu adalah penilaian satu platform bahwa ia dapat menangani lalu lintas model ini pada tarif tersebut tanpa tenggat waktu, yang merupakan bukti tentang ekosistem penyajian alih-alih tentang modelnya.

Perbedaan itu penting saat Anda memilih, karena plafon tetap dan meteran pass-through adalah produk yang berbeda. DeepSeek V4.1 Flash tersedia di OrcaRouter dengan tarif milik DeepSeek sendiri dan markup 0% — $0,15 per 1 juta token input dan $0,60 per 1 juta token output di luar jam sibuk, angka yang sama dengan yang tercantum di kartu di atas, tanpa apa pun yang dibundelkan di sekitarnya: tidak ada langganan yang harus dibeli dan tidak ada kuota bulanan yang harus dihabiskan. Plafon $80 pada harga bulanan tetap adalah bentuk yang tepat bagi satu developer yang menjalankan agen sepanjang hari, di mana pertanyaannya adalah berapa biaya per bulan — dan plafon yang sudah dinaikkan sekali, sebesar sepertiga, juga menjadi pengingat bahwa angka itu adalah keputusan komersial, bukan properti model. Tier gratis dengan jendela 200.000 token adalah bentuk yang tepat untuk mencoba model ini minggu ini dan bentuk yang salah untuk basis kode yang membutuhkan jendela penuh, yang merupakan satu hal yang tidak dimiliki bersama oleh kedua tier dari model yang sama. Tarif vendor yang diteruskan tanpa perubahan adalah bentuk yang tepat untuk sebuah layanan, di mana pertanyaannya adalah berapa biaya setiap panggilan dan apakah perubahan harga berikutnya dari penyedia sampai kepada Anda pada hari itu terjadi. Keduanya menjawab berapa biaya model ini; keduanya menjawabnya untuk pembelanja yang berbeda.

Kecepatan: angka-angka beta, klaim pembuatnya, dan sebelum-dan-sesudah dari mesin itu sendiri

Saat beta dibuka, throughput menjadi sorotan utama. Para pengembang melaporkan sekitar 420 token keluaran per detik dalam generasi panjang dengan puncak di atas 500, dan satu proses yang banyak dibagikan menghasilkan lebih dari 71.000 token dalam waktu kurang dari tiga menit. Semua itu tetap merupakan pengukuran komunitas yang dilakukan dalam kondisi tak terkendali dan tetap harus dibaca seperti itu — tetapi mekanisme di baliknya kini didokumentasikan, bukan lagi diduga-duga. Cache KV sebesar 890 byte per token dan jalur dekode yang mengaktifkan 16 miliar parameter adalah desain yang dibangun untuk throughput, jadi arsitekturnya setidaknya berbentuk tepat untuk menghasilkan angka seperti itu. Seberapa besar angka itu sebenarnya adalah persoalan paragraf berikutnya, dan jawabannya lebih kecil.

Klaim DeepSeek sendiri, dalam changelog, adalah bahwa V4.1 Flash “telah secara menyeluruh melampaui V4 Pro dalam hal performa, biaya, kecepatan, dan total waktu.” Kata yang berperan penting di situ adalah total waktu: vendor membingkai kecepatan sebagai penyelesaian tugas, bukan token per detik, yakni metrik yang bertahan saat bersentuhan dengan loop agen nyata yang menulis file, membaca error, dan mencoba lagi. Artificial Analysis kini memberikan angka terukur untuk klaim lama itu: 185 token keluaran per detik untuk DeepSeek V4.1 Flash, dibandingkan 175 untuk DeepSeek V4 Flash 0731. Itu angka pihak ketiga yang nyata dan sekitar setengah dari 420 token per detik yang dilaporkan pengembang selama beta, itulah sebabnya angka beta sebaiknya tetap di tempatnya — di kolom kondisi tak terkendali.

Pada 7 Oktober, proyek vLLM menerbitkan perhitungannya atas tiga minggu sejak rilis, dan itu adalah angka kecepatan terukur pertama dalam artikel ini yang bukan penghitung token maupun slogan vendor. Menulis sebagai Inferact dan Tim vLLM, proyek tersebut melaporkan bahwa DeepSeek V4.1 Flash pada build saat ini berjalan 1,9× lebih cepat daripada implementasi hari ke-0 miliknya sendiri pada konkurensi rendah dan memberikan throughput 5,3× di bawah batasan 150 TPS — angka yang dibawa ringkasannya, dibandingkan dengan “sekitar 5×” di badan tulisan yang sama. Keduanya diukur pada benchmark penyajian agentic SemiAnalysis AgentX, dengan TP4 dan atensi FlashInfer di balik angka latensi rendah dan DEP2 dengan atensi data-paralel di balik angka throughput, pada perangkat keras NVIDIA GB200 dan GB300. Ada tiga hal tentang hasil itu yang perlu diluruskan. Ini membandingkan vLLM dengan vLLM: baseline-nya adalah resep hari ke-0 proyek itu sendiri, bukan mesin lain dan bukan model lain, jadi angka itu menunjukkan seberapa besar peningkatan tumpukan penyajian, bukan bagaimana model ini dibandingkan dengan apa pun. Ini adalah laporan runtime itu sendiri tentang pekerjaannya sendiri, dan belum ada pihak ketiga yang mereproduksinya. Dan keuntungan tunggal terbesar berasal dari runtime, bukan dari bobot — replay terbatas SWA, yang hanya menjalankan ulang 128 token terakhir dari jendela geser alih-alih memutar ulang jendela itu di seluruh lapisan, kini aktif secara default untuk model ini di balik satu flag. Proyek ini melaporkan sekitar 30% pengurangan waktu ke token pertama dari replay plus penangkapan CUDA-graph, pengurangan 30–40% dalam komputasi prefill dari pemangkasan sisi decoder, dan hampir 70% pengurangan TTFT pada throughput sekitar 100K setelah tiga optimisasi ditumpuk. Proyek ini juga melaporkan di mana replay merugikan: tanpa CUDA graph, ini lebih lambat daripada baseline pada prompt pendek, hingga 12% lebih buruk pada 1K token, karena overhead peluncuran melebihi pekerjaan yang dihemat. Akurasi diperiksa pada GSM8K dan GPQA tanpa perbedaan berarti yang dilaporkan, selisihnya dalam sekitar 1,5 standard error — angka yang harus dipegang terhadap pernyataan laporan itu sendiri bahwa replay terbatas bersifat perkiraan, bukan eksak. Proyek ini menambahkan bahwa model tidak memerlukan offloading KV-cache di mana pun dalam benchmark dan memperkirakan offloading baru akan mulai membayar pada konkurensi yang lebih tinggi dengan prefill dan decode dipisahkan antar mesin. Ini adalah pengukuran yang berbeda dari papan kernel di bawah, yang menilai kernel yang ditulis model; angka vLLM adalah tentang berapa biaya untuk menyajikan model setelah sebuah engine mengimplementasikan arsitekturnya, dan engine di sini adalah yang melaporkan. Proyek ini memposting lagi pada 17 Oktober, hari DeepSeek menukar checkpoint, dan angka yang dipimpinnya adalah jenis angka yang berbeda: 1,3B token per dolar dari total biaya kepemilikan pada SemiAnalysis AgentX, pada 830.000 token per detik per GPU dengan menghitung token yang di-cache, input, dan output bersama-sama, sambil mempertahankan 100 token output per detik untuk setiap pengguna. Itu adalah hasil biaya penyajian, bukan selisih kecepatan, dan bagian biaya penyajian di bawah membacanya secara penuh. Ada tiga hal tentang itu yang relevan dengan paragraf ini: ini adalah proyek yang sama, model yang sama, dan benchmark yang sama tiga minggu setelah perhitungan 7 Oktober; proyek ini membingkai perhitungan itu sebagai bab satu, pada throughput agentic 5x hari nol, dengan bab berikutnya masih akan datang, dan belum ada posting DeepSeek kedua yang muncul di blognya sejak itu; dan kurva biaya masih merupakan sisi buku besar runtime, bukan putusan luar atas model. Perbedaan itu juga alasan angka ini penting bagi seseorang yang tidak akan pernah menjalankan node. Tidak ada pekerjaan itu yang merupakan pekerjaan yang dilakukan pemanggil: tumpukan penyajian yang menjadi 1,9× lebih cepat pada konkurensi rendah membuat permintaan yang ditanganinya lebih cepat, dan menjangkau model ini melalui API adalah cara sebagian besar tim akan memperoleh manfaatnya tanpa memiliki perangkat keras. DeepSeek V4.1 Flash tersedia di OrcaRouter dengan tarif DeepSeek sendiri dengan markup 0%, pada kunci yang kompatibel dengan OpenAI yang sama dengan seluruh lini, dengan model yang terbukti di belakangnya sebagai failover otomatis — model dan penetapan harganya bergerak dengan laju penyedia, dan pilihan engine tetap di sisi penyedia.

Berapa biayanya untuk melayani: angka perangkat keras independen pertama

Semua di atas mengukur model. Pada 14 Oktober, Artificial Analysis menambahkan DeepSeek V4.1 Flash ke AA-AgentPerf, tolok ukur yang dijalankannya terhadap sistem akselerator alih-alih terhadap model, dan hasilnya adalah jawaban publik pertama atas pertanyaan yang tidak dapat diselesaikan oleh daftar tarif: berapa banyak model ini yang dapat ditopang oleh satu megawatt daya pusat data. AA-AgentPerf memutar ulang sesi agen pengodean yang terekam — penalaran multi-putaran, pemanggilan alat, konteks yang tumbuh melewati 100K token, termasuk hit cache prompt — terhadap stack penyajian yang aktif dan menemukan jumlah agen bersamaan terbesar yang dapat ditampung suatu sistem sementara masing-masing masih memenuhi target kecepatan per agen. Untuk model ini, sorotan utamanya adalah komponen berskala rak dari NVIDIA. Pada 100 token keluaran per detik per pengguna, GB300 NVL72 memimpin dengan sekitar 261 juta token per detik per megawatt, di depan B300 dengan sekitar 220 juta, B200 dengan 193 juta, GB200 dengan 178 juta, dan MI355X dari AMD dengan 128 juta. Itu adalah angka Artificial Analysis, yang dibaca dari halaman inferensi pusat datanya hari ini, dan itu merupakan pengukurannya atas perangkat keras serta konfigurasi penyajian tertentu, bukan milik vendor. Dua detail patut dicatat. Angka per megawatt dihitung dari daya akselerator yang diukur selama pengujian — die GPU ditambah HBM — bukan dari TDP nominal. Dan setiap titik pada grafik menyebutkan mesin, versi, dan format numerik di baliknya, sehingga angka itu adalah klaim tentang stack penyajian dan bukan hanya tentang bobotnya.

Alasan grafik model ini terlihat berbeda dari yang lain adalah ukurannya. DeepSeek V4.1 Flash cukup berjalan pada hanya dua akselerator, sehingga sistem berskala rak memperoleh keunggulan yang lebih kecil di sini dibandingkan pada model yang lebih besar: Artificial Analysis melaporkan B300 tetap berada dalam kisaran sekitar 20% dari GB300 NVL72 di sepanjang kurva dan memimpinnya di kedua ujung — throughput per megawatt tertinggi saat kecepatan per pengguna dibiarkan turun, dan agen tunggal tercepat saat tidak dibiarkan turun. Pada ukuran batch satu, setiap varian Blackwell dan MI355X berada antara sekitar 600 dan 670 token per detik untuk satu pengguna, dibandingkan 372 hingga 392 pada H100 dan H200. Dibandingkan dengan DeepSeek V4 Pro 0813 pada sumbu yang sama, model yang lebih kecil menghasilkan sekitar 1.3× throughput per megawatt pada GB300 dan sekitar 6.2× pada B200 di tanda 100 tok/s — klaim efisiensi yang diajukan bagian arsitektur dari sisi KV-cache, kini datang dari pihak ketiga yang mengukur sebuah sistem, bukan spesifikasi. Konfigurasi di balik angka-angka tersebut menunjukkan trik utama desain ini dalam produksi, bukan hanya di atas kertas: pada uji dua akselerator B300 maupun MI355X, tabel Engram 196B dilayani dari memori host yang di-pin melalui jalur CPU-offload vLLM, bukan berada di akselerator — mekanisme yang dijelaskan catatan rilis, kini terlihat dalam penyiapan di balik pengukuran yang dipublikasikan. Angka biaya kedua, dalam mata uang berbeda, berasal dari benchmark yang digunakan untuk mengukur tulisan vLLM 7 Oktober. Pada 17 Oktober, proyek vLLM menerbitkan grafik yang menempatkan DeepSeek V4.1 Flash pada 1.3B token per dolar total biaya kepemilikan di SemiAnalysis AgentX, dengan kurva terpisah untuk GB300 NVL72 di bawah Dynamo, GB200 NVL72, B200, H100, dan MI300X. Tingkat biaya di baliknya diberi label kepemilikan pada volume hyperscaler besar, dan asumsi jam-chip di bawahnya berkisar dari $0.95 untuk MI300X dan $1.17 untuk H100 hingga $1.73 untuk B200 dan $2.31 untuk GB300, yang diambil dari survei harga SemiAnalysis sendiri pada Juli 2026. Ada dua batasan yang menyertainya. Ini adalah proyek vLLM yang melaporkan model biaya SemiAnalysis, dan tidak ada satu pun pihak yang telah mereplikasinya. Grafiknya juga bertanggal 16 Oktober, sehari sebelum DeepSeek mengganti bobot di balik nama model, jadi grafik itu juga menggambarkan checkpoint September. Itu menjadikan tiga mata uang dalam tulisan ini untuk satu model: token per detik per pengguna, token per detik per megawatt, dan token per dolar. Yang terakhir adalah ukuran yang bisa ditindaklanjuti oleh pembeli tanpa pusat data, karena itulah bentuk kuantitatif yang akhirnya dipakai ketika perbaikan biaya penyedia sampai kepada mereka. Ini tetap merupakan pengukuran penyajian, bukan pengukuran kualitas: tidak ada di sini yang menyatakan seberapa baik model itu, dan hasil perangkat keras dari satu papan peringkat bukanlah replikasi dari baris benchmark mana pun di atas. Yang ditetapkannya adalah bahwa sisi biaya kartu tarif model ini kini memiliki bukti eksternal yang mendasarinya. Model yang dapat dilayani penyedia pada beberapa kali throughput per megawatt adalah model yang mampu dijaga tetap murah oleh penyedia, dan DeepSeek V4.1 Flash ada di OrcaRouter dengan harga daftar DeepSeek sendiri dengan markup 0%, yakni bentuk yang meneruskan perbaikan biaya penyedia alih-alih menahannya.

Berapa biaya mesin itu pada silikon dari dua vendor

Sampai minggu ini, pertanyaan tentang throughput untuk model ini hanya dijawab oleh pengukuran pihak lain — sebuah runtime yang menghitung pekerjaannya sendiri, situs benchmark yang mengukur sebuah sistem, para pengembang yang menghitung token dalam versi beta. DeepSeek membuka DeepInfer, framework yang dikatakannya menjadi tenaga layanan produksi model ini, dengan lisensi Apache-2.0 minggu ini — repositori tersebut muncul pada 16 Oktober dan commit pertamanya masuk pada 20 Oktober — dan bersamanya merilis plot Pareto decode untuk checkpoint 1017 yang diukur pada 64 akselerator SM100 di dalam satu domain scale-up. Konfigurasi yang tercetak pada plot itulah bagian yang penting, karena itulah konfigurasi yang menjadi dasar perbandingan di bawah: expert parallelism 64 terhadap data parallelism 64, “384+64 experts” yang tercetak pada plot, konteks 131.072 token, panjang draf DSpark yang ditetapkan tiga token, dan tingkat penerimaan per token sebesar 75%. Kurva tersebut memuncak tepat di bawah 30.000 token keluaran per detik per akselerator pada ujungnya yang paling tidak interaktif, turun melewati kisaran pertengahan 20.000-an saat kecepatan per pengguna naik melewati 100 token per detik, dan turun menjadi beberapa ribu pada tepi kanan grafik. Ini adalah DeepSeek yang mengukur mesinnya sendiri pada modelnya sendiri, jadi ini bukan angka independen — tetapi ini adalah kurva decode pertama untuk arsitektur ini yang diterbitkan oleh laboratorium yang membangunnya, dan skrip sweep yang menghasilkan kurva itu ada di repositori yang sama.

Tulisan yang diterbitkan di samping kode tersebut menyediakan titik operasi, dan itulah alasan angka-angka di bawah ini dikutip pada 230 token keluaran per detik alih-alih pada semacam maksimum abstrak. Angka produksi DeepSeek sendiri menempatkan decode pada 14K token per detik per akselerator, sementara layanan tersebut mempertahankan 230 token keluaran per detik per pengguna — 300 pada beban kerja coding — dengan tingkat cache hit input 96%, input rata-rata 77K token, waktu ke token pertama rata-rata 400 ms dan p99 satu detik, serta prefill yang disediakan mendekati rasio 1:1 dengan decode, di seluruh satu klaster yang menurutnya melayani 155 triliun token per hari. Lini pendapatan di samping angka-angka itu, $38 per jam-akselerator pada harga di luar jam sibuk, adalah angka biaya pertama yang pernah dilampirkan DeepSeek secara publik untuk melayani model ini. Tidak ada satu pun dari itu yang diaudit, semuanya adalah vendor yang mendeskripsikan layanannya sendiri, dan itu tetap merupakan gambaran paling konkret yang ada tentang berapa biaya menjalankan arsitektur ini.

Separuh lainnya dari perbandingan berasal dari silikon Huawei, dan itu adalah separuh dengan sumber yang lebih lemah. Lembar benchmark bertanggal 30 September dan berjudul “Ascend 950DT DeepSeek-V4.1-Flash Benchmark” melaporkan model yang digunakan di 32 chip pada presisi campuran FP8–FP4, dengan atensi paralel-data dan mixture-of-experts paralel-pakar, pada sekuens 128K token, menggunakan decoder spekulatif DSpark dengan konfigurasi load-balancer paralel-pakar yang dipaksakan dan panjang diterima rata-rata 4,1 token. Lembar ini memuat tiga poin. Kolom latensinya adalah waktu per token keluaran, sehingga kebalikan dari setiap entri adalah kecepatan per pengguna untuk baris tersebut, dan itulah yang memungkinkan lembar tersebut disandingkan dengan kurva:

• Batch global 1.536, 9,41 ms per token keluaran — sekitar 106 token keluaran per detik per pengguna — 5.102 token per detik per chip.

• batch global 384, 4,40 ms per token keluaran — sekitar 227 token keluaran per detik per pengguna — 2.727 token per detik per chip.

• 2,560 batch global, 13.79 ms per token keluaran — sekitar 73 token keluaran per detik per pengguna — 5,800 token per detik per chip, angka tertinggi di lembar tersebut dan angka yang digunakan judulnya.

Dibandingkan dengan kurva NVIDIA, dua baris tengah adalah yang paling krusial, karena berada pada kecepatan yang benar-benar dijalankan oleh sebuah layanan. Utas yang memunculkan lembar tersebut membaca perbandingan sebagai 25.500 token per detik per akselerator versus 5.102 pada 100 token keluaran per detik per pengguna, dan 20.000 versus 2.727 pada 230 — selisih lima kali pada titik operasi pertama dan 7,4× pada titik kedua. Membaca kurva terbitan yang sama secara langsung menggeser angka-angka NVIDIA itu: pemeriksaan piksel pada gambar mendekati 28.000 pada tanda 100 token dan mendekati 17.000 pada 230, di kedua sisi angka utas tersebut; rentang yang mereka berikan sekitar lima setengah kali pada titik operasi pertama dan sekitar enam kali pada titik kedua, yang mempersempit rentang utas tanpa mengubah bentuknya. Itulah nilai sebuah tolok ukur yang dibaca dari grafik, dan itu tidak mengubah arah hasilnya. Perlu dicatat juga bahwa angka utama 5.800 pada lembar tersebut adalah barisnya yang paling tidak interaktif — titik ketika kurva NVIDIA paling dekat dengan puncaknya sendiri, dan ketika rasionya kembali menjadi sekitar lima.

Saya tidak dapat menemukan lembar itu di halaman DeepSeek atau Huawei sendiri; lembar itu sampai ke artikel ini sebagai gambar yang dilampirkan pada sebuah utas di X, dan tiga angka Ascend harus dibaca sebagai tolok ukur vendor yang belum diterbitkan sampai seseorang memposting proses yang mendasarinya. Yang dapat diperiksa adalah asimetri dalam konfigurasi, dan itu berasal dari dokumentasi DeepSeek sendiri. Catatan penerapan DeepInfer merekomendasikan prefill pada expert parallelism 2 hingga 8 dan decode pada 64 hingga 128, pada “mesin 8-GPU biasa untuk prefill, supernode 64–128-GPU biasa untuk decode.” Pada NVIDIA itu adalah satu domain NVLink, yang merupakan lingkungan tempat plot di atas diukur. Pada Ascend, pustaka komunikasi DeepSeek sendiri menyatakan dengan jelas apa yang belum selesai: “Ukuran EP yang lebih besar dan combine masih dalam optimasi,” dengan combine membawa overhead reduksi lokal tambahan dan kontensi HBM terhadap jalur URMA, dan pekerjaan firmware Huawei masih akan datang — sebuah peringatan yang publik di DeepEP-Ascend sejak rilis pertamanya pada 29 September. Itulah cara yang adil untuk membaca kesenjangan tersebut: angka NVIDIA berasal dari bentuk yang menjadi target penyetelan DeepInfer, dan angka Ascend dari tumpukan yang penulisnya sendiri mengatakan jalur wide-EP masih dikerjakan. Sebagian dari lima hingga tujuh kali itu adalah chipnya, sebagian lagi adalah interkoneksi dan perangkat lunak di bawahnya, dan belum ada yang memisahkan keduanya.

Berapa nilai kesenjangan itu dalam uang bergantung pada harga yang belum dipublikasikan siapa pun, dan utas diskusi tetap menjalankan perhitungannya: pada sekitar $139.000 per akselerator Blackwell, yang diekstrapolasi dari harga rak pasar abu-abu, dibandingkan dengan rumor $37.000 untuk 950DT, NVIDIA harus memberikan throughput sekitar 3,8× per chip agar menyamai Ascend hanya dari biaya akuisisi; utas diskusi menempatkan titik silang di sekitar 6.800 token per detik per chip. Titik-titik Ascend yang dipublikasikan berada di bawah garis itu; perkiraan utas diskusi bahwa jalur wide-EP mengangkatnya ke 8.000–10.000 berada di atasnya, dan itu adalah perkiraan, bukan pengukuran. Setiap masukan tidak pasti — harga pasar abu-abu, harga rumor, dan angka yang dibaca dari kurva — dan tidak satu pun memperhitungkan jaringan, daya, pendinginan, pemeliharaan, atau nilai dari kemampuan membeli perangkat keras itu sama sekali.

Bagi siapa pun yang tidak akan pernah memasang node ke rak, bagian yang berguna bukanlah papan skor. Yang berguna adalah bahwa model termurah dalam lini DeepSeek kini didokumentasikan murah untuk dijalankan pada silikon dua vendor, dengan mesin milik vendor itu sendiri dipublikasikan dan angka-angka di baliknya dapat diunduh — semacam bukti yang menjadi dasar sebuah harga. Ini tidak mengubah daftar tarif: DeepSeek V4.1 Flash ada di OrcaRouter dengan harga daftar milik penyedia sendiri, $0.15 per 1 juta token input dan $0.60 per 1 juta token output pada tarif off-peak, diteruskan dengan markup 0%, jadi ketika biaya penyajian penyedia turun, penghematan datang sebagai harga yang tidak harus berubah alih-alih sebagai margin penjualan kembali. Biaya penyajian yang diperdebatkan pada perangkat keras dua vendor adalah harga yang memiliki lebih banyak ruang di bawahnya daripada harga yang belum pernah diukur sama sekali.

Rekayasa kernel: papan skor pertama yang bukan milik DeepSeek

Baris benchmark di atas adalah angka harness milik DeepSeek sendiri, dan skor dari luar yang kini ada mengukur penalaran umum dan eksploitasi siber, bukan pemrograman tingkat rendah. Tinjauan pihak ketiga pertama terhadap rekayasa kernel model ini juga sudah ada, dan hadir dalam bentuk yang tidak dipesan DeepSeek: benchmark agentik yang dijalankan komunitas yang meminta model menulis kernel CUDA nyata dan menilai hasilnya terhadap roofline — batas atas teoretis perangkat keras. Papan peringkatnya adalah kernelbench.com, dijalankan pada RTX PRO 6000, dan independen dari kedua vendor. Metodologi auditnya dilaporkan komunitas, bukan ditinjau sejawat, jadi bacalah persentasenya sebagai sinyal indikatif pihak ketiga, bukan pengukuran tersertifikasi; ini juga papan skor pertama dalam cerita ini di mana angka DeepSeek bersanding dengan angka pesaing langsungnya.

Baris utama adalah baris yang menjadi poros arsitektur ini. Sparse attention milik DeepSeek V4.1 Flash sendiri — stack CSA2 yang menghasilkan cache 890 byte per token — ditulis sebagai kernel CUDA oleh model tersebut dan mencapai 50,19% dari roofline setara dense, keempat di papan di belakang Claude Fable 5.1 pada 106,27%, Claude Opus 5 pada 103,67%, dan Claude Fable 5 pada 72,66%. Hal pertama yang perlu diperhatikan adalah bahwa arsitektur milik pembuatnya sendiri adalah kernel yang paling dikuasainya: model yang dilatih pada desain sparse-attention menulis kernel sparse-attention lebih efisien daripada apa pun di papan di bawah tiga teratas. Hal kedua adalah perbandingan yang disorot oleh tipster. Upaya GLM-5.3 Flash pada kernel yang sama hanya mencapai 4,45% dari roofline — satu orde magnitudo di bawah V4.1 Flash pada baris yang sama di papan yang sama. Kesenjangan itulah, bukan benchmark apa pun yang diterbitkan DeepSeek, yang dimaksud dengan 'peningkatan besar dalam rekayasa kernel'.

Perbandingan tidak berhenti pada baris sparse-attention, dan gambaran yang lebih lengkap itu penting karena judul tweet menyebut GLM-5.3 Flash, sedangkan tulisan yang dikutipnya sebenarnya merujuk ke GLM-5.2 yang berbeda dan lebih besar pada baris fused-MoE-nya sendiri — ketidakcocokan penamaan yang perlu dicermati dengan hati-hati. Pada baris-baris di mana kedua model kelas flash itu benar-benar menyelesaikan satu run, V4.1 Flash menang di semuanya: Kimi-Linear Decode pada 17,10× versus 13,64×, MegaQwen Decode pada 5,39% dari roofline versus 3,92%, TopK Bitonic pada 4,25% versus 7,17% untuk GLM-5.3 Flash, Sonic MoE pada 10,81% (skor terbaik yang dicatat model mana pun di papan skor untuk kernel tersebut) versus 10,21%, dan KDA CUTLASS pada 3,74% versus 2,26%. Pada dua kernel lainnya, GLM-5.3 Flash tidak memiliki run yang selesai sama sekali — fused MoE dan kernel simulasi Grid + MinGRU, tempat V4.1 Flash mencatat 28,56% dari roofline. (Satu-satunya baris tempat GLM-5.3 Flash mengalahkan V4.1 Flash adalah TopK Bitonic, 7,17% berbanding 4,25%, yang juga merupakan baris di mana tidak ada dari kedua model itu yang mendekati pemimpin papan skor.) Bentuk kasarnya sama dengan judul: pada pekerjaan GPU tingkat rendah, V4.1 Flash bukan sekadar unggul dari model Z.ai yang lebih kecil — ia berada di liga yang berbeda, dan pada dua kernel tersulit, model yang lebih kecil itu sama sekali tidak selesai.

Yang tidak dilakukan papan peringkat adalah memberi tahu Anda seberapa besar dari kesenjangan itu berasal dari model dan seberapa besar berasal dari arsitektur yang diminta untuk ditulisi kernelnya. DeepSeek V4.1 Flash adalah model dengan 552B parameter yang mekanisme attention-nya sendiri merupakan desain sparse-attention; GLM-5.3 Flash adalah model yang lebih kecil yang pelatihannya tidak pernah berpusat pada stack CSA2 yang sama. Model yang diminta menulis kernel untuk arsitektur yang menyerupai distribusi pelatihannya sendiri memiliki keunggulan bawaan, itulah sebabnya pembacaan papan peringkat yang paling adil bersifat menunjukkan arah alih-alih putusan adu langsung: rekayasa kernel kini menjadi kemampuan terukur dari model ini, kemampuannya benar-benar kuat, dan perbandingan spesifik yang dibuat pemberi tip tetap berlaku pada baris-baris yang sama. Papan peringkat juga menjawab pertanyaan yang tidak bisa dijawab lembar spesifikasi: apakah cache 890 byte dapat diwujudkan dalam praktik. Model yang menulis kernel sparse-attention-nya sendiri hingga setengah roofline adalah model yang desain intinya setidaknya dapat diimplementasikan pada perangkat keras nyata oleh kelas engineer yang sama yang harus melayaninya.

Tempat yang jujur bagi hal ini adalah di samping semua hal lain dalam tulisan ini: satu lagi pengukuran pihak ketiga yang tidak dihasilkan DeepSeek, kali ini tentang sebuah kemampuan — penulisan kernel GPU — yang tidak dicakup oleh baris tolok ukur vendor mana pun. Ini adalah satu papan komunitas pada satu generasi GPU, dijalankan sekali, dan proses auditnya tidak ditinjau sejawat, jadi ini adalah bukti tentang arah, bukan skor tersertifikasi. Namun ini adalah angka luar pertama yang menunjukkan untuk apa arsitektur baru ini: model Flash-tier murah yang, ketika diminta melakukan pekerjaan sistem tingkat rendah yang menjadi tempat DeepSeek sendiri mencurahkan upaya rekayasanya, mencapai kira-kira setengah dari yang dimungkinkan perangkat keras, sementara pesaing flash-tier langsungnya mencapai kurang dari seperdua puluh.

Perbaikan cepat, konfirmasi lambat: laporan uji langsung pertama

Throughput adalah separuh dari kisah kecepatan yang tidak dapat dilihat oleh penghitung token. Laporan langsung yang menumpuk sejak rilis mengukur separuh lainnya — bagaimana model berperilaku dalam perjalanan menuju jawaban, dan berapa biaya dari perilaku itu — dan laporan-laporan tersebut tidak sepakat apakah apa yang mereka temukan merupakan fitur. Tiga catatan independen menggambarkan pola yang sama. Tidak satu pun merupakan evaluasi terkontrol; angka-angka di bawah ini berasal dari praktisi perorangan yang menjalankan tugas mereka sendiri, dan ini harus dibaca sebagai laporan penggunaan, bukan pengukuran.

Penjelasan paling jelas tentang perilaku ini berasal dari MindStudio, yang memakai DeepSeek V4.1 Flash untuk membangun dari nol sebuah penampil 3D interaktif. Jejak penalarannya, dalam kata-kata peninjau, “menunjukkan ia memverifikasi matematikanya sendiri alih-alih sekadar mengeluarkan kode.” Model itu menangkap bug peredaman kontrol orbit di tengah proses pembangunan, menurunkan koreksinya dari prinsip-prinsip dasar, lalu “memeriksa ulang perbaikannya di browser headless sebelum menyatakan tugas selesai.” Pada tugas kedua — dasbor berbasis Docker — ia menemukan satu operator perbandingan yang terbalik dan mengonfirmasi perbaikannya dengan melakukan polling ke endpoint aktif delapan kali saat angka-angkanya diperbarui. Itulah yang digambarkan oleh para penguji beta ketika mereka menyebut model itu terlalu banyak berpikir, dan tidak ada yang salah dengan satu pun langkahnya: kesalahannya ditemukan, diperbaiki, dan diverifikasi. Itu juga persis keluhannya. Bug itu sudah ditangani, sesi DeepSeek lain sudah mengonfirmasi perbaikannya dalam waktu kurang dari satu menit, dan model itu tetap saja terus memeriksa. MindStudio menilai kebiasaan itu sebagai kekuatan dan mengatakannya; satu-satunya kritiknya dalam pengujian itu adalah masalah fisika yang terus berulang sampai dihentikan secara manual pada percobaan pertama, lalu diselesaikan dengan benar pada percobaan ulang.

Pembacaan dari arah sebaliknya adalah tentang waktu. Kompilasi komunitas atas pengujian V4.1 Flash menjelaskan sebuah soal fisika — gelas air yang dipotong pada sudut miring — ketika model menghabiskan dua belas menit dan sekitar 130.000 token dalam perjalanan menuju jawaban yang benar, menjalankan tiga putaran verifikasi mandiri yang tidak diminta sebelum akhirnya konvergen. Tulisan yang sama mendokumentasikan mode kegagalan di ujung ekstrem kebiasaan itu: rantai pemikiran kadang-kadang jatuh ke dalam loop pengulangan “let me write” yang memutar token dengan kecepatan sekitar 200 per detik tanpa kemajuan, dan sarannya bersifat sisi klien, bukan sisi model — tetapkan batas atas max_tokens dan timeout permintaan, lalu biarkan keduanya memotong loop tersebut. Catatan itu juga merekam kelas masalah yang sama diselesaikan dalam delapan belas detik oleh sebuah eksekusi dengan upaya penalaran diturunkan ke rendah, yang menjadi pengingat bahwa sebagian besar ini adalah pengaturan, bukan cacat.

Bukti paling tajam bahwa volume verifikasi bukanlah hal yang sama dengan kebenaran berasal dari tinjauan Tencent Cloud Labs yang memasangkan DeepSeek V4.1 Flash sebagai pelaksana dengan GPT-6 Astra sebagai peninjau pada sebuah reproduksi makalah. Tiga putaran berjalan, dan Astra tidak pernah membatalkan algoritme intinya. Yang terus dikoreksi peninjau, putaran demi putaran, adalah perancah yang dibangun V4.1 Flash untuk dirinya sendiri — penyiapan eksperimennya, konstruksi statistiknya, dan interpretasi yang ditariknya dari hasilnya sendiri. Jumlah tes bertambah dari 82 menjadi 97 menjadi 110, dan semuanya lulus setiap kali. Dibandingkan dengan baseline brute-force, konfigurasi yang dipilih model cocok dengan optimum pada 8,89% kasus di bawah parameter makalah itu sendiri, 11,04% dengan keyakinan yang diacak, dan 10,30% di bawah konfigurasi yang diacak. Temuan Astra yang paling tajam adalah tentang tes yang mengklaim memeriksa batas bilangan bulat: tes itu menjalankan 153 pemeriksaan ekstensi dan nol cabang batas bilangan bulat. Sebuah model bisa lulus rangkaian tes yang ditulisnya sendiri dan tetap belum menjawab pertanyaannya, dan tinjauan itu adalah contoh kasus yang ditelaah dari kesenjangan tersebut alih-alih pernyataan bahwa kesenjangan itu ada. Cakupannya sempit dan para penulis mengatakan demikian — satu pemilih panjang spekulatif, nilai keyakinan yang disimulasikan, tanpa uji coba end-to-end — tetapi polanya adalah pola yang digambarkan oleh laporan-laporan lain.

Jika disandingkan dengan angka-angka Artificial Analysis, ini tidak lagi tampak seperti anekdot. Evaluasi independen pertama atas model ini mengukurnya sebagai sangat cepat dan sangat bertele-tele dalam satu tarikan napas: 185 token keluaran per detik, dan 250 juta token keluaran yang dihasilkan di seluruh set evaluasinya, dibandingkan median 140 juta untuk model-model yang sebanding. Skor komposit tidak dapat mengatakan ke mana keluaran ekstra itu pergi. Laporan langsung bisa. Token-token itu bukan pengisi — token-token itu adalah model yang memeriksa. Volume yang sama muncul dari arah yang tidak terkait dalam sebuah laporan bug pada klien terminal pihak ketiga, di mana konten penalaran pada rute deepseek-flash ditambahkan ke jawaban yang terlihat alih-alih dipisahkan ke dalam blok pemikiran, sehingga menghasilkan blok teks tunggal berisi hingga 73.003 karakter monolog internal, tanpa apa pun yang terekam untuk diputar ulang pada giliran berikutnya. Bug itu milik klien dan bukan milik DeepSeek, dan itu bukan bukti tentang kualitas — tetapi itu adalah ilustrasi yang wajar tentang seberapa banyak pemikiran yang dikeluarkan model ini ketika sebuah harness gagal memisahkannya.

Tak satu pun dari ini membatalkan aritmetika harga di atas; ini menjelaskannya. Model yang memverifikasi dirinya sendiri sepadan dengan token yang digunakannya untuk pekerjaan agentik, di mana perbaikan yang salah lebih mahal daripada token yang dihabiskan untuk membuktikan bahwa perbaikan itu benar, dan kurang cocok untuk loop panjang berisi suntingan remeh yang konfirmasinya mencakup sebagian besar eksekusi. Dua hal membuat perbedaan itu bisa dikelola. Tombol upaya penalaran adalah bilangan bulat kontinu dari 1 sampai 100, bukan tiga tingkat tetap, sehingga model yang sama dapat diturunkan untuk pekerjaan murah dan dinaikkan untuk pekerjaan sulit — hasil delapan belas detik di atas berasal dari melakukan tepat hal itu. Dan jaring pengaman murah semestinya ada di klien: batas maksimum max_tokens dan batas waktu permintaan mengubah loop berulang dari tagihan menjadi respons yang terpotong. Keduanya adalah jenis pengaturan yang layak ditetapkan sebelum jalur produksi mengarah ke model ini, dan tidak satu pun merupakan hal yang akan dilakukan model untuk dirinya sendiri.

Penolakan: checkpoint menolak, dan tingkat penolakan itu dapat diukur

Pada 20 Oktober, hal yang menarik perhatian pada DeepSeek-V4.1-Flash-1017 bukanlah baris benchmark melainkan sebuah penolakan. Pelacak DeepSeek yang sudah dikutip di artikel ini memposting tangkapan layar dari sesi agen yang menjalankan checkpoint 1017 dengan dsh-purge diterapkan, dan melaporkan bahwa model tetap menolak: proses tersebut, dalam kata-kata si pemosting, “menolak persona,” dengan model beralasan bahwa permintaan itu adalah “sebuah upaya injeksi prompt” dan bahwa model “tidak seharusnya mengadopsi persona tersebut.” Tafsiran postingan tersebut adalah bahwa checkpoint itu “*tidak* sepenuhnya naif tentang jailbreak” dan bahwa DeepSeek “mulai memikirkan keamanan.” dsh-purge bukanlah trik prompt yang ditempelkan ke pesan pengguna. Ini adalah plugin DeepSeek Harness publik — 9.897 bintang di GitHub dan versi 1.1.71 per 20 Oktober — yang dibuat untuk menghapus penulisan ulang prompt dan sufiks yang disuntikkan oleh harness itu sendiri, dan README bahasa Inggrisnya dengan tepat menggambarkan perbedaan yang menjadi fokus pengujian ini: harness tersebut “menulis ulang prompt, gerbang persetujuan, kebijakan sandbox, dan migrasi sesi saat runtime,” sehingga hanya bertanya “apakah model akan menjawab” memperlakukan blok lapisan host sebagai penolakan model, dan plugin ini ada untuk memisahkan kedua lapisan tersebut pada instalasi Anda sendiri. Dalam sesi ini, pemisahan tersebut muncul di sisi model. Penghitung dalam tangkapan layar yang sama — 156 langkah, 33,7 juta token, 232 token per detik — menggambarkan proses agen penuh alih-alih prompt sekali jalan, dan ringkasan agen itu sendiri mengatakan plugin tersebut secara mekanis baik-baik saja dan “model spesifik itu menolaknya.”

Itu adalah tangkapan layar satu sesi milik satu orang, dan seharusnya diperlakukan persis seperti itu. Prompt-nya tidak ditampilkan, putusannya adalah ringkasan sang agen sendiri alih-alih respons yang dinilai, dan akunnya adalah pemantau DeepSeek alih-alih laboratorium evaluasi, sehingga tidak ada apa pun dalam unggahan itu yang dapat direproduksi dari unggahan itu sendiri. Yang membuatnya layak ditanggapi dengan serius adalah bahwa kedua belah pihaknya dapat diperiksa terhadap sumber-sumber yang independen dari orang yang mengunggahnya: plugin-nya, yang bersifat publik dan mendokumentasikan mekanismenya sendiri, dan perilaku penolakan checkpoint tersebut, yang kini telah dihitung oleh orang lain.

Jumlahnya ada dalam dokumen sebuah turunan. Sebuah build abliterated komunitas dari bobot 1017, yang diterbitkan di Hugging Face pada 17 Oktober, membawa pengukuran yang membuat build itu diperlukan. Pada 100 permintaan berbahaya yang disisihkan, didekode secara greedy masing-masing 384 token, checkpoint yang belum disentuh menolak 97 dalam mode chat dan 98 dalam mode think; setelah subruang penolakan peringkat-2 diproyeksikan keluar dari 40 lapisan utama, 100 prompt yang sama menghasilkan 4 dan 9 penolakan. Itu adalah angka pihak ketiga tentang bobot DeepSeek, yang dihasilkan tanpa akses ke pipeline pelatihan DeepSeek, dan itu juga satu set prompt, satu penilai, dan satu kuantisasi model — konversi Q8_0 alih-alih FP8 yang dikirim DeepSeek — jadi pembacaan yang jujur adalah “hampir selalu,” bukan “97,0%.” Berdasarkan bukti itu, deskripsi pengunggah tetap berlaku: checkpoint tersebut menolak, secara andal, dalam kedua modenya.

Apa yang tidak didukung oleh angka tersebut adalah gagasan bahwa ini merupakan sikap baru. Checkpoint September sudah berada di posisi itu. Tim di balik build September tanpa sensor mengukur model yang belum disentuh pada set 320 prompt lengkap HarmBench dan melaporkan keberhasilan serangan sebesar 42,8% dengan penalaran dimatikan dan 1,6% pada upaya maksimal — artinya model yang digantikan oleh model ini menolak sekitar 98% permintaan jenis itu begitu diizinkan untuk berpikir. Kedua pengukuran berasal dari set prompt, penilai, dan kuantisasi yang berbeda, sehingga tidak dapat saling dikurangkan; yang disepakati keduanya adalah polanya. Penolakan pada upaya tinggi sudah merupakan perilaku model September, dan checkpoint 1017 berada dalam rentang yang sama. Klaim yang lebih sempit adalah klaim yang benar-benar diuji oleh sesi 20 Oktober, dan klaim itulah yang layak dipertahankan: penolakan itu bertahan terhadap plugin yang dibuat khusus untuk menghapus kendala di sisi harness, dan penolakan itu bertahan sebagai penilaian model tentang prompt, bukan sebagai blokir di lapisan host.

Tidak ada satu pun dari ini yang didokumentasikan oleh vendor. Kartu model DeepSeek edisi September memiliki bagian evaluasi dan isinya hanya benchmark — tidak ada tingkat penolakan, tidak ada hasil red-team, tidak ada evaluasi keamanan — dan kartu 1017 sama sekali tidak memuat bagian evaluasi, karena folder itu telah dihapus bersama laporan teknis. Perilaku penolakan model ini karena itu sepenuhnya digambarkan oleh orang-orang yang membangun di sekitarnya: penulis turunan yang menghitung prompt, dan pelacak yang membaca transkrip. Bagi siapa pun yang mengarahkan agen ke checkpoint tersebut, itulah celah yang menentukan. Penolakan di dalam loop agen bukan catatan kaki kebijakan konten; itu adalah panggilan alat yang gagal di tengah proses berjalan, dan muncul seperti kegagalan per panggilan lainnya — itulah sebabnya mitigasinya sama dengan yang diterapkan pada timeout. Di OrcaRouter, itu adalah keputusan perutean, bukan perubahan kode: checkpoint 1017 dan model-model DeepSeek yang akan menjadi fallback berada di balik satu endpoint, sehingga panggilan yang kembali ditolak dapat dicoba ulang terhadap model kedua alih-alih mengakhiri proses berjalan. Penolakan itu sendiri milik model, dan tidak ada apa pun di lapisan perutean yang mengubahnya.

Jumlah turunan adalah bagian independen terakhir, dan itu menunjuk ke arah yang sama. Pencarian Hugging Face untuk nama checkpoint tersebut mengembalikan 121 repositori publik pada 20 Oktober, dan 25 di antaranya memuat uncensored, abliterated, atau derisked dalam namanya — build yang seluruh tujuannya adalah menghapus perilaku yang ditemui sesi 20 Oktober, yang pertama di antaranya diposting pada hari yang sama saat bobotnya diunggah. Itu bukan bukti tentang apakah modelnya bagus, dan bukan rekomendasi; itu adalah bukti bahwa ada mekanisme penolakan yang berfungsi di dalam bobot untuk dihapus, karena orang-orang yang mencopot hal-hal ini tidak repot-repot melakukannya ketika tidak ada yang bisa dicopot. Ini juga menetapkan ekspektasi bagi siapa pun yang melakukan self-hosting: checkpoint yang Anda unduh adalah checkpoint yang menolak, dan setiap varian uncensored dalam daftar itu adalah model yang berbeda, bukan sebuah pengaturan.

Pertanyaan V4 Pro, dan tingkatan di atas Flash

Selama beta, formulir masukan DeepSeek menanyakan kepada para penguji apakah versi perantara itu “dapat sepenuhnya menggantikan DeepSeek V4 Pro daring.” Itu adalah pertanyaan yang mencolok untuk diajukan kepada pengguna, karena menyiratkan masa depan model unggulan masih terbuka. Jawaban yang muncul pada 9 dan 10 September bersifat operasional: mulai pukul 12.00 waktu Beijing pada 14 September, deepseek-v4-pro akan berhenti dilayani dan trafiknya dialihkan ke V4.1 Flash dengan harga Flash, dengan V4.1 Pro disebut sebagai penerus pada akhirnya. Para pengembang keberatan, dan keberatan itu bukan karena penggantinya buruk — melainkan karena string model adalah kontrak, dan menukar bobot di balik ID produksi merusak pipeline yang telah disesuaikan dengan prompt dan loop agen yang dibangun berdasarkan model lama. Dalam dua hari DeepSeek menarik rencana itu. Catatan perubahan mereka kini menyatakan bahwa mereka “telah memutuskan untuk tetap menyediakan layanan API bagi DeepSeek V4 Pro setelah 14 September 2026, dengan metode penagihan tetap tidak berubah,” dan akan memberikan pemberitahuan lebih lanjut jika itu berubah. Pembalikan ini dinyatakan oleh vendor, bukan dilaporkan, dan dapat diperiksa di halaman Models & Pricing, yang masih mencantumkan deepseek-v4-pro di samping deepseek-flash.

Apa yang tidak dijelaskan oleh tabel routing adalah alasannya. Pada 9 September, teortaxesTex — salah satu akun tipster yang menyoroti beta tersebut — melaporkan bahwa DeepSeek telah mengakui pra-pelatihan V4-Pro mereka berjalan keliru; dalam kata-katanya, perusahaan itu “keliru besar” dalam hal ini. Itu masih merupakan klaim sumber tunggal dari akun yang cenderung orang dalam, dan DeepSeek belum mengakui apa pun secara publik: changelog membingkai penghentian bertahap itu sebagai konsekuensi dari model baru yang lebih baik, bukan karena model lama rusak. Yang bisa diperiksa dari luar adalah bentuk peluncuran ketersediaan umum V4 Pro pada 13 Agustus. Pengumumannya ditarik dalam waktu sekitar satu hari. Repositori Hugging Face sempat memuat konfigurasi kelas Flash dengan nama Pro sebelum bobotnya dikoreksi. Dan penilaian independen atas apa yang disajikan dengan nama itu hanya sedikit di atas DeepSeek V4 Flash yang jauh lebih kecil, dibandingkan grafik resmi yang menunjukkan hasil mendekati unggulan — pada indeks artificial-analysis saat ini, keduanya terpaut satu poin, 36 berbanding 35. Tulisan-tulisan independen menyalahkan penyebab yang berbeda-beda — perilaku penalaran yang terlalu menyesuaikan diri dengan harness evaluasi DeepSeek sendiri, tertukarnya deployment dan bobot, atau, seperti klaim kebocoran, pra-pelatihan yang benar-benar meleset. Pengalihan rute tidak menyelesaikan mana yang benar, dan DeepSeek sejak itu membatalkannya; yang tersisa adalah vendor yang memberi harga model terbarunya seperempat dari tarif cache-miss model unggulan dan menempatkannya di depan unggulan itu pada benchmark-nya sendiri, yang biasanya tidak dilakukan perusahaan karena semuanya berjalan sesuai rencana.

Flash, Pro, Ultra: apa yang telah dikatakan DeepSeek, dan apa yang hanya dugaan

Dokumentasi DeepSeek sendiri secara eksplisit menyatakan bahwa ini adalah bagian paling bawah dari sesuatu. Changelog menyebut DeepSeek V4.1 Flash "model terkecil dalam keluarga arsitektur baru kami" dan menyatakan bahwa arsitektur ini "dirancang untuk plafon kemampuan yang lebih tinggi, inferensi yang lebih cepat, throughput yang lebih tinggi, dan penskalaan ke model yang lebih besar." Laporan teknis menutup lingkaran yang sama dengan bahasa yang lebih kuat: model ini "menjadi titik awal baru bagi upaya penskalaan kami yang berkelanjutan," dan perusahaan menyatakan pihaknya "akan melakukan penskalaan bersama atas arsitektur model, pra-pelatihan, dan pasca-pelatihan untuk lebih jauh mengeksplorasi garis terdepan kecerdasan model." Kedua kalimat tersebut berasal dari pihak pertama, keduanya diterbitkan pada 10 September, dan tidak satu pun merupakan pengumuman produk. Keduanya mengikat DeepSeek untuk membangun model yang lebih besar dengan desain ini; keduanya tidak menyebutkan model mana pun, ukurannya, atau tanggalnya.

Segala hal setelah baris itu adalah spekulasi. Pada 25 September, pelacak @teortaxesTex — akun yang sama yang unggahan 9 September-nya tentang pra-pelatihan V4 Pro sudah dimuat dalam tulisan ini — membaca pola itu sebagai lini tiga tingkat yang lengkap: “DeepSeek cukup jelas bahwa mereka tidak akan berhenti di sini… Ini terdengar seperti mereka berniat membuat jajaran lengkap, Flash-Pro-Ultra. Mungkin 522B-2T-8T?” Ukuran-ukuran itu disebut sebagai tebakan oleh orang yang menyebutkannya, dan sikap berhati-hati itu memang berperan penting: tidak ada satu pun dalam log perubahan, kartu model, laporan teknis, organisasi Hugging Face, halaman harga, atau daftar model DeepSeek yang menyebut tier Ultra, dan tidak ada yang di atas 552B. Tangga tebakan itu juga merupakan aritmetika yang lebih rapuh daripada kelihatannya. Tingkat terbawahnya, 522B, bukan model 552B yang dirilis — entah angka itu salah tulis untuk angka yang sudah dipublikasikan DeepSeek, atau angka itu menunjuk ke checkpoint yang belum pernah dilihat siapa pun, dan tidak ada cara dari luar untuk mengetahui yang mana. Tingkat teratasnya, 8T, adalah lima kali lipat model unggulan 1.6T yang repositorinya dibuka DeepSeek pada April, pada tahun ketika rilis terbaru perusahaan itu direkayasa untuk mengaktifkan 8B parameter per token karena biaya inferensi, bukan jumlah parameter, adalah kendala yang hendak dipecahkannya.

Akun yang sama secara terpisah menyebutkan model DeepSeek berparameter 3 triliun sebagai sesuatu yang sedang dikerjakan lab itu tetapi tidak yakin dapat menyajikannya secara ekonomis — klaim berbeda tentang hal yang berbeda, dan sama-sama belum terkonfirmasi. Keduanya tidak perlu diselaraskan satu sama lain, karena keduanya tidak memiliki sumber kedua. Yang bisa diperiksa adalah arahnya: lab yang menyebut model terbarunya sebagai yang terkecil dalam sebuah keluarga, dan arsitekturnya sebagai arsitektur yang dapat diskalakan ke model yang lebih besar, adalah lab yang berencana merilis di atas tingkat ini. Apa yang akan disebutnya sebagai tingkatan-tingkatan itu, dan seberapa besar tingkatan tersebut, tidak ada dalam dokumen mana pun yang dapat dibuka pembaca hari ini.

Bagi siapa pun yang memilih model alih-alih mengikuti peta jalan, perbedaan itulah intinya. Jika keluarga ini memang diperluas ke atas, keputusan yang dihadapi sebagian besar tim tetap apakah akan beralih ke tingkat yang sudah ada — dan cara termurah untuk menjaga keputusan itu tetap terbuka adalah tidak menunggu. DeepSeek V4.1 Flash tersedia di OrcaRouter dengan tarif DeepSeek sendiri dan markup 0%, jadi jika penerus tingkat Pro hadir dengan harga berbeda, perubahannya masuk ke daftar tarif, bukan ke kontrak. DeepSeek V4 Pro menggunakan kunci yang sama di baliknya, sehingga kehadiran tingkat ketiga nanti menjadi keputusan perutean, bukan migrasi.

Bobot MIT mengubah apa yang dapat Anda lakukan dengannya.

DeepSeek V4.1 Flash dirilis di bawah lisensi MIT, dan bobotnya diunggah ke organisasi deepseek-ai di Hugging Face pada 10 September — hari yang sama dengan API, bukan beberapa minggu kemudian. Repositorinya adalah deepseek-ai/DeepSeek-V4.1-Flash: 48 shard safetensors dengan total sekitar 510 GB, laporan teknis dalam bentuk PDF di sampingnya, dan folder inference yang berisi implementasi referensi plus skrip konversi yang membagi checkpoint ke sejumlah rank tensor-parallel. Repositori itu adalah checkpoint September; yang aktif sejak 17 Oktober adalah deepseek-ai/DeepSeek-V4.1-Flash-1017, yang membawa lisensi MIT yang sama, 48 shard yang sama, dan sekitar 510 GB yang sama, tetapi menggantikan setiap shard dan menghapus laporan, templat chat, serta folder evaluasi.

Perlu ketelitian tentang apa sebenarnya unduhan itu, karena ini bukan rilis presisi penuh. File safetensors memuat sekitar 204B parameter dalam FP8 dan 557B dalam INT8, dibandingkan sekitar 2B dalam BF16, dan konfigurasinya menyatakan kuantisasi fp8 — checkpoint yang Anda tarik sudah terkompresi, dan begitulah model berparameter 763B bisa muat dalam sekitar 510 GB. Blok tunggal terbesar di dalamnya adalah tabel Engram: dua tabel FP8 yang menempati sekitar 189 GiB dari unduhan tersebut, dan pada setiap langkah dekode hanya beberapa baris saja yang dibaca darinya.

Untuk model dengan backbone 552B, lisensi adalah bagian yang mengubah keputusan. MIT bersifat permisif tanpa pembatasan pendapatan dan tanpa ketentuan tambahan tentang penggunaan yang dapat diterima yang layak ditinjau secara hukum, dan profil aktivasi — 8B per token saat prefill, 16B saat decode, dengan cache 890 byte per token — itulah yang membuat penyajiannya masuk akal di luar hyperscaler meskipun jumlah parameternya terlihat besar. Namun, angka terakhir itu adalah properti dari tumpukan cache penuh, bukan dari bobotnya, jadi mesin yang di-host sendiri yang mengimplementasikan format terkuantisasi tetapi bukan bagian lain dari desainnya akan jauh melampaui angka itu.

Lisensi permisif bukanlah izin ekspor, dan selama enam hari pada Oktober perbedaan itu tampak seolah mungkin penting. Pada 16 Oktober, Kementerian Perdagangan dan Kementerian Sains dan Teknologi Tiongkok menerbitkan Pengumuman No. 48 Tahun 2026, rancangan revisi katalog teknologi yang dilarang atau dibatasi untuk diekspor yang untuk pertama kalinya mencakup bobot model AI dan kode sumber. Rancangan itu mengusulkan 40 penambahan di bidang AI, bioteknologi, dan surya, dengan 23 di antaranya terkait AI, dan masa komentar publik berlangsung hingga 15 November. Dua pengecualian dalam rancangan tersebut memainkan peran terbesar bagi model seperti ini: teknologi yang sudah berada di domain publik melalui rilis sumber terbuka atau publikasi akademik tidak akan dikendalikan, dan akses API, aplikasi, SaaS, serta akses ringan di perangkat bagi pengguna luar negeri tidak dianggap sebagai ekspor teknologi model. Ambang batas yang dilaporkan di media perdagangan menggabungkan batas bawah parameter dua triliun, posisi di sepuluh besar global pada tolok ukur kinerja dan keselamatan, serta pelatihan pada data nasional inti atau penting. Model 552B lolos kriteria pertama; apakah dua kriteria lainnya menjeratnya bukanlah sesuatu yang dapat ditentukan pembaca dari luar, karena rancangan tersebut tidak mempublikasikan definisinya — yang menjadikan pengecualian domain publik, bukan uji ukuran, sebagai klausul yang penting bagi bobot yang sudah ada di Hugging Face.

Yang berubah pada 22 Oktober bukan teksnya, melainkan catatan kepatuhannya. YuyuantanTan melaporkan bahwa DeepSeek dan MiniMax telah menyelesaikan prosedur pendaftaran serta menyelesaikan open-sourcing dan lisensi luar negeri. Laporan itu tidak menyebut rilis mana yang dihitung sebagai open-sourcing, tidak menyebut model, checkpoint, atau tanggal apa pun, dan tidak mengumumkan bobot baru; rilis open-source yang terlihat pada rentang waktu itu adalah engine DeepInfer dan toolkit deepseek-recipe yang dibahas di atas. Versi klaim pada tingkat build lebih sempit dan lebih belakangan: pada 23 Oktober, sebuah akun X yang lama melacak DeepSeek memposting bahwa DeepSeek dan MiniMax masing-masing “memperoleh izin untuk melakukan open source V4.1F-1017 dan M3.1-Flash”. Atribusi itu berasal dari pemosting; tidak ada perusahaan yang menerbitkan pernyataan yang mengonfirmasinya, dan tidak ada regulator yang menerbitkan pemberitahuan yang menyebut pendaftaran salah satu perusahaan. Checkpoint yang disebutkan postingan itu telah ada di Hugging Face dengan lisensi MIT sejak 17 Oktober, enam hari sebelumnya. Izin apa pun yang diberikan tidak membatasi unduhan: repositori sudah hadir lebih dulu.

Bagi pembaca, isi praktisnya lebih sempit daripada judul-judul di sekitarnya, dan bergerak dalam dua arah. Tidak ada yang berubah pada 22 Oktober terkait checkpoint 17 Oktober, lisensi MIT, atau repositori; unduhan, shard, dan perbedaan hash yang dijelaskan di atas persis seperti sebelumnya. Yang berubah adalah jawaban atas apakah laboratorium Tiongkok dapat terus menerbitkan bobot seperti ini selama katalog masih dalam konsultasi: laporan media negara menyatakan ya untuk DeepSeek dan MiniMax, di bawah rancangan yang mengecualikan teknologi yang sudah publik dan menempatkan akses API di luar definisi ekspor. Batasannya terletak pada penggunaan kala. Pengecualian itu berlaku untuk teknologi yang sudah berada di domain publik, yang menggambarkan checkpoint September dan Oktober dan tidak otomatis menggambarkan rilis yang dibuat setelah katalog difinalisasi — dan kewajiban registrasi sementara yang dikatakan berlaku pada 16 Oktober telah dilaporkan, bukan diterbitkan secara lengkap. Siapa pun yang berencana mengunduh apa pun yang akan dirilis DeepSeek berikutnya sedang membuat rencana berdasarkan aturan yang belum ada. Siapa pun yang memanggil V4.1 Flash hari ini, atau menjalankan bobot 1017, mengandalkan pengecualian yang dinyatakan dalam rancangan dan yang tidak dibantah oleh kedua laporan tentang langkah sementara tersebut.

Dukungan serving tiba pada hari yang sama, dan itu menetapkan batas bawah praktis. vLLM menerbitkan resep day-0 yang divalidasi pada perangkat keras NVIDIA dan AMD, dan SGLang merilis dukungan inferensi serta RL day-0 dalam jendela yang sama melalui stack pelatihan Miles-nya. Keduanya dikirim sebagai image pratinjau, bukan paket stabil — container vLLM membawa tag 9 September, sehari sebelum GA model itu sendiri. Sisi cerita itu bergerak pada 22 September, ketika vLLM merilis v0.30.0: versi vLLM stabil pertama yang membawa arsitektur ini, dengan DeepSeek V4.1 Flash tercantum di bawah dukungan model barunya, resep vLLM milik model kini mensyaratkan 0.30.0 atau lebih baru, dan tag image hari peluncuran dipensiunkan. Catatan rilis adalah penuturan proyek itu sendiri tentang pekerjaannya, bukan hasil pengukuran, dan harus dibaca seperti itu. Mereka mengaitkan versi ini dengan penyimpanan seluruh KV cache model dalam MXFP8 melalui rekor FlashMLA V4.1 di SM100, dan dengan prefetch asinkron untuk pencarian Engram yang di-offload ke CPU plus sharding data-paralel Engram — dua perubahan yang paling penting bagi model yang tabel Engram-nya merupakan blok tunggal terbesar dalam unduhan. Tidak satu pun dari kedua perubahan itu membawa angka dari luar proyek, dan catatan rilis tidak melampirkan satu pun — tetapi proyek menerbitkan perbandingan sebelum-dan-sesudah untuk model secara keseluruhan pada 7 Oktober, tiga minggu setelah rilis: 1,9× lebih cepat pada konkurensi rendah dan throughput 5,3× di bawah batasan 150 TPS dibandingkan build day-0 miliknya sendiri, dengan pull request yang di-merge di balik setiap optimisasi yang dicantumkan. Angka dan batasannya ada di bagian kecepatan di atas. Yang tidak ada adalah replikasi dari pihak luar — setiap angka dalam posting itu adalah proyek yang mengukur dirinya sendiri. Yang diselesaikan rilis ini adalah pengemasan: 762 commit dari 315 kontributor, 104 di antaranya pertama kali, dalam versi bertag, bukan image pratinjau. Perhitungan resep vLLM sendiri masih menetapkan minimum pada sekitar 614 GB VRAM untuk checkpoint 510 GB plus headroom — satu node H200 delapan GPU atau satu tray GB200 NVL4 — dan memperingatkan bahwa konteks 1M token sebaiknya dibatasi dalam praktik, bukan diasumsikan. KV cache yang lebih sempit mengubah seberapa besar memori yang dibutuhkan engine yang berjalan, bukan seberapa besar checkpoint-nya, sehingga batas bawah node tetap berlaku. Tulisan SGLang menambahkan tuas yang spesifik untuk arsitektur ini: memindahkan tabel Engram ke memori host dengan satu flag lingkungan menaikkan kapasitas KV cache sekitar 36% pada uji empat GB300 dengan throughput decode dan waktu ke token pertama yang sebanding, dan replay terbatas SWA di sisi decoder menaikkan throughput prefill 1,56× pada delapan H200. Dua batasan menyertai hal itu. Implementasi referensi di repositori menyebut dirinya sebagai contoh yang mudah dibaca, bukan engine serving produksi, dan runtime konsumen tertinggal: jalur kuantisasi yang akan menempatkan ini di laptop atau Mac Studio belum terbuka saat peluncuran. Versi singkatnya, bobotnya benar-benar terbuka dan stack serving-nya benar-benar ada — pada perangkat keras yang dihitung dalam node, bukan GPU, dan itulah alasan jujur mengapa lisensi permisif tidak otomatis berarti build lokal. Repositori 1017 tidak mengubah apa pun tentang batas bawah itu — checkpoint-nya tetap 510 GB yang sama di 48 shard yang sama, dan catatan runtime yang membawanya adalah catatan yang diterbitkan untuk bobot September.

Apa yang tidak diberikan oleh bobot terbuka, dengan sendirinya, adalah sinyal kualitas — tetapi celah itu kini telah sebagian tertutup, dan semakin tertutup pada 18 Oktober. Kini ada empat instrumen independen, salah satunya dijalankan dua kali: Intelligence Index milik Artificial Analysis, yang memberi skor 39 untuk checkpoint September dan 45 untuk checkpoint 1017; studi Exploit Bench di atas, tolok ukur siber yang dijalankan dengan tujuh harness agen; papan kernel komunitas di bagian di bawah; dan, sejak 14 Oktober, hasil AA-AgentPerf milik Artificial Analysis sendiri untuk model ini, yang mengukur perangkat keras tempat model ini disajikan, bukan seberapa bagus model itu. Perbandingan sebelum-dan-sesudah proyek vLLM pada 7 Oktober, di atas, kembali mengukur hal yang berbeda — berapa biaya untuk menyajikan model, bukan seberapa bagus model itu — dan merupakan laporan runtime itu sendiri tentang dirinya. Tidak satu pun merupakan skor penalaran seperti yang sedang dibangun ARC Prize, tiga dari empat masih menggambarkan checkpoint September, dan untuk sebagian besar baris spesifik dalam tulisan ini kartu model tetap menjadi satu-satunya sumber — tetapi kompositnya tidak lagi termasuk dalam daftar itu: angka 45, dan 33,8 di bawahnya, dihasilkan terhadap bobot yang disajikan DeepSeek saat ini. Itu bukan tuduhan; itulah keadaan buktinya, dan itulah sebabnya artikel ini memisahkan kedua jenis angka tersebut. Bobot terbuka memang berarti model tidak akan tetap terbatas pada endpoint DeepSeek, yang penting bagi siapa pun yang terhambat oleh residensi data, bukan harga.

Bagaimana cara mengadopsinya tanpa mempertaruhkan produksi.

Satu hal berubah di sisi kami sejak rilis, dan itu membuat bagian ini lebih sederhana daripada versi minggu lalu: DeepSeek V4.1 Flash kini ada di OrcaRouter. Model ini merespons ID model deepseek/deepseek-v4.1-flash melalui endpoint yang kompatibel dengan OpenAI yang sama seperti seluruh lini, dengan tarif DeepSeek sendiri — $0.15 per 1 juta token input, $0.60 per 1 juta token output, dan $0.003 per 1 juta pembacaan cache pada tarif di luar jam sibuk, yang menjadi dua kali lipat dalam jendela jam sibuk hari kerja — diteruskan dengan markup 0%. Bagian terakhir itulah yang perlu dijelaskan: angka yang ditagihkan kepada Anda adalah angka penyedia, bukan harga jual kembali, sehingga pemotongan harga vendor langsung berlaku di sini pada hari yang sama, bukan saat kontrak dinegosiasikan ulang. DeepSeek V4 Flash dan DeepSeek V4 Pro berada pada kunci yang sama, sehingga migrasi di bawah ini merupakan perubahan routing, bukan re-platforming. Checkpoint 17 Oktober tidak mengubah satu pun dari itu: DeepSeek mempertahankan nama model API sekaligus daftar tarifnya, sehingga pembaruan ini tidak mengubah id maupun harga di sisi kami, dan itulah wujud pass-through ketika vendor memperbarui model tanpa menyentuh keduanya.

Itu juga argumen untuk tidak terburu-buru melakukan migrasi. Pengubahan rute pada 14 September akan menjadi kasus vendor yang mengubah arti sebuah ID model di bawah Anda, seandainya DeepSeek tidak membatalkannya karena tekanan, dan episode ini adalah pengingat terbaru yang paling jelas bahwa string model adalah kontrak yang dapat ditulis ulang oleh penyedia — yang juga merupakan kerangka yang tepat untuk pembahasan jajaran model di atas, karena keluarga tiga tingkat adalah sebuah rencana dan yang ini sudah berubah sekali. Untuk model yang sejauh ini hanya memiliki skor eksternal berupa indeks komposit, tabel siber yang berisik, dan papan kernel komunitas — dan sama sekali tidak memiliki rekam jejak produksi — bentuk yang lebih aman adalah bentuk yang memang dirancang untuk sebuah router: kirim sebagian trafik yang menyerupai produksi ke model baru, pertahankan model yang sudah terbukti di belakangnya sebagai failover otomatis sehingga regresi kualitas hanya membutuhkan percobaan ulang alih-alih insiden, dan biarkan DSL routing memutuskan panggilan mana yang layak dicoba pada model yang belum terbukti dan mana yang harus tetap di workhorse. Migrasi ke V4.1 Flash mungkin adalah tujuan yang tepat. Namun itu bukan migrasi yang dijalankan hanya berdasarkan pengumuman.

Pertanyaan terbuka

• Benchmark independen — jumlahnya telah bergeser dari nol menjadi empat instrumen, dan tak satu pun mengukur penalaran model sebagaimana yang dimaksudkan ARC Prize. Skor 39 dari Artificial Analysis adalah komposit dari sepuluh evaluasi pada upaya penalaran maksimum, dan skor 45 — yang dipublikasikan 18 Oktober — adalah komposit yang sama yang diarahkan ke bobot yang lebih baru. Studi Exploit Bench di atas adalah skor eksploitasi siber dalam anggaran token tetap, dan menilai DeepSeek V4.1 Flash di bawah GLM-5.3-Flash. Papan kernel komunitas di kernelbench.com adalah tabel rekayasa kernel. Hasil AA-AgentPerf Artificial Analysis, yang dipublikasikan 14 Oktober, adalah tabel perangkat keras: berapa token per detik per megawatt yang dilayani setiap sistem akselerator untuk model ini, dan tidak ada apa pun tentang kualitas. Tidak ada yang mereplikasi baris benchmark individual DeepSeek, dan belum ada pengukuran independen pada setelan upaya produksi, atau di ujung jauh jendela 1M token, yang dipublikasikan. Checkpoint 17 Oktober tidak lagi tanpa pengukuran: pada 18 Oktober Artificial Analysis menambahkan baris 1017 dengan skor 45 pada indeksnya dan 33,8 pada Terminal-Bench 4.0, dan angka bench tersebut berada delapan setengah poin di bawah klaim tabel vendor untuk bobot yang sama. Yang kini hilang adalah pendapat kedua atas angka itu — satu evaluator, satu harness, satu run — dan skor independen apa pun untuk empat pengukuran yang mendahului pertukaran tersebut. Satu-satunya evaluasi yang dibangun untuk menjawab pertanyaan penalaran masih dalam pengerjaan — ARC Prize memiliki profil DeepSeek V4.1 Flash di harness benchmark-nya dalam pull request terbuka, tanpa hasil terlampir — dan ARC-AGI belum pernah menilai checkpoint ini sama sekali: angka 61,4% pada ARC-AGI-2 yang dihidupkan kembali oleh kedatangan adapter tersebut milik DeepSeek V4 Flash 0731, model yang digantikan V4.1 Flash. Angka terbaru yang dilekatkan pada model ini, 77,0 pada DeepSWE v1.1, adalah baris dengan sumber terlemah dalam tulisan ini: itu grafik DeepSeek sendiri, dibaca dari gambar yang dilampirkan pada pengumuman vendor, dan tidak ada run pihak luar DeepSWE v1.1 pada checkpoint 1017 — hasil Artificial Analysis 18 Oktober adalah untuk bobot yang sama tetapi untuk benchmark yang berbeda. Dua papan independen yang memublikasikan benchmark menempatkan nama model ini pada 71,7% dan 74,2%, yang cukup untuk menempatkannya di samping Opus 5 dan tidak cukup untuk mengonfirmasi angka vendor — dan keduanya tidak menyebut checkpoint mana yang diukur.

• Self-hosting di bawah batas node — dukungan day-0 vLLM menjadi rilis stabil pada 22 September dengan v0.30.0, yang menambahkan jalur KV MXFP8 dan offload Engram asinkron; dukungan day-0 SGLang masih dikirim sebagai image pratinjau. Keduanya tidak menggeser batas minimum perangkat keras, yang berada di sekitar node delapan GPU karena checkpoint 510 GB-lah yang menentukannya — dan catatan deployment DeepSeek sendiri, yang diterbitkan bersama DeepInfer, mempertegasnya: satu node prefill di samping satu node decode dapat di-deploy, tetapi konfigurasi decode yang direkomendasikan adalah expert parallelism 64 atau lebih, yang menjadikan unit efisien terkecil adalah 64 GPU prefill di samping 64 GPU decode. Postingan proyek vLLM tanggal 7 Oktober adalah catatan optimisasi terukur terlengkap yang diterbitkan untuk model ini — 1,9× pada konkurensi rendah dan 5,3× di bawah batasan 150 TPS dibandingkan build day-0 miliknya sendiri, bersama angka SGLang di atas — dan tindak lanjut 17 Oktober menambahkan kurva token per dolar yang memang mencakup konfigurasi H100, MI300X, dan B200 di samping komponen berskala rak. Keduanya merupakan perhitungan proyek itu sendiri atas runtime-nya sendiri. Keduanya tidak menggeser batas: token yang lebih murah pada GB300 atau H100 tetap tidak dapat memuat checkpoint 510 GB ke desktop, jadi ini adalah jalur yang lebih cepat menuju batas yang sama, bukan batas yang lebih rendah. Apakah rilis berikutnya dan kuantisasi komunitas membawa ini ke mesin yang lebih kecil adalah pertanyaan terbuka bagi siapa pun yang menginginkan bobot model alih-alih endpoint, dan itulah yang menentukan apakah lisensi permisif merupakan lisensi yang praktis.

• Apa itu V4.1 Pro — DeepSeek menyebutnya sebagai penerus V4 Pro tetapi belum menerbitkan tanggal, spesifikasi, maupun harga, dan pengalihan lalu lintas Pro yang ada ke model tingkat Flash yang diumumkan ditarik sebelum berlaku. Apa yang berada di atas Flash hanya digambarkan oleh perusahaan sebagai arsitektur yang berskala ke model yang lebih besar; tangga Flash, Pro, dan Ultra beserta ukuran 522B, 2T, dan 8T-nya adalah spekulasi seorang pengamat, bukan dari DeepSeek.

• Biaya per tugas — Artificial Analysis kini mencantumkan angka per tugas untuk kedua checkpoint: $0,49 per tugas Intelligence Index untuk bobot September, disajikan ulang dari $0,27 yang pertama kali dimuat artikel ini, dan $0,26 untuk 1017. Ini adalah bukti luar pertama untuk bagian mana pun dari klaim Pareto DeepSeek, dan cakupannya lebih sempit daripada klaim tersebut. Baris yang sama menunjukkan checkpoint 1017 menghasilkan 210M token keluaran di seluruh indeks dibandingkan 250M untuk September — keluaran lebih pendek secara agregat — tetapi 89,495 token keluaran per tugas dibandingkan 88,574, yang sama sekali tidak lebih pendek, dan 288,8 detik per tugas dibandingkan 289,9, yang tidak lebih cepat. Rincian biaya situs itu sendiri menempatkan seluruh penghematan pada sisi masukan: baris keluaran datar, $0,106 per tugas dibandingkan $0,107, sementara masukan turun dari $0,379 menjadi $0,155 dan penulisan cache dari $0,322 menjadi $0,095. Apakah sebuah tugas selesai dengan lebih sedikit dolar bergantung pada berapa banyak token yang dibutuhkan, dan itu adalah sifat beban kerja, bukan dari daftar tarif. Uraian DeepSeek sendiri tentang pembaruan ini mengarah ke arah sebaliknya: catatan perubahan mengklaim checkpoint baru mengurangi waktu proses tugas dan panjang keluaran, dan unggahan 17 Oktober mereka mengulanginya sebagai "penyelesaian tugas yang lebih cepat, dan keluaran yang lebih pendek." Keduanya tidak mencantumkan angka, dan pengukuran luar di balik poin ini kini telah menemui keduanya: pada dua kuantitas yang disebutkan DeepSeek, bobot 1017 bergerak sekitar satu persen, ke arah berlawanan, dari titik awal lima minggu sebelumnya. Angka ketiga berada di sisi lain dari buku besar yang sama: grafik 17 Oktober proyek vLLM menempatkan model pada 1.3B token per dolar dari total biaya kepemilikan pada SemiAnalysis AgentX, pada tier biaya yang mengasumsikan volume hyperscaler besar. Melayani dengan lebih murah juga tidak menyelesaikan poin ini — biaya per token yang lebih rendah membiarkan angka token per tugas, yang sebenarnya dibayar oleh pemanggil, tetap persis di tempat pengukuran September menemukannya.

• Verifikasi yang lepas kendali — penguji langsung melaporkan sesekali loop berulang dalam rantai pemikiran, dan pertimbangan selama dua belas menit dengan token enam digit pada masalah yang selesai dalam hitungan detik pada pengaturan upaya yang lebih rendah. Tidak ada tolok ukur independen yang mengukur seberapa sering salah satunya terjadi atau berapa biayanya dalam produksi, dan mitigasi yang dilaporkan sejauh ini adalah pembatasan token sisi klien alih-alih sesuatu yang dilakukan model untuk dirinya sendiri. Studi Exploit Bench di atas mendokumentasikan mode kegagalan yang sama dari arah berlawanan: loop laporan berulang yang ditunjukkannya dalam transkrip ReAct dihasilkan oleh prompt pemadatan harness, bukan oleh penalaran model itu sendiri, yang menjadi pengingat bahwa loop dalam transkrip tidak otomatis merupakan cacat model.

• Rekayasa kernel — papan kernel CUDA komunitas kernelbench.com (RTX PRO 6000, diskalakan roofline) menempatkan DeepSeek V4.1 Flash pada 50,19% dari roofline setara-dense pada kernel sparse-attention-nya sendiri, peringkat keempat secara keseluruhan, dibandingkan dengan 4,45% untuk GLM-5.3 Flash pada baris yang sama. Papan ini dikelola komunitas dan tidak melalui tinjauan sejawat; belum ada generasi GPU kedua atau replikasi yang dipublikasikan.

• Konteks panjang di ujung jauh — attention sparse dilatih pada 64K dan diperluas hingga 1M pada penanda token 34T. Bagaimana kualitas bertahan di dekat akhir jendela 1M penuh adalah tepatnya yang akan ditentukan oleh evaluasi konteks panjang independen.

• Rekonstruksi cache di tepi — SWA Bounded Replay membangun kembali status sliding-window yang hilang secara perkiraan, bukan secara persis, dan DeepSeek mengatakan hasilnya dapat bervariasi bergantung pada di mana cache hit terjadi dalam sebuah sesi. Laporan tersebut mencatat dampak kualitas yang teramati kecil; kondisi ekstrem atau yang belum diuji justru merupakan tempat di mana pendekatan perkiraan semacam itu akan muncul, dan belum ada pihak di luar DeepSeek yang memeriksanya.

• Apakah beban kerja Pro benar-benar berpindah — pengalihan paksa telah ditarik, jadi tidak ada yang berpindah kecuali sebuah tim memilih untuk berpindah, dan tim-tim yang membayar harga Pro demi kedalaman penalaran adalah pihak yang paling mungkin menyadari perbedaan kemampuan pada pekerjaan yang berbentuk Terminal-Bench 3.0, di mana V4.1 Flash tertinggal jauh dari Opus-5.0.

• Ketentuan dan perilaku tier gratis — OpenCode menambahkan entri tanpa biaya untuk model ini pada 15 Oktober, dengan jendela 200.000 token dan batas atas keluaran 32.000 token, yang dijelaskan di halaman-halamannya sendiri sebagai tersedia untuk waktu terbatas. Apakah pengaturan itu akan bertahan lebih lama dari frasa tersebut, bagaimana endpoint bertahan di bawah beban, dan apakah DeepSeek punya suara dalam hal itu, semuanya tidak diungkapkan: daftar model, dokumentasi, dan tabel harga milik platform itu sendiri adalah satu-satunya sumber, tidak ada tanggal berakhir yang bisa dijadikan pegangan oleh siapa pun, dan belum ada yang menerbitkan pengukuran atas jalur gratis tersebut.

Keamanan dan penolakan — DeepSeek tidak memublikasikan tingkat penolakan, hasil red-team, atau evaluasi keamanan untuk kedua checkpoint, dan tidak ada laboratorium independen yang menilai model ini pada benchmark jailbreak. Angka-angka dalam tulisan ini berasal dari orang-orang yang membangun derivatif tanpa sensor — 97 dari 100 prompt berbahaya ditolak dalam mode chat, 98 dalam mode think, pada satu kumpulan prompt dan satu penilai — dan dari satu tangkapan layar sesi agen ketika model menolak persona yang di-jailbreak. Apakah perilaku itu tetap berlaku pada upaya penalaran rendah, dalam bahasa selain Inggris, terhadap serangan otomatis alih-alih prompt persona, dan di bawah harness yang menulis ulang system prompt, tidak terukur oleh siapa pun.

• Dokumen checkpoint berikutnya — laporan 22 Oktober menuntaskan pertanyaan registrasi untuk bobot yang sudah publik, karena katalog draf mengecualikan teknologi yang sudah berada di domain publik. Laporan itu tidak menuntaskan rilis setelah ini. Katalog tersebut adalah draf yang terbuka untuk komentar hingga 15 November, ambang batasnya dilaporkan alih-alih diterbitkan dalam teks, dan kewajiban registrasi sementara yang disebut mulai berlaku pada 16 Oktober belum diterbitkan secara lengkap. V4.1F-1017 sendiri sudah keluar, berlisensi MIT, dan tanpa pembatasan; apa yang harus dipenuhi checkpoint DeepSeek di masa depan sebelum dapat diunduh adalah aturan yang belum ada.

Beta adalah pertanyaan dua hari tentang apakah model kelas Flash dapat memikul tugas Pro. Rilis ini adalah jawaban DeepSeek dengan kartu tarif dan rencana perutean — lalu menarik rencana perutean itu dalam dua hari ketika para pengembang keberatan karena model produksi mereka ditukar di bawah mereka. Itu pernyataan yang lebih lemah daripada yang tersirat dalam pengumuman dan sekaligus lebih jujur: bukti kualitas untuk langkah ini adalah benchmark DeepSeek sendiri ditambah pengukuran luar yang sebagian besar menunjuk ke arah yang sama. Yang terbaru di antaranya, benchmark siber yang dijalankan dengan tujuh harness agen, menunjuk ke arah sebaliknya pada satu perbandingan yang dibuatnya, dan perusahaan menyerahkan pilihan itu kepada pelanggannya alih-alih membuatkannya untuk mereka. Sejak rilis, bobotnya berubah dari janji menjadi unduhan 510 GB, modelnya berubah dari endpoint vendor menjadi sesuatu yang dapat Anda rutekan, dan stack serving-nya berubah dari resep hari-0 menjadi sesuatu yang terukur — vLLM melaporkan dirinya 1.9× lebih cepat pada konkurensi rendah setelah tiga minggu, lalu menerbitkan, pada hari checkpoint berubah, kurva biaya yang memberi harga model pada 1.3B token per dolar dari total biaya kepemilikan di SemiAnalysis AgentX. Minggu ini lapisan di bawah semua itu juga terbuka: DeepSeek menerbitkan DeepInfer, mesin yang menjalankan layanannya sendiri, dengan kurva decode untuk checkpoint ini, angka produksi di balik kurva tersebut, dan benchmark September yang belum diterbitkan yang menempatkan Huawei 950DT lima sampai tujuh kali di belakang NVIDIA per chip pada kecepatan yang sebenarnya dilayani DeepSeek. Setelah lima minggu, checkpoint itu sendiri berubah satu kali: 17 Oktober membawa bobot baru di balik nama yang sama dan harga yang sama, dengan tabel vendor yang lebih baik pada setiap baris yang diterbitkannya dan harness berbeda di bawah salah satunya. Dua hari kemudian pengukuran luar datang, dan itu adalah angka paling berguna dalam tulisan ini: Artificial Analysis menempatkan bobot 1017 pada 45 dalam indeksnya — setara dengan GLM-5.3 untuk posisi kedua di antara model open-weight, tertinggal satu poin dari MiMo-V2.6-Pro — dan 33.8 pada Terminal-Bench 4.0, dibandingkan 42.3 milik vendor pada benchmark yang sama — jadi harness yang membuat model tampak lebih baik dalam tabel DeepSeek sendiri bukanlah harness tempat angka itu bertahan. Jika Anda memilih hari ini, posisi yang jujur adalah bahwa V4.1 Flash tampak seperti nilai terbaik di lini DeepSeek, memiliki empat instrumen independen atas namanya — tidak ada yang merupakan skor penalaran, salah satunya kini dijalankan terhadap checkpoint yang telah dilayani DeepSeek sejak 17 Oktober — evaluasi kelima sedang dalam pengerjaan, tanpa rekam jejak produksi, stack serving yang dua angka terkuatnya — delta kecepatan dan kurva biaya — keduanya berasal dari proyek yang menulis runtime, dan hasil siber eksternal yang sudah tidak konsisten dengan dirinya sendiri tergantung pada harness mana yang Anda bungkus di sekitar model, tier gratis 200.000 token yang muncul di satu platform pada 15 Oktober, dan putaran pertama laporan praktik langsung yang menggambarkan model yang memeriksa pekerjaannya sendiri lebih jauh daripada yang akan diminta sebagian besar pemanggil — yang merupakan alasan untuk mengarahkan sebagian trafik ke sana, bukan alasan untuk bermigrasi berdasarkan pengumuman. Pembaruan yang diumumkan DeepSeek pada 17 Oktober mengubah bobot dan menambahkan klaim vendor — penyelesaian tugas lebih cepat, keluaran lebih pendek — dan pengukuran luar pertama atas bobot tersebut paling baik hanya mendukung separuhnya: biaya per tugas indeks turun 46%, sementara waktu per tugas dan token keluaran per tugas nyaris tidak berubah. Sehari kemudian, klaim yang paling luas dibaca tentang checkpoint itu adalah klaim seorang eksekutif: 77 pada DeepSWE v1.1 dengan biaya 83× lebih rendah, dari seorang staf Databricks yang juga mengatakan bahwa checkpoint itu akan hadir di platform tersebut. Separuhnya bertahan saat bersentuhan dengan papan independen, yang sekarang menempatkan nama model ini di atas Opus 5 pada benchmark tersebut. Separuh lainnya belum: angka 77 adalah baris DeepSeek sendiri, belum direproduksi, dan 83× adalah aritmetika tanpa biaya per tugas yang diterbitkan di baliknya. Dokumentasi Databricks sendiri mengonfirmasi bahwa model itu ada di platform mereka dan bahwa dua model DeepSeek di bawahnya dijadwalkan keluar; dokumentasi itu tidak mengonfirmasi bahwa checkpoint tersebut akan datang. Klaim itu sekarang menjadi yang paling menarik kedua tentang checkpoint tersebut, bukan yang paling menarik. Pada 19 Oktober sebuah akun pelacak yang telah lebih dulu menyebut beberapa rilis ini menyatakan diri “sangat yakin” akan angka 42.3 pada Terminal-Bench 4.0, dengan alasan bahwa angka itu mengalahkan GLM-5.3, dan meminta Artificial Analysis menjalankan model tersebut dalam harness native. Situs itu sudah melakukannya. Pada harnessnya sendiri, bobot yang sama mencetak 33.8 — di bawah 41.9 milik GLM-5.3, bukan di atasnya. Baris vendor itu nyata dan milik DeepSeek; inferensi yang ditarik darinya tidak bertahan ketika dijalankan oleh pihak lain.

Jika versi dari ini yang Anda inginkan adalah versi yang menjaga opsi Anda tetap terbuka, ketiganya bisa diakses hanya dengan satu kunci dan dihargai memakai tarif D​eepSeek sendiri dengan tambahan markup 0%. Rilis itu sendiri: DeepSeek V4.1 Flash di OrcaRouter — konteks 1M token, batas output 384K, input gambar, dengan $0.15 per 1M input dan $0.60 per 1M output di luar jam sibuk. Model yang digantikannya: DeepSeek V4 Flash di OrcaRouter. Dan model unggulan yang diputuskan D​eepSeek untuk tetap disajikan: DeepSeek V4 Pro di OrcaRouter. Arahkan sebagian trafik ke yang baru, pertahankan model yang sudah terbukti di belakangnya sebagai failover, dan biarkan routing yang memutuskan.

Pilihan model juga merupakan pertanyaan tentang apa yang pernah gagal sebelumnya: insiden AI dan kegagalan agen yang terdokumentasi untuk model kelas ini dikumpulkan di OrcaRouter AI Incident Archive, di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda status diperdebatkan.