DeepSeek V4.1 Flash: En helt ny basmodell som bär ett punktversionsnummer

DeepSeek V4.1 Flash är sex dagar gammal, och de tre frågor som lanseringen lämnade öppna har nu stängts – två av dem till företagets fördel och en skarpt emot. Själva modellen är oförändrad sedan den 10 september: en mixture-of-experts-modell med 552 miljarder parametrar och öppna MIT-vikter, en kontext på en miljon token och en ny Causal Encoder-Decoder-arkitektur som leverantörens eget modellkort för in under det företaget kallar sin "nya arkitekturfamilj". Det som har rört på sig är allt runt omkring. En oberoende utvärderare publicerade en poäng där det inte fanns någon på lanseringsmorgonen. Företaget drog tillbaka avvecklingen av DeepSeek V4 Pro som det hade tillkännagett i sin egen ändringslogg. Och det servingarbete från dag noll som inte fanns den morgonen körs nu på flera vanliga inferensruntimeer – med de två svåraste delarna av det, Engram-minnestabellerna och prefill/decode-uppdelningen som produktionsdriftsättningar är beroende av, fortfarande under aktiv offentlig omarbetning.

Namnmismatchen är fortfarande anledningen till att den här texten finns. Att läsa "V4 Flash till V4.1 Flash" som ett patchsteg är det naturliga och det felaktiga: versionsnumret ligger en decimal från en omtrimning, medan den underliggande arkitekturen grundar en familj. Sex dagars bevis har inte mjukat upp det. Om något har de oberoende siffrorna befäst det, eftersom en modell som får högre poäng än sin egen leverantörs flaggskepp med 1,6 biljoner parametrar inte är en punktrelease – det är en generation som avstod från att namnge sig själv.

Vad som faktiskt släpptes den 10 september

Detta var inte en läcka och inte en beta. Det två dagar långa API-testet som började den 8 september under modell-ID:t deepseek-v4.1-flash-expires-on-0910 slutade så som dess suffix sa att det skulle, och lanseringen rullades ut över DeepSeeks webbapp, mobilapp och förstaparts-API, med vikter och en teknisk rapport publicerad på Hugging Face under deepseek-ai/DeepSeek-V4.1-Flash.

De praktiska detaljerna har inte rört sig på sex dagar:

• Modellnamn — kalla deepseek-flash. De äldre namnen deepseek-v4-flash och deepseek-v4-flash-vision-exp accepteras fortfarande, men de pekar inte längre på de modeller de tidigare gjorde: båda är avvecklade, och förfrågningar som namnger dem betjänas av DeepSeek V4.1 Flash och faktureras enligt Flash-priset.

• Vad som ingår – ett kontextfönster på 1M tokens, maximal utdata på 384K, JSON-utdata, funktionsanrop, inbyggd bildinmatning och ett tankeläge som är aktiverat som standard med inställningarna låg, hög och max ansträngning.

• Licens — MIT, vikter ingår, med en inferensmapp och en separat kodningsmodul i repositoriet. DeepSeek bjöd uttryckligen in communityn för öppen källkod att bygga inferensstöd från dag ett, och communityn nappade på det snabbare än vad inbjudan antydde.

Den .1 som inte är en punktversion

Påståendet som startade den här texten kom från teortaxesTex, en pseudonym men flitigt följd DeepSeek-bevakare, i ett inlägg den 10 september: att detta är "första gången DeepSeek märker en helt ny basmodell med en .1-utgåva", att V4.1 är "mer olik V4 än, säg, LLaMA 3 från LLaMA 1", och att DeepSeek "inte känner att detta är värt V5 ännu" — utan att skribenten kan säga varför inte.

Behandla den kausala delen som slutledning och den strukturella delen som kontrollerbar. Slutledningen — varför DeepSeek valde .1 framför V5 — är en observatörs tolkning och inget mer; ingen utanför företaget har förklarat beslutet, och DeepSeeks eget material tar aldrig upp det. Den kontrollerbara delen är arkitekturen, och den läser inte som en punktrelease. DeepSeeks ändringslogg beskriver V4.1 Flash som "den minsta modellen i vår nya arkitekturfamilj," vilket är en märklig mening att skriva om en versionshöjning: en versionshöjning utökar en familj, den grundar inte en.

Det finns en verklig kostnad för tvetydigheten, och den drabbar köparna snarare än DeepSeek. Versionsnummer är den billigaste signal en utvecklare har för ”är detta en ny generation eller en finjustering, och hur mycket av min utvärderingsbudget förtjänar den?” DeepSeek har nu gjort den signalen opålitlig i en riktning — en modell som grundar en arkitekturfamilj ligger en decimal bort från en som ändrade sitt recept för efterträning. Företaget får behålla sin V5-markör i reserv. Alla som gör en migreringsbedömning betalar för förvirringen.

Vad "ny arkitektur" betyder i vikterna

Modellkortet är ovanligt specifikt, vilket gör generationspåståendet testbart utan en enda benchmark. Fem saker sticker ut — den femte är den som bevakningen av lanseringen mestadels hoppade över, och den som visar sig betyda mest för alla som försöker serva den här modellen.

• Asymmetrisk aktivering — Causal Encoder-Decoder-uppdelningen är en transformer med 40 lager, organiserad som en kausal encoder med 20 lager följd av en decoder med 20 lager, där decoderns globala KV-cache projiceras från encoderns slutliga dolda tillstånd snarare än att härledas från varje decoderlagers egna. Poängen med den designen är att modellen aktiverar endast 8B parametrar per token under prefill och 16B under decode. Inmatningstunga agentarbetsbelastningar — långa dokument, långa verktygsspår — får den billiga halvan av modellen; generering får den dyra halvan.

• KV-cache-komprimering, mätt per token — DeepSeek-V4.1-Flash använder FP4-huvudkvantifiering för KV-cache på 890 byte per token, vilket kortet anger som ungefär en fjärdedel av DeepSeek V4 Flash. Kinesiska rapporter gick längre och beskrev komprimeringen mot den första generationens V4-modell som en 437× reduktion; den större siffran är leverantörsberäknad aritmetik på en annan baslinje, så betrakta den som ett påstående snarare än en mätning.

• SWA Bounded Replay — sliding-window attention tvingar normalt dig att spara KV-tillstånd till SSD för att rekonstruera kontext. Detta återskapar saknade SWA-KV-tillstånd genom att istället spela upp endast det senaste fönstret av tokens, vilket minskar det beständiga KV-fotavtrycket till ungefär en åttondel av DeepSeek V4 Flash:s.

• Compressed Sparse Attention 2 — varje attention-lager körs i ett av tre statiska lägen (Full, Reindex eller Reuse), vilket delar KV- och indexerartillstånd mellan lager, med en hierarkisk gles indexerare som begränsar kostnaden för djupare lager oberoende av kontextlängden.

• Engram — en villkorsstyrd minnesmodul som håller minnet åtskilt från beräkningen, implementerad som n-gram-hashuppslagningar som gatas in i modellens residualström i stället för som attention eller som extra experter. De två fp8-tabellerna innehåller 189 GiB vikter, enligt SGLangs egen redogörelse för arkitekturen, och runtime-leverantörer som porterade checkpointen uppskattar tabellerna till ungefär 196B parametrar utöver 552B-stommen — vilket är varför kortets parameterantal i rubriken beskriver stommen och inte hela nedladdningen. Engram tränas vid två lager, använder n-gram av ordningarna två, tre och fyra över åtta hashhuvuden per ordning, och slår samman tokens som normaliseras lika så att varianter av skiftläge hashas till samma hink. Designdetaljen värd att ta med sig är kostnaden den medför: varje avkodningssteg läser dessa tabeller, så var du placerar dem avgör hur mycket KV-cache du har kvar.

Läs de fem tillsammans och den strategiska bilden är tydlig: detta är först och främst en arkitektur för sparsitet, cacheeffektivitet och minnesavlastning, dimensionerad så att samma struktur kan skalas upp senare. Nämnandet av en "ny arkitekturfamilj" gör ett verkligt arbete – det är ett uttalande om att det kommer mer.

Det oberoende resultatet kom äntligen – och det stöder leverantören.

För fyra dagar sedan skulle det här avsnittet ha lästs väldigt annorlunda. Vid lanseringen hade Artificial Analysis inte publicerat något om DeepSeek V4.1 Flash, Hugging Faces modellsida bar fortfarande notisen att modellen "inte driftsätts av någon Inference Provider", och det bärande påståendet för hela lanseringen – att en modell i Flash-klassen genomgående överträffar ett flaggskepp med 1,6T parametrar vad gäller prestanda, kostnad, hastighet och total uppgiftstid – var ett leverantörspåstående utan extern granskning. Alla tre av dessa luckor har sedan dess stängts.

Artificial Analysis har nu mätt modellen på sitt Intelligence Index, och den korta versionen är att DeepSeeks påstående överlever kontakten med en tredje part:

• Intelligence Index — DeepSeek V4.1 Flash får 40 vid maximal resonemangsinsats, rankas som sexa av 113 modeller i sin jämförelseklass och ligger långt över medianen på 18 för jämförbara modeller med öppna vikter. DeepSeek V4 Pro 0813, flaggskeppet som den anklagades för att tränga undan, får 36 på samma index.

• Kostnad per uppgift – 0,27 USD per Intelligence Index-uppgift för V4.1 Flash jämfört med 0,67 USD för V4 Pro 0813. Det är påståendet om kapacitet per dollar, oberoende reproducerat: den billigare modellen är den mer kapabla enligt detta mått, till ungefär 40 % av kostnaden per slutförd uppgift.

• Hastighet — 212,1 utdatatoken per sekund jämfört med en median på 73,1 t/s bland jämförbara modeller, med tid till första token på 1,31 s jämfört med en median på 2,37 s. I samma testbänk uppmäter V4 Pro 0813 94,4 t/s och en TTFT på 1,72 s.

• Pris — Artificial Analysis anger $0,30 per miljon indatatokens och $1,20 per miljon utdatatokens med 98 % cacherabatt, vilket är DeepSeeks högsta publicerade prislista, inte ett premiepåslag från tredje part.

Märk det korrekt, eftersom etiketten har ändrats. Detta är oberoende mätningar, inte siffror från leverantören – men de är oberoende mätningar i en enda tredjeparts-testbänk, och ett enda index är inte en dom över en modell. Det den faktiskt avgör är snävare och mer användbart än en placering på en resultattavla: det specifika påståendet som DeepSeek gjorde för att motivera sin egen produktlinje – att Flash samtidigt skulle slå Pro när det gäller både kapacitet och kostnad – har nu extern bekräftelse i stället för en ändringslogg bakom sig.

Det finns ett ärligt förbehåll på andra sidan också, och det kommer från samma leverantörsrapportering som tidigare. DeepSeeks egna siffror visar att V4.1 Flash vinner 13 av 16 jämförelser mot Kimi K3 och 11 av 13 mot GLM-5.3, samtidigt som den fortfarande ligger efter GPT-5.6 Sol och Claude Opus 5 på de nyare Terminal-Bench 3.0- och 4.0-uppgifterna och på ProgramBench. Det är en sammanhängande form – starkast på det kodnings-, terminal- och agentautomatiseringsarbete som den här arkitekturen är optimerad för, svagare på frontier-resonemangsuppgifter – och det är den form ett verkligt generationssteg skulle ha. Det oberoende indexet instämmer i konturerna utan att avgöra varje cell.

Pro-avvecklingen som DeepSeek annonserade – och sedan avblåste

Här är den del som avvek från DeepSeeks egen uttalade plan, och det är den del som med störst sannolikhet påverkar en live-integration.

Vid lanseringen sade DeepSeek att DeepSeek V4 Pro skulle sluta erbjudas via sitt API. Från och med kl. 12.00 kinesisk tid den 14 september skulle förfrågningar som anger deepseek-v4-pro dirigeras till V4.1 Flash och faktureras enligt Flash-prissättning – en minskning med cirka 70 % av utdatakostnaden för alla som har Pro-modellnamnet hårdkodat – och skulle fortsätta dirigeras så fram till att en framtida V4.1 Pro lanseras. På lanseringsdagens prislista innebar det att Pros $3,96 per miljon utdatatokens kollapsade till Flashs $1,20 vid högtrafik, utan kodändring och utan någon avisering utöver en post i ändringsloggen.

Det hände inte. Den 11 september publicerade DeepSeek ett meddelande på sin egen öppna plattform där det stod att man som svar på användarnas efterfrågan skulle fortsätta tillhandahålla DeepSeek V4 Pro API-tjänsten efter den 14 september, med oförändrad fakturering – meddelandet fanns fortfarande kvar på plattformen den 14 september, efter att övergångstidpunkten hade passerat, så detta är ett aktuellt uttalande från förstapart snarare än ett rykte om ett sådant. Den rapporterade anledningen är det minst överraskande i den här historien: utvecklare protesterade mot att en leverantör i tysthet bytte ut vikterna bakom ett modellnamn i en produktionsintegration, och DeepSeeks egen testning med flera parter hade visat att V4 Pro behöll ett kvalitetsövertag i vissa teams verkliga arbetsbelastningar även där V4.1 Flash vinner de offentliga utvärderingarna.

Den praktiska tolkningen är en rak motsats till vad bevakningen på lanseringsdagen rådde om. Om du skrev in den 14 september i kalendern för att återtesta en Pro-pinnad integration är tidsfristen ogiltig: DeepSeek V4 Pro är fortfarande DeepSeek V4 Pro, och kostar fortfarande som tidigare, medan V4.1 Pro fortfarande är oannonserad utan kort, utan parameterantal, utan datum och utan vikter. Det som inte har förändrats är färdriktningen – DeepSeek avser tydligt att konvergera sin linje mot den nya arkitekturen, och det enda man har bekräftat om den gamla är att man inte kommer att tvinga fram övergången på ett fast datum.

Serverar det: 189 GiB n-gramstabeller, och arbetet är fortfarande öppet

Inramningen av tillgängligheten på lanseringsdagen var ”körs på leverantörens API och ingen annanstans.” Det stämmer inte längre, och var det slutade stämma är belysande för den här arkitekturen.

SGLang och Miles släppte support från dag noll för DeepSeek V4.1 den 10 september, inom samma tidsfönster som modellen själv – så notisen om "ingen tredjepartsservering" som stod på Hugging Face-sidan vid lanseringen var inaktuell inom några timmar. Det intressanta är inte att det körs; det är vad det kostar att köra det. Eftersom varje avkodningssteg läser Engram-tabellerna är SGLangs metod att låta dig placera dem i GPU-minne eller i värdminne, där avlastning till värden frigör ungefär 46 GiB per GPU för KV-cache till priset av cirka 200 GB värd-RAM på noden. I en GB300-konfiguration med fyra GPU:er ökade avlastning till värden KV-cachekapaciteten med 36 % med jämförbar avkodningsgenomströmning och tid till första token, och alla 28 slutföranden från greedy-proben matchade baslinjen med allt på GPU. Det är opt-in, bakom en enda miljövariabel, inte standard. vLLM har parallellt arbete som går i motsatt riktning – minnesmappar delar av tabellerna från disk i stället för att hålla dem i värd-RAM – vilket säger samma sak från två håll: Engram-tabellerna, inte vikterna, är begränsningen för hur billigt du kan servera den här modellen.

De allra senaste ändringarna i hela historien ligger här, och de är små sådana som förtjänar att betecknas som små. Den 15 september öppnade en SGLang-bidragsgivare pull request #39666, vilken lade till en Engram-modul och en delad adapter för begäranshistorik i projektets DeepSeek V4.1-gren — 7 filer, +1205/−11 — där adaptern exponerar valfria n-gram-historikfält på schemaläggaren och forward-batcher och rekonstruerar den historiken över prefix-träffar, återkallanden och slot-återanvändning. Den är öppen och inte sammanslagen, dess CI-körningar misslyckades och den väntade på granskning från nio kodägare; författarens egen sammanfattning är krass om begränsningarna och noterar att uppslagskontroller inte bevisar korrektheten i begäranslivscykeln. Den var en av en omgång DeepSeek V4.1-pull requests som öppnades på den grenen den 15 september, de flesta av dem från samma bidragsgivare, och som spände över modellkonstruktion, visionstornet, chattkodning och kernel-lagret.

Sedan, den 16 september, kom planen för den svårare halvan av serving ut offentligt. Ett roadmap-ärende, #39700, presenterar prefill/decode-disaggregering för DeepSeek V4.1 på B200-plattformen som en stegvis lista: först kontextparallellism på prefill-sidan, sedan det prefill-arbetet kombinerat med MegaMoE, BCG och multi-stream, därefter punkterna på decode-sidan, med DP attention och CUDA-graph-minne bland dem. Steg ett landade som pull request #39748, med titeln "[DSV4.1-PD-1/8] Support prefill node use cp parallel strategy", och öppnades samma dag av samma författare. Den låter prefill-noden i en disaggregerad distribution köra en kontextparallell strategi, med en referenskonfiguration på åtta B200:or i TP4/EP4 som kör flashinfer_mxfp4-MoE-runnern och DSPARK spekulativ avkodning. Prefill-noden använder --enable-prefill-cp --cp-strategy interleave tillsammans med --disaggregation-mode prefill över Mooncake-överföringsbackenden; decode-noden körs utan några CP-flaggor alls. Valideringen består av gsm8k-poängsättning plus enhetstester på text- och bildvägarna. Liksom Engram-pull requesten är den öppen, inte mergad och för närvarande blockerad i CI på grund av en saknad run-ci-etikett.

Var tydlig med vad allt det där är och inte är. Det är underliggande infrastruktur inuti en runtime som redan betjänar modellen – det förändrar ingenting när det gäller vad DeepSeek V4.1 Flash gör, vad den kostar eller om du bör använda den. Det är bara värt dessa rader för att det markerar var de återstående vassa kanterna finns. På Engram-sidan är n-gram-historik som överlever återkallning och återanvändning av prefix-cache exakt den typ av korrekthetsdetalj som skiljer en demo från en produktionsendpoint. På disaggregeringssidan är målgruppen operatörer som delar upp prefill och decode över separata pooler så att varje halva kan parallelliseras för sin egen flaskhals – en driftsättning vars referenskonfiguration börjar på åtta B200:or, vilket är ett kapitalbeslut snarare än en rad i en konfigurationsfil. Och serien är märkt 1/8 medan roadmap-ärendet räknar upp sina etapper i sex delar, med hela decode-halvan fortfarande oskriven: till och med numreringen är preliminär. Om du inte fattar det kapitalbeslutet är inget av detta synligt från där du sitter – DeepSeek V4.1 Flash är live på OrcaRouter till den vidarebefordrade taxan nedan, och den underliggande infrastrukturen stannar på operatörens sida av endpointen.

Anropar DeepSeek V4.1 Flash idag

Tillgänglighetsraden har ändrats hos oss också, och den ändrades i den riktning i vilken läsarna av lanseringsdagsversionen av den här artikeln hade fått veta att den inte skulle ändras. Den 10 september fanns inte DeepSeek V4.1 Flash hos OrcaRouter – modellsidan returnerade ”modellen hittades inte” och den här artikeln sa det rakt ut i stället för att antyda något annat. Nu finns den med: deepseek/deepseek-v4.1-flash är nu live i katalogen till 0,15 USD per miljon indatatoken och 0,60 USD per miljon utdatatoken, DeepSeeks egen leverantörstaxa vidarebefordrad med 0 % påslag, vilket också är siffran att kontrollera nästa gång DeepSeek ändrar ett pris. Sedan den lanserades har den flyttat 54 982,2 miljoner tokens genom plattformen med en p50-tid till första token på 811 ms och en p95 på 3,03 sekunder.

Det du får utöver samma priskort är möjligheten att behandla en sex dagar gammal arkitektur som ett experiment snarare än ett åtagande. Failover innebär att ett V4.1 Flash-anrop som börjar ge fel under belastning kan riktas om till en annan modell utan en deploy; routing-DSL:en innebär att du kan lägga den nya modellen på en del av din trafik och en känd på resten och jämföra dem på dina egna indata snarare än på en resultattavla; och alla andra modeller i katalogen ligger bakom samma nyckel, inklusive resten av DeepSeek-serien — DeepSeek V4 Flash och DeepSeek V4 Pro — så ett byte tillbaka är en strängändring, inte ett andra avtal.

Det spelar större roll än vanligt här, av två skäl som sex dagars nyhetsflöde har gjort konkreta. Det första är att prisfördelen är verklig men beroende av att leverantören behåller taxan, och ett genomströmningsarrangemang är den enda typen som förblir ärlig när så inte sker. Det andra är att den enda varningen från lanseringsveckan har överlevt: både förmågeövertaget och kostnadsfördelen är nu oberoende mätta, men de mäts i en och samma testrigg, på en modell vars namn säger ”mindre uppdatering” och vars arkitektur säger något annat. Routa den som en ny generation, för det är vad den är, och håll den bakom en nivå som du kan flytta.

Vad är fortfarande öppet?

Tre saker, i stigande ordning av hur mycket de skulle berätta för dig.

DeepSeek V4.1 Pro skulle testa familjepåståendet. DeepSeek V4.1 Flash kallar sig den minsta modellen i en ny arkitekturfamilj, och syskonet som skulle bevisa att familjen finns har fortfarande inget kort, ingen parameterantal, inget datum, inga vikter och inget pris. Det är också modellen som hela Pro-routing-manövern var uppbyggd kring, nu när manövern har avblåsts.

En andra oberoende utvärdering skulle testa poängen. Ett Intelligence Index på 40 med 36 för modellen som den ersatte är ett tydligt resultat i en testrigg och en enda datapunkt i frågan om den här arkitekturen är en generation före eller ett väloptimerat steg i sidled. Håll utkik efter en andra utvärderare, och efter om Engram-offload-serveringsvägen håller för verklig trafik snarare än på greedy-prober, och om prefill/decode-uppdelningen som nu förbereds i pull requests någonsin blir en paketeringshistoria som ett vanligt team kan driftsätta.

Och den användbara om än oglamorösa: om DeepSeek gör om detta. En andra .1-etikett på en annan ny basmodell skulle förvandla en avvikelse till en konvention, och en konvention är något en utvecklare kan planera utifrån. En enskild modell är en kuriositet. Namngivningen blir bara vilseledande på ett användbart sätt när det finns ett mönster.

För närvarande delar den praktiska bedömningen upp sig tydligt beroende på vem du är. Om du använder DeepSeek V4 Pro ändras inte modellen bakom det namnet den 14 september eller något annat annonserat datum – DeepSeek har backat från det, och du kan låta din integration vara som den är. Om du använder DeepSeek V4 Flash flyttas du redan, till samma pris, till en arkitektur som DeepSeek byggt för att skala. Och om du väntade på V5 är det ärliga svaret att DeepSeek verkar ha släppt generationen, avstått från att namnge den och sedan upptäckt att siffran på lådan faktiskt har betydelse trots allt.