DeepSeek V4.1 Flash wordt algemeen beschikbaar: 552B met een nieuwe architectuur, MIT-gewichten en een V4 Pro-sunset die nooit heeft plaatsgevonden

DeepSeek V4.1 Flash is niet langer een experiment van twee dagen. Het model dat op 8 en 9 september in de live-API van de leverancier zat onder een ID dat zijn eigen vervaldatum droeg — deepseek-v4.1-flash-expires-on-0910 — werd op 10 september 2026 echt uitgebracht in DeepSeeks app, webinterface en API, waar het nu luistert naar de modelnaam deepseek-flash. Drie dingen aan de release zijn groter dan de bèta suggereerde. Het eerste is het papierwerk: DeepSeek publiceerde een technisch rapport — met weinig subtiliteit getiteld Pushing the Limits of KV Cache Compression — en MIT-gelicenseerde gewichten voor een 552B-parametermultimodaal mixture-of-experts-model op een nieuwe Causal Encoder-Decoder-architectuur. Die gewichten zijn geen belofte: 48 safetensors-shards, samen ongeveer 510 GB, gingen op de ochtend van de release online, wat de ongeverifieerde slogan 'nieuwe architectuur, native multimodaal' van de bèta verandert in iets wat een lezer kan downloaden en inspecteren. Het tweede is de vorm van de line-up. DeepSeek V4 Flash en DeepSeek-V4-Flash-Vision-Exp zijn uitgefaseerd, waarbij hun oude ID's nog steeds naar het nieuwe model verwijzen tegen Flash-tarieven, en het plan om DeepSeek V4 Pro op 14 september uit te faseren werd ingetrokken voordat die datum aanbrak: V4 Pro wordt nog steeds aangeboden, tegen ongewijzigde facturering, en DeepSeek heeft toegezegd vooraf bericht te geven voordat er iets verandert. Het goedkoopste model in de familie heeft de plaats van het vlaggenschip ingenomen qua prijs en op DeepSeeks eigen benchmarks, en DeepSeek zegt dat de architectuur eronder is ontworpen om op te schalen naar grotere modellen. Wat daarboven zit, is vanaf 25 september de gok van één tracker — een drieledige lijn met Flash, Pro en Ultra op 522B, 2T en 8T — geopperd door het account dat het als speculatie plaatste en door niets van wat DeepSeek heeft gepubliceerd bevestigd. Het derde is hetgeen de bèta nooit had. Artificial Analysis heeft nu de eerste externe evaluaties van het model gepubliceerd — een Intelligence Index-score van 39 in Reasoning-modus bij maximale inspanning voor de septembergewichten en 45 voor het 1017-checkpoint (een winst van zes punten die het op gelijke hoogte brengt met GLM-5.3 voor de tweede plaats onder open-weightmodellen, één punt achter MiMo-V2.6-Pro), tegenover 36 voor DeepSeek V4 Pro 0813 op dezelfde schaal, waardoor het 552B-model het hoogst scorende DeepSeek-model is dat de site heeft gemeten. Tien verdere punten zijn jonger dan de release, en ze wijzen in verschillende richtingen. Op 25 september opende de eigen modeltestleider van ARC Prize een pull request om een volwaardig DeepSeek V4.1 Flash-profiel toe te voegen aan de benchmarkharness van de stichting — de evaluator wiens bord dit vakgebied leest als een redeneerplafond in plaats van een productiviteitscheck, die aankomt zonder bijgevoegd resultaat en zonder belofte daarop. Drie dagen later publiceerde een extern lab het tegenovergestelde soort nieuws: een afgeronde meting, op een ander bord, die DeepSeek V4.1 Flash naast een ander open-weightmodel zet en het als de zwakkere van de twee bestempelt — en constateert dat het cijfer meer beweegt met de harness die om het model heen zit dan met het model zelf. Op Exploit Bench, een Carnegie Mellon-benchmark die scoort hoe ver een agent klimt richting volledige exploitatie van een productie-V8, scoorde DeepSeek V4.1 Flash gemiddeld 4,7 van 16 onder de eigen standaardconfiguratie van de benchmark en 9,3 onder Claude Code, terwijl GLM-5.3-Flash piekte op 10,6 onder Codex en zakte naar 6,2 onder juist de harness die het best bij DeepSeek V4.1 Flash past. Het derde is het minst dramatisch en het makkelijkst te controleren: op 7 oktober publiceerde het vLLM-project zijn eigen driewekelijkse verantwoording over het serveren van dit model, met de melding dat zijn huidige build 1,9× sneller is bij lage concurrency en 5,3× de doorvoer haalt onder een beperking van 150 TPS ten opzichte van zijn eigen day-0-implementatie — een before-and-after van een engine op zichzelf in plaats van nog een externe evaluatie, en het onderwerp van de snelheidssectie hieronder. Een vierde gaat over wat het gebruik van het model kost in plaats van wat het scoort, en het bewoog twee keer in drie dagen: op 12 oktober verhoogde OpenCode, de codingagent die dit model prijst op basis van een maandelijkse gebruikslimiet in plaats van gemeten tokens, zijn limiet ervoor van $60 naar $80 — de eigen verklaring van het platform over een product dat het verkoopt, op zijn eigen prijspagina — en op 15 oktober begon het hetzelfde model gratis aan te bieden, onder een tweede model-id, met een context van 200.000 tokens tegenover het venster van 1M dat de gemeten vermelding heeft. Een vijfde, van 14 oktober, meet de kosten om het model te serveren in plaats van de kwaliteit: Artificial Analysis voegde DeepSeek V4.1 Flash toe aan AA-AgentPerf, zijn hardwarebenchmark voor agentische inferentie, met resultaten op zowel NVIDIA- als AMD-accelerators — bij 100 tokens per seconde per gebruiker leidt NVIDIA's GB300 NVL72 het veld met ongeveer 261 miljoen tokens per seconde per megawatt, en dezelfde runs serveren het model op slechts twee accelerators, wat de sectie hieronder is in een tweede valuta. Het zesde is de release zelf, achterhaald: op 17 oktober verving DeepSeek het checkpoint achter dezelfde modelnaam deepseek-flash door DeepSeek-V4.1-Flash-1017 — nieuwe gewichten, een leveranciersbenchmarktabel die het septembermodel verslaat op elke rij die hij publiceert, dezelfde prijskaart en dezelfde envelop van 1M tokens — en, vanaf 18 oktober, een externe meting van de nieuwe gewichten die de rij waarmee de leverancier vooroploopt tegenspreekt: Artificial Analysis scoort het 1017-checkpoint 45 op zijn Intelligence Index en 33,8 op Terminal-Bench 4.0 onder zijn eigen harness, tegenover de 42,3 op DeepSeeks kaart. Het zevende punt is de discussie die die kloof opleverde. Op 19 oktober verklaarde een trackeraccount met een staat van dienst in het vroeg voorspellen van deze releases zich 'doodzeker' dat de 42,3 echt is 'omdat het beter is dan GLM-5.3', en vroeg Artificial Analysis het model in een native harness te draaien. De site had de dag ervoor al geantwoord, met een getal dat acht en een half punt lager ligt. Het achtste is geen score: op 20 oktober plaatste een DeepSeek-tracker een agenttranscript waarin het 1017-checkpoint weigerde een gejailbreakte persona uit te voeren met dsh-purge — een plug-in die is gebouwd om de eigen beperkingen van de harness te strippen — toegepast, en de abliteration-notities van een derde partij zetten de weigeringsgraad van het onaangeraakte checkpoint op 97 van de 100 schadelijke prompts in chatmodus en 98 in denkmodus, waarbij DeepSeek voor geen van beide checkpoints een eigen veiligheidsevaluatie publiceert. Het negende is geen score en geen prijs: deze week opende DeepSeek de inference-engine waarop zijn eigen dienst draait, met een decode-curve voor het 1017-checkpoint en de productiecijfers erachter, en de discussiedraad die dit deze week opdiepte legt die curve naast een Ascend 950DT-benchmark van 30 september die Huawei's onderdeel per chip ruwweg vijf tot zeven keer achterop zet — de sectie over serverende silicon hieronder. Het tiende is geen score, geen prijs en geen checkpoint: op 22 oktober meldde YuyuantanTan, het actualiteitenaccount van China Media Group, dat DeepSeek en MiniMax de registratieprocedures hadden afgerond die horen bij China's ontwerp voor een technologie-exportcatalogus en het open-sourcen en buitenlandse licentiëren hadden voltooid. Dat is berichtgeving van staatsmedia over twee bedrijven, geen kennisgeving van een toezichthouder of een verklaring van een bedrijf, en het is de ontwikkeling die de vraag beantwoordt die de ontwerpcatalogus op 16 oktober opende — of de MIT-gewichten waarover dit stuk gaat, gepubliceerd en naar het buitenland verscheept kunnen blijven worden. De licentiesectie hieronder scheidt wat het rapport zegt van wat het niet zegt.

Alles hieronder houdt twee soorten claims uit elkaar. De specificaties, benchmarks en prijzen komen uit DeepSeeks eigen changelog, modelkaart en technisch rapport — door de leverancier gepubliceerd, door de leverancier uitgevoerd en door niemand anders gereproduceerd. Dat gat is sindsdien verkleind door vier onafhankelijke instrumenten — een samengestelde index, een community-kernelboard, een door een harness aangestuurde cyberbenchmark en een hardware-servingbenchmark — waarvan er één, de index, inmiddels op beide checkpoints is gedraaid. Geen ervan repliceert ook maar één leveranciersrij, en ARC Prize bouwt nog steeds aan de redeneerevaluatie, waarvan nog niets is gepubliceerd. DeepSeek verving op 17 oktober het model achter dezelfde API-naam door het DeepSeek-V4.1-Flash-1017-checkpoint. Een dag lang betekende dat dat elk extern cijfer in dit stuk betrekking had op gewichten die de leverancier niet meer aanbood, zonder externe score voor de gewichten die hij wél aanbood; op 18 oktober heeft Artificial Analysis de index opnieuw op het nieuwe checkpoint gedraaid en 45 gepubliceerd, tegen 39 voor de gewichten van september. De andere drie instrumenten zijn niet opnieuw gedraaid: de cyberbenchmark, het kernelboard en de hardwarebenchmark beschrijven nog steeds de gewichten van september, en geen enkele onafhankelijke score, oud of nieuw, repliceert een van DeepSeeks eigen benchmarkrijen. Het cijfer voor de serveerkosten dat het vLLM-project op 17 oktober publiceerde, is alleen qua publicatiedatum nieuwer: de grafiek erachter is gedateerd op 16 oktober, de dag vóór de wissel, dus beschrijft dezelfde achterhaalde gewichten. Op zijn huidige index (v4.3.2) scoort Artificial Analysis het DeepSeek V4.1 Flash-checkpoint van september op 39 en het 1017-checkpoint op 45, en beschrijft beide als ruim boven de mediaan van 19 voor open-weightmodellen van vergelijkbare grootte; het zijn echte cijfers van derden en de eerste in dit verhaal die niet door DeepSeek zijn geproduceerd. Elk ervan is één samengestelde score uit tien evaluaties, geen replicatie van een individuele leveranciersrij, en zegt niets over de 1M-contexteconomie. De weigeringscijfers in dit stuk zijn een vierde soort claim en zijn aangeduid waar ze voorkomen: ze komen van mensen die ongecensureerde afgeleiden van deze gewichten bouwen, niet van DeepSeek en niet van een evaluatielab, en DeepSeek heeft voor geen van beide checkpoints een veiligheidsevaluatie gepubliceerd. De hardwarecijfers in de servingsectie vormen weer een volgende categorie: de NVIDIA-decodecurve en de productiecijfers zijn DeepSeeks eigen metingen van zijn eigen engine, deze week samen met de code gepubliceerd, en de Ascend-punten komen uit een benchmarkoverzicht dat in een thread op X is gereproduceerd en dat op de site van geen van beide leveranciers is gepubliceerd. Waar een cijfer van DeepSeek is, zegt dit stuk dat. Nog één categorie valt buiten die taxonomie. Het bericht van 22 oktober dat DeepSeek en MiniMax hun registratie onder de ontwerp-exportcatalogus hebben afgerond, is staatsmedia — YuyuantanTan van China Media Group, overgenomen door Chinese financiële outlets — geen kennisgeving van het Ministerie van Handel, en DeepSeek heeft geen verklaring gepubliceerd die dit bevestigt. De catalogus zelf is een overheidsontwerp dat tot 15 november openstaat voor commentaar, en wordt hier overal als ontwerp aangeduid. De buildnamen die aan het bericht worden gekoppeld — V4.1F-1017 en M3.1-Flash — komen van één X-account op 23 oktober en staan niet in het staatsmediabericht of in de outlets die het hebben doorgegeven; het checkpoint dat die post noemt, was al zes dagen downloadbaar toen de post werd geschreven.

De checkpoint van 17 oktober: wat DeepSeek-V4.1-Flash-1017 heeft veranderd

Vijf weken na de release waarop dit stuk is gebaseerd, verving DeepSeek het model eronder. De changelogvermelding van 17 oktober is drie zinnen lang: “DeepSeek V4.1 Flash is bijgewerkt naar DeepSeek-V4.1-Flash-1017. De officiële web- en APP-modellen zijn ook bijgewerkt naar de nieuwe versie. De methode voor API-aanroepen en de prijsstelling blijven ongewijzigd — gebruik simpelweg deepseek-flash om toegang te krijgen tot het nieuwste model.” Alles in dat citaat is de leverancier die over zijn eigen product spreekt, en alle drie de beweringen zijn te controleren op de eigen pagina's van DeepSeek in plaats van op vertrouwen te worden aangenomen: de rij met de modelversie in de tabel Models & Pricing vermeldt nu DeepSeek-V4.1-Flash-1017 waar eerder DeepSeek-V4.1-Flash stond, de tariefkaart ernaast is dezelfde verdeling tussen dal- en piektarieven die op 10 september is gepubliceerd — $0.003, $0.15 en $0.60 per 1M tokens buiten de piek, verdubbelend naar $0.006, $0.30 en $1.20 binnen de piekvensters op weekdagen — en de API-quickstart noemt deepseek-flash nog steeds als de modelstring, met de context van 1M tokens, het uitvoerplafond van 384K en de concurrencylimiet van 2.500 aanvragen ongewijzigd. De afgeschafte alias-ID's gedragen zich zoals de notitie van september zei dat ze zouden doen: deepseek-v4-flash en deepseek-v4-flash-vision-exp worden nog steeds geaccepteerd en reageren nu als DeepSeek-V4.1-Flash-1017 tegen Flash-tarieven. DeepSeek kondigde die dag via zijn eigen account dezelfde wijziging aan, en het bericht is de moeite waard om naast de changelog te lezen omdat het korter en directer is: “DeepSeek-V4.1-Flash-1017 is er! Sterkere benchmarkprestaties, snellere taakvoltooiing en kortere outputs dan de vorige versie—een Pareto-verbetering in prestaties en kosten. Nu live op onze website, app en API,” gevolgd door dezelfde drie harnesses en dezelfde instructie om te upgraden naar DeepSeek Harness 0.2.1-rc.1 of later. Alles erin is de leverancier die zijn eigen product op zijn eigen kanaal beschrijft: “nu live op onze website, app en API” is de opnieuw verwoorde changelogregel “de officiële web- en APP-modellen zijn ook bijgewerkt”, en de beweringen over benchmarks, runtime, uitvoerlengte en Pareto zijn die van de modelkaart — met één verschil dat ertoe doet voor iedereen die erover nadenkt om het te proberen. De kaart bevat een getal naast elke benchmarkrij; het bericht bevat er geen, en noch het bericht noch de changelog noemt een cijfer voor de bewering over runtime en uitvoerlengte. Twee van de vier dingen waarmee DeepSeek hier voor de dag komt, zijn nog steeds beweringen van de leverancier in plaats van gepubliceerde resultaten, en de grafiek achter de Pareto-lijn — degene die aan het bericht is toegevoegd — is van DeepSeek zelf, getekend op basis van zijn eigen taakkostenmetingen.

De gewichten zijn mee veranderd, en dat is het deel dat een lezer kan verifiëren zonder een changelog te vertrouwen. Een tweede repository, deepseek-ai/DeepSeek-V4.1-Flash-1017, verscheen in de vroege uren van 17 oktober op Hugging Face onder dezelfde MIT-licentie: opnieuw 48 safetensors-shards, opnieuw een totaal van ongeveer 510 GB, elke shard even groot als zijn tegenhanger uit september, en de hash van elke shard verschillend. Dezelfde vorm, andere inhoud — precies zoals een “kleine update” er van buitenaf uit zou moeten zien, en wat ook betekent dat de architectuurclaims die dit stuk sinds september heeft gerapporteerd onaangetast zijn: het configuratiebestand dat de 552B-backbone, de 384 gerouteerde experts, het prefill-pad met 8B actieve parameters per token en het decode-pad met 16B declareert, is byte-for-byte identiek aan dat in de september-repository, dus de KV-cache van 890 bytes per token is hetzelfde ontwerp en geen nieuw ontwerp. Wat de nieuwe repository niet bevat, is de documentatie. Er zit geen technisch rapport in, geen evaluatiemap en geen Jinja-chat-template; de modelkaart zegt dat de release geen chat-template bevat en verwijst in plaats daarvan naar een Python-encoderingsreferentie en een nieuwe Rust-toolkit, deepseek-recipe, om Chat Completions-, Responses- en Anthropic-formaatverzoeken om te zetten naar het promptformaat van het model. Wie gewichten vastpint op repositorynaam, moet weten dat de twee downloads meer dan alleen hun hashes verschillen. De bestandslijst zegt precies hoe: alle 48 shards hebben een andere checksum en een identieke bytegrootte, terwijl de bestanden die geen gewichten zijn — de configuratie die de architectuur declareert, de licentie en de hele encoderingsmap — in beide repositories byte-for-byte hetzelfde zijn. Zeven bestanden bestaan in de september-repository en niet in deze, en er is niets toegevoegd om ze te vervangen: het technische rapport, de evaluatiemap, de chat-template, de twee afbeeldingen die de kaart vroeger embedde, en een .gitignore. De modelkaart vernauwt ook één servingparameter. De kaart van september adviseerde een top_p van 0.95 of 1.0; de kaart van 17 oktober adviseert 1.0, met temperatuur op 1.0, een contextvenster van 1M en een max_tokens van ten minste 256K ongewijzigd.

DeepSeek's eigen benchmarktabel is waar de update zich moet laten zien, en het is een leverancierstabel van precies hetzelfde type als de septemberrijen: runs door hetzelfde bedrijf, door niemand gereproduceerd, gepubliceerd voor een model waarvan de gewichten al een paar uur openbaar waren. Vergeleken met het september-checkpoint staat het hoger op elke rij die de kaart vermeldt — HLE zonder tools 42,6 tegen 36,8, of 44,0 tegen 39,1 op de subset met alleen tekst; Terminal-Bench 4.0 42,3 tegen 31,2; DeepSWE v1.1 77,0 tegen 74,2; ProgramBench 29,1 tegen 20,3; NL2Repo-Bench 68,2 tegen 65,4; Automation-Bench v1.0.6 60,5 tegen 54,8; Agents' Last Exam 35,4 tegen 31,8; Apex Bench v1.1 72,1 tegen 64,6; Chartography met tools 83,0 tegen 78,9; BabyVision met tools 92,5 tegen 89,6; en ZeroBench-main met tools 51,0 tegen 49,0, bij Pass@5. Dezelfde tabel zet 1017 tegenover de frontier-modellen waarmee DeepSeek zich vergelijkt: het verslaat nu GPT-5.6 Sol op Terminal-Bench 4.0, 42,3 tegen 39,9, maar blijft nog achter bij Opus 5 op 51,8, en het staat op DeepSWE v1.1 bij beide bovenaan, 77,0 tegen 73,0 en 74,0 — een rij die is afgelezen van de grafiek bij de eigen aankondiging van de leverancier, en het meest geciteerde getal van de week. Op NL2Repo-Bench komt het op 68,2 en staat het nog steeds achter Opus 5 op 75,3, wat ook het patroon van de septembertabel was: het sterkst op agentisch werk met een harness, achter op de rijen die redeneerdiepte belonen. De rij Terminal-Bench 4.0 is de rij die je twee keer moet lezen, want het is nu de enige rij in die tabel met een onafhankelijke tegenhanger. DeepSeek liet die draaien onder de Claude Code-harness; Artificial Analysis laat dezelfde 66 taken draaien onder mini-swe-agent, en het resultaat van 18 oktober voor deze gewichten is 33,8 — acht en een half punt onder de 42,3 van de leverancier. Op DeepSeek's eigen tabel verslaat die rij GLM-5.3 met 4,4 punt, 42,3 tegen 37,9. Op de harness van Artificial Analysis blijven dezelfde gewichten acht punten achter bij GLM-5.3, 33,8 tegen 41,9.

Eén regel kleine lettertjes is meer waard dan verschillende van die deltas. De septemberkaart evalueerde Terminal-Bench 4.0 met DeepSeek Harness in de Minimal-modus; de 1017-kaart zegt dat die de Claude Code-harness gebruikte voor Terminal-Bench 4.0 en Mini-SWE-V2 voor DeepSWE v1.1. De harnessstudie verderop in dit stuk mat zeven punten spreiding bij één model over zeven agent-CLI's, dus een verandering van elf punten op Terminal-Bench 4.0 die met een andere harness eronder komt, kan niet worden gelezen als elf punten model. De kaart vermeldt welke harness is gebruikt, en dat maakt de rij controleerbaar in plaats van louter indrukwekkend, maar de rij bestaat uit twee veranderingen onder één getal. De onafhankelijke run scheidt ze, en niet in het voordeel van de leverancier. Artificial Analysis evalueerde dezelfde 1017-gewichten op Terminal-Bench 4.0 onder mini-swe-agent — de harness die het over elk model op dat board constant houdt — en kwam uit op 33,8, tegenover 26,8 voor het september-checkpoint met dezelfde harness. Met een vaste harness is het checkpoint zeven punten waard, niet elf, en het kopgetal van DeepSeek ligt acht en een half punt boven wat dezelfde gewichten scoren wanneer de harness over modellen constant wordt gehouden. De rest van de presentatie van DeepSeek gaat over kosten in plaats van score, en het is dezelfde as waarop de septemberrelease werd verkocht: de changelog beweert dat de update de taaklooptijd en de uitvoerlengte verlaagt, noemt het resultaat “een nieuw Pareto-optimum voor prestatie en kosten over meerdere harnesses,” en zegt dat die is geoptimaliseerd voor DeepSeek Harness, Tencent CodeBuddy en WorkBuddy, met de aanbeveling DeepSeek Harness 0.2.1-rc.1 of later te gebruiken. Looptijd en uitvoerlengte zijn precies de grootheden die het bewijs over breedsprakigheid in dit stuk van buitenaf volgt, en DeepSeek beweert nu beide te hebben teruggebracht — zonder er een cijfer bij te geven. Er bestaat nu één meting van buitenaf van het nieuwe checkpoint, en die laat de verlaging van de looptijd of de output niet zien: de index-run van Artificial Analysis zet de 1017-gewichten op 288,8 seconden per taak tegenover 289,9 voor september, en op 89.495 output-tokens per taak tegenover 88.574 — vlak op beide, terwijl de kostenbesparing ergens heel anders terechtkomt. De post die DeepSeek dezelfde dag op zijn eigen account publiceerde, vat dat allemaal samen tot “snellere taakvoltooiing en kortere outputs,” en noemt dat paar vervolgens een Pareto-verbetering in prestatie en kosten — de claim uit de changelog in kortere vorm, van dezelfde bron, en even ongemeten. Het is de leverancier die zichzelf herhaalt, geen tweede bron — wat ertoe doet, omdat het getal van die grafiek precies het getal is dat de buitenwereld de hele week heeft herhaald. Het enige artefact in de aankondiging dat wel cijfers bevat, is de grafiek die aan de post is toegevoegd, en die toont DeepSWE v1.1 Pass@1 uitgezet tegen de gemiddelde kosten per taak onder een mini_swe_v2-harness. Het onderschrift is het lezen waard voordat je aan de Pareto-regel toekomt: de openbare leaderboardgegevens eronder zijn op de grafiek zelf gedateerd op 22 september, drieënhalve week vóór het checkpoint dat de grafiek moet promoten, en de vergelijkingslijnen voor de modellen van OpenAI worden toegeschreven aan OpenAI's eigen DeepSWE-grafiek in plaats van aan een gedeelde run. Eén punt in die plot is nieuw. Alles waartegen het wordt afgemeten, was gepubliceerd voordat het bestond.

Dezelfde dag als de wissel kwam de meest gedeelde interpretatie van die tabel van iemand met een belang bij waar het model draait. Yuchen Jin, die aan AI-systemen werkt bij Databricks, postte dat DeepSeek-V4.1-Flash-1017 “77 scoort op DeepSWE v1.1”, dat het “prestaties op Opus 5-niveau levert tegen 83x lagere kosten” en dat “we het op Databricks zullen lanceren”. De 77 is DeepSeeks eigen rij, overgenomen uit de grafiek bij de aankondiging van de leverancier, en niets buiten het bedrijf heeft die waarde gereproduceerd. De twee vergelijkingspunten zijn van Jin, en ze vallen netjes uiteen in één dat een externe controle doorstaat en één dat dat niet doet. Het Opus 5-niveau houdt stand: de onafhankelijke leaderboards die DeepSWE v1.1 publiceren, plaatsen de naam van dit model in die buurt op basis van hun eigen runs. Mercors APEX-leaderboard — 113 originele taken verspreid over 91 repositories, gescoord onder de mini-swe-agent-harness — vermeldt Opus 5 Max op 71,4% en een DeepSeek V4.1 Flash Max-vermelding op 71,7%, en het llm-stats-board voor dezelfde benchmark zet Claude Opus 5 op 68,8% tegenover 74,2% voor DeepSeek-V4.1-Flash. De eerlijke interpretatie van het tweetal is beperkter dan de post doet voorkomen: twee boards die deze benchmark onafhankelijk meten, zijn het erover eens dat het model erop ten minste gelijkwaardig is aan Opus 5, en geen van beide boards toont een 77, omdat beide ofwel het cijfer van september ofwel hun eigen run bevatten en geen van beide een vermelding labelt met de 1017-checkpoint. Opus 5-niveau is verdedigbaar als uitspraak over een buurt. Het getal dat daartoe leidde, is nog niet reproduceerbaar.

Het 83×-deel van het bericht is zijn eigen rekenwerk en geen gepubliceerd cijfer, en juist dat deel moet je niet al te vast vasthouden. Geen enkel leaderboard vermeldt een kosten-per-taak voor de 1017-checkpoint, en de leveranciersgrafiek achter DeepSeeks eigen Pareto-bewering zet kosten per taak uit op een logaritmische as die van tien cent tot twintig dollar loopt — precies de spreiding die zo'n grote factor vereist. Alleen al op basis van de lijsttarieven is de kloof kleiner dan 83×: Claude Opus 5 rekent $5 per 1 miljoen inputtokens en $25 per 1 miljoen outputtokens, tegenover $0,30 en $1,20 voor DeepSeek-V4.1-Flash binnen de piekvensters op weekdagen, ruwweg 17× op input en 21× op output, en het antwoord verschuift enorm met het aandeel cache-hits en met het aantal tokens dat een taak kost. De richting van het kostenargument staat niet ter discussie, hier niet en nergens anders in dit stuk. De specifieke factor is een bewering over een vergelijking die niemand heeft gepubliceerd.

Databricks is het deel van dat bericht dat een lezer tegen de documentatie kan controleren, en de documentatie zegt meer dan het bericht doet. DeepSeek V4.1 Flash staat sinds 11 september op Databricks Unity Gateway, de dag na de lancering van DeepSeek, met tekst- en beeldinvoer via de Foundation Model APIs van het platform onder de servicenaam system.ai.deepseek-v4-1-flash; op 7 oktober voegde het platform priority pay-per-token en gereserveerde provisioned throughput ervoor toe. Het is ook de aangewezen bestemming van het platform voor deze familie: Databricks heeft DeepSeek V4 Pro (0813) gepland voor uitfasering op 30 oktober en DeepSeek V4 Flash (0731) voor 5 november, waarbij DeepSeek V4.1 Flash in beide notities als aanbevolen vervanging wordt genoemd. Wat geen enkele Databricks-pagina zegt, is dat de checkpoint van 17 oktober eraan komt. Die bewering is één medewerker die op persoonlijke titel spreekt — een intern signaal over intentie in plaats van een releasedatum, en de pagina met ondersteunde modellen vermeldt het model nog steeds zonder checkpointlabel. De beschikbaarheidsverandering van deze week is dus vooruitlopend van aard, afkomstig van een bron binnen het platform in plaats van van het platform zelf; wat een Databricks-klant vandaag kan aanroepen, zijn de gewichten van september, en de wissel die dit stuk heeft beschreven — nieuwe gewichten achter dezelfde naam en dezelfde prijslijst — is de vorm die die vervanging zal aannemen wanneer ze verschijnt.

Dus wat niet veranderde, is net zo belangrijk als wat wel veranderde. Drie van de vier onafhankelijke instrumenten bestrijken nog steeds de gewichten van september, en alleen die: de Exploit Bench-harness-tabel, het community-kernelboard en de AA-AgentPerf-hardwareruns zijn allemaal geproduceerd vóór de wissel, en de twee DeepSWE v1.1-boards die de naam van dit model dragen, publiceren een vermelding zonder checkpoint erop. De vierde veranderde op 18 oktober: Artificial Analysis voegde een aparte rij toe voor het 1017-checkpoint, kende het een score van 45 toe op zijn Intelligence Index en 33,8 op Terminal-Bench 4.0, en liet de septemberrij op 39 en 26,8 staan. Dat is de eerste keer dat een cijfer in dit stuk door iemand anders dan DeepSeek is geproduceerd, op de gewichten die DeepSeek momenteel serveert. De API-wijziging is een checkpoint-refresh achter een naam waarvan DeepSeek al had gedocumenteerd dat die naar het nieuwste Flash-model verwijst — het tegenovergestelde van het septemberplan om deepseek-v4-pro als een ander model te laten antwoorden, en dat is het onderscheid dat ontwikkelaars maakten toen ze bezwaar aantekenden tegen dat plan. Voor een aanroeper is het praktische effect beperkt en concreet: wie nu om deepseek-flash vraagt, krijgt andere gewichten tegen dezelfde prijs, met een betere door de leverancier gerapporteerde tabel erachter en, sinds 18 oktober, één derde partij die ze scoort — lager op de enige rij waar beide bestaan. Op OrcaRouter zijn de model-id en de tariefkaart ook ongewijzigd — DeepSeek V4.1 Flash wordt gerouteerd tegen DeepSeeks eigen lijstprijs, met 0% markup doorgegeven — en dat is hoe het er vanaf de kant van de aanroeper uitziet wanneer een leverancier een model vernieuwt zonder de naam of de prijs te wijzigen.

Wat er op 10 september daadwerkelijk is uitgekomen

De changelogvermelding begint met één zin: "Vandaag brengen we officieel het DeepSeek-V4.1-Flash-model uit." DeepSeek beschrijft het als het kleinste lid van een nieuwe familie van modelstructuren, met native visueel begrip, en het is de eerste release in deze cyclus die met een technisch rapport komt. Aan de API-kant is het een naamswissel in plaats van een migratie:

Modelnaam — deepseek-flash op DeepSeek's eigen API; de basis-URL, de sleutel en het aanvraagformaat zijn ongewijzigd.

• Uitgefaseerd — DeepSeek V4 Flash en DeepSeek-V4-Flash-Vision-Exp zijn offline. Hun oude ID's worden nog steeds geaccepteerd en verwijzen nu naar V4.1 Flash, gefactureerd tegen Flash-tarieven, zodat bestaande integraties blijven werken zonder codewijziging.

• V4 Pro — DeepSeek kondigde aan dat vanaf 12:00 uur Pekingse tijd op 14 september verzoeken voor deepseek-v4-pro zouden worden doorgestuurd naar V4.1 Flash tegen de prijzen van V4.1 Flash totdat een V4.1 Pro zou worden uitgebracht, en draaide die beslissing vervolgens terug voordat de datum aanbrak. V4 Pro wordt nog steeds aangeboden, tegen ongewijzigde facturatie, en DeepSeek zegt dat het eventuele verdere wijzigingen zal aankondigen.

• Envelope — een contextvenster van 1M tokens, maximaal 384K output, 2.500 gelijktijdige verzoeken per account, ondersteuning voor beeldinvoer, denkmodus standaard ingeschakeld met een optie om deze uit te schakelen.

• Gewichten — dezelfde dag verscheen de repository deepseek-ai/DeepSeek-V4.1-Flash op Hugging Face onder de MIT-licentie: 48 safetensors-shards met een totale omvang van ongeveer 510 GB, het technische rapport als PDF ernaast, en een referentie-implementatie voor inferentie in een inference-map.

Dat laatste punt is ook waar het verhaal over de uitgefaseerde model-ID neerkomt voor iedereen die deepseek-v4-flash hardgecodeerd in een productiepad heeft: de ID wordt nog steeds herkend, maar wat er antwoordt, is een ander model. DeepSeek heeft expliciet aangegeven dat dit een compatibiliteitslaag is en geen belofte, waardoor het een migratiedeadline is in het jasje van een afschaffingsmelding.

De architectuur, nu officieel vastgelegd

Twee dagen geleden had deze sectie alleen een lijst kunnen zijn van dingen die niemand had gepubliceerd. Het technische rapport beslecht de kwestie, en de structurele claim blijkt letterlijk te zijn geweest, en niet marketing. DeepSeek V4.1 Flash is een multimodaal mixture-of-expertsmodel met 552B parameters, en de onderdelen die nieuw zijn, zijn de onderdelen die bepalen wat het kost om het te draaien:

• Backbone — 552B totale parameters, mixture-of-experts met één gedeelde en 384 gerouteerde experts per laag, zes gerouteerde experts actief per token.

• CED — een transformer met 40 lagen, opgesplitst in een causale encoder van 20 lagen en een decoder van 20 lagen. De globale KV-cache van de decoder wordt geprojecteerd vanuit de laatste verborgen toestanden van de encoder in plaats van te worden afgeleid uit de eigen verborgen toestanden van elke decoderlaag, en dat is waar de meeste geheugenbesparing vandaan komt.

• Activatie-asymmetrie — ruwweg 8B parameters actief per token tijdens prefill en 16B tijdens decode, dus het lezen van een lange prompt is aanzienlijk goedkoper dan het genereren ervan.

• KV-cache — het rapport beweert 890 bytes per token aan globale KV-cache, ongeveer een kwart van DeepSeek V4 Flash, met FP4-hoofd-KV-caching met één schaal per 16 kanalen plus hergebruik tussen lagen.

• Aandacht en decodering — Compressed Sparse Attention 2 met de modi Full, Reindex en Reuse en een hiërarchische sparse indexeerder, Single-Pass mHC, en DSpark speculatieve decodering.

• Engram — een conditionele geheugentabel met 196B parameters, spaarzaam aangesproken via een op tokens gebaseerde lookup, die naast het mixture-of-experts-pad zit in plaats van in de attention-stack. Het is het grootste afzonderlijke blok gewichten in de release, en het getal op de modelkaart daarvoor is wat de grootte van de download inzichtelijk maakt.

• Visie — DeepSeek-ViT met een tweelaagse MLP-projector, vanaf het begin van de pretraining van het taalmodel getraind in plaats van er achteraf op een tekstbasis te worden vastgeschroefd.

• Training — 45T tokens aan multimodaal corpus, met sparse attention getraind op een sequentielengte van 64K en context uitgebreid naar 1M bij de 34T-tokenmarkering. Post-training doorloopt SFT, dan RL, dan on-policy distillatie.

• Redeneerinspanning — een continu regelbaar geheel getal van 1 tot 100, een fijnmaziger instelling dan de lage, hoge en maximale niveaus die DeepSeek V4 Pro biedt.

Het KV-cachegetal is het getal met gevolgen die verder reiken dan het specificatieblad, en het is waar het ontwerp zijn waarde bewijst. Een contextvenster van 1M tokens is alleen nuttig als je het je kunt veroorloven om het te vullen. De reden dat de lange-context-economie van de vorige generatie pijnlijk was, was tweeledig: de globale cache groeide met elke laag die over de prompt attendde, en het grootste deel van de persistente cachecapaciteit werd besteed aan het vasthouden van schuifvenster-toestand die binnen enkele minuten niet meer nuttig was. Het antwoord van het rapport pakt beide aan. Of het geleverde product het bij 1M tokens onder echte gelijktijdigheid evenaart, is het soort bewering dat nog steeds een derde partij nodig heeft — de onafhankelijke scores die nu bestaan, meten het model, niet de lange-context-economie — maar het mechanisme is nu gedocumenteerd in plaats van afgeleid, en de onderstaande sectie haalt het uit elkaar.

In de cache: hoe 890 bytes per token daadwerkelijk worden bereikt

De titel van het rapport is de these. Lees die en de efficiëntieclaim houdt op een neveneffect van de mixture-of-experts-backbone te lijken en begint op de ontwerpopdracht te lijken — de lezing waar onafhankelijke publicaties sinds de release naartoe zijn geconvergeerd. Dat het commercieel in plaats van academisch uitmaakt, zit in waar de rekening van een agent daadwerkelijk terechtkomt: DeepSeeks framing is dat de cache-hitregel degene is die bij lange agentische workloads domineert, waardoor de grootte van de cache een kostenhefboom van de eerste orde is. DeepSeeks cijfers zetten de globale cache op 890 bytes per token, ruwweg 437× kleiner dan de oorspronkelijke DeepSeek V1 en ongeveer een kwart van DeepSeek V4 Flash. Reken dat door voor een volledig venster en het is het verschil tussen ruwweg 890 MB globale KV voor één sequentie van 1M tokens en ongeveer 3,5 GB bij het per-token-tarief van V4 Flash. Drie wijzigingen doen het meeste compressiewerk: één voor hoeveel er wordt opgeslagen, één voor wat er wordt gelezen, en één voor wat er überhaupt wordt behouden.

Het opslagformaat is daarvan het meest leesbaar. De belangrijkste globale cache wordt opgeslagen in FP4 met de E2M1-indeling en één E4M3-schaal per 16 kanalen — de helft van de breedte van de FP8-cache die DeepSeek V4 opsloeg en een kwart van FP16. Wat dat overleefbaar maakt, is dat DeepSeek de cache tijdens de training quantiseerde in plaats van op het moment van inference, zodat de ruis die het smallere formaat introduceert iets is waar het model heeft leren mee om te gaan in plaats van iets dat er achteraf aan wordt opgelegd. Niet alles werd op die manier gecomprimeerd: de lokale sliding-window-cache blijft in FP8, omdat het rapport die beschouwt als het deel dat gevoelig is voor verdere versmalling.

Compressed Sparse Attention 2 bepaalt wat er wordt gelezen. Elke attention-laag krijgt statisch een van drie modi toegewezen — Full, Reindex of Reuse — zodat decoderlagen key-state en indexer-state kunnen delen in plaats van elk hun eigen staat bij te houden, en de eerste laag in Full-modus bouwt een kandidatenpool waartoe latere indexeringslagen beperkt blijven. Cijfers uit het rapport stellen die pool op 16.384 posities, met de sparse-selectie over de bovenste 512 entries, en dat is wat de indexeringskosten loskoppelt van de contextlengte: DeepSeeks bewering is dat de overgang van 4K naar 1M context slechts ongeveer een kwart meer rekenwerk per gegenereerd token toevoegt, in plaats van de ongeveer evenredige groei met het venster die het eerdere ontwerp impliceerde. Dat ene cijfer is het nuttigste in het rapport voor iedereen die de kosten van een workload met lange context wil inschatten, en het is ook het cijfer waarvoor helemaal geen externe bevestiging bestaat — geen van de externe metingen in dit stuk heeft het verste uiteinde van het contextvenster getest.

De wijziging die aan de persistente kant het meeste werk verzet, heeft de minst veelbelovende naam. DeepSeek V4 hield onder typische workloads twee dingen langer dan 72 uur in zijn persistente cache: de globale KV en de state van sliding-window attention. Sliding-window-state is minutenlang van belang, maar nam bijna de helft van de capaciteit van de persistente cache in beslag — opslag die was gedimensioneerd voor dagen aan data met een nuttigheid van een minuut. V4.1 Flash haalt SWA-state volledig uit de persistente cache en parkeert die in een pool die is samengesteld uit ongeveer 10% van het host-DRAM van elke machine, met een TTL op minutenniveau. Wanneer een sessie wordt hervat en die state weg is, reconstrueert SWA Bounded Replay die bij benadering: in plaats van layers × windowtokens opnieuw af te spelen, speelt het alleen het meest recente window opnieuw af, naar verluidt 128 tokens, en accepteert het dat de herbouwde state niet wiskundig identiek is aan een volledige replay. DeepSeek zegt dat het weinig kwaliteitsimpact van de benadering heeft waargenomen en hetzelfde gedrag tijdens post-training heeft gesimuleerd. Tel dat op bij de smallere globale cache en de persistente KV-voetafdruk daalt tot ruwweg een achtste van DeepSeek V4 Flash onder identieke workloads — een grotere reductie dan de kwart die bovenaan de specsheet staat, omdat het twee gestapelde wijzigingen zijn in plaats van één formaatwijziging.

Op dit alles rusten twee beperkingen. Het rapport biedt geen end-to-endvergelijking van latentie of kosten, dus een acht keer zo kleine persistente cache is geen aangetoonde acht keer zo goedkope workload: compressie verlicht de geheugendruk, en alleen het geheugengebonden deel van een rekening reageert daarop. En de besparing overkomt je niet vanzelf. Een engine moet de encoder-decoderprojectie, de drie CSA2-modi, de FP4-cachelayout en Bounded Replay implementeren voordat dat getal iets betekent. Daarom kun je 890 bytes het beste lezen als een specificatie van DeepSeek zelf voor de eigen aangeboden API, niet als een belofte over een lokale build — de gekwantiseerde conversies voor llama.cpp, Ollama en LM Studio in de repository nemen deze cache niet mee. De kop gaat ook over teksttokens; vision-embeddings vallen erbuiten. Bij alles wat self-hosted draait, is het enige getal dat je kunt vertrouwen het getal dat je zelf meet. Hoe ver een engine hiermee kan komen, is niet langer hypothetisch, al is het nog steeds niet onafhankelijk. vLLM implementeerde in de drie weken na de release de trim aan de decoderzijde en Bounded Replay, en publiceerde het voor-en-na in de snelheidssectie hieronder — het dichtst dat iets tot nu toe bij een controle op de specificatie komt, en dan een controle door een engine die zijn eigen werk meet in plaats van door een evaluator die het model meet.

De onafhankelijke score, twee keer uitgevoerd: 39 voor de septembergewichten, 45 voor 1017.

Artificial Analysis heeft de eerste externe evaluatie van DeepSeek V4.1 Flash gepubliceerd, en het is het cijfer dat de bèta niet kon opleveren. Op de huidige versie van de Artificial Analysis Intelligence Index (v4.3.2) scoort het model 39 in de Reasoning-modus bij maximale inspanning. Op dezelfde schaal en met dezelfde instelling scoren DeepSeek V4 Pro 0813 36 en DeepSeek V4 Flash 0731 34. Samen gelezen zeggen die drie rijen precies wat DeepSeek in zijn eigen marketing beweerde en wat de benchmarks van het bedrijf op zichzelf niet konden aantonen: het kleinste model in de familie is nu het sterkste. Artificial Analysis noemt 39 ruim boven de mediaan van 19 voor open-weight-modellen van vergelijkbare grootte. Vijf weken lang was het uitsluitend een score voor het september-checkpoint: de vermelding van de evaluator bevatte alleen de releasedatum van september en verder niets. Op 18 oktober veranderde dat, en die verandering is het nieuws dat dit artikel niet had toen het voor het eerst verscheen. Er verscheen een tweede rij voor DeepSeek V4.1 Flash 1017, gedateerd op 17 oktober, met een score van 45 op dezelfde index bij dezelfde maximale inspanning. Daarmee staan de 1017-weights op gelijke hoogte met GLM-5.3 op 45, twee punten onder GPT-5.6 Sol op 47 en zes onder Claude Opus 5 op 51 — en wordt het checkpoint het hoogst scorende DeepSeek-model dat de site heeft gemeten, vijf weken nadat de september-weights die titel veroverden. Het geeft het model ook een positie die het niet eerder had, en een die de evaluator onverbloemd vermeldt in zijn verslag van 19 oktober: tweede op de open-weight-ranglijst, ex aequo met GLM-5.3 en één punt achter MiMo-V2.6-Pro op 46, met Step 5 Preview en Kimi K3 nog een punt verder terug op 44. De zes punten zijn niet gelijkmatig verdeeld over de tien evaluaties. Hetzelfde verslag meldt de grootste verschuivingen in de agentische en kenniscomponenten — een GDPval-AA v2.1-Elo van 1.746 tegenover 1.600, een AA-Briefcase v1.1-Elo van 1.570 tegenover 1.420, en een AA-Omniscience-percentage voor niet-hallucinaties van 33% tegenover 4%, waarbij de nauwkeurigheid steeg van 43% naar 46% en de index van die evaluatie van -5 naar +5 ging. Dat zijn de eigen cijfers van de evaluator voor zijn eigen tests, door de evaluator gepubliceerd en niet hier overgenomen, en ze beschrijven een model dat duidelijk minder geneigd is geworden een antwoord te verzinnen — een andere verbetering dan de snelheidswinst die de changelog van DeepSeek vooraan noemt.

De vergelijking die hier van belang is, is de interne, omdat het dezelfde vergelijking is die de routeringstabel van DeepSeek maakt. V4.1 Flash heeft 552B totale parameters met 16B actief per token; DeepSeek V4 Pro 0813 heeft ongeveer 1,6T totaal met ruwweg 49B actief. Een model met ongeveer een derde van de backbone scoort drie punten hoger op een samengestelde score die de maker ervan niet heeft uitgevoerd — negen punten hoger zodra de 1017-gewichten worden meegeteld, aangezien de 1,6T-flagship nog steeds op 36 staat. De afweging tussen omvang en score is de volledige these van het Causal Encoder-Decoder-ontwerp, en een beoordelaar zonder belang bij de uitkomst heeft nu een getal geproduceerd dat daarmee in overeenstemming is.

Ook het prijsgedeelte van de bewering houdt stand, en dit is de eerste prijsvergelijking in het verhaal die niet uit een DeepSeek-tarievenkaart komt. Artificial Analysis vermeldt DeepSeek V4.1 Flash op $0,30 per 1M invoertokens en $1,20 per 1M uitvoer, tegenover $1,32 en $3,96 voor DeepSeek V4 Pro 0813 — 4,4× goedkoper op invoer en 3,3× op uitvoer, met een gemengd tarief van $0,18 per 1M op de 7:2:1-mix van cachehits, invoer en uitvoer van de site. Het is ook goedkoper dan de oudere, kleinere DeepSeek V4 Flash 0731 die het vervangt, die de site vermeldt op $0,44 en $1,32 terwijl hij vijf punten lager scoort. Goedkoper dan het model dat het vervangt, goedkoper dan het model dat het verdringt, en het ligt op de index voor op beide.

Er horen twee kanttekeningen bij dat getal. Het is een samengestelde score van tien evaluaties uitgevoerd met maximale redeneerinspanning, dus het zegt niets over de lagere inspanningsinstellingen die het meeste productieverkeer daadwerkelijk gebruikt, en niets over hoe de kwaliteit standhoudt aan het verre uiteinde van een venster van 1M tokens. En het is de score van één enkele evaluator: onafhankelijk, maar niet gerepliceerd — en de samengestelde score zelf is herzien sinds dit stuk er voor het eerst naar verwees, van v4.3 naar v4.3.2, waardoor de score van DeepSeek V4.1 Flash van 40 naar 39 ging en die van zijn voorganger van 35 naar 34. Wat het wel vaststelt is beperkt en nuttig — de ene bewering die de bèta niet kon ondersteunen, dat een 552B-model echt concurrerend is met het eigen 1.6T-vlaggenschip van DeepSeek, heeft nu een bron buiten DeepSeek. De 1017-rij draagt dezelfde twee kanttekeningen en nog één meer. Het is de score van één enkele evaluator, voor gewichten die vijf weken nieuwer zijn dan het meeste bewijs hier, en het is één samengestelde score in plaats van een replicatie van een rij van een leverancier. De prijs per taak is op de site ook verschoven: het september-checkpoint staat vandaag op $0,49 per Intelligence Index-taak, waar dit stuk eerst $0,27 vermeldde, en het 1017-checkpoint op $0,26. Behandel het dollarbedrag als een levend getal op het dashboard van iemand anders, niet als een constante — wat dezelfde les is die de indexscore zelf leerde toen die van 40 naar 39 ging. De kostentabel naast de score is de rest van de kanttekening, en die snijdt twee kanten op. Het model één plaats erboven is ook de helft van de prijs: MiMo-V2.6-Pro haalt 46 tegen $0,13 per Intelligence Index-taak tegenover $0,26 hier, en de eigen vergelijking van Artificial Analysis zet GPT-6.1 Sol op gemiddelde inspanning op 48 voor $0,21. Wat het 1017-checkpoint wel wint is de rechtstreekse vergelijking die DeepSeek sinds september verkoopt — het verslaat GLM-5.3-Flash op beide assen van die tabel, 45 tegen 42 en $0,26 tegen $0,28 per taak — de combinatie waarin capaciteit en kosten dezelfde kant op bewegen.

De volgende externe score: ARC Prize bouwt de test

Op 25 september opende Matt Mazur, hoofd modeltesting bij ARC Prize, een pull request in de eigen ARC-AGI-3-benchmarkrepository van de stichting, met daarin een volwaardige DeepSeek-provideradapter: één profiel, genaamd deepseek-v4-1-flash-low-provider-adapter, waarvan het modelveld deepseek-ai/DeepSeek-V4.1-Flash is. De bewering dat ARC Prize van plan is dit model te evalueren, kwam binnen als één enkele post op sociale media, dus hebben we die getoetst aan de eigen code van de stichting in plaats van aan de post. De adapter, het profiel, de bijbehorende unit tests en documentatie staan in de diff, en de repository is de harness die het testbeleid van ARC Prize noemt voor zijn interactieve agentische benchmark. Wat niet bestaat, is een resultaat: de pull request is open en niet samengevoegd, er is geen score, geen publicatiedatum en geen verklaring over welke redeneerniveaus worden gepubliceerd. Waarom het ertoe doet, is de vorm van de meting, niet het nieuws dat er een komt. ARC-AGI stelt een vraag die de andere leaderboards niet stellen: een model kan binnen een harness snel, goedkoop en sterk zijn en toch in de zestig scoren op taken die het nog niet heeft gezien. Dat is de vraag die nog niemand aan DeepSeek V4.1 Flash heeft gesteld.

Het profiel legt precies vast hoe zo'n run te werk zou gaan, en drie details zullen bepalen welk cijfer er uiteindelijk uitkomt. Het draait het model op de lage reasoning-effort-instelling in plaats van op maximaal, streamt antwoorden, stelt een harness-context van 1M tokens in met een trigger voor samenvattingscompactie bij 175.000 tokens, en begrenst de uitvoer tot 262.144 tokens. Het routeert via het OpenAI-compatibele endpoint van Baseten in plaats van dat van DeepSeek zelf, en is geconfigureerd op $0,30 per 1M invoertokens en $1,20 per 1M uitvoertokens — de piektarieven van DeepSeek op de tariefkaart, niet de dalurentarieven die verderop in dit stuk worden genoemd. ARC Prize berekent de kosten per taak op basis van de prijzen die in het profiel zijn geconfigureerd, dus het uiteindelijke cijfer zal er een tegen piektarief zijn, wat het onthouden waard is voordat je het vergelijkt met de $0,042 per taak die DeepSeek V4 Flash 0731 noteerde toen het werd getest. Het andere ongebruikelijke kenmerk is een workaround voor de manier waarop de denkmodus van DeepSeek zich gedraagt: historische redeneerinhoud wordt alleen opnieuw afgespeeld wanneer een verzoek tools bevat, dus de adapter laat het model elke ARC-actie uitzenden als een submit_action-toolaanroep en speelt het exacte assistant-bericht opnieuw af met de redenering eraan gekoppeld, in plaats van acties uit proza te parseren.

De lat waaraan dit wordt afgemeten, komt van het eigen leaderboard van ARC Prize. DeepSeek V4 Flash 0731, de checkpoint die V4.1 Flash met pensioen stuurt, is de door het leaderboard geverifieerde inzending voor de Flash-tier waar het vandaan komt: 61,4% op ARC-AGI-2 bij maximale redeneerinspanning en 89,0% op ARC-AGI-1, tegen $0,042 en $0,021 per taak. Dots3-Note Preview staat op 76,8% op ARC-AGI-2, wat de 77% is waarnaar het bericht dat de adapter aankaartte verwijst, en de verwachting van hetzelfde account — dat alles onder 80% van een veel grotere, native multimodale opvolger teleurstellend zou zijn — is zijn framing in plaats van een gepubliceerd doel. Het resterende deel van die framing verdient een label: de bewering dat V4.1 Flash 29% meer tokens genereert dan het model dat het vervangt, heeft geen bronvermelding en is niet gedefinieerd, en niets dat DeepSeek of ARC Prize heeft gepubliceerd, zegt wat het meet.

Eén waarschuwing over om welke ranglijst het hier gaat. De adapter is terechtgekomen in de ARC-AGI-3-repository, de harness voor de interactieve agentische benchmark van de stichting, en het aparte repository dat ARC-AGI-1 en ARC-AGI-2 draait, bevat helemaal geen V4.1-vermelding — de modellenlijst is sinds 27 juli niet bijgewerkt en noemt nog steeds oudere DeepSeek-endpoints. Het dateerbare feit is dus dat ARC Prize dit model in zijn agentische harness heeft ingebouwd; of het ook op de ARC-AGI-2-ranglijst zal verschijnen, waar de vergelijking met 61,4% staat, blijkt vandaag niet uit de openbare code. Voor iedereen die een model kiest, is de praktische afweging ruimer geworden. Vier onafhankelijke instrumenten voor DeepSeek V4.1 Flash zijn nu in het spel — een samengestelde index die twee keer is gedraaid, één keer per checkpoint; een community-kernelboard; een door een harness bestuurde cyberbenchmark; en sinds 14 oktober een hardware-servingbenchmark — en twee ervan plaatsen het model in een harness op taken die het niet heeft gezien. De nieuwere van de twee is de samengestelde index, die sinds index v4.3 Terminal-Bench 4.0 bevat: 66 terminaltaken, pass@1 gemiddeld over drie herhalingen, elk model onder dezelfde agent-harness. Het resultaat van 18 oktober voor de 1017-gewichten is 33,8. De cyberbenchmark hieronder komt daar het dichtst bij in de buurt, en daarin verliest dit model de enige rechtstreekse confrontatie die het aangaat. Het ARC-profiel is de evaluatie die is gebouwd om de redeneervraag te beantwoorden, en het is nog steeds degene zonder getal. Totdat het draait, is het redeneerplafond van het model ongemeten, en het getal waarmee je het moet vergelijken, is dat van zijn voorganger.

De eerste externe cyberscore: het testharnas verschuift het cijfer meer dan het model.

Op 28 september publiceerde het evaluatielab Generality Labs een vervolg op zijn eerdere cyberwerk met de titel “Maakt de harness uit bij het draaien van Cyber Benchmarks?” — de eerste voltooide externe meting die DeepSeek V4.1 Flash naast een ander open-weightmodel plaatst op dezelfde cyberbenchmark. De benchmark is Exploit Bench, een evaluatie van Carnegie Mellon door Seunghyun Lee en prof. David Brumley die meet hoe ver een agent klimt op een ladder van zestien capaciteiten — van het bereiken van kwetsbare code, tot het triggeren van de bug, tot het bouwen van exploit-primitieven, tot willekeurige code-uitvoering — tegen productie-V8 met de V8-beveiligingssandbox ingeschakeld. Het lab draaide twee modellen, DeepSeek V4.1 Flash en Z.ai's GLM-5.3-Flash, met een budget van 250 miljoen tokens per taak over 10 taken die via Item Response Theory uit de oorspronkelijke 41 van de benchmark zijn geselecteerd, en herhaalde elk model onder zeven harness-configuraties: zes agent-CLI's — Claude Code, Codex, Kimi CLI, ReAct, Gemini CLI en OpenCode — plus de eigen standaardconfiguratie van de benchmark, die het verslag Original noemt. Original is helemaal geen CLI van derden: het heeft geen tokenlimiet, een plafond van 300 beurten en geen contextcompaction. Het account dat dit resultaat opmerkte, beschrijft Original als ruwweg een Python-while-lus; dat is zijn karakterisering, niet die van de onderzoekers, wier eigen beschrijving de bovenstaande is.

Het resultaat is een spreiding die geen enkele afzonderlijke score zou hebben laten zien. Het gemiddelde vermogen is een score op 16. DeepSeek V4.1 Flash presteert het best onder Claude Code, 9,3, met Codex als tweede op 8,9; hetzelfde model zakt naar 7,4 op Kimi CLI, 5,9 op OpenCode, 5,7 op Gemini CLI, 5,3 op ReAct en 4,7 onder Original — de eigen standaard van de benchmark, en de slechtste van de zeven. GLM-5.3-Flash keert die rangorde aan beide uiteinden om. De beste configuratie is Codex met 10,6, boven de 10,02 die de eigen dataset van het onderzoek bevat voor Mythos Preview op de volledige set van 41 taken, hoewel de onderzoekers waarschuwen dat een subset van 10 samples niet volledig representatief is; de slechtste is Claude Code met 6,2, dezelfde harness die voor DeepSeek V4.1 Flash het best is, en 8,9 op Gemini CLI, 8,2 op Kimi CLI, 8,1 op OpenCode, 7,7 op ReAct en 6,4 onder Original. Gemiddeld over alle zeven zit GLM-5.3-Flash rond 8,0 en DeepSeek V4.1 Flash rond 6,7. Dus beide helften van de bewering die met dit resultaat de ronde deed, stroken met de vrijgegeven data: de keuze van harness is meerdere punten waard, en op deze benchmark is DeepSeek V4.1 Flash het zwakkere van de twee modellen — behalve onder Claude Code, waar het met meer dan drie punten voorloopt.

De onderzoekers zeggen expliciet dat ze de spreiding niet volledig kunnen verklaren. Hun enige positieve aanwijzing is hoe elke harness context compacteert, en het verschil zit in de formulering. De compacteerprompt van ReAct vraagt het model: “Schrijf een vervolgsamenvatting waarmee jij (of een andere instantie van jezelf) het werk kunt hervatten”; in de transcripties die het lab publiceerde, leidt dat er soms toe dat het model het werk als afgerond verklaart, waarna de harness het weer wekt en het tientallen keren hetzelfde rapport opnieuw indient tot het budget op is. Codex kadert hetzelfde moment als “Maak een overdrachtsamenvatting voor een andere LLM die de taak zal hervatten”, en het lab veronderstelt dat het aanspreken van een andere agent ervoor zorgt dat het model vooruitgang blijft boeken bij lange budgetten. Ze noemen dit een hypothese, geen oorzaak. Eén configuratiefout is ook van belang bij het lezen van de tabel: de compactie van ReAct was ingesteld op 100K tokens in plaats van de beoogde trigger, waardoor veel vaker werd gecompacteerd dan het ontwerp vereiste, wat de ReAct-rijen van beide modellen naar beneden drukt. De kanttekeningen van de studie zelf moet je meenemen bij elk cijfer eruit — twee modellen, 10 samples per harnessconfiguratie, 70 vraag-samples per model tegenover de oorspronkelijke 41 taken van de benchmark, en drie samples die een fout gaven of nooit werden afgerond, waarvan twee GLM-5.3-Flash. De auteurs stellen dat de kleine steekproef inherent ruis bevat, dat niet mag worden aangenomen dat het resultaat zich uitstrekt tot andere domeinen en taken, en dat eerder werk van METR geen statistisch significant verschil tussen harnesses bij langetermijntaken vond. Het is een extern lab dat andermans benchmark draait, niet de eigenaren van de benchmark, en het is niet peer-reviewed. Wat het niet is, is een leverancierscijfer, en het is het eerste externe cijfer in dit stuk dat het eigen verhaal van de leverancier tegenspreekt in plaats van het louter niet te bevestigen.

Er is hier één ding waarop een router kan inspelen en één waarop niet. Hij kan je harness niet kiezen — dat is de agent-loop die je al draait, en het hele punt van deze studie is dat die keuze bepalend is. Wat hij wél kan, is het modelgedeelte van het paar tot een wijziging van één regel maken. DeepSeek V4.1 Flash en GLM-5.3-Flash zijn beide routeerbaar via OrcaRouter met één OpenAI-compatibele sleutel, tegen de eigen lijstprijs van de provider, met 0% opslag erbovenop, zodat een team dat zijn eigen model-en-harnesscombinatie wil vinden het model onder een vaste harness kan verwisselen zonder een tweede contract of een tweede integratie, en een bewezen model als automatische failover achter de hand kan houden als de verwisseling een regressie blijkt. Dat is hetzelfde argument dat de adoptieparagraaf hieronder maakt, toegepast op een beslissing die de harnessstudie net concreet heeft gemaakt: op basis van dit bewijs kan de harness die je draait belangrijker zijn dan het model dat je kiest, en de modelkant van dat paar is de kant die je in een middag kunt veranderen.

Waar het uitkomt tegenover de frontier, en waar het nog steeds verliest

De modelkaart van september vergelijkt V4.1 Flash met Opus-5.0, GPT-5.6 Sol, Kimi K3 en GLM-5.3 bij maximale redeneerinspanning, met DeepSeek V4 Pro en DeepSeek V4 Flash als interne baselines. Elk cijfer hieronder is door de leverancier gerapporteerd, uitgevoerd op de testharnassen van DeepSeek en door geen enkele derde partij gereproduceerd. De kaart vermeldt dat agentische resultaten de Minimal-modus van DeepSeek Harness gebruiken, met een context van 1M tokens voor codebenchmarks en een venster van 512K voor visuele benchmarks, zodat deze niet rechtstreeks vergelijkbaar zijn met gepubliceerde cijfers van derden op dezelfde benchmarks. De onafhankelijke scores in de bovenstaande secties zijn andere metingen op andere sets evaluaties; ze ondersteunen het algemene beeld en bevestigen geen enkele afzonderlijke rij hieronder, en de rijen van 17 oktober in de bovenstaande sectie komen uit een andere modelkaart en een andere run van dezelfde benchmarks.

Op het gebied van agentisch werk en programmeerwerk plaatsen de leverancierscijfers V4.1 Flash boven de frontier-modellen die de leverancier noemt:

• Terminal-Bench 2.1 — 90,6, tegen 89,1 voor Opus-5.0, 88,8 voor GPT-5.6 Sol en 87,9 voor DeepSeek V4 Pro

• DeepSWE v1.1 — 74,2 opgelost, tegenover 74,0, 73,0 en 62,7

• CyberGym — 88,1, tegenover 84,5 voor zowel GPT-5.6 Sol als GLM-5.3, en 83,3 voor DeepSeek V4 Pro

• AutomationBench — 54,8, tegenover 50,3 voor Opus-5.0 en 37,7 voor DeepSeek V4 Flash

• Agent's Last Exam — 31,8, tegen 28,6 en 25,7

• Codeforces — een rating van 3.471, vóór DeepSeek V4 Pro met 3.348 en DeepSeek V4 Flash met 3.289

• MathArena Apex — 65,6, op gelijke hoogte met Kimi K3 en voor DeepSeek V4 Pro op 65,3

En op de moeilijkere agentic suites doet het dat niet:

• Terminal-Bench 3.0 — 30,0, ruim achter Opus-5.0 met 43,3 en GPT-5.6 Sol met 34,4, hoewel ver voor op DeepSeek V4 Pro met 11,8

• Terminal-Bench 4.0 — 31,2, tegen 51,8 en 39,9, en opnieuw voor DeepSeek V4 Pro met 12,4

• ProgramBench — 20,3, tegenover 37,0 voor Opus-5.0

• NL2Repo-Bench — 64,0, tegen 75,3 voor Opus-5.0

• HLE — 36,8, tegen 56,3 en 44,5

• ExploitGym — 15,3, tegen 33,7 en 22,1

De vorm van die lijst is informatiever dan welke afzonderlijke rij dan ook. V4.1 Flash overstijgt de frontier op benchmarks die aanhoudend toolgebruik binnen een harness belonen, en verliest op de benchmarks die redeneerdiepte belonen — het patroon dat je zou verwachten van een model dat is ontworpen rond doorvoer en contexteconomie in plaats van rond een ruw redeneerplafond. De interne vergelijking is de opvallende: het verslaat DeepSeek V4 Pro op vrijwel elke rij, inclusief de rijen waar beide verliezen van Opus-5.0. DeepSeek beweert niet dat zijn goedkoopste model het beste model op de markt is. Het beweert dat zijn goedkoopste model het beste model is dat DeepSeek maakt, een bewering die zijn eigen routingtabel ondersteunt.

Wat het kost, en hoe de vergelijking met Pro er eigenlijk uitziet

De tariefkaart van 10 september is nu simpelweg de V4.1 Flash-kaart, gepubliceerd op DeepSeek's Models & Pricing-pagina met een onderscheid tussen piek- en daluren:

• Invoer, cache-hit — $ 0,003 per 1 miljoen tokens buiten de piekuren, $ 0,006 tijdens piekuren

• Invoer, cachemiss — $0,15 per 1 miljoen tokens buiten piekuren, $0,30 tijdens piekuren

• Uitvoer — $0,60 per 1 mln. tokens buiten piekuren, $1,20 tijdens piekuren

Piekvensters — 01:00–04:00 en 06:00–10:00 UTC, maandag t/m vrijdag; elk ander uur wordt gefactureerd tegen de helft van het piektarief

• In renminbi — ¥0,02, ¥1 en ¥4 buiten de piek, die tijdens de piek verdubbelen tot ¥0,04, ¥2 en ¥8

Vergelijk dat met het model dat het vervangt. DeepSeek V4 Pro rekent $0,022 per 1 miljoen input met cache-hit, $0,66 voor input met cache-miss en $1,98 voor output buiten piekuren — ongeveer 4,4× voor input met cache-miss en 3,3× voor output. Dat zijn de tarieven die de herroutering van 14 september op elke aanroep van deepseek-v4-pro zou hebben toegepast; daarom was het plan net zozeer een prijsverhaal als een capaciteitsverhaal, en ze zijn nog steeds de reden waarom de vergelijking ertoe doet: DeepSeek trok de herroutering in, niet de tariefkaart. Artificial Analysis komt op basis van zijn eigen prijsopgaven tot dezelfde rekensom — $0,30 en $1,20 per 1 miljoen voor V4.1 Flash tegenover $1,32 en $3,96 voor DeepSeek V4 Pro 0813, dezelfde 4,4× en 3,3×, en een gemengd tarief van $0,18 per 1 miljoen volgens de 7:2:1-verhouding voor cache-hit, input en output van de site. De tariefkaart onderbiedt ook DeepSeek V4 Flash 0731, het model dat ermee wordt uitgefaseerd, dat dezelfde site op $0,44 en $1,32 vermeldt.

Prijs per token is niet hetzelfde als kosten per taak, en de bèta is daar het bewijs voor. Testers op de eerste dag meldden dat sessies van vijf minuten hun saldo sneller leegtrokken op het nieuwe model dan dezelfde kloktijd op DeepSeek V4 Flash, omdat het model is gebouwd om snel tokens te produceren en de rekening schaalt met tokens, niet met minuten. Een kaart die een kwart van de prijs van Pro kost, is een koopje als een taak in vergelijkbare tokens wordt afgerond; het maakt niets uit als het model langer nadenkt om daar te komen.

Voor zover er op die vraag een extern cijfer bestaat, wijst het beide kanten op. Artificial Analysis raamt DeepSeek V4.1 Flash op $0,27 per Intelligence Index-taak op zijn eigen evaluatieset — een echt cijfer per taak, geproduceerd buiten DeepSeek, en een laag cijfer. Maar dezelfde run genereerde 250 miljoen outputtokens tegen een mediaan van 140 miljoen voor vergelijkbare modellen, en de samenvatting van de site noemt het model in één adem zeer uitvoerig en snel. Uitvoerigheid is gratis binnen een benchmarkharnas en duur in productie, en dat is precies het mechanisme dat de bètatesters beschreven toen ze meldden dat saldi in termen van kloktijd sneller leegliepen. De eerlijke stand van zaken rond de vraag per taak is dat één onafhankelijke beoordelaar nu beide helften ervan heeft gemeten, op zijn eigen evaluatieset, en het antwoord nog steeds afhangt van wat je draait. De samengestelde metriek kan niet laten zien waar de extra output naartoe gaat, en de bètatesters hebben dat ook nooit gezegd. De eerste praktijkverslagen doen dat wel, en die staan in de snelheidssectie hieronder: het model is uitvoerig omdat het controleert. De update van 17 oktober is de eerste keer dat DeepSeek claimt dat cijfer te hebben veranderd: de changelog zegt dat het nieuwe checkpoint “de taaklooptijd en de outputlengte verkort”, en de post een paar uur later zegt hetzelfde in minder woorden — “snellere taakvoltooiing en kortere outputs.” Dat is DeepSeek die op eigen gezag precies de hoeveelheid aankaart waarover de externe meting klaagde, zonder dat aan een van beide uitspraken een cijfer is gekoppeld. De eerste blik van buitenaf erop, op 18 oktober, vond het totale volume lager — 210 miljoen outputtokens over de index tegen 250 miljoen voor september — en het cijfer per taak gelijk, op 89.495 tokens tegen 88.574.

Wat een maand kost: een tegoed van $80, daarna een gratis niveau

De kaart hierboven beantwoordt wat een token kost. Een ander cijfer is twee keer opgeschoven, en beide keren kwam het van OpenCode — de codingagent wiens Go-abonnement toegang tot dit model prijst als een maandelijks gebruikstegoed in plaats van als tokens die per gebruik worden afgerekend — die over zijn eigen abonnement sprak in plaats van over het model. Op 25 september plaatste het account van het platform: “Operatie Cheepseek Fase 2: $60 aan gebruik voor DeepSeek v4.1 Flash is nu permanent.” Op 12 oktober plaatste het account het vervolg in hetzelfde formaat — “Operatie Cheepseek Fase 3: $80 aan gebruik voor DeepSeek V4.1 Flash” — en de prijzenpagina vermeldde $80 voor dit model, waar er eind september $60 had gestaan. Die waarneming werd een tweede keer gedaan op 13 oktober, aan de hand van dezelfde pagina, en leverde dezelfde rij op: $80 op het Go-niveau van $10 per maand, $160 op Go Plus. Het cijfer is dus niet de bewering van één bericht over zichzelf; het is de gepubliceerde prijs van één platform om dit model aan te bieden, en een dag later stond die er nog. Samen gelezen zeggen de twee berichten wat “permanent” uiteindelijk bleek te betekenen: geen vervaldatum — en drie weken later een hoger cijfer. Wat die verandering niet is, is een nieuwe manier om het model te bereiken — die komt drie dagen later, in de paragraaf hieronder. DeepSeek V4.1 Flash reageert sinds 10 september via de eigen API van DeepSeek en OrcaRouter biedt het sinds de release aan tegen de eigen tarieven van DeepSeek, dus de gewichten, de architectuur en elke benchmarkrij in dit stuk blijven onaangetast door een abonnementsprijswijziging; wat oktober veranderde, is wie bereid is het model aan te bieden en onder welke voorwaarden.

De gratis vermelding is een ander soort verandering dan elk van die twee, en de enige van de drie die verandert wat een lezer deze week kan doen. Op 15 oktober voegde OpenCode een aparte vermelding toe voor dit model — DeepSeek V4.1 Flash Free, model-id deepseek-v4.1-flash-free — dat kosteloos wordt aangeboden. De openbare modellenlijst van het platform geeft het naast het id met tarief terug, de Console-documentatie bevat een vermelding voor gratis modellen waarin het wordt beschreven als gratis voor beperkte tijd en de provider ervan als iemand die een zero-retentionbeleid volgt dat niet op de data traint, en de gepubliceerde prijstabel zet input, output en gecachte reads op Free. Wat het niet is, is het volledige product. De gecatalogiseerde limieten van de gratis vermelding — toegevoegd aan models.dev, de catalogus waaruit de eigen modellenlijst van OpenCode wordt geput, op 15 oktober — duiden de vermelding met tarief aan als basismodel en begrenzen het venster op 200.000 tokens met een uitvoerplafond van 32.000 tokens, tegenover de 1M-context en 384K maximale uitvoer die de vermelding met tarief deepseek-v4.1-flash heeft. Dat zijn dezelfde gewichten achter engere servicevoorwaarden, niet een kleiner of gedistilleerd model, en het uitvoerplafond is de clausule die het eerst toeslaat bij agentisch werk, waar één enkele bestandsbewerking eroverheen kan gaan. Het platform verbindt geen einddatum aan de regeling en publiceert er geen tariefkaart voor, omdat er geen tarief is. Niets hiervan kwam van DeepSeek: het is de commerciële beslissing van één platform over een model dat het niet bezit, aangegeven op zijn eigen modellenlijst, zijn eigen documentatie en zijn eigen prijstabel, en het is de enige bron voor dat alles — we vonden geen onafhankelijke meting van hoe het gratis eindpunt zich onder belasting gedraagt, en “beperkte tijd” is de formulering van het platform, niet een schema. Lees het als de goedkoopste manier om vandaag een venster van 200.000 tokens vóór dit model te zetten, en niet als een verandering van wat het model is.

De mechaniek komt van die prijspagina, gelezen op 12 oktober en opnieuw gelezen op 13 oktober. Go is een abonnement van $10 per maand, en de tabel ervan koppelt elk model erop aan een geschat aantal aanvragen per vijf uur en een maandelijks gebruikslimiet, in afzonderlijke kolommen voor de twee tiers. DeepSeek V4.1 Flash heeft de grootste gebruiksruimte op de pagina: $80 per maand en 34.670 geschatte aanvragen per vijf uur op Go, verdubbelend naar $160 en 69.330 op Go Plus. De rijen factureren het model volgens DeepSeek's eigen tariefkaart — $0,15 per 1M invoertokens, $0,60 output en $0,003 voor een gecachte read buiten de piek, verdubbelend naar $0,30, $1,20 en $0,006 binnen de piekvensters op weekdagen — en dat zijn de cijfers van de leverancier, ongewijzigd sinds de septemberlezing die deze sectie al bevatte. Twee dingen die de pagina toen toonde, staan er vandaag niet op, en beide zijn het vermelden waard omdat de eerdere lezing erop vertrouwde: de aftapregel met drie buckets — 20% over elk vijf uur, 50% over een week en 100% over een maand — verschijnt niet meer, en de documentatie-URL waar de aanvraagschattingen oorspronkelijk vandaan werden gelezen, opencode.ai/docs/go, gaf een 404 toen we die controleerden. De aanvraagaantallen hierboven zijn de rekenkunde van het platform op een aanroepvorm die het niet publiceert, niet de onze.

De wijziging is te controleren aan de hand van de pagina, en dat geldt ook voor het feit dat er inmiddels meer dan één wijziging is geweest. Eind september vermeldden dezelfde rijen $60 zonder vervaldatum, nadat een promotietegoed van $15 vier keer was vermenigvuldigd tot $60, met 20 september als datum waarop de vermenigvuldiger zou vervallen; de schattingen van het aantal requests werden in twee kolommen gepubliceerd: 6.500 / 16.250 / 32.500 standaard tegenover 26.000 / 65.000 / 130.000 met de vermenigvuldiger toegepast. De rijen vermeldden $80 bij beide lezingen, en de gepubliceerde schattingen voor dit model zijn 34.670 per vijf uur en 69.330 per maand — een hoger dollartegoed naast een lager maandelijks requestaantal dan de uitgebreide set van september; die twee kunnen niet beide dezelfde veronderstelde aanroepvorm beschrijven. De pagina vermeldt geen tokenmix en geeft geen uitleg, dus het verschil is een feit over de twee lezingen in plaats van iets wat we van buitenaf kunnen oplossen. De tarieven zelf waren nooit een korting op de tariefkaart van DeepSeek — prijsstelling per token is steeds die van de leverancier geweest, en dat is nog steeds zo. Wat een tegoed niet doet, is iets over kwaliteit zeggen: het is het oordeel van één platform dat het het verkeer van dit model tegen die tarieven kan dragen zonder deadline, wat bewijs is over het ecosysteem van de dienstverlening en niet over het model.

Het onderscheid is van belang wanneer je een keuze maakt, want een vast plafond en een doorberekende meter zijn verschillende producten. DeepSeek V4.1 Flash is op OrcaRouter verkrijgbaar tegen DeepSeeks eigen tarief met 0% opslag — $0.15 per 1M input en $0.60 per 1M output buiten piekuren, dezelfde getallen die de kaart hierboven vermeldt, zonder dat er iets omheen is gebundeld: geen abonnement om te kopen en geen maandelijks tegoed om uit te putten. Een plafond van $80 bij een vaste maandprijs is de juiste vorm voor één ontwikkelaar die de hele dag een agent laat draaien, waarbij de vraag is wat de maand kost — en een plafond dat al eens met een derde is verhoogd, is ook een herinnering dat het cijfer een commerciële beslissing is en geen eigenschap van het model. Een gratis niveau met een contextvenster van 200.000 tokens is de juiste vorm om het model deze week uit te proberen en de verkeerde vorm voor codebases die het volledige venster nodig hebben, het enige dat de twee niveaus van hetzelfde model niet gemeen hebben. Een leverancierstarief dat ongewijzigd wordt doorberekend is de juiste vorm voor een dienst, waarbij de vraag is wat elke aanroep kost en of de volgende prijsaanpassing van de aanbieder je bereikt op de dag dat die plaatsvindt. Beide beantwoorden de vraag wat dit model kost; ze doen dat voor verschillende partijen die geld uitgeven.

Snelheid: de cijfers van de bèta, de bewering van de maker en de voor-en-na van de engine zelf

Toen de bèta openging, was doorvoer het grote nieuws. Ontwikkelaars meldden ongeveer 420 outputtokens per seconde bij lange generaties, met pieken boven 500, en één veel gedeelde run produceerde meer dan 71.000 tokens in minder dan drie minuten. Dat blijven communitymetingen die onder ongecontroleerde omstandigheden zijn uitgevoerd, en ze moeten nog steeds zo worden gelezen — maar het mechanisme erachter is nu gedocumenteerd in plaats van ernaar te gissen. Een KV-cache van 890 bytes per token en een decodeerpad dat 16B-parameters activeert, vormen samen een ontwerp dat op doorvoer is gebouwd, dus de architectuur heeft op zijn minst de juiste vorm om dergelijke cijfers te produceren. Hoe groot ze werkelijk zijn, is een kwestie voor de volgende alinea, en het antwoord is kleiner.

DeepSeeks eigen bewering in de changelog is dat V4.1 Flash "V4 Pro op het gebied van prestaties, kosten, snelheid en totale tijd ruimschoots heeft overtroffen". Het woord dat daar het werk doet, is totale tijd: de leverancier presenteert snelheid als taakvoltooiing in plaats van als tokens per seconde, de maatstaf die standhoudt in een echte agent-loop die een bestand schrijft, de fout leest en het opnieuw probeert. Artificial Analysis hangt nu een gemeten cijfer aan de oudere claim: 185 outputtokens per seconde voor DeepSeek V4.1 Flash, tegenover 175 voor DeepSeek V4 Flash 0731. Dat is een echt cijfer van een derde partij, en het is ongeveer de helft van de 420 tokens per seconde die ontwikkelaars tijdens de bèta rapporteerden; daarom moeten de bètacijfers blijven waar ze thuishoren: in de kolom ongecontroleerde omstandigheden.

Op 7 oktober publiceerde het vLLM-project zijn verantwoording over de drie weken sinds de release, en het is het eerste gemeten snelheidscijfer in dit stuk dat noch een tokenteller noch een verkoopslogan is. Namens Inferact en het vLLM Team schrijft het project dat DeepSeek V4.1 Flash op zijn huidige build bij lage gelijktijdigheid 1.9× sneller draait dan zijn eigen day-0-implementatie en 5.3× de doorvoer levert onder een beperking van 150 TPS — het cijfer dat zijn samenvatting vermeldt, tegenover “ongeveer 5×” in de hoofdtekst van hetzelfde bericht. Beide zijn gemeten op de SemiAnalysis AgentX agentische servingbenchmark, waarbij TP4 en FlashInfer-attention ten grondslag liggen aan het lage-latentiecijfer en DEP2 met dataparallelle attention aan het doorvoercijfer, op NVIDIA GB200- en GB300-hardware. Drie dingen aan dat resultaat moet je goed uit elkaar houden. Het vergelijkt vLLM met vLLM: de baseline is het eigen day-0-recept van het project, niet een andere engine en niet een ander model, dus het cijfer zegt hoeveel de servingstack is verbeterd, niet hoe dit model zich met iets anders verhoudt. Het is de eigen verantwoording van de runtime over zijn eigen werk, en geen enkele derde partij heeft het gereproduceerd. En de grootste afzonderlijke winst komt van de runtime, niet van de gewichten — SWA bounded replay, dat alleen de laatste 128 tokens van een sliding window opnieuw uitvoert in plaats van dat window over lagen heen opnieuw af te spelen, is nu standaard ingeschakeld voor dit model met één flag. Het project meldt ongeveer 30% minder tijd tot het eerste token door replay plus CUDA-graph-capture, een verlaging van 30–40% in prefill-berekening door de trim aan de decoderzijde, en bijna 70% minder TTFT bij een doorvoer van rond 100K zodra drie optimalisaties zich opstapelen. Het meldt ook waar replay pijn doet: zonder CUDA-graphs is het langzamer dan de baseline bij korte prompts, tot 12% slechter bij 1K tokens, omdat de launch-overhead zwaarder weegt dan het bespaarde werk. De nauwkeurigheid werd gecontroleerd op GSM8K en GPQA, zonder dat er een betekenisvol verschil werd gemeld; de verschillen bleven binnen ongeveer 1.5 standaardfouten — het cijfer dat je moet afzetten tegen de eigen bewering in het rapport dat bounded replay benaderend is en niet exact. Het project voegt toe dat het model nergens in de benchmark KV-cache-offloading nodig had en verwacht dat offloading pas gaat lonen bij hogere gelijktijdigheid, wanneer prefill en decode over machines worden verdeeld. Dit is een andere meting dan het kernelboard hieronder, dat kernels scoort die het model schrijft; de cijfers van vLLM gaan over wat het kost om het model te serveren zodra een engine de architectuur ervan heeft geïmplementeerd, en de engine hier is degene die rapporteert. Het project plaatste op 17 oktober opnieuw een bericht, de dag waarop DeepSeek het checkpoint omwisselde, en het cijfer waarmee het opende, was een ander soort getal: 1.3B tokens per dollar aan total cost of ownership op SemiAnalysis AgentX, bij 830.000 tokens per seconde per GPU, waarbij gecachte, invoer- en uitvoertokens samen worden geteld, terwijl het 100 uitvoertokens per seconde per gebruiker vasthield. Dat is een resultaat over de serveerkosten in plaats van een snelheidsdelta, en de sectie over serveerkosten hieronder gaat er volledig op in. Drie dingen eraan zijn van belang voor deze alinea: het is hetzelfde project, hetzelfde model en dezelfde benchmark, drie weken na de verantwoording van 7 oktober; het project kadert die verantwoording als hoofdstuk één, met 5x de agentische doorvoer van dag nul, terwijl een volgend hoofdstuk nog moet komen, en sindsdien is er geen tweede DeepSeek-bericht op zijn blog verschenen; en een kostencurve blijft nog steeds aan de runtimezijde van de boekhouding staan, geen extern oordeel over het model. Dat onderscheid is ook waarom dit cijfer ertoe doet voor iemand die nooit een node zal draaien. Geen van die werkzaamheden is werk dat een aanroeper doet: een servingstack die bij lage gelijktijdigheid 1.9× sneller wordt, maakt de verzoeken die hij afhandelt sneller, en dit model via een API bereiken is hoe de meeste teams daarvan profiteren zonder de hardware te bezitten. DeepSeek V4.1 Flash staat op OrcaRouter tegen het eigen tarief van DeepSeek met 0% markup, op dezelfde OpenAI-compatibele key als de rest van de productlijn, met een bewezen model erachter als automatische failover — het model en de prijsstelling bewegen mee met het tempo van de provider, en de keuze van engine blijft aan de kant van de provider.

Wat het kost om te serveren: de eerste onafhankelijke hardwarecijfers

Alles hierboven meet het model. Op 14 oktober heeft Artificial Analysis DeepSeek V4.1 Flash toegevoegd aan AA-AgentPerf, de benchmark die het tegen acceleratorsystemen draait in plaats van tegen modellen, en het resultaat is het eerste publieke antwoord op een vraag die een tariefkaart niet kan beslechten: hoeveel van dit model één megawatt datacentervermogen kan dragen. AA-AgentPerf speelt opgenomen sessies van coding-agents opnieuw af — redeneren in meerdere beurten, tool-aanroepen, contexten die voorbij 100K tokens groeien, inclusief prompt-cachetreffers — tegen een live servingstack en bepaalt het grootste aantal gelijktijdige agents dat een systeem aankan terwijl elk ervan nog steeds een snelheidsdoel per agent haalt. Voor dit model is het belangrijkste nieuws het rack-scale-onderdeel van NVIDIA. Bij 100 outputtokens per seconde per gebruiker gaat GB300 NVL72 aan kop met ongeveer 261 miljoen tokens per seconde per megawatt, vóór B300 met ongeveer 220 miljoen, B200 met 193 miljoen, GB200 met 178 miljoen en AMD's MI355X met 128 miljoen. Dat zijn de cijfers van Artificial Analysis, vandaag afgelezen van zijn datacenter-inferencepagina, en het zijn metingen van specifieke hardware- en servingconfiguraties, niet die van een leverancier. Twee details zijn de moeite waard om mee te nemen. De getallen per megawatt worden berekend op basis van acceleratorvermogen dat tijdens de run is gemeten — GPU-die plus HBM — en niet op basis van nominale TDP. En elk punt in de grafiek vermeldt de engine, versie en het numerieke formaat erachter, dus het getal is een bewering over een servingstack en niet alleen over de gewichten.

De reden dat de grafiek van dit model anders oogt dan de andere, is de omvang ervan. DeepSeek V4.1 Flash past op slechts twee accelerators, waardoor een systeem op rack-schaal hier minder voordeel oplevert dan bij een groter model: Artificial Analysis meldt dat B300 over de hele curve binnen ongeveer 20% van GB300 NVL72 blijft en aan beide uiteinden vooroploopt — de hoogste doorvoer per megawatt wanneer de snelheid per gebruiker mag dalen, en de snelste enkele agent wanneer dat niet mag. Bij batchgrootte één liggen alle Blackwell-onderdelen en de MI355X tussen ruwweg 600 en 670 tokens per seconde voor één gebruiker, tegen 372 tot 392 op H100 en H200. Afgezet tegen DeepSeek V4 Pro 0813 op dezelfde as levert het kleinere model bij de 100 tok/s-grens ongeveer 1,3× de doorvoer per megawatt op GB300 en ongeveer 6,2× op B200 — de efficiëntieclaim die de architectuursectie vanuit de KV-cache-kant maakt, nu afkomstig van een derde partij die een systeem heeft gemeten in plaats van een specificatie. De configuraties achter die cijfers tonen de centrale truc van het ontwerp in productie, niet alleen op papier: bij zowel de B300- als de MI355X-runs met twee accelerators wordt de 196B Engram-tabel geserveerd vanuit gepind hostgeheugen via het CPU-offloadpad van vLLM in plaats van op de accelerator te staan — het mechanisme dat de releaseopmerkingen beschreven, nu zichtbaar in de opzet achter een gepubliceerde meting. Een tweede kostencijfer, in een andere valuta, komt van de benchmark waarop de vLLM-post van 7 oktober werd gemeten. Op 17 oktober publiceerde het vLLM-project een grafiek die DeepSeek V4.1 Flash op 1,3B tokens per dollar aan totale eigendomskosten zet op SemiAnalysis AgentX, met afzonderlijke curven voor GB300 NVL72 onder Dynamo, GB200 NVL72, B200, H100 en MI300X. De kostencategorie erachter is gelabeld als 'owning at large-hyperscaler volume', en de aannames voor chipuren daaronder lopen van $0,95 voor een MI300X en $1,17 voor een H100 tot $1,73 voor een B200 en $2,31 voor een GB300, ontleend aan SemiAnalysis' eigen prijsonderzoek van juli 2026. Er horen twee beperkingen bij. Het is het vLLM-project dat het kostenmodel van SemiAnalysis rapporteert, en geen van beide partijen heeft het laten repliceren. En de grafiek is gedateerd op 16 oktober, de dag voordat DeepSeek de gewichten achter de modelnaam verving, dus ook die beschrijft het checkpoint van september. Daarmee staan er in dit stuk drie valuta's voor één model: tokens per seconde per gebruiker, tokens per seconde per megawatt en tokens per dollar. De laatste is degene waar een koper zonder datacenter iets mee kan, omdat het de grootheid is waarmee de kostenverbetering van een provider uiteindelijk bij hen aankomt. Het blijft een servingmeting en geen kwaliteitsmeting: niets hier zegt hoe goed het model is, en de hardwareresultaten van één leaderboard zijn geen replicatie van enige benchmarkrij hierboven. Wat het wel vaststelt, is dat de kostenkant van de tariefkaart van dit model nu door extern bewijs wordt onderbouwd. Een model dat een provider kan serveren tegen een veelvoud van de doorvoer per megawatt, is een model dat een provider zich kan veroorloven goedkoop te houden, en DeepSeek V4.1 Flash staat op OrcaRouter tegen DeepSeek's eigen lijstprijs met 0% opslag, wat de vorm is die de kostenverbetering van een provider doorgeeft in plaats van vasthoudt.

Wat de engine kost op de chips van twee leveranciers

Tot deze week werd de doorvoervraag over dit model alleen beantwoord door metingen van anderen — een runtime die verantwoording aflegt over zijn eigen werk, een benchmarksite die een systeem meet, ontwikkelaars die tokens tellen in een bèta. DeepSeek heeft deze week DeepInfer, het framework waarvan het zegt dat het de productiedienst van dit model aandrijft, onder Apache-2.0 vrijgegeven — de repository verscheen op 16 oktober en de eerste commit landde op 20 oktober — en leverde daarbij een decode-Pareto-plot voor de 1017-checkpoint, gemeten op 64 SM100-versnellers binnen één scale-up-domein. De configuratie die op de plot staat, is het deel dat ertoe doet, want het is de configuratie waarop de onderstaande vergelijking draait: expert-parallelisme van 64 over data-parallelisme van 64, de “384+64 experts” die de plot vermeldt, een context van 131.072 tokens, een vaste DSpark-draftlengte van drie tokens en een acceptatiegraad per token van 75%. De curve piekt net onder 30.000 outputtokens per seconde per versneller aan het minst interactieve uiteinde, zakt door de midden-20.000'en naarmate de snelheid per gebruiker boven 100 tokens per seconde stijgt, en is aan de rechterrand van de grafiek gedaald tot een paar duizend. Het is DeepSeek dat zijn eigen engine op zijn eigen model meet, dus het is geen onafhankelijk getal — maar het is de eerste decode-curve voor deze architectuur die is gepubliceerd door het lab dat hem heeft gebouwd, en het sweep-script dat hem heeft geproduceerd, staat in dezelfde repository.

Het verslag dat naast de code is gepubliceerd, geeft het werkpunt, en dat is de reden dat de onderstaande cijfers worden genoemd op 230 outputtokens per seconde in plaats van op een of ander abstract maximum. DeepSeeks eigen productiecijfers zetten decode op 14K tokens per seconde per accelerator, terwijl de dienst 230 outputtokens per seconde per gebruiker aanhoudt — 300 bij codewerklasten — tegen een hitrate van 96% op de inputcache, een gemiddelde input van 77K tokens, een gemiddelde van 400 ms en een p99 van één seconde tot het eerste token, en prefill die bijna 1:1 met decode is ingericht, in één cluster dat volgens het bedrijf 155 biljoen tokens per dag verwerkt. De omzetregel naast die cijfers, $38 per acceleratoruur bij off-peakprijzen, is het eerste kostencijfer dat DeepSeek publiekelijk aan het serveren van dit model heeft gekoppeld. Niets ervan is geaudit, het is allemaal de leverancier die zijn eigen dienst beschrijft, en toch is het het meest concrete beeld dat bestaat van wat het kost om deze architectuur te draaien.

De andere helft van de vergelijking komt uit Huawei's silicium, en dat is het deel met de zwakkere bron. Een benchmarkblad gedateerd 30 september met als kop “Ascend 950DT DeepSeek-V4.1-Flash Benchmark” meldt dat het model is uitgerold over 32 chips met FP8–FP4 gemengde precisie, met data-parallelle attention en expert-parallelle mixture-of-experts, op een sequentie van 128K tokens, met gebruik van DSpark speculatieve decoding met een geforceerde expert-parallelle load-balancerconfiguratie en een gemiddelde geaccepteerde lengte van 4,1 tokens. Het bevat drie punten. De latentiekolom is de tijd per outputtoken, dus het omgekeerde van elke waarde is de snelheid per gebruiker voor die rij, en dat is wat het mogelijk maakt om het blad naast de curve te leggen:

• 1.536 globale batch, 9,41 ms per outputtoken — ongeveer 106 outputtokens per seconde per gebruiker — 5.102 tokens per seconde per chip.

• Wereldwijde batch van 384, 4,40 ms per uitvoertoken — ongeveer 227 uitvoertokens per seconde per gebruiker — 2.727 tokens per seconde per chip.

• Globale batch van 2.560, 13,79 ms per uitvoertoken — ongeveer 73 uitvoertokens per seconde per gebruiker — 5.800 tokens per seconde per chip, het hoogste cijfer in de tabel en het cijfer dat in de kop wordt gebruikt.

Afgezet tegen de NVIDIA-curve zijn de middelste twee rijen de rijen die er het meest toe doen, omdat ze op de snelheden liggen waarop een service daadwerkelijk draait. De thread die het sheet naar boven haalde, leest de vergelijking als 25.500 tokens per seconde per accelerator tegen 5.102 bij 100 outputtokens per seconde per gebruiker, en 20.000 tegen 2.727 bij 230 — een verschil van vijf keer op het eerste werkpunt en 7,4× op het tweede. Dezelfde gepubliceerde curve rechtstreeks lezen verschuift die NVIDIA-cijfers enigszins: een pixelgewijze doorgang over de afbeelding komt dichter bij 28.000 uit op het 100-tokenpunt en dichter bij 17.000 bij 230, aan weerszijden van de cijfers van de thread; de band die ze geven is ongeveer vijfeneenhalf keer op het eerste werkpunt en ongeveer zes op het tweede, wat de bandbreedte van de thread verkleint zonder de vorm ervan te veranderen. Dat is wat een van een grafiek afgelezen benchmark waard is, en het verandert de richting van de uitkomst niet. Het is ook vermeldenswaard dat de 5.800-kop van het sheet de minst interactieve rij is — het punt waarop de curve van NVIDIA het dichtst bij zijn eigen piek ligt, en waar de verhouding weer ongeveer vijf is.

Ik kon die sheet niet vinden op DeepSeek's of Huawei's eigen pagina's; hij bereikte dit stuk als een afbeelding die aan een thread op X was toegevoegd, en de drie Ascend-cijfers moeten worden gelezen als een niet-gepubliceerde leveranciersbenchmark totdat iemand de run erachter plaatst. Wat controleerbaar is, is de asymmetrie in de configuraties, en die komt uit DeepSeek's eigen documentatie. DeepInfer's deploymentnotities raden prefill aan bij expert-parallelisme van 2 tot 8 en decode bij 64 tot 128, op 'gewone 8-GPU-machines voor prefill, gewone 64–128-GPU-supernodes voor decode'. Op NVIDIA is dat één NVLink-domein, en dat is waar de grafiek hierboven binnen is gemeten. Op Ascend zegt DeepSeek's eigen communicatiebibliotheek duidelijk wat niet af is: 'Grotere EP-groottes en combine blijven onder optimalisatie,' waarbij combine extra overhead door lokale reductie en HBM-contentie met het URMA-pad met zich meebrengt, en er nog werk aan Huawei-firmware aankomt — een voorbehoud dat openbaar is in DeepEP-Ascend sinds de eerste release op 29 september. Dat is de eerlijke manier om de kloof te lezen: het NVIDIA-cijfer komt uit de vorm waarvoor DeepInfer is afgestemd, en het Ascend-cijfer uit een stack waarvan de eigen auteur zegt dat er nog wordt gewerkt aan het wide-EP-pad. Een deel van de factor vijf tot zeven is de chip, een deel is de interconnect en de software eronder, en niemand heeft de twee gescheiden.

Wat de kloof in geld waard is, hangt af van prijzen die niemand heeft gepubliceerd, en de thread rekent het toch door: bij ongeveer $139.000 per Blackwell-versneller, geëxtrapoleerd uit de prijsstelling van grey-market-racks, tegenover een geruchtprijs van $37.000 voor een 950DT, moet NVIDIA louter op aanschafkosten ongeveer 3,8× de doorvoer per chip leveren om Ascend te evenaren; de thread legt het omslagpunt rond 6.800 tokens per seconde per chip. De gepubliceerde Ascend-punten liggen onder die lijn; de voorspelling van de thread dat het wide-EP-pad ze naar 8.000–10.000 tilt, ligt erboven, en dat is een voorspelling, geen meting. Elke invoer is zacht — een grey-marketprijs, een geruchtprijs en cijfers die van een curve zijn afgelezen — en niets ervan houdt rekening met netwerk, stroom, koeling, onderhoud of de waarde van het überhaupt kunnen kopen van de hardware.

Voor iedereen die nooit een node in een rack zal monteren, is het nuttige deel niet het scorebord. Het is dat het goedkoopste model in de DeepSeek-lijn nu gedocumenteerd is als goedkoop te serveren op de silicon van twee leveranciers, met de eigen engine van de leverancier gepubliceerd en de onderliggende cijfers downloadbaar — het soort bewijs waarop een prijs berust. Het wijzigt geen tariefkaart: DeepSeek V4.1 Flash staat op OrcaRouter tegen de eigen lijstprijs van de provider, $0,15 per 1M inputtokens en $0,60 per 1M output bij off-peaktarieven, doorgegeven met 0% markup, dus wanneer de serveerkosten van een provider dalen, komt de besparing binnen als een prijs die niet hoeft te bewegen in plaats van als een wederverkoopmarge. Een serveerkost die op de hardware van twee leveranciers is bediscussieerd, is een prijs met meer ruimte eronder dan een die niemand ooit heeft gemeten.

Kernel-engineering: het eerste scorebord dat niet van DeepSeek is

De benchmarkrijen hierboven zijn DeepSeeks eigen harnesscijfers, en de externe scores die nu bestaan meten algemene redeneerprestaties en cyberexploitatie, niet programmeren op laag niveau. De eerste blik van derden op de kernel-engineering van het model is er ook, en die kwam in een vorm die DeepSeek niet in opdracht had gegeven: een door de community gerunde agentische benchmark die modellen vraagt echte CUDA-kernels te schrijven en de resultaten scoort tegen een roofline — het theoretische plafond van de hardware. De ranglijst is kernelbench.com, draait op een RTX PRO 6000 en is onafhankelijk van beide leveranciers. De auditmethodiek is door de community gerapporteerd in plaats van peer-reviewed, dus lees de percentages als een richtinggevend signaal van derden, niet als een gecertificeerde meting; het is ook het eerste scorebord in dit verhaal waarop DeepSeeks cijfers naast die van een directe concurrent staan.

De kopregel is de rij waar de architectuur omheen is gebouwd. DeepSeek V4.1 Flash' eigen sparse attention — de CSA2-stack die de cache van 890 bytes per token produceert — werd door het model als CUDA-kernel geschreven en bereikte 50,19% van de dense-equivalente roofline, vierde op het bord achter Claude Fable 5.1 met 106,27%, Claude Opus 5 met 103,67% en Claude Fable 5 met 72,66%. Het eerste dat opvalt, is dat de eigen architectuur van de maker de kernel is waarin het het beste is: een model dat is getraind op een sparse-attention-ontwerp schrijft de sparse-attention-kernel efficiënter dan wat dan ook op het bord onder de top drie. Het tweede is de vergelijking die de tipgever aanstipte. De poging van GLM-5.3 Flash voor dezelfde kernel bereikt 4,45% van roofline — een orde van grootte lager dan V4.1 Flash op dezelfde rij van hetzelfde bord. Dat gat, en niet een benchmark die DeepSeek heeft gepubliceerd, is wat 'massive improvement on kernel engineering' betekent.

De vergelijking stopt niet bij de sparse-attention-rij, en het volledige beeld is van belang omdat de kop van de tweet GLM-5.3 Flash noemt, terwijl het geciteerde stuk waarnaar hij verwijst eigenlijk een andere, grotere GLM-5.2 vermeldt op zijn eigen fused-MoE-rij — een mismatch in de naamgeving waar je voorzichtig mee moet zijn. Op de rijen waarop beide flash-tier-modellen daadwerkelijk een run hebben voltooid, wint V4.1 Flash ze allemaal: Kimi-Linear Decode met 17,10× tegenover 13,64×, MegaQwen Decode met 5,39% van roofline tegenover 3,92%, TopK Bitonic met 4,25% tegenover 7,17% voor GLM-5.3 Flash, Sonic MoE met 10,81% (de beste score die een model op het scorebord voor die kernel heeft neergezet) tegenover 10,21%, en KDA CUTLASS met 3,74% tegenover 2,26%. Op twee andere kernels heeft GLM-5.3 Flash helemaal geen voltooide run — fused MoE en de Grid + MinGRU-simulatiekernel, waar V4.1 Flash 28,56% van roofline haalt. (De enige rij waarop GLM-5.3 Flash V4.1 Flash verslaat, is TopK Bitonic, 7,17% tegen 4,25%, wat ook de rij is waarop geen van beide modellen in de buurt komt van de leider op het scorebord.) De globale vorm is dezelfde als in de kop: bij GPU-werk op laag niveau loopt V4.1 Flash niet alleen voor op het kleinere Z.ai-model — het is van een heel andere orde, en bij de twee moeilijkste kernels maakt het kleinere model het helemaal niet af.

Wat het scorebord niet doet, is je vertellen hoeveel van die kloof door het model komt en hoeveel door de architectuur waarvoor het moet schrijven. DeepSeek V4.1 Flash is een model met 552 miljard parameters waarvan de eigen attention een sparse-attentionontwerp is; GLM-5.3 Flash is een kleiner model waarvan de training nooit draaide om dezelfde CSA2-stack. Een model dat wordt gevraagd een kernel te schrijven voor een architectuur die lijkt op zijn eigen trainingsdistributie, heeft een ingebouwd voordeel. Daarom is de eerlijkste lezing van het scorebord richtinggevend in plaats van een een-op-een-oordeel: kernelengineering is nu een gemeten capaciteit van dit model, ze is werkelijk sterk, en de specifieke vergelijking die de tipgever trok, houdt stand op de gedeelde rijen. Het scorebord beantwoordt ook een vraag die het specificatieblad niet kon beantwoorden: of de cache van 890 bytes in de praktijk realiseerbaar is. Een model dat zijn eigen sparse-attentionkernel schrijft die de helft van de roofline haalt, is een model waarvan het kernontwerp ten minste op echte hardware implementeerbaar is door dezelfde klasse van ingenieurs die het zouden moeten serveren.

De eerlijke plek waar dit op uitkomt is naast al het andere in dit stuk: nog een meting door derden die DeepSeek niet zelf heeft geproduceerd, ditmaal van een capaciteit — het schrijven van GPU-kernels — die geen enkele rij uit een leveranciersbenchmark dekte. Het is één communityforum op één GPU-generatie, één keer uitgevoerd, en de auditronde ervan is niet peer-reviewed, dus het is veeleer bewijs over richting dan een gecertificeerde score. Maar het is het eerste cijfer van buitenaf dat laat zien waarvoor de nieuwe architectuur dient: een goedkoop model in de Flash-klasse dat, gevraagd om het low-level systeemwerk te doen waar DeepSeek zelf zijn engineering aan besteedt, ruwweg de helft bereikt van wat de hardware toelaat, terwijl zijn directe concurrent in de flash-klasse minder dan een twintigste haalt.

Snelle oplossingen, langzame bevestigingen: de eerste hands-on verslagen

Doorvoer is de helft van het snelheidsverhaal die een tokenteller niet kan zien. De praktijkverslagen die zich sinds de release hebben opgestapeld, meten de andere helft — hoe het model zich gedraagt op weg naar een antwoord, en wat dat gedrag kost — en ze zijn het er niet over eens of wat ze hebben gevonden een functie is. Drie onafhankelijke verslagen beschrijven hetzelfde patroon. Geen ervan is een gecontroleerde evaluatie; de onderstaande cijfers zijn individuele praktijkmensen die hun eigen taken uitvoeren, en ze moeten worden gelezen als gebruiksrapporten, niet als metingen.

De duidelijkste beschrijving van het gedrag komt van MindStudio, dat DeepSeek V4.1 Flash een interactieve 3D-viewer vanaf nul liet bouwen. De redeneertrace ervan, in de woorden van de beoordelaar, “toonde dat het zijn eigen wiskunde verifieerde in plaats van alleen maar code te produceren.” Het model ving tijdens de build een dempingsbug in orbit-control op, leidde de correctie vanuit eerste principes af, en “controleerde de oplossing daarna opnieuw in een headless browser voordat het de taak als voltooid verklaarde.” Bij een tweede taak — een op Docker gebaseerd dashboard — vond het één omgekeerde vergelijkingsoperator en bevestigde de reparatie door het live-endpoint acht keer te pollen terwijl de getallen werden bijgewerkt. Dat is wat de testers van de bèta beschreven toen ze het model een overthinker noemden, en er is niets mis met welke afzonderlijke stap dan ook: de fout werd gevonden, opgelost en geverifieerd. Dat is ook precies de klacht. De bug was al aangepakt, een andere DeepSeek-sessie had de oplossing al binnen een minuut bevestigd, en het model bleef toch controleren. MindStudio interpreteert de gewoonte als een sterk punt en zegt dat ook; de enige kritiek in die test was een natuurkundeprobleem dat in een lus bleef hangen tot het bij de eerste poging met de hand werd gestopt, en daarna bij de nieuwe poging correct werd opgelost.

De lezing vanuit de andere richting gaat over de klok. Een door de community samengestelde compilatie van V4.1 Flash-tests beschrijft een natuurkundeprobleem — een waterbeker die schuin is afgesneden — waarbij het model twaalf minuten en ongeveer 130.000 tokens besteedde op weg naar een correct antwoord, en drie rondes zelfverificatie uitvoerde waar niet om was gevraagd voordat het convergeerde. Dezelfde uiteenzetting documenteert de faalmodus aan het uiterste eind van die gewoonte: de gedachteketen vervalt soms in een herhaallus met “laat me schrijven” die tegen ongeveer 200 tokens per seconde rondtolt zonder vooruitgang, en het advies is client-side in plaats van model-side — stel een max_tokens-plafond en een request-timeout in en laat die de lus afkappen. Het documenteert ook dat hetzelfde soort probleem in achttien seconden werd afgehandeld door een run met de reasoning effort op laag, wat eraan herinnert dat het meeste hiervan een instelling is in plaats van een defect.

Het scherpste bewijs dat verificatievolume niet hetzelfde is als correctheid komt uit een review van Tencent Cloud Labs waarin DeepSeek V4.1 Flash als implementator werd gekoppeld aan GPT-6 Astra als reviewer bij een paperreproductie. Er werden drie rondes uitgevoerd, en Astra heeft het kernalgoritme nooit omvergeworpen. Wat de reviewer ronde na ronde bleef corrigeren, was de ondersteunende constructie die V4.1 Flash voor zichzelf had gebouwd — de opzet van zijn experimenten, zijn statistische constructie en de interpretatie die het uit zijn eigen resultaten trok. Het aantal tests groeide van 82 naar 97 naar 110, en ze slaagden elke keer allemaal. Vergeleken met een brute-force-baseline kwam de configuratie die het model koos in 8,89% van de gevallen overeen met het optimum onder de eigen parameters van de paper, in 11,04% met gerandomiseerde betrouwbaarheid en in 10,30% onder een gerandomiseerde configuratie. Astra's meest puntige bevinding ging over een test die beweerde integergrenzen te controleren: deze voerde 153 extensiecontroles uit en nul integergrenstakken. Een model kan de suite die het schreef doorstaan en toch de vraag niet hebben beantwoord, en die review is een uitgewerkt geval van de kloof, niet een bewering dat die bestaat. De scope is smal en de auteurs zeggen dat ook — één speculatieve-lengteselector, gesimuleerde betrouwbaarheidswaarden, geen end-to-end-run — maar het patroon is hetzelfde als wat de andere rapporten beschrijven.

Als je dit naast de cijfers van Artificial Analysis legt, ziet het er niet langer uit als een anekdote. De eerste onafhankelijke evaluatie van het model mat het in één adem als zeer snel en zeer uitgebreid: 185 outputtokens per seconde, en 250 miljoen outputtokens gegenereerd in de evaluatieset, tegenover een mediaan van 140 miljoen voor vergelijkbare modellen. Een samengestelde score kan niet zeggen waar de extra output naartoe gaat. De hands-onverslagen wel. De tokens zijn geen opvulling — ze zijn het controlewerk van het model. Hetzelfde volume duikt vanuit een ongerelateerde hoek op in een bugrapport over een terminalclient van derden, waar redeneerinhoud op een deepseek-flash-route werd toegevoegd aan het zichtbare antwoord in plaats van te worden gescheiden in een denkblok, wat afzonderlijke tekstblokken van tot 73.003 tekens interne monoloog opleverde, terwijl er niets werd vastgelegd om bij latere beurten opnieuw af te spelen. Die bug hoort bij de client en niet bij DeepSeek, en het is geen bewijs over de kwaliteit — maar het is een goede illustratie van hoeveel denkwerk dit model produceert wanneer een testharnas er niet in slaagt het te scheiden.

Niets hiervan weerlegt de prijsberekening hierboven; het verklaart die. Een model dat zichzelf verifieert, is zijn tokens waard bij agentisch werk, waar een verkeerde oplossing meer kost dan de tokens die worden besteed om te bewijzen dat het klopt, en is slecht geschikt voor een lange lus van triviale bewerkingen waarbij de bevestiging het grootste deel van de run uitmaakt. Twee dingen maken het verschil hanteerbaar. De reasoning effort-dial is een doorlopend geheel getal van 1 tot 100 in plaats van drie vaste niveaus, zodat hetzelfde model lager kan worden gezet voor goedkoop werk en hoger voor moeilijk werk — het resultaat van achttien seconden hierboven kwam precies daaruit voort. En het goedkope vangnet hoort bij de client: een max_tokens-plafond en een request-timeout veranderen een herhaallus van een rekening in een afgekapt antwoord. Beide zijn het soort instelling dat je vastlegt voordat een productiepad naar dit model wijst, en geen van beide is iets wat het model zelf zal doen.

Weigeringen: het checkpoint weigert, en de weigering is meetbaar.

Op 20 oktober was wat de aandacht trok aan DeepSeek-V4.1-Flash-1017 geen benchmarkregel, maar een weigering. De DeepSeek-tracker die dit stuk al eerder heeft geciteerd, plaatste een screenshot van een agentsessie waarin de 1017-checkpoint met dsh-purge werd uitgevoerd, en meldde dat het model toch weigerde: de run "weigerde de persona", in de woorden van de poster, waarbij het model redeneerde dat het verzoek "een promptinjectiepoging" was en dat het "de persona niet moest aannemen". De lezing van het bericht was dat de checkpoint "*niet* helemaal naïef is over jailbreaks" en dat DeepSeek "begint na te denken over veiligheid". dsh-purge is geen prompttruc die in een gebruikersbericht wordt geplakt. Het is een publieke DeepSeek Harness-plugin — 9.897 sterren op GitHub en versie 1.1.71 per 20 oktober — gebouwd om de eigen promptherschrijving en geïnjecteerde suffixen van de harness te strippen, en de Engelse README maakt precies het onderscheid waar deze test om draait: de harness "herschrijft prompts, goedkeuringspoorten, sandboxbeleid en sessiemigratie tijdens runtime", dus alleen vragen "zal het model antwoorden" behandelt een blokkade op hostlaag als een weigering van het model, en de plugin bestaat om die twee lagen op je eigen installatie te scheiden. In deze sessie viel de scheiding uit aan de kant van het model. De tellers in dezelfde screenshot — 156 stappen, 33,7 miljoen tokens, 232 tokens per seconde — beschrijven een volledige agentrun in plaats van een eenmalige prompt, en de eigen samenvatting van de agent zegt dat de plugin mechanisch in orde was en dat "dat specifieke model het weigerde."

Dat is de screenshot van één persoon van één sessie, en dat moet ook precies zo worden gebracht. De prompt wordt niet getoond, het oordeel is de eigen samenvatting van de agent in plaats van een beoordeeld antwoord, en het account is een DeepSeek-watcher in plaats van een evaluatielab, dus niets in de post kan vanuit de post worden gereproduceerd. Wat het de moeite waard maakt om het serieus te nemen, is dat beide helften ervan kunnen worden gecontroleerd aan de hand van bronnen die onafhankelijk zijn van degene die het heeft gepost: de plugin, die openbaar is en zijn eigen mechanisme documenteert, en het weigeringsgedrag van de checkpoint, dat nu door iemand anders is geteld.

De cijfers staan in de documentatie van een afgeleide. Een door de community gemaakte abliterated build van de 1017 weights, gepubliceerd op Hugging Face op 17 oktober, bevat de meting die de build noodzakelijk maakte. Bij 100 achtergehouden schadelijke verzoeken, elk met greedy decoding voor 384 tokens, weigerde de onaangeraakte checkpoint 97 in chatmodus en 98 in thinkmodus; nadat een rank-2 weigeringssubspace uit de 40 hoofdlagen was geprojecteerd, leverden dezelfde 100 prompts 4 en 9 weigeringen op. Dat zijn cijfers van derden over de weights van DeepSeek, geproduceerd zonder toegang tot de trainingspipeline van DeepSeek, en het zijn ook één promptset, één beoordelaar en één kwantisatie van het model — een Q8_0-conversie in plaats van de FP8 die DeepSeek meelevert — dus de eerlijke lezing is ‘bijna altijd’, niet ‘97,0%’. Op basis van dat bewijs klopt de beschrijving van de poster: de checkpoint weigert betrouwbaar, in beide modi.

Wat het cijfer niet ondersteunt, is het idee dat dit een nieuwe houding is. Het september-checkpoint was er al. Het team achter een ongecensureerde septemberbuild mat het onaangepaste model op HarmBench's volledige set van 320 prompts en rapporteerde een aanvalssucces van 42,8% met redeneren uitgeschakeld en 1,6% bij maximale inspanning — wat wil zeggen dat het model dat dit exemplaar vervangt, ongeveer 98% van dat soort verzoeken weigerde zodra het mocht nadenken. De twee metingen komen uit verschillende promptsets, verschillende beoordelaars en verschillende kwantisaties, dus ze kunnen niet van elkaar worden afgetrokken; waar ze het over eens zijn, is de vorm. Weigering bij hoge inspanning was al het gedrag van het septembermodel, en het 1017-checkpoint zit in dezelfde range. De engere bewering is degene die de sessie van 20 oktober daadwerkelijk test, en die is het waard om te behouden: de weigering overleefde een plugin die speciaal was gebouwd om de beperkingen aan de harnesszijde te verwijderen, en ze overleefde als het oordeel van het model over de prompt, niet als een blokkade op hostlaag.

Niets hiervan wordt door de leverancier gedocumenteerd. De modelkaart van DeepSeek van september heeft een evaluatiesectie en die bevat alleen benchmarks — geen weigeringspercentage, geen red-teamresultaat, geen veiligheidsevaluatie — en de kaart voor 1017 bevat helemaal geen evaluatiesectie, omdat die map samen met het technische rapport is geschrapt. Het weigeringsgedrag van dit model wordt dus volledig beschreven door de mensen die eromheen bouwen: afgeleide auteurs die prompts tellen, en een tracker die een transcript leest. Voor iedereen die een agent op het checkpoint richt, is dat de relevante kloof. Een weigering binnen een agentloop is geen voetnoot over contentbeleid; het is een mislukte tool-call midden in een run, en het komt naar voren als elke andere fout per aanroep — daarom is de mitigatie dezelfde als bij een timeout. Op OrcaRouter is dat een routeringsbeslissing in plaats van een codewijziging: het 1017-checkpoint en de DeepSeek-modellen waarop het zou terugvallen, zitten achter één endpoint, dus een aanroep die geweigerd terugkomt kan opnieuw worden geprobeerd tegen een tweede model in plaats van de run te beëindigen. De weigering zelf hoort bij het model, en niets op de routeringslaag verandert daar iets aan.

Het aantal derivaten is het laatste onafhankelijke gegeven, en het wijst dezelfde kant op. Een Hugging Face-zoekopdracht naar de naam van de checkpoint leverde op 20 oktober 121 openbare repositories op, en 25 daarvan hebben uncensored, abliterated of derisked in de naam — builds waarvan het hele doel is het gedrag te verwijderen waar de sessie van 20 oktober tegenaan liep, en de eerste ervan werd gepost op dezelfde dag dat de weights online werden gezet. Dat is geen bewijs dat het model goed is, en het is geen aanbeveling; het is bewijs dat er in de weights een werkend weigeringsmechanisme zit dat verwijderd kan worden, want de mensen die dit soort dingen strippen, doen geen moeite als er niets te strippen valt. Het zet ook de verwachting voor iedereen die zelf host: de checkpoint die je downloadt, is degene die weigert, en elke uncensored-variant op die lijst is een ander model, geen instelling.

De vraag over de V4 Pro, en de treden boven Flash

Tijdens de bèta vroeg het feedbackformulier van DeepSeek aan testers of de tussenversie "de online DeepSeek V4 Pro volledig kan vervangen." Dat was een opvallende vraag om aan gebruikers te stellen, omdat ze impliceerde dat de toekomst van het vlaggenschip open was. Het antwoord dat op 9 en 10 september kwam, was er een van operationele aard: vanaf 12:00 uur Beijingtijd op 14 september zou deepseek-v4-pro niet meer worden aangeboden en zou het verkeer terechtkomen bij V4.1 Flash tegen Flash-prijzen, waarbij V4.1 Pro als de uiteindelijke opvolger werd genoemd. Ontwikkelaars maakten bezwaar, en het bezwaar was niet dat de vervanging slecht was — het was dat een modelstring een contract is, en dat het verwisselen van de gewichten achter een productie-ID prompt-afgestemde pipelines en agentloops die tegen de oude waren gebouwd, breekt. Binnen twee dagen trok DeepSeek het plan in. Het eigen changelog zegt nu dat het "heeft besloten na 14 september 2026 API-diensten voor DeepSeek V4 Pro te blijven leveren, met een ongewijzigde factureringsmethode," en dat het nader bericht zal geven als dat verandert. De ommezwaai is door de leverancier zelf verklaard in plaats van gerapporteerd, en is controleerbaar op de pagina Modellen & Prijzen, die deepseek-v4-pro nog steeds naast deepseek-flash vermeldt.

Wat de routeringstabel niet verklaart, is waarom. Op 9 september meldde teortaxesTex — een van de tipgeversaccounts die de bèta opmerkte — dat DeepSeek had toegegeven dat de pretraining van V4-Pro mis was gegaan; in zijn woorden had het bedrijf het ermee "verprutst". Dat blijft een bewering uit één bron, afkomstig van een account dat naar insiders neigt, en DeepSeek heeft publiekelijk niets toegegeven: de changelog presenteert de uitfasering als een gevolg van het feit dat het nieuwe model beter is, niet dat het oude kapot is. Wat van buitenaf kan worden gecontroleerd, is de vorm van de lancering van V4 Pro voor algemene beschikbaarheid op 13 augustus. De aankondiging werd binnen ongeveer een dag ingetrokken. De Hugging Face-repository bevatte kortstondig een configuratie op Flash-niveau onder de Pro-naam voordat de gewichten werden gecorrigeerd. En een onafhankelijke beoordeling van wat onder die naam werd aangeboden, kwam nauwelijks boven de veel kleinere DeepSeek V4 Flash uit, tegenover officiële grafieken die resultaten dicht bij het topmodel lieten zien — op de huidige Artificial Analysis-index liggen de twee slechts één punt uit elkaar, 36 tegen 35. Onafhankelijke beschouwingen hebben verschillende oorzaken aangewezen — redeneergedrag dat te sterk is overfit op DeepSeek's eigen evaluatie-opzet, een verwisseling van deployment en gewichten, of, zoals het lek beweert, een pretraining die echt is misgegaan. De herroutering beslecht niet welke, en DeepSeek heeft het sindsdien afgeblazen; wat blijft staan, is een leverancier die zijn nieuwste model een kwart van het cache-miss-tarief van het vlaggenschip laat kosten en het op zijn eigen benchmarks vóór dat vlaggenschip plaatst, iets wat bedrijven gewoonlijk niet doen wanneer alles volgens plan verloopt.

Flash, Pro, Ultra: wat DeepSeek heeft gezegd, en wat slechts een gok is

De eigen documentatie van DeepSeek is expliciet dat dit het onderste punt van iets is. In het changelog wordt DeepSeek V4.1 Flash “het kleinste model in onze nieuwe architectuurfamilie” genoemd, en er staat dat de architectuur “is ontworpen voor een hoger capaciteitsplafond, snellere inferentie, hogere doorvoer en opschaling naar grotere modellen.” Het technische rapport sluit dezelfde cirkel in sterkere bewoordingen: het model “dient als een nieuw startpunt voor onze voortdurende opschalingsinspanningen,” en het bedrijf zegt dat het “de gezamenlijke opschaling van modelarchitectuur, pretraining en posttraining zal nastreven om de grens van modelintelligentie verder te verkennen.” Beide zinnen zijn van het bedrijf zelf, beide zijn gepubliceerd op 10 september, en geen van beide is een productaankondiging. Ze geven aan dat DeepSeek van plan is grotere modellen op dit ontwerp te bouwen; ze noemen geen specifiek model, geen omvang en geen datum.

Alles voorbij die regel is speculatie. Op 25 september interpreteerde de tracker @teortaxesTex — dezelfde account wiens bericht van 9 september over de V4 Pro-pre-training dit stuk al bevat — het patroon als een volledige driedelige productlijn: “DeepSeek maakt vrij duidelijk dat ze hier niet zullen stoppen… Dit klinkt alsof ze van plan zijn een hele line-up te maken, Flash-Pro-Ultra. Misschien 522B-2T-8T?” De genoemde formaten worden door degene die ze noemt als gok bestempeld, en dat voorbehoud is niet voor niets: niets in DeepSeeks changelog, model card, technisch rapport, Hugging Face-organisatie, prijspagina of modellijst noemt een Ultra-tier, en niets boven 552B. De gegokte ladder is ook wankeler rekenwerk dan het lijkt. De onderste trede, 522B, is niet het 552B-model dat is uitgebracht — ofwel het cijfer is een vergissing voor een getal dat DeepSeek al heeft gepubliceerd, ofwel het wijst naar een checkpoint dat niemand heeft gezien, en van buitenaf is niet te zeggen welke van de twee. De bovenste trede, 8T, is vijf keer het 1.6T-vlaggenschip waarvan DeepSeek in april de repository opende, in een jaar waarin de meest recente release van het bedrijf was ontworpen om 8B parameters per token te activeren, omdat inferentiekosten, niet het aantal parameters, de beperking waren die het wilde oplossen.

Dezelfde bron heeft afzonderlijk een DeepSeek-model met 3 biljoen parameters naar voren gebracht als iets waar het lab aan werkte, maar waarvan het niet zeker wist of het dat economisch kon aanbieden — een andere bewering over iets anders, en evenzeer onbevestigd. Geen van beide beweringen hoeft met de andere te worden verzoend, omdat geen van beide een tweede bron heeft. Wat wel kan worden gecontroleerd, is de richting: een lab dat zijn nieuwste model het kleinste in een familie noemt, en de architectuur ervan een die naar grotere modellen opschaalt, is een lab dat van plan is boven deze trede te leveren. Hoe het de tredes zal noemen, en hoe groot ze zullen zijn, staat in geen enkel document dat een lezer vandaag kan openen.

Voor iedereen die een model kiest in plaats van een roadmap te volgen, is dat onderscheid allesbepalend. Als de familie zich naar boven uitbreidt, is de beslissing waar de meeste teams nog steeds voor staan of ze doorgaan naar de trede die al bestaat — en de goedkoopste manier om die beslissing open te houden is niet wachten. DeepSeek V4.1 Flash staat op OrcaRouter tegen DeepSeek's eigen tarieven met 0% opslag, dus als er een opvolger in de Pro-tier tegen een andere prijs komt, belandt de wijziging in de tariefkaart in plaats van in een contract. DeepSeek V4 Pro zit achter dezelfde sleutel, waardoor een derde tier die later komt een routeringsbeslissing is in plaats van een migratie.

MIT-gewichten veranderen wat je ermee kunt doen.

DeepSeek V4.1 Flash wordt uitgebracht onder de MIT-licentie, en de gewichten werden op 10 september geüpload in de deepseek-ai-organisatie op Hugging Face — dezelfde dag als de API, niet weken later. De repository is deepseek-ai/DeepSeek-V4.1-Flash: 48 safetensors-shards met een totale omvang van ongeveer 510 GB, het technische rapport als PDF ernaast, en een inference-map met een referentie-implementatie plus een conversiescript dat de checkpoint over tensor-parallelle ranks verdeelt. Die repository is de checkpoint van september; de live versie sinds 17 oktober is deepseek-ai/DeepSeek-V4.1-Flash-1017, die dezelfde MIT-licentie, dezelfde 48 shards en dezelfde ongeveer 510 GB heeft, maar elke shard vervangt en het rapport, de chat-template en de evaluatiemap weglaat.

Het loont om precies te zijn over wat die download is, want het is geen release met volledige precisie. De safetensors bevatten ruwweg 204 miljard parameters in FP8 en 557 miljard in INT8, tegenover ongeveer 2 miljard in BF16, en de config geeft fp8-kwantisatie aan — de checkpoint die je ophaalt is al gecomprimeerd, en zo past een model met 763 miljard parameters in ongeveer 510 GB. Het grootste afzonderlijke blok erin is de Engram-tabel: twee FP8-tabellen die ongeveer 189 GiB van de download omvatten, waaruit elke decodestap slechts een paar rijen leest.

Voor een model met een 552B-backbone is de licentie het onderdeel dat beslissingen verandert. MIT is permissief, zonder omzetdrempel en zonder addendum over aanvaardbaar gebruik dat een juridische toetsing rechtvaardigt, en het activatieprofiel — 8B per token bij prefill, 16B bij decode, met een cache van 890 bytes per token — is wat het serveren ervan geloofwaardig maakt buiten een hyperscaler, ook al oogt het aantal parameters groot. Dat laatste cijfer is echter een eigenschap van de volledige cachestack, niet van de gewichten, dus een zelfgehoste engine die het gekwantiseerde formaat implementeert en niet de rest van het ontwerp, zal er ruim boven uitkomen.

Een permissieve licentie is geen exportvergunning, en gedurende zes dagen in oktober leek dat verschil van belang te kunnen zijn. Op 16 oktober publiceerden het Chinese Ministerie van Handel en het Ministerie van Wetenschap en Technologie Mededeling nr. 48 van 2026, een ontwerpherziening van de catalogus van technologieën die verboden of beperkt zijn voor export, die voor het eerst AI-modelgewichten en broncode omvat. Zij stelt 40 toevoegingen voor op het gebied van AI, biotechnologie en zonne-energie, waarvan 23 AI-gerelateerd, met een openbare reactieperiode tot 15 november. Twee uitzonderingen in het ontwerp doen het meeste werk voor een model als dit: technologie die al in het publieke domein is via open-sourcevrijgave of academische publicatie, valt niet onder de controle, en API-, app-, SaaS- en lichtgewicht on-device toegang voor gebruikers in het buitenland wordt niet beschouwd als een export van modeltechnologie. De drempels die in de vakpers worden genoemd, combineren een ondergrens van twee biljoen parameters, een plaats in de wereldwijde top tien op prestatie- en veiligheidsbenchmarks, en training op kern- of belangrijke nationale data. Een 552B-model haalt de eerste drempel; of het ook aan de andere twee voldoet, kan een lezer van buitenaf niet vaststellen, omdat het ontwerp de definities niet publiceert — waardoor niet de groottetoets, maar de publieke-domeinuitzondering de bepaling is die ertoe doet voor gewichten die al op Hugging Face staan.

Wat op 22 oktober veranderde, was niet de tekst maar het nalevingsdossier. YuyuantanTan meldde dat DeepSeek en MiniMax de registratieprocedures hadden afgerond en het open-sourcen en de buitenlandse licentiëring hadden voltooid. Het rapport zegt niet welke releases het als de open-sourcing telt, noemt geen model, checkpoint of datum, en er werden geen nieuwe gewichten aangekondigd; de open-source-releases die in dat venster zichtbaar zijn, zijn de DeepInfer-engine en de hierboven besproken deepseek-recipe-toolkit. De versie van de bewering op buildniveau is nauwer en later: op 23 oktober plaatste een X-account met een lange staat van dienst in het volgen van DeepSeek dat DeepSeek en MiniMax respectievelijk “toestemming hadden verkregen voor het open-sourcen van V4.1F-1017 en M3.1-Flash”. Die toeschrijving is van de persoon die het bericht plaatste, geen van beide bedrijven heeft een verklaring gepubliceerd die dit bevestigt, en geen enkele toezichthouder heeft een kennisgeving gepubliceerd waarin de registratie van een van beide bedrijven wordt genoemd. De checkpoint die het bericht noemt, stond sinds 17 oktober, zes dagen eerder, op Hugging Face onder MIT. Welke toestemming er ook werd verleend, deze vormde geen voorwaarde voor de download: de repository was er eerder.

Voor de lezer is de praktische inhoud smaller dan de koppen eromheen, en ze wijst in twee richtingen. Niets aan het checkpoint van 17 oktober, de MIT-licentie of de repository is op 22 oktober veranderd; de download, de shards en de hierboven beschreven hashverschillen zijn precies zoals ze waren. Wat veranderd is, is het antwoord op de vraag of een Chinees lab gewichten zoals deze kan blijven publiceren terwijl de catalogus nog in consultatie is: het bericht in de staatsmedia zegt van wel voor DeepSeek en MiniMax, onder een ontwerp dat al openbare technologie uitsluit en API-toegang buiten de exportdefinitie laat. De beperking zit in de werkwoordstijd. De vrijstelling geldt voor technologie die al in het publieke domein is, wat de checkpoints van september en oktober beschrijft en niet automatisch een release die na de definitieve vaststelling van de catalogus wordt uitgebracht — en over de tijdelijke registratieplicht die op 16 oktober van kracht zou zijn geworden, is bericht gedaan maar is zij niet volledig gepubliceerd. Wie van plan is te downloaden wat DeepSeek hierna uitbrengt, plant op basis van een regel die nog niet bestaat. Wie vandaag V4.1 Flash aanroept, of de 1017-gewichten draait, vertrouwt op een uitzondering die in het ontwerp staat en die geen van beide lezingen van de tussentijdse maatregel tegenspreekt.

Serving-ondersteuning kwam dezelfde dag en legt de praktische ondergrens vast. vLLM publiceerde een day-0-recept dat op NVIDIA- en AMD-hardware is gevalideerd, en SGLang leverde in hetzelfde venster day-0-inferentie- en RL-ondersteuning via zijn Miles-trainingsstack. Beide kwamen uit als preview-images in plaats van stabiele pakketten — de vLLM-container droeg een tag van 9 september, een dag vóór de eigen GA van het model. Dat deel van het verhaal veranderde op 22 september, toen vLLM v0.30.0 uitbracht: de eerste stabiele vLLM-versie met deze architectuur, met DeepSeek V4.1 Flash vermeld onder de ondersteuning voor nieuwe modellen, het eigen vLLM-recept van het model dat nu 0.30.0 of later vereist, en de image-tag van de lanceringsdag buiten gebruik gesteld. De release notes zijn het eigen verslag van het project over zijn werk, geen gemeten resultaat, en moeten ook zo worden gelezen. Als verdiensten van de versie noemen ze dat de volledige KV-cache van het model in MXFP8 wordt gehouden via de FlashMLA V4.1-record op SM100, en dat er asynchrone prefetch is voor naar de CPU offloaded Engram-lookups plus Engram data-parallel sharding — de twee wijzigingen die het meest uitmaken voor een model waarvan de Engram-tabel het grootste afzonderlijke blok in de download is. Geen van die twee wijzigingen heeft een cijfer van buiten het project, en de release notes hangen er ook geen aan — maar het project publiceerde op 7 oktober, drie weken na de release, een voor-en-na voor het model als geheel: 1,9× sneller bij lage gelijktijdigheid en 5,3× de doorvoer onder een beperking van 150 TPS ten opzichte van zijn eigen day-0-build, met voor elke optimalisatie de samengevoegde pull request vermeld. De cijfers en hun beperkingen staan in de snelheidssectie hierboven. Wat niet bestaat, is een externe replicatie — elk cijfer in dat bericht is het project dat zichzelf meet. Wat de release wel vastlegt, is de verpakking: 762 commits van 315 bijdragers, van wie 104 voor het eerst, in een getagde versie in plaats van een preview-image. De eigen rekensom van het vLLM-recept zet het minimum nog steeds op ongeveer 614 GB VRAM voor het checkpoint van 510 GB plus marge — een H200-node met acht GPU's of een GB200 NVL4-tray — en waarschuwt dat een context van 1M tokens in de praktijk moet worden afgetopt in plaats van verondersteld. Een beperktere KV-cache verandert de hoeveelheid geheugen die de draaiende engine nodig heeft, niet hoe groot het checkpoint is, dus de ondergrens op node-niveau blijft staan. De write-up van SGLang voegt een hefboom toe die specifiek is voor deze architectuur: de Engram-tabel naar hostgeheugen verplaatsen met één enkele omgevingsflag verhoogde de KV-cachecapaciteit met ongeveer 36% in een test met vier GB300's bij vergelijkbare decode-doorvoer en tijd tot het eerste token, en de begrensde replay met SWA aan de decoderzijde verhoogde de prefill-doorvoer met 1,56× op acht H200's. Er kleven twee beperkingen aan. De referentie-implementatie in de repository beschrijft zichzelf als een leesbaar voorbeeld in plaats van een productie-servingengine, en de consumentenruntimes liepen achter: het kwantisatiepad waarmee dit op een laptop of een Mac Studio zou kunnen draaien, was bij de lancering niet open. De korte versie is dat de gewichten echt open zijn en de servingstack echt bestaat — op hardware die je in nodes telt in plaats van GPU's, en dat is de eerlijke reden waarom een permissieve licentie niet automatisch een lokale build betekent. De 1017-repository verandert niets aan die ondergrens — het checkpoint is dezelfde 510 GB verdeeld over dezelfde 48 shards, en de runtime-opmerkingen die erbij horen, zijn dezelfde als die zijn gepubliceerd voor de gewichten van september.

Wat open gewichten je op zichzelf niet geven, is een kwaliteitssignaal — maar die kloof is nu deels gedicht, en ze is op 18 oktober verder gedicht. Er bestaan nu vier onafhankelijke instrumenten, waarvan er één twee keer is uitgevoerd: de Intelligence Index van Artificial Analysis, die het september-checkpoint op 39 scoort en het 1017-checkpoint op 45; de hierboven genoemde Exploit Bench-studie, een cyberbenchmark die onder zeven agent-harnesses is uitgevoerd; het community-kernelboard in de sectie hieronder; en, sinds 14 oktober, de eigen AA-AgentPerf-resultaten van Artificial Analysis voor dit model, die de hardware meten waarop het wordt geserveerd in plaats van hoe goed het is. De before-and-after van het vLLM-project van 7 oktober, hierboven, meet weer iets anders — wat het kost om het model te serveren in plaats van hoe goed het is — en is het eigen verslag van de runtime over zichzelf. Geen ervan is een redeneerscore van het soort dat ARC Prize aan het bouwen is, drie van de vier beschrijven nog steeds het september-checkpoint, en voor de meeste specifieke rijen in dit stuk blijft de modelkaart de enige bron — maar de samengestelde score hoort niet langer op die lijst: de 45, en de 33.8 daaronder, zijn geproduceerd tegen de gewichten die DeepSeek vandaag serveert. Dat is geen beschuldiging; het is de stand van het bewijs, en het is waarom dit artikel de twee soorten cijfers gescheiden houdt. Open gewichten betekenen wel dat het model zich niet zal beperken tot het endpoint van DeepSeek, wat van belang is voor iedereen voor wie datalocatie in plaats van prijs het struikelblok was.

Hoe kun je het adopteren zonder je productie op het spel te zetten?

Één ding is aan onze kant veranderd sinds de release, en dat maakt deze sectie eenvoudiger dan vorige week het geval zou zijn geweest: DeepSeek V4.1 Flash staat nu op OrcaRouter. Het is beschikbaar onder de model-id deepseek/deepseek-v4.1-flash via dezelfde OpenAI-compatibele endpoint als de rest van de line-up, tegen het eigen tarief van DeepSeek — $0.15 per 1M invoertokens, $0.60 per 1M uitvoer en $0.003 per 1M cache-leesacties tegen off-peaktarieven, die in de piekvensters op weekdagen verdubbelen — doorgegeven met 0% opslag. Dat laatste deel is het uitleggen waard: het bedrag dat je wordt gefactureerd is het bedrag van de provider en niet een doorverkoopprijs, dus een prijsverlaging door de leverancier is hier dezelfde dag van kracht in plaats van pas wanneer een contract opnieuw wordt onderhandeld. DeepSeek V4 Flash en DeepSeek V4 Pro gebruiken dezelfde sleutel, waardoor de migratie hieronder een routeringswijziging is in plaats van een platformmigratie. De checkpoint van 17 oktober verandert daar niets aan: DeepSeek heeft zowel de API-modelnaam als de tariefkaart behouden, dus de update verandert aan deze kant noch de id noch de prijs, en dat is hoe een pass-through eruitziet wanneer een leverancier een model vernieuwt zonder een van beide aan te raken.

Dat is ook het argument om de migratie niet te overhaasten. De herroutering van 14 september zou een leverancier zijn geweest die verandert wat een model-ID onder je betekent, als DeepSeek die niet onder druk had geannuleerd, en de episode is de duidelijkste recente herinnering dat een modelstring een contract is dat een provider kan herschrijven — wat ook het juiste kader is voor het gesprek over de line-up hierboven, aangezien een familie met drie niveaus een plan is en deze al één keer is veranderd. Voor een model waarvan de enige externe scores tot nu toe een samengestelde index, een lawaaiige cyber-tabel en een community-kernelbord zijn — en dat helemaal geen productierecord heeft — is de veiligere vorm degene waarvoor een router is gebouwd: stuur een deel van productievormig verkeer naar het nieuwe model, houd een bewezen model erachter als automatische failover zodat een kwaliteitsregressie een retry kost in plaats van een incident, en laat de routing-DSL beslissen welke calls het onbewezen model waard zijn en welke op het werkpaard moeten blijven. De migratie naar V4.1 Flash is waarschijnlijk de juiste bestemming. Het is geen migratie om op de aankondiging te doen.

Open vragen

• Onafhankelijke benchmarks — het aantal is van nul naar vier instrumenten gegaan, en geen ervan meet de redeneervaardigheid van het model zoals ARC Prize dat bedoelt. De score van 39 van Artificial Analysis is een samengestelde van tien evaluaties bij maximale redeneerinspanning, en de 45 — gepubliceerd op 18 oktober — is hetzelfde samengestelde cijfer gericht op de nieuwere gewichten. De Exploit Bench-studie hierboven is een cyberexploitatiescore binnen een vast tokenbudget, en waardeert DeepSeek V4.1 Flash lager dan GLM-5.3-Flash. Het community-kernelboard op kernelbench.com is een kernel-engineeringtabel. De AA-AgentPerf-resultaten van Artificial Analysis, gepubliceerd op 14 oktober, zijn een hardwaretabel: hoeveel tokens per seconde per megawatt elk acceleratorsysteem voor dit model levert, en niets over kwaliteit. Niemand heeft de afzonderlijke benchmarkrijen van DeepSeek gerepliceerd, en er is geen onafhankelijke meting gepubliceerd bij productie-instellingen voor redeneerinspanning of aan het verre uiteinde van een venster van 1M tokens. Het checkpoint van 17 oktober is niet langer ongemeten: op 18 oktober voegde Artificial Analysis een 1017-rij toe met 45 op zijn index en 33,8 op Terminal-Bench 4.0, en het benchcijfer ligt acht en een half punt onder wat de leverancierstabel voor dezelfde gewichten claimt. Wat nu ontbreekt, is een second opinion over dat cijfer — één evaluator, één harness, één run — en überhaupt enige onafhankelijke score voor de vier metingen van vóór de wissel. De enige evaluatie die is opgezet om de redengevraag te beantwoorden, is nog in aanbouw — ARC Prize heeft een DeepSeek V4.1 Flash-profiel in zijn benchmarking-harness in een open pull request, zonder bijgevoegd resultaat — en ARC-AGI heeft dit checkpoint helemaal nooit gescoord: de 61,4% op ARC-AGI-2 die de komst van de adapter weer deed herleven, hoort bij DeepSeek V4 Flash 0731, het model dat V4.1 Flash vervangt. Het nieuwste cijfer dat aan dit model is gekoppeld, de 77,0 op DeepSWE v1.1, is de rij met de zwakste bron in het stuk: het is DeepSeeks eigen grafiek, afgelezen van een afbeelding bij de aankondiging van de leverancier, en er bestaat geen externe run van DeepSWE v1.1 op het 1017-checkpoint — het resultaat van Artificial Analysis van 18 oktober betreft dezelfde gewichten, maar een andere benchmark. De twee onafhankelijke boards die de benchmark publiceren, plaatsen de naam van dit model op 71,7% en 74,2%, wat genoeg is om het naast Opus 5 te plaatsen en niet genoeg om het cijfer van de leverancier te bevestigen — en geen van beide zegt welk checkpoint is gemeten.

• Self-hosting onder de node-drempel — vLLM's day-0-ondersteuning werd op 22 september een stabiele release met v0.30.0, die een MXFP8-KV-pad en asynchrone Engram-offload toevoegt; SGLang's day-0-ondersteuning wordt nog steeds geleverd als preview-image. Geen van beide verlaagt de hardware-drempel, die rond een node met acht GPU's ligt omdat de checkpoint van 510 GB die bepaalt — en DeepSeeks eigen deploymentnotities, gepubliceerd met DeepInfer, maken dat nog scherper: één prefill-node naast één decode-node is deploybaar, maar de aanbevolen decode-configuratie is expert-parallelisme van 64 of hoger, waardoor de kleinste efficiënte eenheid 64 GPU's aan prefill naast 64 aan decode is. Het bericht van het vLLM-project van 7 oktober is het meest volledige gemeten optimalisatieoverzicht dat over dit model is gepubliceerd — 1,9× bij lage concurrency en 5,3× onder een beperking van 150 TPS ten opzichte van de eigen day-0-build, naast de SGLang-cijfers hierboven — en de follow-up van 17 oktober voegt een tokens-per-dollar-curve toe die H100-, MI300X- en B200-configuraties naast de rack-scale-onderdelen omvat. Beide zijn de eigen verantwoording van het project over zijn eigen runtime. Geen van beide verlaagt de drempel: een goedkopere token op een GB300 of een H100 krijgt een checkpoint van 510 GB nog steeds niet op een desktop, dus het is een snellere route naar dezelfde drempel in plaats van een lagere. Of latere releases en community-quantisaties dit naar kleinere machines brengen, is de open vraag voor iedereen die de gewichten wil in plaats van het endpoint, en dat is de vraag die bepaalt of een permissieve licentie een praktische licentie is.

• Wat V4.1 Pro is — DeepSeek noemt het de opvolger van V4 Pro, maar heeft geen datum, geen specificatie en geen prijs gepubliceerd, en de aangekondigde omleiding van bestaand Pro-verkeer naar een model in de Flash-klasse werd ingetrokken voordat deze inging. Wat boven Flash staat, wordt door het bedrijf alleen beschreven als de architectuur die opschaalt naar grotere modellen; de ladder Flash, Pro en Ultra en de bijbehorende groottes 522B, 2T en 8T zijn speculatie van één waarnemer, niet van DeepSeek.

• Kosten per taak — Artificial Analysis vermeldt nu een cijfer per taak voor beide checkpoints: $0,49 per Intelligence Index-taak voor de septembergewichten, herzien van de $0,27 die dit stuk aanvankelijk vermeldde, en $0,26 voor 1017. Dat is het eerste bewijs van buitenaf voor enig deel van DeepSeeks Pareto-bewering, en het is beperkter dan de bewering. Dezelfde rijen tonen dat het 1017-checkpoint 210M outputtokens over de hele index genereert tegenover 250M voor september — kortere outputs in totaal — maar 89.495 outputtokens per taak tegenover 88.574, wat helemaal niet korter is, en 288,8 seconden per taak tegenover 289,9, wat niet sneller is. De eigen kostenopsplitsing van de site plaatst de volledige besparing aan de inputkant: de outputregel blijft vlak, $0,106 per taak tegenover $0,107, terwijl input daalt van $0,379 naar $0,155 en cache-schrijfacties van $0,322 naar $0,095. Of een taak voor minder dollars wordt afgerond, hangt af van hoeveel tokens ervoor nodig zijn, en dat is een eigenschap van de workload, niet van de tariefkaart. DeepSeeks eigen beschrijving van de update wijst de andere kant op: de changelog beweert dat het nieuwe checkpoint de looptijd van taken en de lengte van outputs verlaagt, en zijn bericht van 17 oktober herhaalt dat als “snellere voltooiing van taken, en kortere outputs.” Geen van beide bevat een cijfer, en de externe meting achter deze bullet heeft ze nu getoetst: op de twee grootheden die DeepSeek noemde, bewogen de 1017-gewichten met ongeveer één procent, in tegengestelde richtingen, ten opzichte van een startpunt vijf weken eerder. Een derde cijfer staat aan de andere kant van dezelfde grootboekpost: de grafiek van het vLLM-project van 17 oktober plaatst het model op 1,3B tokens per dollar aan totale eigendomskosten op SemiAnalysis AgentX, op een kostenniveau dat uitgaat van volumes van grote hyperscalers. Goedkopere serving beslecht deze bullet ook niet — een lagere kostprijs per token laat het cijfer voor tokens per taak, waar een aanroeper feitelijk voor betaalt, precies daar waar de septembermeting het aantrof.

• Op hol geslagen verificatie — testers in de praktijk melden af en toe herhalingslussen in de gedachteketen, en beraadslagingen van twaalf minuten en zescijferige tokenaantallen bij problemen die bij een lagere inspanningsinstelling binnen enkele seconden worden opgelost. Geen enkele onafhankelijke benchmark meet hoe vaak een van beide zich voordoet of wat het in productie kost, en de tot nu toe gerapporteerde mitigatie bestaat uit tokenlimieten aan de clientzijde, niet uit iets wat het model zelf doet. De bovenstaande Exploit Bench-studie documenteert dezelfde faalmodus vanuit de andere richting: de lus met herhaalde rapporten die deze in de ReAct-transcripten toont, wordt geproduceerd door de compactieprompt van de harness en niet door de eigen redenering van het model, wat eraan herinnert dat een lus in een transcript niet automatisch een modeldefect is.

• Kernel-engineering — de community-CUDA-kernelboard van kernelbench.com (RTX PRO 6000, roofline-geschaald) heeft DeepSeek V4.1 Flash op 50,19% van de dense-equivalente roofline op zijn eigen sparse-attention-kernel, vierde overall, tegenover 4,45% voor GLM-5.3 Flash in dezelfde rij. Het board wordt door de community beheerd en is niet peer-reviewed; er is geen tweede GPU-generatie of replicatie gepubliceerd.

• Lange context aan het verre uiteinde — sparse attention werd getraind op 64K en uitgebreid naar 1M bij de 34T-tokenmarkering. Hoe de kwaliteit standhoudt nabij het einde van een volledig 1M-venster, is precies wat een onafhankelijke evaluatie van lange context zou beslechten.

• Cache-reconstructie aan de randen — SWA Bounded Replay bouwt weggevallen sliding-window-status bij benadering op in plaats van exact, en DeepSeek zegt dat het resultaat kan variëren afhankelijk van waar een cache-hit in een sessie terechtkomt. Het rapport merkt op dat er weinig impact op de kwaliteit is waargenomen; extreme of ongeteste omstandigheden zijn precies waar een dergelijke benadering naar voren zou komen, en niemand buiten DeepSeek heeft ernaar gekeken.

• Of Pro-workloads daadwerkelijk verhuizen — de gedwongen omleiding is ingetrokken, dus er verhuist niets tenzij een team ervoor kiest te verhuizen, en de teams die Pro-prijzen betaalden voor redeneerdiepte zijn het meest geneigd een verschil in capaciteiten op te merken bij Terminal-Bench 3.0-achtig werk, waar V4.1 Flash ruim achterblijft bij Opus-5.0.

• De voorwaarden en het gedrag van de gratis tier — OpenCode heeft op 15 oktober een gratis vermelding voor dit model toegevoegd, met een venster van 200.000 tokens en een uitvoerplafond van 32.000 tokens, op zijn eigen pagina's beschreven als beschikbaar voor een beperkte tijd. Of de regeling die formulering overleeft, hoe het endpoint standhoudt onder belasting, en of DeepSeek er iets over te zeggen heeft, blijven allemaal onvermeld: de eigen modellenlijst, documentatie en prijstabel van het platform zijn de enige bron, er is geen einddatum waaraan iemand gehouden kan worden, en niemand heeft een meting van de gratis route gepubliceerd.

• Veiligheid en weigeringen — DeepSeek publiceert geen weigeringspercentage, red-teamresultaat of veiligheidsevaluatie voor een van beide checkpoints, en geen enkel onafhankelijk lab heeft dit model gescoord op een jailbreakbenchmark. De cijfers in dit stuk komen van mensen die ongecensureerde derivaten bouwen — 97 van de 100 schadelijke prompts werden geweigerd in chatmodus, 98 in denkmodus, op één promptset en met één beoordelaar — en van één screenshot van een agentsessie waarin het model een gejailbreakte persona weigerde. Of dat gedrag standhoudt bij lage redeneerinspanning, in andere talen dan Engels, tegen geautomatiseerde aanvallen in plaats van een personaprompt, en onder een harness die de systeemprompt herschrijft, is door niemand gemeten.

Het papierwerk voor de volgende checkpoint — het rapport van 22 oktober beslecht de registratiekwestie voor gewichten die al openbaar zijn, omdat de ontwerpcatalogus technologie uitsluit die al in het publieke domein is. Het beslecht de release die hierop volgt niet. De catalogus is een ontwerp dat tot 15 november openstaat voor commentaar, de drempelwaarden worden gerapporteerd in plaats van in de tekst gepubliceerd, en de tijdelijke registratieplicht waarvan wordt gezegd dat die op 16 oktober van kracht is geworden, is niet volledig gepubliceerd. V4.1F-1017 zelf is uit, MIT-gelicenseerd en zonder toegangsbeperkingen; waaraan een toekomstige DeepSeek-checkpoint moet voldoen voordat die kan worden gedownload, is een regel die nog niet bestaat.

De bèta was een tweedaagse vraag of een model uit de Flash-klasse Pro-taken aankon. De release is DeepSeeks antwoord daarop met een tariefkaart en een routeringsplan — en vervolgens de intrekking van dat routeringsplan binnen twee dagen nadat ontwikkelaars bezwaar maakten tegen het feit dat er onder hun voeten een productiemodel werd vervangen. Dat is een zwakkere bewering dan de aankondiging suggereerde en een eerlijkere: het kwaliteitsbewijs voor de stap bestaat uit DeepSeeks eigen benchmarks plus externe metingen die grotendeels dezelfde kant op wijzen. De nieuwste daarvan, een cyberbenchmark uitgevoerd onder zeven agent-harnassen, wijst de andere kant op bij de enige vergelijking die hij maakt, en het bedrijf heeft de keuze aan zijn klanten gelaten in plaats van die voor hen te maken. Sinds de release zijn de gewichten van een belofte naar een download van 510 GB gegaan, is het model van een leverancierseindpunt naar iets gegaan waar je naartoe kunt routeren, en is de serveerstack van een day-0-recept naar een gemeten opzet gegaan — vLLM meldde na drie weken dat het bij lage gelijktijdigheid 1,9× sneller was, en publiceerde vervolgens, op de dag dat de checkpoint veranderde, een kostencurve die het model begroot op 1,3 miljard tokens per dollar aan totale eigendomskosten op SemiAnalysis AgentX. Deze week ging ook de laag onder dat alles open: DeepSeek publiceerde DeepInfer, de engine waarop zijn eigen dienst draait, met een decodecurve voor deze checkpoint, de productiecijfers achter die curve, en een ongepubliceerde benchmark uit september die Huawei's 950DT per chip vijf tot zeven keer achter NVIDIA plaatst bij de snelheid waarop DeepSeek daadwerkelijk serveert. Na vijf weken verschoof de checkpoint zelf één keer: 17 oktober bracht nieuwe gewichten achter dezelfde naam en dezelfde prijs, met een leverancierstabel die op elke rij die zij publiceert beter is en onder één daarvan een ander harnas. Twee dagen later kwam de externe meting binnen, en dat is het nuttigste getal in dit stuk: Artificial Analysis zette de 1017-gewichten op 45 op zijn index — gelijk met GLM-5.3 voor de tweede plaats onder open-weightmodellen, één punt achter MiMo-V2.6-Pro — en op 33,8 op Terminal-Bench 4.0, tegenover de 42,3 van de leverancier op dezelfde benchmark — dus het harnas dat het model in DeepSeeks eigen tabel vleit, is niet het harnas waarop het getal standhoudt. Als je vandaag moet kiezen, is de eerlijke positie dat V4.1 Flash de beste waarde in de DeepSeek-lijn lijkt, vier onafhankelijke instrumenten op zijn naam heeft — geen daarvan een reasoning-score, één ervan nu uitgevoerd tegen de checkpoint die DeepSeek sinds 17 oktober serveert — een vijfde evaluatie in aanbouw, geen productietrackrecord, een serveerstack waarvan de twee sterkste getallen — een snelheidsdelta en een kostencurve — allebei van het project komen dat de runtime heeft geschreven, en een extern cyberresultaat dat zichzelf al tegenspreekt afhankelijk van welk harnas je om het model heen wikkelt, een gratis tier van 200.000 tokens die op 15 oktober op één platform verscheen, en een eerste ronde praktijkrapporten die een model beschrijven dat zijn eigen werk verder controleert dan de meeste aanroepers het zullen vragen — wat een reden is om een deel van het verkeer erop te richten, geen reden om te migreren op de aankondiging. De update die DeepSeek op 17 oktober aankondigde, verandert de gewichten en voegt een leveranciersclaim toe — snellere taakvoltooiing, kortere outputs — en de eerste externe meting van die gewichten ondersteunt hooguit de helft daarvan: de kosten per indextaak met 46% verlaagd, terwijl de tijd per taak en de outputtokens per taak nauwelijks bewogen. Een dag later was de meestgelezen claim over die checkpoint die van een executive: 77 op DeepSWE v1.1 tegen 83× lagere kosten, van een Databricks-medewerker die ook zegt dat de checkpoint naar dat platform komt. De helft ervan doorstaat het contact met de onafhankelijke boards, die de naam van dit model nu boven Opus 5 op die benchmark plaatsen. De andere helft nog niet: de 77 is DeepSeeks eigen rij, niet gereproduceerd, en de 83× is rekenwerk zonder gepubliceerde kosten per taak erachter. Databricks' eigen documentatie bevestigt dat het model op zijn platform staat en dat de twee DeepSeek-modellen daaronder op het punt staan te vertrekken; zij bevestigt niet dat de checkpoint eraan komt. Die claim is nu de op één na interessantste over de checkpoint in plaats van de interessantste. Op 19 oktober verklaarde een trackeraccount dat verschillende van deze releases vroeg heeft voorspeld zich “doodzeker” van de 42,3 op Terminal-Bench 4.0, op grond van het feit dat die GLM-5.3 verslaat, en vroeg Artificial Analysis het model in een native harnas te draaien. De site had dat al gedaan. Op zijn eigen harnas scoren dezelfde gewichten 33,8 — onder GLM-5.3's 41,9, niet erboven. De leveranciersrij is echt en zij is van DeepSeek; de gevolgtrekking die eruit wordt gemaakt, overleeft het niet om door iemand anders te worden gedraaid.

Als de versie hiervan die je wilt degene is die je opties openhoudt, zijn alle drie met één key te gebruiken en geprijsd tegen D​eepSeek's eigen tarieven, met 0% markup. De release zelf: DeepSeek V4.1 Flash op OrcaRouter — 1M-tokencontext, een outputplafond van 384K, beeldinvoer, voor $0,15 per 1M input en $0,60 per 1M output buiten de piek. Het model dat het vervangt: DeepSeek V4 Flash op OrcaRouter. En het vlaggenschip dat D​eepSeek besloot te blijven aanbieden: DeepSeek V4 Pro op OrcaRouter. Richt een deel van het verkeer op het nieuwe model, houd een bewezen model erachter als failover, en laat de routing beslissen.

De keuze van een model is ook een kwestie van wat er eerder mis is gegaan: de gedocumenteerde AI-incidenten en agentfouten voor modellen van deze klasse zijn verzameld in het OrcaRouter AI Incident Archive, waar elke vermelding zijn eigen bronnen, ernst, zekerheidsgraad en betwistingsmarkering bevat.