DeepSeek V4.1 Flash: Een gloednieuw basismodel met een point-release-nummer

DeepSeek V4.1 Flash is zes dagen oud, en de drie vragen die de lancering openliet, zijn nu gesloten — twee ervan in het voordeel van het bedrijf en één scherp in het nadeel. Het model zelf is ongewijzigd sinds 10 september: een mixture-of-experts met 552 miljard parameters en open MIT-gewichten, een context van een miljoen tokens, en een nieuwe Causal Encoder-Decoder-architectuur die de eigen modelkaart van de leverancier indeelt onder wat het bedrijf zijn 'nieuwe architectuurfamilie' noemt. Wat is veranderd, is alles eromheen. Een onafhankelijke beoordelaar publiceerde een score die er op de ochtend van de lancering nog niet was. Het bedrijf trok de DeepSeek V4 Pro-stopzetting terug die het in zijn eigen changelog had aangekondigd. En het dag-nul-serverwerk dat die ochtend nog niet bestond, draait nu op verschillende gangbare inferentie-runtimes — waarbij de twee moeilijkste onderdelen ervan, de Engram-geheugentabellen en de prefill/decode-splitsing waar productie-implementaties van afhankelijk zijn, nog steeds actief in het openbaar worden herwerkt.

De mismatch in de naamgeving is nog steeds de reden dat dit stuk bestaat. "V4 Flash naar V4.1 Flash" lezen als een patchstap is het natuurlijke en het verkeerde om te doen: het versienummer staat één decimaal af van een retune, terwijl de architectuur eronder de basis van een familie vormt. Zes dagen aan bewijs hebben dat niet verzacht. Als er al iets is, hebben de onafhankelijke cijfers het juist versterkt, want een model dat hoger scoort dan het 1,6 biljoen parameters tellende vlaggenschip van zijn eigen leverancier is geen pointrelease — het is een generatie die weigerde zichzelf een naam te geven.

Wat er op 10 september daadwerkelijk is uitgekomen

Dit was geen lek en geen bèta. De tweedaagse API-test die op 8 september begon onder het model-ID deepseek-v4.1-flash-expires-on-0910eindigde zoals het achtervoegsel al aangaf, en de release werd uitgerold via DeepSeek's webapp, mobiele app en first-party API, met gewichten en een technisch rapport gepubliceerd op Hugging Face onder deepseek-ai/DeepSeek-V4.1-Flash.

De praktische details zijn in zes dagen tijd niet opgeschoven:

• Modelnaam — noem deepseek-flash. De oude namen deepseek-v4-flash en deepseek-v4-flash-vision-exp worden nog steeds geaccepteerd, maar ze verwijzen niet langer naar de modellen die ze vroeger waren: beide zijn uitgefaseerd, en verzoeken die deze namen gebruiken, worden bediend door DeepSeek V4.1 Flash en gefactureerd tegen het Flash-tarief.

• Wat zit erin — een contextvenster van 1M tokens, een maximale uitvoer van 384K, JSON-uitvoer, function calling, native beeldinvoer en een denkmodus die standaard aanstaat met instellingen voor lage, hoge en maximale inspanning.

• Licentie — MIT, gewichten inbegrepen, met een inferentiemap en een afzonderlijke coderingsmodule in de repository. DeepSeek nodigde de open-sourcegemeenschap expliciet uit om vanaf dag één inferentieondersteuning te bouwen, en de gemeenschap pakte dat sneller op dan de uitnodiging deed vermoeden.

De .1 die geen point release is.

De bewering waarmee dit stuk begon kwam van teortaxesTex, een pseudonieme maar op de voet gevolgde DeepSeek-watcher, in een bericht van 10 september: dat dit "de eerste keer is dat DeepSeek een volledig nieuw basismodel een .1-releaseversie geeft," dat V4.1 "meer verschilt van V4 dan bijvoorbeeld LLaMA 3 van LLaMA 1," en dat DeepSeek "nog niet het gevoel heeft dat dit V5 waard is" — zonder dat de poster kon zeggen waarom niet.

Behandel het causale deel als inferentie en het structurele deel als controleerbaar. De inferentie — waarom DeepSeek .1 boven V5 koos — is slechts de interpretatie van één waarnemer en niets meer; niemand buiten het bedrijf heeft de beslissing uitgelegd, en het eigen materiaal van DeepSeek gaat er nooit op in. Het controleerbare deel is de architectuur, en die laat zich niet lezen als een point release. De changelog van DeepSeek beschrijft V4.1 Flash als "het kleinste model in onze nieuwe architectuurfamilie," wat een vreemde zin is om over een versieverhoging te schrijven: een versieverhoging breidt een familie uit, het sticht er geen.

Er zijn echte kosten verbonden aan de dubbelzinnigheid, en die komen terecht bij de afnemers in plaats van bij DeepSeek. Versienummers zijn het goedkoopste signaal dat een ontwikkelaar heeft voor "is dit een nieuwe generatie of een bijstelling, en hoeveel van mijn evaluatiebudget verdient het?" DeepSeek heeft dat signaal nu in één richting onbetrouwbaar gemaakt — een model dat een architectuurfamilie vestigt, staat op één decimaal afstand van een model dat zijn recept na de training heeft veranderd. Het bedrijf kan zijn V5-markering in reserve houden. Iedereen die een migratiebeoordeling doet, betaalt voor de verwarring.

Wat "nieuwe architectuur" betekent in de gewichten

De modelkaart is ongewoon specifiek, waardoor de generatieclaim toetsbaar is zonder één enkele benchmark. Vijf dingen springen eruit — de vijfde is degene die de berichtgeving rond de lancering grotendeels oversloeg, en degene die het belangrijkst blijkt te zijn voor iedereen die dit model probeert te serveren.

• Asymmetrische activering — de Causal Encoder-Decoder-splitsing is een 40-laags transformer, georganiseerd als een 20-laags causale encoder gevolgd door een 20-laags decoder, waarbij de globale KV-cache van de decoder wordt geprojecteerd vanuit de laatste verborgen toestanden van de encoder in plaats van afgeleid uit de eigen laag van elke decoderlaag. Het punt van dat ontwerp is dat het model tijdens prefill slechts 8B parameters per token activeert en tijdens decode 16B. Invoer-intensieve agent-workloads — lange documenten, lange tool-traces — krijgen de goedkope helft van het model; generatie krijgt de dure helft.

• KV-cachecompressie, gemeten per token — DeepSeek-V4.1-Flash gebruikt FP4-hoofd-KV-caching met 890 bytes per token, wat volgens de kaart ruwweg een kwart is van DeepSeek V4 Flash. Chinese berichtgeving ging verder en zette de compressie af tegen het eerste-generatie V4-model als een 437× reductie; dat grotere getal is door de leverancier berekende rekenkunde op een andere basislijn, dus behandel het als een bewering in plaats van een meting.

• SWA Bounded Replay — sliding-window attention vereist normaal gesproken dat je KV-state naar SSD schrijft om de context te reconstrueren. Dit herbouwt ontbrekende SWA KV-states door in plaats daarvan alleen het meest recente tokenvenster af te spelen, waardoor de persistente KV-voetafdruk wordt teruggebracht tot ongeveer een achtste van die van DeepSeek V4 Flash.

Compressed Sparse Attention 2 — elke attention-laag draait in een van drie statische modi (Full, Reindex of Reuse), waarbij KV- en indexerstatus over lagen worden gedeeld, met een hiërarchische sparse indexer die de kosten van diepere lagen onafhankelijk van de contextlengte begrenst.

• Engram — een module voor voorwaardelijk geheugen die geheugen gescheiden houdt van berekening, geïmplementeerd als n-gram-hashopzoekingen die via gates in de residual stream van het model terechtkomen, in plaats van als attention of als extra experts. De twee fp8-tabellen bevatten 189 GiB aan gewichten, volgens SGLangs eigen beschrijving van de architectuur, en runtime-leveranciers die de checkpoint hebben geporteerd, plaatsen de tabellen op ongeveer 196B parameters bovenop de 552B-backbone — daarom is het parameteraantal in de kop van de modelkaart een beschrijving van de backbone en niet van de hele download. Engram wordt getraind op twee lagen, gebruikt n-grammen van orde twee, drie en vier over acht hash-heads per orde, en voegt tokens samen die hetzelfde normaliseren, zodat varianten in hoofdlettergebruik in dezelfde bucket hashen. Het ontwerptdetail dat je moet onthouden, is de prijs die het met zich meebrengt: elke decodestap leest die tabellen, dus waar je ze plaatst, bepaalt hoeveel KV-cache je nog over hebt.

Lees die vijf samen en het strategische beeld wordt leesbaar: dit is in de eerste plaats een architectuur voor sparsity, cache-efficiëntie en memory-offload, zo geschaald dat dezelfde structuur later kan worden opgeschaald. De vermelding van een "nieuwe architectuurfamilie" doet echt werk — het is een statement dat er meer aankomt.

De onafhankelijke score is eindelijk binnen — en die steunt de leverancier.

Vier dagen geleden zou deze sectie er heel anders hebben uitgezien. Bij de lancering had Artificial Analysis nog niets gepubliceerd over DeepSeek V4.1 Flash, bevatte de modelpagina van Hugging Face nog de opmerking dat het model "wordt niet ingezet door enige Inference Provider", en was de dragende claim van de hele release — dat een model uit de Flash-klasse een topmodel met 1,6T parameters op het gebied van prestaties, kosten, snelheid en totale taaktijd op alle fronten verslaat — een leveranciersbewering zonder externe audit. Al die drie hiaten zijn sindsdien gedicht.

Artificial Analysis heeft het model nu gemeten op zijn Intelligence Index, en kort gezegd: de bewering van DeepSeek houdt stand bij een derde partij:

• Intelligence Index — DeepSeek V4.1 Flash scoort 40 bij maximale redeneerinspanning, staat zesde van de 113 modellen in zijn vergelijkingsklasse en ruim boven de mediaan van 18 voor vergelijkbare open-weights-modellen. DeepSeek V4 Pro 0813, het vlaggenschip dat het naar verluidt zou hebben verdrongen, scoort 36 op dezelfde index.

• Kosten per taak — $0,27 per Intelligence Index-taak voor V4.1 Flash tegenover $0,67 voor V4 Pro 0813. Dat is de bewering over capaciteit per dollar, onafhankelijk gereproduceerd: het goedkopere model is het capabelere op deze maatstaf, tegen ongeveer 40% van de kosten per voltooide taak.

• Snelheid — 212,1 outputtokens per seconde tegen een mediaan van 73,1 t/s bij vergelijkbare modellen, met een tijd tot het eerste token van 1,31 s tegen een mediaan van 2,37 s. Op dezelfde harness meet V4 Pro 0813 94,4 t/s en een TTFT van 1,72 s.

• Prijs — Artificial Analysis noteert $0,30 per miljoen inputtokens en $1,20 per miljoen outputtokens met een cachekorting van 98%; dat is het gepubliceerde piektarief van DeepSeek, geen premiumopslag door derden.

Label dat correct, want het label is veranderd. Dit zijn onafhankelijke metingen, geen cijfers van de leverancier — maar het zijn onafhankelijke metingen op één enkele testomgeving van een derde partij, en één index is geen vonnis over een model. Wat het wél beslecht, is nauwer en nuttiger dan een positie op een ranglijst: de specifieke claim die DeepSeek aanvoerde om zijn eigen productlijn te rechtvaardigen — dat Flash Pro tegelijk op capaciteiten én kosten zou verslaan — heeft nu bevestiging van buitenaf in plaats van een changelog achter zich.

Er is ook een eerlijke kanttekening aan de andere kant, en die komt uit dezelfde leveranciersrapportage als voorheen. DeepSeeks eigen cijfers laten V4.1 Flash 13 van de 16 vergelijkingen tegen Kimi K3 winnen en 11 van de 13 tegen GLM-5.3, terwijl het nog steeds achterblijft bij GPT-5.6 Sol en Claude Opus 5 op de nieuwere Terminal-Bench 3.0- en 4.0-taken en op ProgramBench. Dat is een samenhangend profiel — het sterkst in het programmeer-, terminal- en agent-automatiseringswerk waarvoor deze architectuur is geoptimaliseerd, zwakker bij frontier-reasoningtaken — en het is het profiel dat een echte generatiesprong zou hebben. De onafhankelijke index stemt overeen met het globale beeld zonder elke cel te beslechten.

De Pro-stopzetting die DeepSeek aankondigde — en vervolgens afblies

Dit is het onderdeel dat is gewijzigd ten opzichte van DeepSeek's eigen verklaarde plan, en het is het onderdeel dat het meest waarschijnlijk van invloed is op een live-integratie.

Bij de lancering zei DeepSeek dat DeepSeek V4 Pro uit zijn API zou worden gehaald. Vanaf 12:00 Pekingse tijd op 14 september zouden verzoeken waarin deepseek-v4-pro werd genoemd, worden doorgestuurd naar V4.1 Flash en gefactureerd tegen Flash-tarieven — een verlaging van ongeveer 70% van de uitvoerkosten voor iedereen die de naam van het Pro-model hard had gecodeerd — en zouden op die manier doorgestuurd blijven totdat een toekomstige V4.1 Pro werd uitgebracht. Op de tariefkaart van de lanceerdag betekende dat dat Pro's $ 3,96 per miljoen uitvoertokens instortte naar Flash' $ 1,20 tijdens piekuren, zonder codewijziging en zonder enige kennisgeving buiten een changelog-vermelding.

Dat is niet gebeurd. Op 11 september publiceerde DeepSeek een bericht op zijn eigen open platform waarin stond dat het, in reactie op vraag van gebruikers, na 14 september de DeepSeek V4 Pro API-dienst zou blijven aanbieden, met ongewijzigde facturering — het bericht stond op 14 september zelf nog op het platform, nadat het overstapmoment was gepasseerd, dus dit is een actuele verklaring van de aanbieder zelf en niet een gerucht daarover. De gemelde reden is het minst verrassende in dit verhaal: ontwikkelaars maakten bezwaar tegen een leverancier die stilzwijgend de gewichten achter een modelnaam in een productie-integratie verwisselde, en DeepSeeks eigen test met meerdere partijen had vastgesteld dat V4 Pro een kwaliteitsvoorsprong behield bij de echte workloads van sommige teams, zelfs waar V4.1 Flash de openbare evals wint.

De praktische lezing is een regelrechte omkering van wat de berichtgeving op de lanceerdag adviseerde. Als je 14 september in je agenda had gezet om een Pro-vastgezette integratie opnieuw te testen, is de deadline vervallen: DeepSeek V4 Pro is nog steeds DeepSeek V4 Pro, en nog steeds geprijsd als voorheen, terwijl V4.1 Pro nog steeds niet is aangekondigd, zonder kaart, zonder parameteraantal, zonder datum en zonder gewichten. Wat niet is veranderd, is de koers — DeepSeek is duidelijk van plan zijn lijn op de nieuwe architectuur te laten convergeren, en het enige dat het over de oude architectuur heeft bevestigd, is dat het de overstap niet op een vaste datum zal forceren.

Het serveren ervan: 189 GiB aan n-gramtabellen, en het werk ligt nog open

De framing van beschikbaarheid op de lanceringsdag was "draait op de API van de leverancier en nergens anders." Dat is niet langer waar, en het punt waarop dat niet langer waar werd, zegt iets leerzaams over deze architectuur.

SGLang en Miles leverden op 10 september day-zero-ondersteuning voor DeepSeek V4.1, in hetzelfde tijdvenster als het model zelf — dus de "no third-party serving"-notitie die bij de lancering op de Hugging Face-pagina stond, was binnen enkele uren verouderd. Het interessante deel is niet dat het draait; het is wat het draaien kost. Omdat elke decode-stap de Engram-tabellen leest, is de aanpak van SGLang om je ze in GPU-geheugen of in hostgeheugen te laten plaatsen, waarbij host-offload ongeveer 46 GiB per GPU vrijmaakt voor KV-cache tegen de prijs van ongeveer 200 GB host-RAM op de node. Op een vier-GPU GB300-configuratie verhoogde host-offload de KV-cachecapaciteit met 36% met vergelijkbare decode-throughput en time to first token, en alle 28 greedy probe-completions kwamen overeen met de all-on-GPU-baseline. Het is opt-in, achter één enkele omgevingsvariabele, niet de standaard. vLLM heeft parallel werk in de tegenovergestelde richting — shards van de tabellen vanaf schijf memory-mappen in plaats van ze in host-RAM te houden — wat je hetzelfde vanuit twee invalshoeken vertelt: de Engram-tabellen, niet de gewichten, zijn de beperkende factor voor hoe goedkoop je dit model kunt serveren.

De meest recente wijzigingen in het hele verhaal staan hier, en het zijn kleine wijzigingen die als klein bestempeld mogen worden. Op 15 september opende een SGLang-bijdrager pull request #39666, waarmee een Engram-module en een gedeelde request-history-adapter aan de DeepSeek V4.1-tak van het project werden toegevoegd — 7 bestanden, +1205/−11, waarbij de adapter optionele n-gram-geschiedenisvelden op de scheduler en forward-batches beschikbaar stelt en die geschiedenis reconstrueert over prefix-hits, retractions en slot-hergebruik. De pull request is open en niet samengevoegd, de CI-runs faalden, en er werd gewacht op beoordeling door negen code-eigenaren; de eigen samenvatting van de auteur is bot over de beperkingen en merkt op dat lookup-controles de correctheid van de request-levenscyclus niet bewijzen. Het was een van een reeks DeepSeek V4.1-pull requests die op 15 september op die tak werden geopend, de meeste van dezelfde bijdrager, die zich uitstrekten over modelconstructie, de vision-toren, chat-encoding en de kernel-laag.

Vervolgens, op 16 september, werd het plan voor de moeilijkere helft van serving openbaar. Een roadmap-issue, #39700, zet prefill/decode-disaggregatie voor DeepSeek V4.1 op het B200-platform uiteen als een gefaseerde lijst: eerst context-parallelisme aan de prefill-zijde, dan dat prefill-werk gecombineerd met MegaMoE, BCG en multi-stream, dan de decode-zijde-items, waaronder DP-attentie en CUDA-graph-geheugen. Stage één verscheen als pull request #39748, getiteld "[DSV4.1-PD-1/8] Support prefill node use cp parallel strategy" en werd dezelfde dag geopend door dezelfde auteur. Het laat de prefill-node in een gedisaggregeerde deployment een context-parallelle strategie draaien, met een referentieconfiguratie van acht B200's op TP4/EP4 die de flashinfer_mxfp4 MoE-runner en DSPARK speculative decoding draaien. De prefill-node gebruikt --enable-prefill-cp --cp-strategy interleave naast --disaggregation-mode prefill via de Mooncake transfer backend; de decode-node draait zonder enige CP-flags. Validatie is gsm8k-scoring plus unit tests op de tekst- en afbeeldingspaden. Net als de Engram pull request is deze open, niet samengevoegd, en momenteel geblokkeerd in CI vanwege een ontbrekend run-ci-label.

Wees duidelijk over wat dat allemaal wel en niet is. Het is infrastructureel leidingwerk binnen een runtime die het model al bedient — het verandert niets aan wat DeepSeek V4.1 Flash doet, wat het kost, of je het zou moeten gebruiken. Het is deze regels alleen waard omdat het markeert waar de resterende scherpe kanten zitten. Aan de Engram-kant is n-gramgeschiedenis die intrekking en hergebruik van prefix-cache overleeft precies het soort correctheidsdetail dat een demo van een productie-endpoint scheidt. Aan de disaggregatiekant richt het zich op operators die prefill en decode over afzonderlijke pools opsplitsen, zodat elke helft voor zijn eigen knelpunt kan worden geparallelliseerd — een deployment waarvan de referentieconfiguratie bij acht B200's begint, wat een investeringsbeslissing is, geen regel in een configuratiebestand. En de serie is gelabeld als 1/8, terwijl de roadmap-issue de fasen in zes delen opsomt, met de hele decode-helft nog ongeschreven: zelfs de nummering is voorlopig. Als je die investeringsbeslissing niet neemt, is niets hiervan zichtbaar vanaf waar jij zit — DeepSeek V4.1 Flash is live op OrcaRouter tegen het doorgiftetarief hieronder, en het leidingwerk blijft aan de operatorzijde van het endpoint.

DeepSeek V4.1 Flash vandaag aanroepen

De regel over beschikbaarheid is ook bij ons veranderd, en wel in de richting waarvan lezers van de lanceringsdagversie van dit stuk te horen hadden gekregen dat die niet zou veranderen. OrcaRouter bood DeepSeek V4.1 Flash niet aan op 10 september — de modelpagina gaf "model not found" terug en dit artikel zei dat ronduit in plaats van iets anders te suggereren. Nu biedt OrcaRouter het aan: deepseek/deepseek-v4.1-flash staat live in de catalogus voor $0,15 per miljoen inputtokens en $0,60 per miljoen outputtokens, het eigen providertarief van DeepSeek dat met 0% opslag is doorgegeven, wat ook het bedrag is om te controleren de volgende keer dat DeepSeek een prijs wijzigt. Sinds het beschikbaar kwam, heeft het 54.982,2 miljoen tokens via het platform verwerkt, met een p50-tijd tot het eerste token van 811 ms en een p95 van 3,03 seconden.

Wat dat je naast dezelfde tariefkaart oplevert, is de mogelijkheid om een zes dagen oude architectuur als een experiment te behandelen in plaats van als een verbintenis. Failover betekent dat een V4.1 Flash-aanroep die onder belasting fouten begint te geven, zonder deploy naar een ander model kan worden omgeleid; de routing-DSL betekent dat je het nieuwe model op een deel van je verkeer kunt zetten en een bekend model op de rest, en ze kunt vergelijken op je eigen inputs in plaats van op een leaderboard; en elk ander model in de catalogus zit achter dezelfde sleutel, inclusief de rest van de DeepSeek-lijn — DeepSeek V4 Flash en DeepSeek V4 Pro — dus terugschakelen is een stringwijziging, geen tweede contract.

Dat maakt hier meer uit dan gewoonlijk, om twee redenen die zes dagen nieuws concreet hebben gemaakt. De eerste is dat het prijsvoordeel reëel is, maar afhankelijk van of de aanbieder het tarief aanhoudt, en een pass-throughregeling is de enige soort die eerlijk blijft wanneer dat niet gebeurt. De tweede is dat het enige voorbehoud uit de lanceringsweek stand heeft gehouden: zowel de voorsprong in capaciteiten als het kostenvoordeel worden nu onafhankelijk gemeten, maar ze worden gemeten op één testomgeving, op een model waarvan de naamgeving 'kleine update' zegt en waarvan de architectuur iets anders zegt. Routeer het als een nieuwe generatie, want dat is het, en houd het achter een niveau dat je kunt verplaatsen.

Wat is er nog open?

Drie dingen, in oplopende volgorde van hoeveel ze je zouden vertellen.

DeepSeek V4.1 Pro zou de familieclaim op de proef stellen. DeepSeek V4.1 Flash noemt zichzelf het kleinste model in een nieuwe architectuurfamilie, en het zustermodel dat zou bewijzen dat de familie bestaat, heeft nog steeds geen modelkaart, geen parameteraantal, geen datum, geen gewichten en geen prijs. Het is ook het model waar de hele Pro-routeringsmanoeuvre omheen was gestructureerd, nu die manoeuvre is afgeblazen.

Een tweede onafhankelijke evaluatie zou de score op de proef stellen. Een Intelligence Index van 40, met een 36 voor het model dat het verving, is een duidelijk resultaat op één testomgeving en slechts één datapunt voor de vraag of deze architectuur een generatie vooruit is of een goed geoptimaliseerde zijwaartse stap. Let op een tweede evaluator, en op of het Engram-offload-servingpad standhoudt onder echt verkeer in plaats van bij greedy-probes, en of de prefill/decode-splitsing die nu in pull requests wordt klaargezet ooit uitmondt in een packaging-verhaal dat een gewoon team kan uitrollen.

En de nuttige, maar weinig glamoureuze: of DeepSeek dit opnieuw doet. Een tweede .1-label op een ander nieuw basismodel zou van een anomalie een conventie maken, en een conventie is iets waar een ontwikkelaar rekening mee kan houden. Eén model is een curiositeit. Pas zodra er een patroon is, wordt de naamgeving op een nuttige manier misleidend.

Voorlopig valt de praktische lezing duidelijk uiteen naar gelang wie je bent. Als je op DeepSeek V4 Pro zit, verandert het model achter die naam niet op 14 september of op enige aangekondigde datum — DeepSeek is daarop teruggekomen, en je kunt je integratie met rust laten. Als je op DeepSeek V4 Flash zit, word je al overgezet, tegen dezelfde prijs, naar een architectuur die DeepSeek heeft gebouwd om op te schalen. En als je op V5 wachtte, is het eerlijke antwoord dat DeepSeek de generatie blijkbaar heeft uitgebracht, weigerde die een naam te geven, en er vervolgens achter kwam dat het nummer op de doos er toch toe doet.