DeepSeek V4.1 Flash vs DeepSeek V4 Flash: En vecka in, oberoende mätt

Frågan som den här jämförelsen skrevs för att besvara – bör du gå från DeepSeek V4 Flash till DeepSeek V4.1 Flash – blev kortare den här veckan, eftersom DeepSeek besvarade en del av den utan att bli tillfrågad. Sedan 04:00 UTC den 14 september 2026 hanteras API-anrop som riktas mot den avvecklade identifieraren deepseek-v4-flash av DeepSeek V4.1 Flash, och anrop som riktas mot deepseek-v4-pro gör det också, båda debiteras enligt Flash-taxor. Att stå stilla tyst är inte längre ett av alternativen på leverantörens egen slutpunkt. Det som fortfarande är genuint öppet är huruvida den nya modellen är bättre på de sätt som lanseringen hävdade – och där har den första oberoende mätningen nu landat, och den delar lanseringsberättelsen rent itu.

Varje siffra nedan är daterad, eftersom de senaste sju dagarna har förändrats. Siffror från leverantörer märks som leverantörsrapporterade och siffror från communityn som community-mätta, och var och en har avlästs från sin egen källa snarare än förts över från en tidigare version av den här artikeln. DeepSeek V4.1 Flash nådde allmän tillgänglighet den 10 september 2026 – för sex dagar sedan – och tillräckligt mycket har stabiliserats sedan den 9 september för att det tidigare utkastet till den här jämförelsen nu vilseleder i två avseenden. En av dem är hastighet, och den vilseleder i den riktning som lanseringen ville.

Vad stängde mellan den 9 september och idag?

Sex saker var öppna frågor när den här kombinationen först beskrevs. Alla sex har svar nu, och bara en av dem är dåliga nyheter.

• Allmän tillgänglighet – bekräftad och daterad. DeepSeeks egen ändringslogg anger lanseringen som 2026-09-10, och modellen är live i appen, webbklienten och API:et under identifieraren deepseek-flash.

• Priskortet – landade som annonserat. Priserna som cirkulerade före lanseringen rapporterades som en förhandsläcka; de utgör nu det publicerade priskortet, och de är siffrorna två sektioner nedan.

• Öppna vikter — besvarat. Vikterna publiceras på Hugging Face under en MIT-licens tillsammans med en teknisk rapport, utan spärr och utan åtkomstformulär.

• Oberoende mätning – har anlänt. Artificial Analysis har nu kört DeepSeek V4.1 Flash, vilket var den enskilt största luckan i artikeln från 9 september. Den diskuteras nedan, och den säger inte vad lanseringen antydde.

• Routning – aktiverad. Omdirigeringen av DeepSeek V4 Pro-trafik som lanseringsmeddelandet beskrev som förestående är nu i kraft, med ett datum angivet.

• Serving-stöd — levererat, med förbehåll. NVIDIA vLLM, SGLang och Dynamo har alla släppt dag-noll-vägar; berättelsen om local runner är snävare än vad "dag-0-stöd" får det att låta.

Två saker har inte förändrats och hör hemma före siffrorna. DeepSeek V4.1-Pro är fortfarande inte släppt: DeepSeeks egna material beskriver Pro-omdirigeringen som att den körs "tills V4.1-Pro släpps", och i dag har inget släppts. Och DeepSeek V4 Flash har inte upphört att existera – dess vikter är fortfarande öppna och MIT-licensierade, och alla som självhostar den fortsätter att fungera. Det som har upphört är leverantörens API-väg till den.

Under huven: en annan modell, inte en snabbare

Jämförelsen den 9 september hävdade att DeepSeek V4.1 Flash inte är DeepSeek V4 Flash med hastighetsratten uppskruvad, och en vecka av publicerade detaljer har gjort det konkret. Medan den äldre modellen är en mixture-of-experts med 284B parametrar och 13B aktiva – post-training-uppdateringen V4-Flash-0731 – är efterträdaren en ny arkitektur som DeepSeek kallar Causal Encoder-Decoder: en 20-lagers kausal encoder staplad på en 20-lagers decoder, 40 Transformer-lager, där decoderns KV-cache projiceras från encoderns slutliga dolda tillstånd i stället för att beräknas lager för lager. Den sista detaljen är varifrån effektivitetsanspråken kommer.

• Aktiva parametrar — DeepSeek rapporterar ungefär 8B aktiva per token under prefill och 16B under decode, mot 552B stamparametrar. DeepSeek V4 Flash aktiverar 13B i en stam på 284B.

• KV-cache — DeepSeek rapporterar att den nya versionen behöver en fjärdedel av HBM:et och en åttondel av SSD:n jämfört med föregående Flash-generation. Notera vilken av dessa som är den bestående siffran: 8x-minskningen är den som styr hur mycket kontext du kan hålla parkerad på disk mellan turerna.

• Indata – text och bilder nativt i en och samma modell. DeepSeek V4 Flash är endast för text, och bildarbete krävde den separata experimentversionen DeepSeek-V4-Flash-Vision-Exp, som nu har tagits ur bruk tillsammans med den.

• Kontext och utdata – 1 048 576 tokens i kontext och ett utdatatak på 384 000 tokens, samma rubrikformat som DeepSeek V4 Flash publicerade.

• Vikter — MIT, publicerade på Hugging Face.

Varje storleksbaserad jämförelse ovan bär på en varning, och den är värd att säga rakt ut i stället för i en fotnot. Backbone-siffran 552B är leverantörens. Checkpointens egen filförteckning uppgår till ungefär 510 GB, vilket är mindre än vad en naiv tolkning av 552B parametrar skulle antyda, eftersom vikterna levereras redan kvantiserade. Och DeepSeeks modellkort deklarerar separat en Engram-tabell för villkorligt minne med 196B parametrar – en tokenadresserad uppslagning som konsulteras vid två punkter i nätverket snarare än ett lager som texten flödar igenom. Lägger man ihop leverantörens egna två siffror får man 748B, vilket är exakt den tolkning en trovärdig community-analys kom fram till när den ifrågasatte rubriken 552B. Hugging Faces egen sida för modellen visar en tredje siffra, 763B, i sidopanelen. Tre siffror, alla försvarbara, beroende på om du räknar beräkningsstacken, minnestabellen eller filen på disken. Behandla varje "552B" i en specifikationsjämförelse som leverantörens backbone-antal, inte som storleken på nedladdningen.

Två rader i det kortet var öppna frågor på lanseringsdagen och båda har sedan dess fyllts i: vikterna är publicerade under MIT, och det första tredjepartsbetyget finns. Raden om hastighet är den som gick åt andra hållet, och den får ett eget avsnitt nedan.

Priskortet är bekräftat – och det är fortfarande ett kort.

Det centrala fyndet från den tidigare jämförelsen står sig och är nu mer än ett rykte. DeepSeek V4.1 Flash och DeepSeek V4 Flash faktureras enligt en enda prislista på Flash-nivå i stället för två, och eftersom de gamla identifierarna nu är alias för den nya modellen faktureras allt som fortfarande anropar deepseek-v4-flash också enligt den nya prislistan. Detta är DeepSeeks publicerade siffror, gällande från 04:00 UTC den 10 september 2026:

• Indata vid cache-träff — $0,003 per 1 miljon tokens i lågtrafik, $0,006 i högtrafik

• Indata vid cache-miss – 0,15 USD per 1 mn tokens utanför högtrafik, 0,30 USD under högtrafik

• Utdata — $0,60 per 1M tokens vid lågtrafik, $1,20 vid högtrafik

• Högtrafikfönster — 01:00–04:00 och 06:00–10:00 UTC på vardagar. Helger och allmänna helgdagar är lågtrafik dygnet runt.

Det är lågtrafikkolumnen som anges och högtrafikkolumnen som svider: en europeisk eller asiatisk arbetsmorgon hamnar inom ett högtrafikfönster och betalar dubbelt, vilket förvandlar ett annonserat indatapris på 0,15 USD till 0,30 USD för exakt de timmar de flesta team faktiskt kör trafik. Budgetera efter högtrafikkolumnen om inte din arbetsbelastning verkligen körs nattetid i UTC.

Jämfört med den prislista som DeepSeek V4 Flash fakturerades enligt före ändringen – 0,007 $ för cacheträff, 0,22 $ för cachemiss och 0,66 $ för utdata per 1 miljon tokens i lågtrafik – sänker det nya prisbladet cachad indata med ungefär 57 %, cachemiss-indata med ungefär 32 % och utdata med ungefär 9 %. Efterträdaren är alltså billigare per token än modellen den ersätter, med en marginal som är stor för de tokens som en agentloop ständigt läser om och måttlig för de tokens som den genererar. Så ser historien om "Flash-prissänkningen" egentligen ut: det är en sänkning av cacheträffspriset med en utdatarabatt på köpet.

Den där fångsten är kortet så som det såg ut före nedskärningen den 10 september – bladet som DeepSeek V4 Flash fakturerade mot fram till och med augusti, sparat här som före-sidan av jämförelsen. Efter-sidan är de fyra punkterna ovan.

Vad benchmarktesterna faktiskt säger, och vem som körde dem

Benchmarkbilden har två halvor som rutinmässigt citeras som en och samma, och de har mycket olika ställning.

Den första halvan är DeepSeeks egen utvärderingstabell, publicerad tillsammans med lanseringen. Den placerar DeepSeek V4.1 Flash på 74,2 i DeepSWE v1.1 – före Claude Opus 5 på 74,0, GPT-5.6 Sol på 73,0, Kimi K3 på 67,5, GLM-5.3 på 66,9, DeepSeek V4 Pro 0813 på 62,7 och DeepSeek V4 Flash 0731 på 54,4. Det är siffror från leverantörens egna körningar, uppmätta vid maximal resonemangsansträngning, och samma lansering rapporterar att samma checkpoint får mellan 65,5 och 74,2 över åtta olika agent-scaffolds – 74,2 på den scaffold som passar den bäst, 69,8 under Claude Code, 65,6 under Codex, 65,5 under OpenCode. En marginal på 0,2 punkter över Claude Opus 5, i en svit som körts av leverantören, hämtad från den mest fördelaktiga av åtta scaffolds, utgör inte ett bevis på ett försprång över Claude Opus 5. Den visar att den nya Flash är konkurrenskraftig mot frontlinjen inom agentisk kodning när allt är uppsatt på dess egna villkor – vilket är ett verkligt resultat, och ett mycket mindre sådant än vad ”före Opus 5” låter som.

Den andra halvan är den del som inte fanns den 9 september. Artificial Analysis har nu mätt DeepSeek V4.1 Flash oberoende och placerar den på 40 på Intelligence Index, mot 35 för DeepSeek V4 Flash 0731 — sexa av 113 mätta modeller, mot åtta för modellen den ersätter, och långt över medianen på 18 för open-weight-modeller av jämförbar storlek. Det är siffran som den tidigare versionen av den här artikeln sade ännu inte fanns, och den avgör den breda frågan till efterträdarens fördel: på en tredje parts sammansatta mått av resonemang, kunskap, matematik och kodning är den nya versionen mätbart den starkare modellen. Den avgör inte frontier-frågan, eftersom samma resultattavla har Kimi K3 och GLM-5.3 ovanför den.

Snabbhetshistorien överlevde inte mätningen

Det är här den tidigare jämförelsen måste korrigeras snarare än byggas ut. Dess ryggrad var att de två modellerna delar en prislista och skiljer sig åt i hastighet, där DeepSeek V4 Flash uppmättes till ungefär 120–140 uttoken per sekund och testare som provade DeepSeek V4.1 Flash första dagen rapporterade 280 till 500, med toppar över 500. Den klyftan gick inte att reproducera.

Enligt mätningen från Artificial Analysis genererar DeepSeek V4.1 Flash 214,4 utdatatokens per sekund och DeepSeek V4 Flash 0731 genererar 214,9 – ett dött lopp, en skillnad på en halv token per sekund, enligt samma metodik som tog fram båda siffrorna. Vad de community-körningar som gjordes under första dagen än mätte, var det inte en jämförelse på lika villkor: tokens per sekund varierar med leverantör, hårdvara, batchstorlek, samtidighet och hur stor del av svaret som består av resonemangstokens, och siffrorna från lanseringsveckan kom från uppsättningar som skilde sig åt i alla fem. Den ärliga revideringen är att den genomströmningsfördel som lanseringen antydde inte syns i oberoende mätning. Den som har gått över till DeepSeek V4.1 Flash i förväntan om två till tre gånger högre hastighet bör göra en ny mätning på sin egen trafik innan man förutsätter det.

Kostnadsbilden är mer intressant än hastighetsbilden, och det är inte heller en enkel vinst. Med Artificial Analysis per-token-indata – 0,30 dollar in och 1,20 dollar ut för den nya modellen mot 0,44 och 1,32 dollar för den gamla, båda vid peak – är DeepSeek V4.1 Flash billigare per token. Men den uppmätta kostnaden per uppgift i Intelligence Index landar på 0,27 dollar mot 0,22 dollar, något högre, eftersom den nya modellen är en tyngre pratare: 250M output-tokens över indexet mot 240M för föregångaren, och en av de mer ordrika modellerna som rankningstabellen mäter. En billigare token som spenderas oftare är inte automatiskt en billigare uppgift. Vilken sida av det du landar på beror helt och hållet på om din arbetsbelastning domineras av återläst kontext, där cacheträffsrabatten på 57 % gör jobbet, eller av genererad output, där ordrikedomen äter upp rabatten.

Stöd för Day-0-serving, och vad det faktiskt är värt

Om du redan självhostar DeepSeek V4 Flash, är det här avsnittet som avgör om migreringen är billig, och svaret är: billigare än vanligt, men inte gratis, och inte på den runtime som de flesta menar med ”lokalt”.

• NVIDIA vLLM — levererade en day-zero-väg som en förhandsversion av en Docker-avbildning snarare än ett släppt paket; arkitekturstödet slogs inte samman med huvudlinjen vid släppet, så det finns ingen pip install som inkluderar det. Verifierat över en uppsättning NVIDIA-plattformar snarare än en, med ungefär en minnesgräns på 614 GB för vikterna plus utrymme.

• SGLang – en förhandsvisningsavbildning från dag noll och en kokbokspost, publicerade utan prestandasiffror eftersom leverantören bedömde att mätningarna under utvecklingsperioden var instabila. Verifierad på hårdvara av GB300-klass, med övriga listade som fortfarande bekräftas.

• NVIDIA Dynamo — dag-noll-distributionsrecept tillsammans med dess befintliga Flash- och Pro-recept.

• Annat kisel — Cambricon rapporterade anpassning från dag ett via vLLM samma dag.

• Ollama och llama.cpp — gapet. Ollama listar modellen, men som en vidarebefordran till molnet: den körs på Ollamas servrar, inte dina. Stödet för llama.cpp-arkitekturen har inte mergats, så det finns ännu ingen lokal väg i uppströmsprojektet, och GGUF-konverteringar från communityn finns utan en släppt runtime som kör dem från början till slut.

Den praktiska tolkningen: ramverksekosystemet rörde sig ovanligt snabbt, och om du driftsätter på vLLM eller SGLang över en multi-GPU-nod har du en dokumenterad väg inom dagar från lansering. Om din DeepSeek V4 Flash-driftsättning är en llama.cpp- eller Ollama-box finns det ingen motsvarighet ännu, och checkpointen på ~510 GB innebär att det sannolikt inte kommer att finnas någon sådan vid de storlekar som hårdvaran antyder. Vikterna är inte heller samma typ av problem: DeepSeek V4 Flash på 284B totalt är en en-nodslösning, och det nya bygget på 552B backbone — före Engram-tabellen — är det inte.

Routning flyttades, och den flyttades för dig

Den mest underrapporterade delen av den här lanseringen är fortfarande att DeepSeek dirigerar trafik mellan sina egna modeller, och till skillnad från den 9 september har den nu datum. Från 04:00 UTC den 14 september hanteras API-anrop riktade till deepseek-v4-pro av DeepSeek V4.1 Flash och faktureras till Flash-priser, en policy som DeepSeek beskriver gäller till dess att V4.1-Pro släpps. DeepSeek V4 Flash och DeepSeek-V4-Flash-Vision-Exp avvecklas helt, och deras identifierare hålls vid liv endast som kompatibilitetsalias som också pekar på den nya modellen.

Läs det som ett svar på frågan som den här artikeln finns till för. För en vecka sedan bytte Pro-anropare automatiskt och Flash-anropare hade ett beslut att fatta. I dag har leverantören fattat beslutet åt båda, vilket innebär att det aktuella valet inte längre är "V4 Flash eller V4.1 Flash" i API:et — det är huruvida dina prompts, utvärderingar och kostnadsmodell är redo för en omtränad modell, eller om du behöver en helt annan fallback.

Det är samma logik som ett routinglager tillämpar över leverantörsgränser, och det är den del som en plattform som OrcaRouter tjänar på. DeepSeek V4.1 Flash på OrcaRouter tar DeepSeeks listpris — $0,15 per 1M indatatoken och $0,60 per 1M utdatatoken — och förmedlar det vidare med 0 % påslag, vilket är det som gör att en leverantörs prissänkning landar hos oss samma dag som den landar hos dem. DeepSeek V4 Flash på OrcaRouter förblir anropbar med samma nyckel medan du migrerar, så bytet är en modellsträng snarare än ett andra avtal, och DeepSeek V4 Pro på OrcaRouter står kvar i listan medan leverantörens omdirigering betjänar den med den nya modellen till Flash-priser. Den automatiska failovern mellan leverantörer är det billiga sättet att prova en omtränad modell på verklig trafik utan att satsa en produktionsväg på hur den beter sig dag ett: routa en delmängd, behåll en modell som man vet fungerar bakom den och låt gränsfallen hamna på reserven medan du tar reda på om den nya promptningen beter sig som den ska.

Vilken borde du ringa?

Om det ärliga svaret fortfarande vore "antingen eller, för alla", skulle den här uppdateringen inte vara värd att publicera. Veckan flyttade beslutet två gånger — en gång till efterträdarens favör, en gång emot.

Argumentet för att gå över till DeepSeek V4.1 Flash är nu starkare än det var på lanseringsdagen, och det vilar på den oberoende siffran snarare än leverantörens tabell. Fyrtio mot trettiofem på Intelligence Index är en verklig skillnad uppmätt av någon utan egenintresse i saken, modellen är billigare per token än den den ersätter på samma kort, bildinmatning behöver inte längre en andra modell, och varje tredjepartsmätning är ense om att den åtminstone är jämbördig med sin föregångare i genomströmning snarare än två till tre gånger snabbare. Om du startar en ny arbetsbelastning, eller om du förlitade dig på DeepSeek-V4-Flash-Vision-Exp för bilder, är övergången okomplicerad och migreringskostnaden är en modellsträng.

Argumentet för att pausa är snävare än det var och mer specifikt. Om dina prompts, scheman för verktygsanrop och utvärderingar var trimmade mot V4-Flash-0731 är en omtränad modell en beteendeförändring och inte en hastighetsförändring – promptning, gränser för vägran och utdatalängd förändras alla, och det faktum att den nya modellen pratar mer är i sig en beteendeförändring som syns på din faktura innan den syns i dina kvalitetsmått. Och om din driftsättning är egenhostad på llama.cpp eller Ollama, eller om din budget beror på utdatatokens snarare än cachad indata, är ekonomin för att byta inte den som lanseringsrubriken antydde. Att köra en dags egen trafik genom båda och jämföra accepterade slutföranden per dollar säger dig mer än någon av tabellerna ovan.

För de flesta team är den försvarbara hållningen en vecka in varken den ena eller den andra av de högljudda: behandla DeepSeek V4.1 Flash som standard eftersom de oberoende bevisen nu stöder det, låt DeepSeek V4 Flash fortsätta serva det den redan servar bra — dess vikter finns fortfarande kvar, fortfarande MIT — och mät om genomströmningen för din egen arbetsbelastning i stället för att lita på antingen community-siffrorna från lanseringsveckan eller en enda rad i en leaderboard. Efterföljaren är verkligen bättre. Den är bara bättre med mindre marginal, och på andra områden, än vad lanseringen antydde.