DeepSeek V4.1 Flash chính thức GA: 552B theo kiến trúc mới, trọng số MIT và màn khai tử V4 Pro chưa từng xảy ra

DeepSeek V4.1 Flash is no longer a two-day experiment. The model that spent September 8 and 9 sitting inside the vendor's live API under an ID carrying its own expiry date — deepseek-v4.1-flash-expires-on-0910 — was released for real on September 10, 2026, across DeepSeek's app, web interface and API, where it now answers to the model name deepseek-flash. Three things about the release are larger than the beta implied. The first is the paperwork: DeepSeek published a technical report — titled, without much subtlety, Pushing the Limits of KV Cache Compression — and MIT-licensed weights for a 552B-parameter multimodal mixture-of-experts model built on a new Causal Encoder-Decoder architecture. Those weights are not a promise: 48 safetensors shards, about 510 GB in total, went online the morning of release, which turns the beta's unverified “new architecture, native multimodal” slogan into something a reader can download and inspect. The second is the shape of the line-up. DeepSeek V4 Flash and DeepSeek-V4-Flash-Vision-Exp are retired, their old IDs still resolving to the new model at Flash rates, and the plan to phase DeepSeek V4 Pro out on September 14 was withdrawn before the date arrived: V4 Pro is still served, at unchanged billing, and DeepSeek has promised notice before anything changes. The cheapest model in the family has taken the flagship's place on price and on DeepSeek's own benchmarks, and DeepSeek says the architecture underneath it was designed to scale to larger models. What sits above it is, as of September 25, one tracker's guess — a three-tier Flash, Pro and Ultra line at 522B, 2T and 8T — offered by the account that posted it as speculation and confirmed by nothing DeepSeek has published. The third is the one the beta never had. Artificial Analysis has now published the first outside evaluations of the model — an Intelligence Index score of 39 in Reasoning mode at maximum effort for the September weights and 45 for the 1017 checkpoint (a six-point gain that ties it with GLM-5.3 for second among open-weights models, a point behind MiMo-V2.6-Pro), against 36 for DeepSeek V4 Pro 0813 on the same scale, which makes the 552B model the highest-scoring DeepSeek model the site has measured. Ten further items are younger than the release, and they point in different directions. On September 25 ARC Prize's own model-testing lead opened a pull request adding a first-class DeepSeek V4.1 Flash profile to the foundation's benchmarking harness — the evaluator whose board this field reads as a reasoning ceiling rather than a productivity check, arriving with no result attached and none promised. Three days later an outside lab published the opposite kind of news: a finished measurement, on a different board, that puts DeepSeek V4.1 Flash next to another open-weight model and finds it the weaker of the two — and finds the number moving more with the harness wrapped around the model than with the model itself. On Exploit Bench, a Carnegie Mellon benchmark scoring how far an agent climbs toward full exploitation of a production V8, DeepSeek V4.1 Flash averaged 4.7 of 16 under the benchmark's own default configuration and 9.3 under Claude Code, while GLM-5.3-Flash peaked at 10.6 under Codex and fell to 6.2 under the very harness that suits DeepSeek V4.1 Flash best. The third is the least dramatic and the easiest to check: on October 7 the vLLM project published its own three-week accounting of serving this model, reporting its current build 1.9× faster at low concurrency and 5.3× the throughput under a 150 TPS constraint against its own day-0 implementation — an engine's before-and-after on itself rather than another outside evaluation, and the subject of the speed section below. A fourth is about what the model costs to use rather than what it scores, and it moved twice in three days: on October 12 OpenCode, the coding agent that prices this model by monthly usage allowance rather than by metered tokens, raised its allowance for it from $60 to $80 — the platform's own statement about a product it sells, carried on its own pricing page — and on October 15 it began serving the same model free, under a second model id, on a 200,000-token context against the 1M window the metered entry carries. A fifth, from October 14, measures the model's cost to serve rather than its quality: Artificial Analysis added DeepSeek V4.1 Flash to AA-AgentPerf, its hardware benchmark for agentic inference, with results on both NVIDIA and AMD accelerators — at 100 tokens per second per user, NVIDIA's GB300 NVL72 leads the field at roughly 261 million tokens per second per megawatt, and the same runs serve the model on as few as two accelerators, which is the section below in a second currency. The sixth is the release itself, superseded: on October 17 DeepSeek replaced the checkpoint behind the same deepseek-flash model name with DeepSeek-V4.1-Flash-1017 — new weights, a vendor benchmark table that beats the September model on every row it publishes, the same rate card and the same 1M-token envelope — and, as of October 18, an outside measurement of the new weights that contradicts the row the vendor leads with: Artificial Analysis scores the 1017 checkpoint 45 on its Intelligence Index and 33.8 on Terminal-Bench 4.0 under its own harness, against the 42.3 on DeepSeek's card. The seventh item is the argument that gap produced. On October 19 a tracker account with a record of calling these releases early declared itself “dead certain” that the 42.3 is real “because it's better than GLM-5.3,” and asked Artificial Analysis to run the model in a native harness. The site had already answered the day before, with a number eight and a half points lower. The eighth is not a score: on October 20 a DeepSeek tracker posted an agent transcript in which the 1017 checkpoint declined a jailbroken persona with dsh-purge — a plugin built to strip the harness's own constraints — applied, and a third party's abliteration notes put the untouched checkpoint's refusal rate at 97 of 100 harmful prompts in chat mode and 98 in think mode, with DeepSeek publishing no safety evaluation of its own for either checkpoint. The ninth is not a score and not a price: this week DeepSeek opened the inference engine its own service runs on, with a decode curve for the 1017 checkpoint and the production figures behind it, and the thread that surfaced it this week lays that curve against a September 30 Ascend 950DT benchmark that puts Huawei's part roughly five to seven times behind per chip — the serving-silicon section below. The tenth is not a score, a price or a checkpoint: on October 22 YuyuantanTan, the current-affairs account run by China Media Group, reported that DeepSeek and MiniMax had completed the registration procedures attached to China's draft technology-export catalogue and finished open-sourcing and overseas licensing. That is state media reporting on two companies rather than a regulator's notice or a company statement, and it is the development that answers the question the draft catalogue opened on October 16 — whether the MIT weights this piece is about can keep being published and shipped abroad. The licence section below separates what the report says from what it does not.

Everything below keeps two kinds of claim apart. The specifications, benchmarks and prices come from DeepSeek's own changelog, model card and technical report — vendor-published, vendor-run, and not reproduced by anyone else. That gap has since narrowed by four independent instruments — a composite index, a community kernel board, a harness-controlled cyber benchmark and a hardware serving benchmark — one of which, the index, has now been run against both checkpoints. None of them replicates a single vendor row, and ARC Prize is still building the reasoning evaluation, with nothing published from it yet. DeepSeek replaced the model behind the same API name on October 17 with the DeepSeek-V4.1-Flash-1017 checkpoint. For a day that meant every outside number in this piece described weights the vendor no longer served, with no external score for the ones it did; on October 18 Artificial Analysis re-ran its index on the new checkpoint and published 45, against 39 for the September weights. The other three instruments have not been re-run: the cyber benchmark, the kernel board and the hardware benchmark still describe the September weights, and no independent score, old or new, replicates one of DeepSeek's own benchmark rows. The cost-of-serving figure the vLLM project published on October 17 is newer only in publication date: the chart behind it is dated October 16, the day before the swap, so it describes the same superseded weights. On its current index (v4.3.2) Artificial Analysis scores the September DeepSeek V4.1 Flash checkpoint at 39 and the 1017 checkpoint at 45, describing both as well above the median of 19 for open-weight models of comparable size; they are genuine third-party numbers and the first in this story that DeepSeek did not produce. Each is one composite of ten evaluations, not a replication of any individual vendor row, and it says nothing about the 1M-context economics. The refusal figures in this piece are a fourth kind of claim and are labelled where they appear: they come from people who build uncensored derivatives of these weights, not from DeepSeek and not from an evaluation lab, and DeepSeek has published no safety evaluation for either checkpoint. The hardware numbers in the serving section are a further class again: the NVIDIA decode curve and the production figures are DeepSeek's own measurements of its own engine, published with the code this week, and the Ascend points come from a benchmark sheet reproduced in a thread on X that is not published on either vendor's site. Where a number belongs to DeepSeek, this piece says so. One more class sits outside that taxonomy. The October 22 report that DeepSeek and MiniMax completed registration under the draft export catalogue is state media — China Media Group's YuyuantanTan, repeated across Chinese financial outlets — not a Ministry of Commerce notice, and DeepSeek has published no statement confirming it. The catalogue itself is a government draft open for comment until November 15, and is described as a draft wherever it appears here. The build names attached to the report — V4.1F-1017 and M3.1-Flash — come from a single X account on October 23 and do not appear in the state-media report or the outlets that relayed it; the checkpoint that post names had already been downloadable for six days when it was written.

The October 17 checkpoint: what DeepSeek-V4.1-Flash-1017 changed

Five weeks after the release this piece is built around, DeepSeek replaced the model underneath it. The changelog entry dated October 17 is three sentences long: “DeepSeek V4.1 Flash has been upgraded to DeepSeek-V4.1-Flash-1017. The official web and APP models have also been updated to the new version. The API calling method and pricing remain unchanged — simply use deepseek-flash to access the latest model.” Everything in that quote is the vendor speaking about its own product, and all three claims are checkable on DeepSeek's own pages rather than taken on trust: the model-version row on the Models & Pricing table now reads DeepSeek-V4.1-Flash-1017 where it read DeepSeek-V4.1-Flash, the rate card beside it is the same off-peak and peak split published on September 10 — $0.003, $0.15 and $0.60 per 1M tokens off-peak, doubling to $0.006, $0.30 and $1.20 inside the weekday peak windows — and the API quick start still names deepseek-flash as the model string, with the 1M-token context, 384K output ceiling and 2,500-request concurrency limit unchanged. The retired alias IDs behave the way the September note said they would: deepseek-v4-flash and deepseek-v4-flash-vision-exp are still accepted and now answer as DeepSeek-V4.1-Flash-1017 at Flash prices. DeepSeek announced the same change from its own account that day, and the post is worth reading alongside the changelog because it is shorter and blunter: “DeepSeek-V4.1-Flash-1017 is here! Stronger benchmark performance, faster task completion, and shorter outputs than the previous version—a Pareto improvement in performance and cost. Now live on our website, app, and API,” followed by the same three harnesses and the same instruction to upgrade to DeepSeek Harness 0.2.1-rc.1 or later. Everything in it is the vendor describing its own product on its own channel: “now live on our website, app, and API” is the changelog's “the official web and APP models have also been updated” restated, and the benchmark, runtime, output-length and Pareto claims are the model card's — with one difference that matters for anyone deciding whether to try it. The card carries a number next to every benchmark row; the post carries none, and neither the post nor the changelog puts a figure on the runtime and output-length claim. Two of the four things DeepSeek is leading with here are still vendor assertions rather than published results, and the chart behind the Pareto line — the one attached to the post — is DeepSeek's own, drawn on its own task-cost measurements.

The weights moved with it, and that is the part a reader can verify without trusting a changelog. A second repository, deepseek-ai/DeepSeek-V4.1-Flash-1017, went up on Hugging Face in the early hours of October 17 under the same MIT licence: 48 safetensors shards again, the same total of about 510 GB, every shard the same size as its September counterpart, and every shard's hash different. Same shape, different contents — which is what “a minor update” should look like from the outside, and which also means the architecture claims this piece has been reporting since September are untouched: the config file that declares the 552B backbone, the 384 routed experts, the 8B-active-parameters-per-token prefill path and the 16B decode path is byte-identical to the one in the September repository, so the 890-byte-per-token KV cache is the same design rather than a new one. What the new repository does not carry is the paperwork. There is no technical report in it, no evaluation folder and no Jinja chat template; the model card says the release does not include a chat template and points instead at a Python encoding reference and a new Rust toolkit, deepseek-recipe, for turning Chat Completions, Responses and Anthropic-format requests into the model's prompt format. Anyone pinning weights by repository name should know the two downloads differ in more than their hashes. The file list says exactly how: all 48 shards carry a different checksum and an identical byte size, while the files that are not weights — the config that declares the architecture, the licence and the whole encoding folder — are byte-for-byte the same in both repositories. Seven files exist in September's repository and not in this one, and nothing was added to replace them: the technical report, the evaluation folder, the chat template, the two figures the card used to embed, and a .gitignore. The model card narrows one serving parameter as well. September's card recommended either a top_p of 0.95 or 1.0; the October 17 card recommends 1.0, with temperature at 1.0, a 1M context window and a max_tokens of at least 256K unchanged.

DeepSeek's own benchmark table is where the update is meant to show, and it is a vendor table of exactly the kind the September rows were: same-company runs, unreproduced by anyone, published on a model whose weights had been public for a few hours. Against the September checkpoint it is up on every row the card carries — HLE without tools 42.6 against 36.8, or 44.0 against 39.1 on the text-only subset; Terminal-Bench 4.0 42.3 against 31.2; DeepSWE v1.1 77.0 against 74.2; ProgramBench 29.1 against 20.3; NL2Repo-Bench 68.2 against 65.4; Automation-Bench v1.0.6 60.5 against 54.8; Agents' Last Exam 35.4 against 31.8; Apex Bench v1.1 72.1 against 64.6; Chartography with tools 83.0 against 78.9; BabyVision with tools 92.5 against 89.6; and ZeroBench-main with tools 51.0 against 49.0, at Pass@5. The same table places 1017 against the frontier models DeepSeek benchmarks against: it now clears GPT-5.6 Sol on Terminal-Bench 4.0, 42.3 against 39.9, while still trailing Opus 5 on 51.8, and it leads both on DeepSWE v1.1, 77.0 against 73.0 and 74.0 — a row read off the chart attached to the vendor's own announcement, and the single most quoted number of the week. On NL2Repo-Bench it moves to 68.2 and still sits behind Opus 5 on 75.3, which is the shape the September table had too: strongest on harnessed agentic work, behind on the rows that reward reasoning depth. The Terminal-Bench 4.0 row is the one to read twice, because it is now the only row in that table with an independent counterpart. DeepSeek ran it under the Claude Code harness; Artificial Analysis runs the same 66 tasks under mini-swe-agent, and its October 18 result for these weights is 33.8 — eight and a half points below the vendor's 42.3. On DeepSeek's own table that row clears GLM-5.3 by 4.4 points, 42.3 against 37.9. On Artificial Analysis's harness the same weights trail GLM-5.3 by eight, 33.8 against 41.9.

One line of small print is worth more than several of those deltas. The September card evaluated Terminal-Bench 4.0 with DeepSeek Harness in its Minimal mode; the 1017 card says it used the Claude Code harness for Terminal-Bench 4.0 and Mini-SWE-V2 for DeepSWE v1.1. The harness study further down this piece measured seven points of spread on one model across seven agent CLIs, so an eleven-point Terminal-Bench 4.0 move that arrives with a different harness under it cannot be read as eleven points of model. The card states which harness it used, which is what makes the row auditable rather than merely impressive, but the row is two changes wearing one number. The independent run separates them, and not in the vendor's favour. Artificial Analysis evaluated the same 1017 weights on Terminal-Bench 4.0 under mini-swe-agent — the harness it holds constant across every model on that board — and got 33.8, against 26.8 for the September checkpoint on the same harness. On a fixed harness the checkpoint is worth seven points, not eleven, and DeepSeek's headline number sits eight and a half points above what the same weights score when the harness is held constant across models. The rest of DeepSeek's framing is about cost rather than score, and it is the same axis the September release was sold on: the changelog claims the update reduces task runtime and output length, calls the result “a new performance–cost Pareto optimum across multiple harnesses,” and says it optimised for DeepSeek Harness, Tencent CodeBuddy and WorkBuddy, recommending DeepSeek Harness 0.2.1-rc.1 or later. Runtime and output length are precisely the quantities the verbosity evidence in this piece tracks from the outside, and DeepSeek now claims to have cut both — with no figure attached. One outside measurement of the new checkpoint now exists, and it does not show the runtime or the output cut: Artificial Analysis's index run has the 1017 weights at 288.8 seconds per task against 289.9 for September, and 89,495 output tokens per task against 88,574 — flat on both, with the cost saving landing somewhere else entirely. The post DeepSeek published on its own account the same day compresses all of that to “faster task completion, and shorter outputs,” then calls the pair a Pareto improvement in performance and cost — the changelog's claim in shorter form, from the same source, and just as unmeasured. It is the vendor restating itself, not a second source — which matters, because the number off that chart is the one the outside world has spent the week repeating. The one artefact in the announcement that does carry numbers is the chart attached to the post, and it is DeepSWE v1.1 Pass@1 plotted against average cost per task under a mini_swe_v2 harness. Its caption is worth reading before the Pareto line is: the public leaderboard data underneath it is dated September 22 on the chart itself, three and a half weeks before the checkpoint the chart is being used to promote, and the comparison lines for OpenAI's models are credited to OpenAI's own DeepSWE chart rather than to a shared run. One point on that plot is new. Everything it is measured against was published before it existed.

Cùng ngày diễn ra đợt hoán đổi, cách diễn giải được chia sẻ nhiều nhất về bảng đó đến từ một người có lợi ích gắn với nơi mô hình chạy. Yuchen Jin, người làm việc về hệ thống AI tại Databricks, đã đăng rằng DeepSeek-V4.1-Flash-1017 “đạt 77 trên DeepSWE v1.1”, rằng đây là “hiệu năng ngang Opus 5 với chi phí thấp hơn 83 lần”, và rằng “chúng tôi sẽ ra mắt nó trên Databricks”. Con số 77 là hàng của chính DeepSeek, lấy từ biểu đồ đính kèm thông báo của nhà cung cấp, và không có gì bên ngoài công ty đã tái lập được nó. Hai điểm so sánh là của Jin, và chúng chia rõ ràng thành một điểm đứng vững trước kiểm chứng bên ngoài và một điểm không. Mức ngang Opus 5 đứng vững: các bảng xếp hạng độc lập công bố DeepSWE v1.1 đặt tên mô hình này vào vùng lân cận đó trong các lần chạy của riêng họ. Bảng xếp hạng APEX của Mercor — 113 tác vụ gốc trên 91 kho mã, được chấm điểm dưới harness mini-swe-agent — liệt kê Opus 5 Max ở 71,4% và một mục DeepSeek V4.1 Flash Max ở 71,7%, còn bảng llm-stats cho cùng benchmark đặt Claude Opus 5 ở 68,8% so với 74,2% của DeepSeek-V4.1-Flash. Cách đọc trung thực về cặp số này hẹp hơn bài đăng gợi ra: hai bảng xếp hạng đo benchmark này một cách độc lập đều đồng ý rằng mô hình ít nhất ngang ngửa Opus 5 trên đó, và không bảng nào hiển thị 77, vì cả hai hoặc mang con số tháng Chín hoặc mang lần chạy của riêng mình, và không bảng nào gắn nhãn một mục bằng checkpoint 1017. Mức ngang Opus 5 có thể biện hộ được như một phát biểu về một vùng lân cận. Con số đã tạo ra nó thì chưa thể tái lập.

Nửa 83× của bài viết là phép tính của tác giả chứ không phải một con số đã được công bố, và đó là phần cần được xem nhẹ. Không có bảng xếp hạng nào công bố chi phí mỗi tác vụ cho checkpoint 1017, và biểu đồ của nhà cung cấp đằng sau tuyên bố Pareto của chính DeepSeek vẽ chi phí mỗi tác vụ trên trục log trải từ mười xu đến hai mươi đô la — đây là kiểu độ trải rộng mà một bội số lớn như vậy đòi hỏi. Chỉ tính theo giá niêm yết, khoảng cách hẹp hơn 83×: Claude Opus 5 tính 5 đô la mỗi 1 triệu token đầu vào và 25 đô la mỗi 1 triệu token đầu ra, so với 0,30 đô la và 1,20 đô la của DeepSeek-V4.1-Flash trong các khung giờ cao điểm ngày thường, tức khoảng 17× đầu vào và 21× đầu ra, và câu trả lời thay đổi rất nhiều tùy theo tỷ lệ trúng bộ nhớ đệm và số token mà một tác vụ tiêu tốn. Chiều hướng của lập luận về chi phí không bị tranh cãi, ở đây hay bất kỳ chỗ nào khác trong bài viết này. Bội số cụ thể là một tuyên bố về một phép so sánh mà chưa ai công bố.

Databricks là phần của bài viết đó mà độc giả có thể đối chiếu với tài liệu, và tài liệu nói nhiều hơn bài viết. DeepSeek V4.1 Flash đã có mặt trên Databricks Unity Gateway từ ngày 11 tháng 9, một ngày sau khi DeepSeek ra mắt, với đầu vào văn bản và hình ảnh thông qua Foundation Model APIs của nền tảng dưới tên dịch vụ system.ai.deepseek-v4-1-flash; vào ngày 7 tháng 10, nền tảng đã bổ sung cho mô hình này tính năng ưu tiên trả theo token và thông lượng dự phòng được cấp trước. Đây cũng là điểm đến được nền tảng chỉ định cho dòng mô hình này: Databricks đã lên lịch ngừng hỗ trợ DeepSeek V4 Pro (0813) vào ngày 30 tháng 10 và DeepSeek V4 Flash (0731) vào ngày 5 tháng 11, đồng thời nêu DeepSeek V4.1 Flash là lựa chọn thay thế được khuyến nghị trong cả hai ghi chú. Điều mà không trang Databricks nào nói là checkpoint ngày 17 tháng 10 sắp ra mắt. Tuyên bố đó là một nhân viên phát biểu với tư cách cá nhân — một tín hiệu nội bộ về ý định chứ không phải ngày phát hành đã thành hiện thực, và trang mô hình được hỗ trợ vẫn liệt kê mô hình mà không có nhãn checkpoint. Vì vậy, thay đổi về tính sẵn có trong tuần này là thông tin tiềm năng, đến từ một nguồn bên trong nền tảng chứ không phải từ chính nền tảng; thứ mà khách hàng Databricks có thể gọi hôm nay là bộ trọng số tháng 9, và việc hoán đổi mà bài viết này đang mô tả — trọng số mới đằng sau cùng một tên và cùng một bảng giá — chính là hình thức mà việc thay thế đó sẽ có khi nó diễn ra.

So what did not change is as important as what did. Three of the four independent instruments still cover the September weights and only those: the Exploit Bench harness table, the community kernel board and the AA-AgentPerf hardware runs were all produced before the swap, and the two DeepSWE v1.1 boards that carry this model's name publish an entry with no checkpoint on it. The fourth changed on October 18: Artificial Analysis added a separate row for the 1017 checkpoint, scored it 45 on its Intelligence Index and 33.8 on Terminal-Bench 4.0, and left the September row standing at 39 and 26.8. That is the first time a number in this piece was produced by someone other than DeepSeek against the weights DeepSeek is currently serving. The API change is a checkpoint refresh behind a name DeepSeek had already documented as pointing at the latest Flash model — the opposite of the September plan to make deepseek-v4-pro answer as a different model, which is the distinction developers were drawing when they objected to that one. For a caller, the practical effect is narrow and concrete: asking for deepseek-flash now gets different weights at the same price, with a better vendor-reported table behind them and, since October 18, one third party scoring them — lower on the one row where both exist. On OrcaRouter the model id and the rate card are unchanged too — DeepSeek V4.1 Flash is routed at DeepSeek's own list price with 0% markup passed through — which is what a vendor refreshing a model without moving its name or its price should look like from the caller's side of the line.

Những gì thực sự đã được phát hành vào ngày 10 tháng 9

The changelog entry opens with a single sentence: "Today, we officially release the DeepSeek-V4.1-Flash model." DeepSeek describes it as the smallest member of a new model-structure family, with native visual understanding, and it is the first release in this cycle to arrive with a technical report attached. The API side is a name swap rather than a migration:

• Model name — deepseek-flash on DeepSeek's own API; the base URL, the key and the request format are unchanged.

• Đã ngừng hoạt động — DeepSeek V4 Flash và DeepSeek-V4-Flash-Vision-Exp đã ngoại tuyến. ID cũ của chúng vẫn được chấp nhận và hiện định tuyến đến V4.1 Flash, tính phí theo mức Flash, để các tích hợp hiện có vẫn hoạt động mà không cần thay đổi mã.

• V4 Pro — DeepSeek announced that from 12:00 Beijing time on September 14, deepseek-v4-pro requests would route to V4.1 Flash at V4.1 Flash prices until a V4.1 Pro shipped, then reversed the decision before the date arrived. V4 Pro is still served, at unchanged billing, and DeepSeek says it will give notice of any further change.

• Envelope — cửa sổ ngữ cảnh 1 triệu token, đầu ra tối đa 384K, 2.500 yêu cầu đồng thời mỗi tài khoản, hỗ trợ đầu vào hình ảnh, chế độ suy luận (thinking mode) bật theo mặc định với tùy chọn không suy luận.

• Trọng số — cùng ngày hôm đó, kho lưu trữ deepseek-ai/DeepSeek-V4.1-Flash đã được đăng lên Hugging Face theo giấy phép MIT: 48 phân đoạn safetensors với tổng dung lượng khoảng 510 GB, báo cáo kỹ thuật dưới dạng PDF nằm bên cạnh, và một bản triển khai suy luận tham chiếu trong thư mục inference.

That last bullet is also where the retired model ID story lands for anyone with deepseek-v4-flash hardcoded in a production path: it still resolves, but what answers is a different model. DeepSeek has been explicit that this is a compatibility shim rather than a promise, which makes it a migration deadline wearing a deprecation notice.

Kiến trúc, giờ đã được ghi nhận.

Hai ngày trước, phần này chỉ có thể là một danh sách những thứ chưa ai công bố. Báo cáo kỹ thuật đã giải quyết điều đó, và tuyên bố về cấu trúc hóa ra lại là nghĩa đen chứ không phải chỉ là tiếp thị. DeepSeek V4.1 Flash là mô hình hỗn hợp chuyên gia đa phương thức với 552 tỷ tham số, và những phần mới chính là những phần quyết định chi phí vận hành:

• Backbone — tổng cộng 552B tham số, hỗn hợp chuyên gia với một chuyên gia dùng chung và 384 chuyên gia định tuyến mỗi lớp, sáu chuyên gia định tuyến hoạt động cho mỗi token.

• CED — một transformer 40 lớp được chia thành bộ mã hóa nhân quả 20 lớp và bộ giải mã 20 lớp. Bộ đệm KV toàn cục của bộ giải mã được chiếu từ các trạng thái ẩn cuối cùng của bộ mã hóa thay vì được suy ra từ các trạng thái ẩn của riêng từng lớp giải mã, và đây chính là nơi tiết kiệm bộ nhớ nhiều nhất.

• Bất đối xứng kích hoạt — khoảng 8B tham số hoạt động trên mỗi token trong giai đoạn prefill và 16B trong giai đoạn decode, vì vậy đọc một prompt dài sẽ rẻ hơn đáng kể so với việc sinh nội dung từ nó.

• KV cache — báo cáo tuyên bố 890 byte mỗi token cho KV cache toàn cục, khoảng một phần tư so với DeepSeek V4 Flash, sử dụng KV cache chính FP4 với một scale cho mỗi 16 kênh cộng với tái sử dụng liên lớp.

• Attention và giải mã — Compressed Sparse Attention 2 với các chế độ Full, Reindex và Reuse cùng bộ lập chỉ mục thưa phân cấp, Single-Pass mHC và giải mã suy đoán DSpark.

• Engram — một bảng bộ nhớ có điều kiện 196B tham số, được truy cập thưa thớt thông qua tra cứu dựa trên token, nằm bên cạnh nhánh mixture-of-experts thay vì bên trong ngăn xếp attention. Đây là khối trọng số lớn nhất trong bản phát hành, và con số dành cho nó trên thẻ mô hình là thứ khiến kích thước của bản tải xuống trở nên dễ hình dung.

• Thị giác — DeepSeek-ViT với bộ chiếu MLP hai lớp, được huấn luyện ngay từ đầu quá trình tiền huấn luyện mô hình ngôn ngữ thay vì ghép thêm vào nền tảng văn bản sau đó.

• Huấn luyện — 45 nghìn tỷ token của kho ngữ liệu đa phương thức, với cơ chế chú ý thưa được huấn luyện ở độ dài chuỗi 64K và ngữ cảnh được mở rộng lên 1M tại mốc 34 nghìn tỷ token. Giai đoạn hậu huấn luyện chạy SFT, sau đó là RL, rồi chưng cất on-policy.

• Mức nỗ lực suy luận — một số nguyên có thể điều chỉnh liên tục từ 1 đến 100, cho phép tinh chỉnh mịn hơn các mức thấp, cao và tối đa mà DeepSeek V4 Pro cung cấp.

Con số KV-cache là con số có hệ quả vượt ra ngoài bảng thông số, và đó là nơi thiết kế chứng minh được giá trị của mình. Cửa sổ ngữ cảnh 1M token chỉ hữu ích nếu bạn đủ khả năng lấp đầy nó. Lý do khiến kinh tế ngữ cảnh dài của thế hệ trước trở nên đau đớn gồm hai phần: bộ nhớ đệm toàn cục tăng lên theo từng lớp chạy attention trên prompt, và phần lớn dung lượng bộ nhớ đệm lâu dài bị tiêu tốn để giữ trạng thái cửa sổ trượt vốn không còn hữu ích sau vài phút. Câu trả lời của báo cáo nhắm vào cả hai. Liệu sản phẩm được phục vụ có đạt được điều đó ở 1M token trong điều kiện đồng thời thực tế hay không là kiểu tuyên bố vẫn cần đến bên thứ ba — các điểm số độc lập hiện có đo lường mô hình, chứ không đo lường kinh tế ngữ cảnh dài — nhưng cơ chế giờ đây đã được tài liệu hóa thay vì chỉ được suy đoán, và phần dưới đây sẽ mổ xẻ nó.

Bên trong bộ nhớ đệm: 890 byte trên mỗi token thực sự đạt được như thế nào

The report's title is the thesis. Read it and the efficiency claim stops looking like a side effect of the mixture-of-experts backbone and starts looking like the design brief — which is the reading independent write-ups have converged on since release. The reason it matters commercially rather than academically is where an agent's bill actually lands: DeepSeek's framing is that the cache-hit line is the one that dominates it on long agentic workloads, which makes the size of the cache a first-order cost lever. DeepSeek's numbers put the global cache at 890 bytes per token, roughly 437× smaller than the original DeepSeek V1 and about a quarter of DeepSeek V4 Flash. Run the arithmetic on a full window and it is the difference between roughly 890 MB of global KV for a single 1M-token sequence and about 3.5 GB at V4 Flash's per-token rate. Three changes do most of the compressing: one on how much is stored, one on what gets read, and one on what is kept at all.

The storage format is the most legible of them. The main global cache is held in FP4 using the E2M1 layout with one E4M3 scale per 16 channels — half the width of the FP8 cache DeepSeek V4 stored and a quarter of FP16. What makes that survivable is that DeepSeek quantized the cache during training rather than at serving time, so the noise the narrower format introduces is something the model learned to work around instead of something inflicted on it afterwards. Not everything was compressed that way: the local sliding-window cache stays in FP8, because the report treats it as the part that is sensitive to further narrowing.

Compressed Sparse Attention 2 handles what gets read. Each attention layer is statically assigned one of three modes — Full, Reindex or Reuse — so decoder layers can share key state and indexer state instead of each keeping its own, and the first Full-mode layer builds a candidate pool that later indexing layers are restricted to. Report figures put that pool at 16,384 positions with the sparse selection over the top 512 entries, which is what decouples indexing cost from context length: DeepSeek's claim is that moving from 4K to 1M context adds only around a quarter more compute per generated token, rather than the roughly window-proportional growth the earlier design implied. That single figure is the most useful thing in the report for anyone trying to price a long-context workload, and it is also the one with no outside confirmation at all — none of the outside measurements in this piece has tested the far end of the context window.

The change doing the most work on the persistent side has the least promising name. DeepSeek V4 kept two things in its persistent cache for more than 72 hours under typical workloads: the global KV and the sliding-window attention state. Sliding-window state matters for minutes, but it was consuming close to half of the persistent cache capacity — storage sized for days spent on data with a minute of usefulness. V4.1 Flash drops SWA state out of the persistent cache entirely and parks it in a pool assembled from about 10% of each machine's host DRAM with a minute-level time to live. When a session resumes and that state is gone, SWA Bounded Replay reconstructs it approximately: rather than replaying layers × window tokens, it replays only the most recent window, reported at 128 tokens, and accepts that the rebuilt state is not mathematically identical to a full replay. DeepSeek says it observed little quality impact from the approximation and simulated the same behaviour during post-training. Put that together with the narrower global cache and the persistent KV footprint falls to roughly one-eighth of DeepSeek V4 Flash under identical workloads — a bigger cut than the one-quarter figure that leads the spec sheet, because it is two changes stacked rather than one format change.

Two limits sit on all of it. The report offers no end-to-end latency or cost comparison, so an eight-times-smaller persistent cache is not a demonstrated eight-times-cheaper workload: compression relieves memory pressure, and only the memory-bound part of a bill responds to that. And the saving is not something that happens to you. An engine has to implement the encoder-decoder projection, the three CSA2 modes, the FP4 cache layout and Bounded Replay before the number means anything, which is why 890 bytes is best read as a first-party specification for DeepSeek's own served API rather than a promise about a local build — the quantized conversions for llama.cpp, Ollama and LM Studio in the repository do not carry this cache with them. The headline also covers text tokens; vision embeddings sit outside it. On anything self-hosted, the number worth trusting is the one you measure. How far an engine can get with it is no longer hypothetical, though it is still not independent. vLLM implemented the decoder-side trim and Bounded Replay over the three weeks after release and published the before-and-after in the speed section below — the closest thing yet to a check on the specification, and one made by an engine measuring its own work rather than by an evaluator measuring the model.

Điểm số độc lập, chạy hai lần: 39 cho trọng số tháng 9, 45 cho 1017

Artificial Analysis has published the first outside evaluation of DeepSeek V4.1 Flash, and it is the number the beta could not produce. On the current version of the Artificial Analysis Intelligence Index (v4.3.2), the model scores 39 in Reasoning mode at maximum effort. On the same scale and the same setting, DeepSeek V4 Pro 0813 scores 36 and DeepSeek V4 Flash 0731 scores 34. Read together, those three rows say the thing DeepSeek's own marketing claimed and its benchmarks could not establish on their own: the smallest model in the family is now the strongest one. Artificial Analysis describes 39 as well above the median of 19 for open-weight models of comparable size. It was, for five weeks, a score for the September checkpoint alone: the evaluator's listing carried the September release date and nothing else. On October 18 that changed, and the change is the news this piece did not have when it first ran. A second row appeared for DeepSeek V4.1 Flash 1017, dated October 17, scored 45 on the same index at the same maximum effort. That puts the 1017 weights level with GLM-5.3 on 45, two points below GPT-5.6 Sol on 47 and six below Claude Opus 5 on 51 — and it makes the checkpoint the highest-scoring DeepSeek model the site has measured, five weeks after the September weights took that title. It also gives the model a standing it did not have before, and one the evaluator states outright in its October 19 write-up: second on the open-weights table, tied with GLM-5.3 and a point behind MiMo-V2.6-Pro at 46, with Step 5 Preview and Kimi K3 a point further back at 44. The six points are not spread evenly across the ten evaluations. The same write-up reports the largest moves in the agentic and knowledge components — a GDPval-AA v2.1 Elo of 1,746 against 1,600, an AA-Briefcase v1.1 Elo of 1,570 against 1,420, and an AA-Omniscience non-hallucination rate of 33% against 4%, with accuracy rising from 43% to 46% and that evaluation's index moving from -5 to +5. Those are the evaluator's own numbers for its own tests, published by it rather than reproduced here, and they describe a model that became markedly less willing to invent an answer — a different improvement from the speed one DeepSeek's changelog leads with.

The comparison that matters here is the internal one, because it is the same comparison DeepSeek's routing table makes. V4.1 Flash carries 552B total parameters with 16B active per token; DeepSeek V4 Pro 0813 carries about 1.6T total with roughly 49B active. A model with roughly a third of the backbone scores three points higher on a composite its maker did not run — nine points higher once the 1017 weights are counted, since the 1.6T flagship has not moved from 36. The size-to-score trade is the entire thesis of the Causal Encoder-Decoder design, and an evaluator with no stake in the result has now produced a number consistent with it.

The price half of the claim holds up too, and this is the first price comparison in the story that does not come from a DeepSeek rate card. Artificial Analysis lists DeepSeek V4.1 Flash at $0.30 per 1M input tokens and $1.20 per 1M output, against $1.32 and $3.96 for DeepSeek V4 Pro 0813 — 4.4× cheaper on input and 3.3× on output, with a blended $0.18 per 1M on the site's 7:2:1 cache-hit, input and output mix. It is also cheaper than the older, smaller DeepSeek V4 Flash 0731 it retires, which the site lists at $0.44 and $1.32 while scoring five points lower. Cheaper than the model it replaces, cheaper than the model it displaces, and ahead of both on the index.

Two caveats belong on the number. It is a composite of ten evaluations run at maximum reasoning effort, so it says nothing about the lower effort settings most production traffic actually uses, and nothing about how quality holds at the far end of a 1M-token window. And it is a single evaluator's score: independent, but not replicated — and the composite itself has been revised since this piece first cited it, from v4.3 to v4.3.2, which moved DeepSeek V4.1 Flash's score from 40 to 39 and its predecessor's from 35 to 34. What it does establish is narrow and useful — the one claim the beta could not support, that a 552B model is genuinely competitive with DeepSeek's own 1.6T flagship, now has a source outside DeepSeek. The 1017 row carries the same two caveats and one more. It is a single evaluator's score, for weights five weeks newer than most of the evidence here, and it is one composite rather than a replication of any vendor row. Its per-task price has also moved on the site: the September checkpoint is listed today at $0.49 per Intelligence Index task, where this piece first carried $0.27, and the 1017 checkpoint at $0.26. Treat the dollar figure as a live number on somebody else's dashboard rather than a constant — which is the same lesson the index score itself taught when it went from 40 to 39. The cost table beside the score is the rest of the caveat, and it cuts both ways. The model one place above it is also half its price: MiMo-V2.6-Pro reaches 46 at $0.13 per Intelligence Index task against $0.26 here, and Artificial Analysis's own comparison puts GPT-6.1 Sol at medium effort on 48 for $0.21. What the 1017 checkpoint does win is the head-to-head DeepSeek has been selling since September — it beats GLM-5.3-Flash on both axes of that table, 45 against 42 and $0.26 against $0.28 a task — which is the pairing where capability and cost move the same way.

Điểm số bên ngoài tiếp theo: ARC Prize đang xây dựng bài kiểm tra

Vào ngày 25 tháng 9, trưởng bộ phận kiểm thử mô hình của ARC Prize, Matt Mazur, đã mở một pull request trong chính kho lưu trữ đánh giá chuẩn ARC-AGI-3 của quỹ, thêm một bộ điều hợp nhà cung cấp DeepSeek hạng nhất: một hồ sơ, tên là deepseek-v4-1-flash-low-provider-adapter, với trường model là deepseek-ai/DeepSeek-V4.1-Flash. Tuyên bố rằng ARC Prize dự định đánh giá mô hình này đến từ một bài đăng mạng xã hội duy nhất, nên chúng tôi đã kiểm tra nó dựa trên chính mã của quỹ thay vì dựa trên bài đăng. Bộ điều hợp, hồ sơ, các bài kiểm thử đơn vị và tài liệu của nó đều nằm trong diff, và kho lưu trữ này chính là harness mà chính sách kiểm thử của ARC Prize chỉ định cho benchmark tác tử tương tác của mình. Điều không tồn tại là một kết quả: pull request vẫn đang mở và chưa được hợp nhất, không có điểm số, không có ngày công bố, và không có tuyên bố về việc những mức suy luận nào sẽ được công bố. Điều khiến nó quan trọng là hình dạng của phép đo, chứ không phải tin rằng một kết quả sắp đến. ARC-AGI đặt ra một câu hỏi mà các bảng khác không đặt ra: một mô hình có thể nhanh, rẻ và mạnh bên trong một harness mà vẫn chỉ đạt điểm trong khoảng sáu mươi trên những tác vụ nó chưa từng thấy. Đó là câu hỏi mà chưa ai đặt ra cho DeepSeek V4.1 Flash.

Hồ sơ này xác định rõ cách một lần chạy như vậy sẽ hoạt động, và ba chi tiết sẽ định hình con số cuối cùng đạt được. Nó chạy mô hình ở thiết lập nỗ lực suy luận thấp thay vì mức tối đa, truyền phát phản hồi, đặt ngữ cảnh harness 1M token với ngưỡng kích hoạt nén tóm tắt ở 175,000 token, và giới hạn đầu ra ở 262,144 token. Nó định tuyến qua endpoint tương thích OpenAI của Baseten thay vì endpoint của chính DeepSeek, và được cấu hình ở mức $0.30 mỗi 1M token đầu vào và $1.20 mỗi 1M token đầu ra — giá niêm yết giờ cao điểm của DeepSeek, không phải các con số ngoài giờ cao điểm được dẫn ở phần dưới của bài này. ARC Prize tính chi phí mỗi tác vụ từ các mức giá được cấu hình trong hồ sơ, nên con số cuối cùng sẽ là con số theo giá cao điểm, điều đáng ghi nhớ trước khi so sánh nó với $0.042 mỗi tác vụ mà DeepSeek V4 Flash 0731 đã công bố khi được kiểm thử. Điểm bất thường khác là một giải pháp vòng tránh cho cách chế độ suy nghĩ của DeepSeek hoạt động: nội dung suy luận lịch sử chỉ được phát lại khi một yêu cầu mang theo công cụ, nên bộ chuyển đổi khiến mô hình phát ra mọi hành động ARC dưới dạng một lệnh gọi công cụ submit_action và phát lại chính xác thông điệp assistant kèm phần suy luận của nó, thay vì tách các hành động ra khỏi văn xuôi.

Mức chuẩn để đo lường điều này đến từ chính bảng xếp hạng của ARC Prize. DeepSeek V4 Flash 0731, checkpoint mà V4.1 Flash thay thế, là mục đã được xác minh trên bảng xếp hạng cho hạng Flash mà nó thuộc về: 61,4% trên ARC-AGI-2 ở mức nỗ lực suy luận tối đa và 89,0% trên ARC-AGI-1, với $0,042 và $0,021 mỗi tác vụ. Dots3-Note Preview đứng ở 76,8% trên ARC-AGI-2, tức là 77% mà bài đăng đã đánh dấu adapter đang nhắc tới, và kỳ vọng của cùng tài khoản đó — rằng bất cứ thứ gì dưới 80% từ một mô hình kế nhiệm lớn hơn nhiều, có bản chất đa phương thức gốc — là cách diễn đạt của ông ấy chứ không phải một mục tiêu đã công bố. Phần còn lại của cách diễn đạt đó đáng được gắn nhãn: tuyên bố rằng V4.1 Flash tạo ra nhiều hơn 29% token so với mô hình mà nó thay thế là không có nguồn và không được định nghĩa, và không có gì DeepSeek hay ARC Prize đã công bố nói rõ nó đo lường điều gì.

One caution about which board this is. The adapter landed in the ARC-AGI-3 repository, the harness for the foundation's interactive agentic benchmark, and the separate repository that runs ARC-AGI-1 and ARC-AGI-2 carries no V4.1 entry at all — its model list has not been updated since July 27 and still names older DeepSeek endpoints. So the datable fact is that ARC Prize has wired this model into its agentic harness; whether it will also appear on the ARC-AGI-2 board, where the 61.4% comparison lives, is not something the public code shows today. The practical reading for anyone choosing a model has widened. Four independent instruments on DeepSeek V4.1 Flash are now in play — a composite index that has been run twice, once per checkpoint; a community kernel board; a harness-controlled cyber benchmark; and, since October 14, a hardware serving benchmark — and two of them put the model inside a harness on tasks it has not seen. The newer of the two is the composite, which has carried Terminal-Bench 4.0 since index v4.3: 66 terminal tasks, pass@1 averaged over three repeats, every model under the same agent harness. Its October 18 result for the 1017 weights is 33.8. The cyber benchmark, below, is the closest any of them comes, and on it this model loses the one head-to-head it makes. The ARC profile is the evaluation built to answer the reasoning question, and it is still the one without a number. Until it runs, the model's reasoning ceiling is unmeasured, and the number to hold it against is its predecessor's.

Điểm cyber bên ngoài đầu tiên: khung kiểm thử dịch chuyển con số nhiều hơn cả mô hình

Vào ngày 28 tháng 9, phòng thí nghiệm đánh giá Generality Labs đã công bố một bài tiếp nối cho công trình an ninh mạng trước đó của mình mang tiêu đề “Liệu harness có quan trọng khi chạy các Cyber Benchmark không?” — phép đo bên ngoài hoàn chỉnh đầu tiên đặt DeepSeek V4.1 Flash bên cạnh một mô hình trọng số mở khác trên cùng một chuẩn đánh giá an ninh mạng. Chuẩn đánh giá là Exploit Bench, một đánh giá của Carnegie Mellon do Seunghyun Lee và GS. David Brumley thực hiện, chấm điểm việc một tác nhân leo được bao xa trên một thang gồm mười sáu năng lực — từ tiếp cận mã dễ bị tổn thương, đến kích hoạt lỗi, đến xây dựng các nguyên thủy khai thác, đến thực thi mã tùy ý — nhắm vào V8 trong môi trường sản xuất với hộp cát bảo mật V8 được bật. Phòng thí nghiệm đã chạy hai mô hình, DeepSeek V4.1 Flash và GLM-5.3-Flash của Z.ai, với ngân sách 250 triệu token cho mỗi tác vụ trên 10 tác vụ được rút ra từ 41 tác vụ gốc của chuẩn đánh giá bằng Lý thuyết Ứng đáp Câu hỏi (Item Response Theory), và lặp lại mỗi mô hình dưới bảy cấu hình harness: sáu CLI tác nhân — Claude Code, Codex, Kimi CLI, ReAct, Gemini CLI và OpenCode — cộng với mặc định của chính chuẩn đánh giá, thứ mà bài viết gọi là Original. Original hoàn toàn không phải là một CLI của bên thứ ba: nó không có giới hạn token, trần 300 lượt và không nén ngữ cảnh. Tài khoản đã nêu bật kết quả này mô tả Original đại khái như một vòng lặp while trong Python; đó là cách mô tả của anh ấy chứ không phải của các nhà nghiên cứu, những người có mô tả riêng chính là mô tả ở trên.

Kết quả là một khoảng phân tán mà không một điểm số đơn lẻ nào có thể phản ánh. Năng lực trung bình được tính trên thang 16. DeepSeek V4.1 Flash đạt kết quả tốt nhất dưới Claude Code, 9,3, với Codex đứng thứ hai ở 8,9; cùng mô hình đó giảm xuống 7,4 trên Kimi CLI, 5,9 trên OpenCode, 5,7 trên Gemini CLI, 5,3 trên ReAct và 4,7 dưới Original — mặc định của chính benchmark này, và là mức tệ nhất trong bảy. GLM-5.3-Flash đảo ngược thứ hạng đó ở cả hai đầu. Cấu hình tốt nhất của nó là Codex ở 10,6, cao hơn mức 10,02 mà bộ dữ liệu của chính nghiên cứu ghi nhận cho Mythos Preview trên toàn bộ tập 41 tác vụ, dù các nhà nghiên cứu lưu ý rằng tập con 10 mẫu không hoàn toàn mang tính đại diện; mức tệ nhất của nó là Claude Code ở 6,2, cũng chính là harness mà DeepSeek V4.1 Flash đạt kết quả tốt nhất, và 8,9 trên Gemini CLI, 8,2 trên Kimi CLI, 8,1 trên OpenCode, 7,7 trên ReAct và 6,4 dưới Original. Tính trung bình trên cả bảy, GLM-5.3-Flash ở gần 8,0 và DeepSeek V4.1 Flash gần 6,7. Vậy cả hai nửa của tuyên bố đi kèm với kết quả này đều khớp với dữ liệu đã công bố: lựa chọn harness đáng giá vài điểm, và trên benchmark này, DeepSeek V4.1 Flash là mô hình yếu hơn trong hai mô hình — ngoại trừ dưới Claude Code, nơi nó dẫn trước hơn ba điểm.

Các nhà nghiên cứu nói rõ rằng họ không thể giải thích đầy đủ mức chênh lệch này. Manh mối tích cực duy nhất của họ là cách mỗi harness nén ngữ cảnh, và khác biệt nằm ở cách dùng từ. Prompt nén của ReAct yêu cầu mô hình “Viết một bản tóm tắt tiếp nối cho phép bạn (hoặc một phiên bản khác của chính bạn) tiếp tục công việc”; trong các bản ghi mà phòng thí nghiệm công bố, điều đó đôi khi khiến mô hình tuyên bố công việc đã hoàn tất, sau đó harness đánh thức nó lần nữa và nó gửi lại cùng báo cáo hàng chục lần cho đến khi hết ngân sách. Codex diễn đạt cùng thời điểm đó là “Tạo một bản tóm tắt bàn giao cho một LLM khác sẽ tiếp tục nhiệm vụ,” và phòng thí nghiệm đưa ra giả thuyết rằng việc hướng tới một tác nhân khác chính là điều giúp mô hình tiếp tục đạt tiến triển qua những ngân sách dài. Họ gọi đây là một giả thuyết, không phải nguyên nhân. Một lỗi cấu hình cũng quan trọng khi đọc bảng: việc nén của ReAct được đặt thành 100K token thay vì ngưỡng kích hoạt dự định, nên nó nén thường xuyên hơn nhiều so với thiết kế đặt ra, điều này làm giảm các dòng ReAct của cả hai mô hình. Những lưu ý của chính nghiên cứu cần được ghi nhớ cùng với bất kỳ con số nào lấy từ nó — hai mô hình, 10 mẫu cho mỗi cấu hình harness, 70 mẫu câu hỏi cho mỗi mô hình so với 41 tác vụ gốc của benchmark, và ba mẫu bị lỗi hoặc không bao giờ hoàn tất, hai trong số đó là GLM-5.3-Flash. Các tác giả nêu rõ rằng mẫu nhỏ vốn dĩ đã nhiễu, rằng không nên giả định kết quả này mở rộng sang các lĩnh vực và tác vụ khác, và rằng công trình trước đây của METR không tìm thấy khác biệt có ý nghĩa thống kê giữa các harness trong các tác vụ dài hạn. Đây là một phòng thí nghiệm bên ngoài đang chạy benchmark của người khác, không phải chủ sở hữu benchmark, và nó chưa được bình duyệt. Điều mà nó không phải là một con số do nhà cung cấp đưa ra, và đây là con số bên ngoài đầu tiên trong bài viết này mâu thuẫn với câu chuyện của chính nhà cung cấp thay vì chỉ đơn thuần không xác nhận câu chuyện đó.

Ở đây có một thứ mà một router có thể tác động đến và một thứ mà nó không thể. Nó không thể chọn harness của bạn — đó là vòng lặp agent mà bạn đã chạy, và toàn bộ luận điểm của nghiên cứu này là lựa chọn đó có tính quyết định. Điều nó có thể làm là biến phần model trong cặp đó thành một thay đổi chỉ một dòng. DeepSeek V4.1 Flash và GLM-5.3-Flash đều có thể định tuyến qua OrcaRouter bằng một khóa duy nhất tương thích OpenAI, theo đúng giá niêm yết của nhà cung cấp, cộng thêm 0% phụ giá, nhờ đó một nhóm muốn tìm tổ hợp model-và-harness của riêng mình có thể hoán đổi model bên dưới một harness cố định mà không cần hợp đồng thứ hai hay tích hợp thứ hai, và để lại một model đã được chứng minh phía sau nó làm cơ chế chuyển đổi dự phòng tự động nếu việc hoán đổi hóa ra là một bước lùi. Đó cũng chính là lập luận mà phần áp dụng đưa ra bên dưới, được áp dụng cho một quyết định mà nghiên cứu về harness vừa cụ thể hóa: với bằng chứng này, harness bạn chạy có thể quan trọng hơn model bạn chọn, và phần model của cặp đó là phần bạn có thể thay đổi trong một buổi chiều.

Nơi nó dừng lại so với ranh giới tiên tiến, và nơi nó vẫn còn thua kém

The September model card compares V4.1 Flash against Opus-5.0, GPT-5.6 Sol, Kimi K3 and GLM-5.3 at maximum reasoning effort, with its own DeepSeek V4 Pro and DeepSeek V4 Flash as internal baselines. Every figure below is vendor-reported, run on DeepSeek's harnesses, and unreproduced by any third party. The card notes that agentic results use the Minimal mode of DeepSeek Harness with a 1M-token context for code benchmarks and a 512K window for visual ones, so these are not directly comparable to published third-party numbers on the same benchmarks. The independent scores in the sections above are different measurements on different sets of evaluations; they support the general picture and corroborate no individual row below, and the October 17 rows in the section above come from a different card and a different run of the same benchmarks.

Trong các công việc về tác nhân và lập trình, số liệu của nhà cung cấp xếp V4.1 Flash trên các mô hình tiên phong mà họ đề cập:

• Terminal-Bench 2.1 — 90.6, so với 89.1 của Opus-5.0, 88.8 của GPT-5.6 Sol và 87.9 của DeepSeek V4 Pro

• DeepSWE v1.1 — giải quyết được 74.2, so với 74.0, 73.0 và 62.7

CyberGym — 88.1, so với 84.5 của cả GPT-5.6 Sol và GLM-5.3, và 83.3 của DeepSeek V4 Pro

• AutomationBench — 54.8, so với 50.3 của Opus-5.0 và 37.7 của DeepSeek V4 Flash

• Agent's Last Exam — 31.8, so với 28.6 và 25.7

• Codeforces — đạt rating 3.471, vượt qua DeepSeek V4 Pro ở mức 3.348 và DeepSeek V4 Flash ở mức 3.289

• MathArena Apex — 65.6, ngang hàng với Kimi K3 và vượt trước DeepSeek V4 Pro (65.3)

Và trên các bộ kiểm thử agentic khó hơn thì nó không:

• Terminal-Bench 3.0 — 30,0, kém xa Opus-5.0 với 43,3 và GPT-5.6 Sol với 34,4, mặc dù vượt xa DeepSeek V4 Pro với 11,8

• Terminal-Bench 4.0 — 31.2, so với 51.8 và 39.9, và lại dẫn trước DeepSeek V4 Pro ở mức 12.4

• ProgramBench — 20.3, so với 37.0 của Opus-5.0

• NL2Repo-Bench — 64.0, so với 75.3 của Opus-5.0

• HLE — 36.8, so với 56.3 và 44.5

• ExploitGym — 15.3, so với 33.7 và 22.1

The shape of that list is more informative than any single row. V4.1 Flash clears the frontier on benchmarks that reward sustained tool use inside a harness, and loses on the ones that reward depth of reasoning — the pattern you would expect from a model engineered around throughput and context economics rather than around raw reasoning ceiling. The internal comparison is the striking one: it beats DeepSeek V4 Pro on essentially every row, including the rows where both lose to Opus-5.0. DeepSeek is not claiming its cheapest model is the best model on the market. It is claiming its cheapest model is the best model DeepSeek makes, which is a claim its own routing table backs up.

Chi phí là bao nhiêu, và so sánh với Pro thực sự trông như thế nào

September 10's rate card is now simply the V4.1 Flash card, published on DeepSeek's Models & Pricing page with a peak and off-peak split:

• Đầu vào, cache hit — $0.003 mỗi 1M token ngoài giờ cao điểm, $0.006 vào giờ cao điểm

• Đầu vào, không có trong bộ nhớ đệm — $0.15 mỗi 1M token ngoài giờ cao điểm, $0.30 vào giờ cao điểm

• Đầu ra — $0.60 mỗi 1M token vào giờ thấp điểm, $1.20 vào giờ cao điểm

• Khung giờ cao điểm — 01:00–04:00 và 06:00–10:00 UTC, từ Thứ Hai đến Thứ Sáu; các giờ khác được tính phí bằng một nửa mức giá giờ cao điểm

• Tính bằng nhân dân tệ — ¥0.02, ¥1 và ¥4 giờ thấp điểm, tăng gấp đôi lên ¥0.04, ¥2 và ¥8 giờ cao điểm

Compare that with the model it is displacing. DeepSeek V4 Pro bills $0.022 per 1M cache-hit input, $0.66 cache-miss input and $1.98 output off-peak — roughly 4.4× on cache-miss input and 3.3× on output. Those are the numbers the September 14 rerouting would have applied to every deepseek-v4-pro call, which is why the plan was a price story as much as a capability story, and they are still the reason the comparison matters: DeepSeek withdrew the reroute, not the rate card. Artificial Analysis reaches the same arithmetic from its own listings — $0.30 and $1.20 per 1M for V4.1 Flash against $1.32 and $3.96 for DeepSeek V4 Pro 0813, the same 4.4× and 3.3×, and a blended $0.18 per 1M on the site's 7:2:1 cache-hit, input and output mix. The card also undercuts DeepSeek V4 Flash 0731, the model it retires, which the same site lists at $0.44 and $1.32.

Giá trên mỗi token không phải chi phí trên mỗi tác vụ, và bản beta là bằng chứng cho điều đó. Những người thử nghiệm ngày đầu báo cáo rằng các phiên kéo dài năm phút làm cạn số dư của họ nhanh hơn trên model mới so với cùng khoảng thời gian thực trên DeepSeek V4 Flash, vì model được thiết kế để phát ra token nhanh và hóa đơn tính theo token, không theo phút. Một gói chỉ bằng một phần tư giá của Pro là món hời nếu một tác vụ hoàn thành với lượng token tương đương; sẽ huề vốn nếu model suy nghĩ lâu hơn để đạt được điều đó.

Where an outside number does exist on that question, it points both ways. Artificial Analysis puts DeepSeek V4.1 Flash at $0.27 per Intelligence Index task on its own evaluation set — a real per-task figure, produced outside DeepSeek, and a low one. But the same run generated 250M output tokens against a median of 140M for comparable models, and the site's summary calls the model very verbose in the same breath as calling it fast. Verbosity is free inside a benchmark harness and expensive in production, which is precisely the mechanism the beta testers were describing when they reported balances draining faster in wall-clock terms. The honest state of the per-task question is that one independent evaluator has now measured both halves of it, on its own evaluation set, and the answer still depends on what you are running. The composite cannot show where the extra output goes, and the beta testers never said either. The first hands-on reports do, and they are in the speed section below: the model is verbose because it is checking. The October 17 update is the first time DeepSeek has claimed to move that number: the changelog says the new checkpoint “reduces task runtime and output length,” and the post a few hours later says the same thing in fewer words — “faster task completion, and shorter outputs.” That is DeepSeek addressing, on its own authority, the exact quantity the outside measurement complained about, with no figure attached to either statement. The first outside look at it, on October 18, found the aggregate volume down — 210 million output tokens across the index against 250 million for September — and the per-task figure flat, at 89,495 tokens against 88,574.

Chi phí một tháng: hạn mức 80 đô, sau đó là gói miễn phí

Thẻ ở trên trả lời câu hỏi một token tốn bao nhiêu. Một con số khác đã thay đổi hai lần, và cả hai lần đều đến từ OpenCode — coding agent có gói đăng ký Go định giá quyền truy cập mô hình này như một hạn mức sử dụng hàng tháng thay vì tính theo token đo lường — đang nói về gói đăng ký của chính nó chứ không phải về mô hình. Vào ngày 25 tháng 9, tài khoản của nền tảng đã đăng: “Operation Cheepseek Giai đoạn 2: $60 dung lượng sử dụng cho DeepSeek v4.1 Flash giờ đã là vĩnh viễn.” Vào ngày 12 tháng 10, tài khoản đó đăng phần tiếp theo theo cùng định dạng — “Operation Cheepseek Giai đoạn 3: $80 dung lượng sử dụng cho DeepSeek V4.1 Flash” — và trang định giá của nó ghi $80 cho mô hình này, trong khi vào cuối tháng 9 trang đó ghi $60. Lần đọc đó được thực hiện lần thứ hai vào ngày 13 tháng 10, trên cùng trang, và cho ra cùng một dòng: $80 ở gói Go $10 một tháng, $160 ở Go Plus. Do đó, con số này không phải là lời khẳng định của một bài đăng về chính nó; đó là mức giá được một nền tảng công bố để cung cấp mô hình này, và nó vẫn còn đó một ngày sau. Đọc cùng nhau, hai bài đăng cho biết “vĩnh viễn” hóa ra có nghĩa là gì: không có ngày hết hạn — và một con số cao hơn vào ba tuần sau. Điều mà thay đổi đó không phải là một cách mới để truy cập mô hình — điều đó đến ba ngày sau, trong đoạn dưới đây. DeepSeek V4.1 Flash đã phản hồi trên API riêng của DeepSeek kể từ ngày 10 tháng 9 và OrcaRouter đã cung cấp nó với mức giá riêng của DeepSeek kể từ khi phát hành, vì vậy trọng số, kiến trúc và mọi dòng benchmark trong bài viết này đều không bị ảnh hưởng bởi việc định giá lại gói đăng ký; điều mà tháng 10 thay đổi là ai sẵn sàng cung cấp mô hình và theo những điều khoản nào.

Mục miễn phí là một kiểu thay đổi khác so với cả hai mục kia, và là mục duy nhất trong ba mục làm thay đổi điều mà người đọc có thể làm trong tuần này. Vào ngày 15 tháng 10, OpenCode đã thêm một mục riêng cho mô hình này — DeepSeek V4.1 Flash Free, model id deepseek-v4.1-flash-free — được phục vụ miễn phí. Danh sách mô hình công khai của nền tảng trả về nó bên cạnh id tính phí, tài liệu Console của nền tảng có một mục về các mô hình miễn phí mô tả nó là miễn phí trong thời gian giới hạn và nhà cung cấp của nó tuân theo chính sách không lưu trữ, không huấn luyện trên dữ liệu, và bảng giá đã công bố của nền tảng đặt đầu vào, đầu ra và lượt đọc được lưu cache ở mức Miễn phí. Điều nó không phải là sản phẩm đầy đủ. Các giới hạn được lập danh mục của mục miễn phí — được thêm vào models.dev, danh mục mà danh sách mô hình của chính OpenCode được lấy từ đó, vào ngày 15 tháng 10 — ghi mục tính phí là mô hình cơ sở và giới hạn cửa sổ ở 200.000 token với mức trần đầu ra 32.000 token, so với ngữ cảnh 1M và đầu ra tối đa 384K mà mục deepseek-v4.1-flash tính phí mang lại. Đó là cùng một bộ trọng số đằng sau các điều khoản phục vụ hẹp hơn chứ không phải một mô hình nhỏ hơn hay đã được chưng cất, và mức trần đầu ra là điều khoản gây ảnh hưởng đầu tiên đối với công việc agentic, nơi chỉ một lần chỉnh sửa tệp có thể vượt qua nó. Nền tảng không gắn ngày kết thúc cho thỏa thuận này và không công bố bảng giá cước nào cho nó, bởi vì không có mức giá nào. Không điều nào trong số này đến từ DeepSeek: đây là quyết định thương mại của một nền tảng về một mô hình mà nền tảng đó không sở hữu, được nêu trên danh sách mô hình, tài liệu và bảng giá của chính nền tảng đó, và đó là nguồn duy nhất cho tất cả những thứ này — chúng tôi không tìm thấy đo lường độc lập nào về cách endpoint miễn phí hoạt động dưới tải, và “thời gian giới hạn” là cách nói của nền tảng chứ không phải một lịch trình. Hãy hiểu đây là cách rẻ nhất để đặt một cửa sổ 200.000 token trước mô hình này ngay hôm nay, chứ không phải là một thay đổi về bản chất của mô hình.

The mechanics come from that pricing page, read on October 12 and re-read on October 13. Go is a $10-per-month subscription, and its table pairs every model on it with an estimated request count per five hours and a monthly usage limit, in separate columns for the two tiers. DeepSeek V4.1 Flash carries the largest allowance on the page: $80 a month and 34,670 estimated requests per five hours on Go, doubling to $160 and 69,330 on Go Plus. The rows bill the model at DeepSeek's own card — $0.15 per 1M input tokens, $0.60 output and $0.003 for a cached read at off-peak, doubling to $0.30, $1.20 and $0.006 inside the weekday peak windows — and those are the vendor's figures, unchanged since the September reading this section already carried. Two things the page showed then are not on it today, and both are worth flagging because the earlier reading relied on them: the three-bucket draw-down rule — 20% over any five hours, 50% across a week and 100% across a month — no longer appears, and the documentation URL the request estimates were originally read from, opencode.ai/docs/go, returned 404 when we checked. The request counts above are the platform's arithmetic on a call shape it does not publish, not ours.

The change is checkable against the page, and so is the fact that there has now been more than one. In late September the same rows read $60 with no expiry attached, after a promotional $15 allowance was multiplied four times to $60 and carried September 20 as the date the multiplier would lapse; the request estimates were published in two columns, 6,500 / 16,250 / 32,500 standard against 26,000 / 65,000 / 130,000 with the multiplier applied. The rows read $80 on both readings, and the published estimates for this model are 34,670 per five hours and 69,330 a month — a higher dollar allowance sitting beside a lower monthly request count than September's expanded set, which cannot both describe the same assumed call shape. The page states no token mix and offers no explanation, so the difference is a fact about the two readings rather than something we can resolve from outside. The rates themselves were never a discount on DeepSeek's card — per-token pricing has been the vendor's throughout, and it still is. What an allowance does not do is say anything about quality: it is one platform's judgment that it can carry this model's traffic at those rates without a deadline, which is evidence about the serving ecosystem rather than about the model.

The distinction matters when you are choosing, because a flat ceiling and a pass-through meter are different products. DeepSeek V4.1 Flash is on OrcaRouter at DeepSeek's own rate with 0% markup — $0.15 per 1M input and $0.60 per 1M output off-peak, the same numbers the card above lists, with nothing bundled around them: no subscription to buy and no monthly allowance to exhaust. An $80 ceiling on a fixed monthly price is the right shape for one developer running an agent all day, where the question is what the month costs — and a ceiling already raised once, by a third, is also a reminder that the figure is a commercial decision rather than a property of the model. A free tier with a 200,000-token window is the right shape for trying the model this week and the wrong shape for the codebases that need the full window, which is the one thing the two tiers of the same model do not share. A vendor rate passed through unchanged is the right shape for a service, where the question is what each call costs and whether the provider's next price move reaches you the day it happens. Both answer what this model costs; they answer it for different spenders.

Tốc độ: những con số của bản beta, lời khẳng định của nhà sản xuất, và màn so sánh trước–sau của chính engine.

Khi bản beta mở ra, thông lượng chính là điểm nhấn hàng đầu. Các nhà phát triển báo cáo khoảng 420 token đầu ra mỗi giây trong các lượt sinh dài với đỉnh vượt 500, và một lần chạy được chia sẻ rộng rãi đã tạo ra hơn 71.000 token trong chưa đầy ba phút. Đó vẫn là các phép đo từ cộng đồng được thực hiện trong điều kiện không kiểm soát và vẫn nên được đọc theo cách đó — nhưng cơ chế đằng sau chúng giờ đã được ghi nhận tài liệu thay vì phỏng đoán. Một KV cache 890 byte mỗi token và đường giải mã kích hoạt 16B tham số là thiết kế hướng tới thông lượng, nên kiến trúc ít nhất có đúng hình dạng để tạo ra những con số như vậy. Chúng thực sự lớn đến mức nào là vấn đề của đoạn tiếp theo, và câu trả lời thì nhỏ hơn.

DeepSeek's own claim, in the changelog, is that V4.1 Flash “has comprehensively surpassed V4 Pro in performance, cost, speed, and total time.” The word doing the work there is total time: it is the vendor framing speed as task completion rather than tokens per second, which is the metric that survives contact with a real agent loop that writes a file, reads the error and tries again. Artificial Analysis now puts a measured figure on the older claim: 185 output tokens per second for DeepSeek V4.1 Flash, against 175 for DeepSeek V4 Flash 0731. That is a real third-party number and it is roughly half the 420 tokens per second developers reported during the beta, which is why the beta figures should stay where they belong — in the uncontrolled-conditions column.

On October 7 the vLLM project published its accounting of the three weeks since release, and it is the first measured speed figure in this piece that is neither a token counter nor a vendor slogan. Writing as Inferact and the vLLM Team, the project reports that DeepSeek V4.1 Flash on its current build runs 1.9× faster than its own day-0 implementation at low concurrency and delivers 5.3× the throughput under a 150 TPS constraint — the figure its summary carries, against “about 5×” in the body of the same post. Both are measured on the SemiAnalysis AgentX agentic serving benchmark, with TP4 and FlashInfer attention behind the low-latency number and DEP2 with data-parallel attention behind the throughput one, on NVIDIA GB200 and GB300 hardware. Three things about that result are worth keeping straight. It compares vLLM against vLLM: the baseline is the project's own day-0 recipe, not another engine and not another model, so the number says how much the serving stack improved rather than how this model compares with anything else. It is the runtime's own account of its own work, and no third party has reproduced it. And the largest single gain comes from the runtime rather than the weights — SWA bounded replay, which reruns only the last 128 tokens of a sliding window instead of replaying that window across layers, now ships on by default for this model behind a single flag. The project reports roughly 30% off time to first token from replay plus CUDA-graph capture, a 30–40% cut in prefill computation from the decoder-side trim, and nearly 70% off TTFT at around 100K throughput once three optimisations stack. It also reports where replay hurts: without CUDA graphs it is slower than the baseline on short prompts, up to 12% worse at 1K tokens, because launch overhead outweighs the work saved. Accuracy was checked on GSM8K and GPQA with no meaningful difference reported, gaps within about 1.5 standard errors — the figure to hold against the report's own statement that bounded replay is approximate rather than exact. The project adds that the model needed no KV-cache offloading anywhere in the benchmark and expects offloading to start paying only at higher concurrency with prefill and decode split across machines. This is a different measurement from the kernel board below, which scores kernels the model writes; vLLM's figures are about what the model costs to serve once an engine has implemented its architecture, and the engine here is the one reporting. The project posted again on October 17, the day DeepSeek swapped the checkpoint, and the number it led with was a different kind of figure: 1.3B tokens per dollar of total cost of ownership on SemiAnalysis AgentX, at 830,000 tokens per second per GPU counting cached, input and output tokens together, while holding 100 output tokens per second for every user. That is a cost-of-serving result rather than a speed delta, and the serving-cost section below reads it in full. Three things about it bear on this paragraph: it is the same project, the same model and the same benchmark three weeks on from the October 7 accounting; the project frames that accounting as chapter one, at 5x the agentic throughput of day zero, with a next chapter still to come, and no second DeepSeek post has appeared on its blog since; and a cost curve is still the runtime's side of the ledger, not an outside verdict on the model. That distinction is also why this number matters to someone who will never run a node. None of the work is work a caller does: a serving stack that gets 1.9× faster at low concurrency makes the requests it handles faster, and reaching this model through an API is how most teams will benefit from that without owning the hardware. DeepSeek V4.1 Flash is on OrcaRouter at DeepSeek's own rate with 0% markup, on the same OpenAI-compatible key as the rest of the line, with a proven model behind it as automatic failover — the model and the pricing move at the provider's pace, and the choice of engine stays on the provider's side of the line.

Chi phí để phục vụ là bao nhiêu: những con số phần cứng độc lập đầu tiên

Mọi thứ ở trên đều đo lường mô hình. Vào ngày 14 tháng 10, Artificial Analysis đã thêm DeepSeek V4.1 Flash vào AA-AgentPerf, benchmark mà họ chạy đối với các hệ thống tăng tốc thay vì đối với các mô hình, và kết quả là câu trả lời công khai đầu tiên cho một câu hỏi mà bảng giá không thể giải quyết: một megawatt điện năng trung tâm dữ liệu mang được bao nhiêu phần của mô hình này. AA-AgentPerf phát lại các phiên tác nhân lập trình đã ghi lại — suy luận nhiều lượt, gọi công cụ, ngữ cảnh vượt quá 100K token, bao gồm cả các lần trúng bộ đệm prompt — trên một serving stack đang hoạt động và tìm ra số lượng tác nhân đồng thời lớn nhất mà một hệ thống có thể duy trì trong khi mỗi tác nhân vẫn đạt mục tiêu tốc độ trên mỗi tác nhân. Đối với mô hình này, kết quả nổi bật là phần cứng quy mô rack của NVIDIA. Ở 100 token đầu ra mỗi giây mỗi người dùng, GB300 NVL72 dẫn đầu với khoảng 261 triệu token mỗi giây trên mỗi megawatt, xếp trên B300 ở khoảng 220 triệu, B200 ở 193 triệu, GB200 ở 178 triệu và MI355X của AMD ở 128 triệu. Đó là các số liệu của Artificial Analysis, được đọc từ trang suy luận trung tâm dữ liệu của họ hôm nay, và chúng là các đo lường của chính họ đối với phần cứng và cấu hình serving cụ thể, chứ không phải của một nhà cung cấp. Có hai chi tiết đáng lưu ý. Các con số trên mỗi megawatt được tính từ công suất bộ tăng tốc đo được trong lúc chạy — die GPU cộng HBM — chứ không phải từ TDP danh định. Và mỗi điểm trên biểu đồ ghi rõ engine, phiên bản và định dạng số đằng sau nó, nên con số là một tuyên bố về serving stack chứ không chỉ về trọng số.

The reason this model's chart looks unlike the others is its size. DeepSeek V4.1 Flash fits on as few as two accelerators, which is why a rack-scale system gets less of an advantage here than it does on a larger model: Artificial Analysis reports B300 staying within about 20% of GB300 NVL72 across the curve and leading it at both ends — the most throughput per megawatt when per-user speed is allowed to fall, and the fastest single agent when it is not. At batch size one, every Blackwell part and the MI355X land between roughly 600 and 670 tokens per second for a single user, against 372 to 392 on H100 and H200. Set against DeepSeek V4 Pro 0813 on the same axis, the smaller model returns about 1.3× the throughput per megawatt on GB300 and about 6.2× on B200 at the 100 tok/s mark — the efficiency claim the architecture section makes from the KV-cache side, arriving from a third party that measured a system rather than a specification. The configurations behind those numbers show the design's central trick in production rather than only on paper: on both the B300 and the MI355X two-accelerator runs, the 196B Engram table is served out of pinned host memory through vLLM's CPU-offload path instead of sitting on the accelerator — the mechanism the release notes described, now visible in the setup behind a published measurement. A second cost figure, in a different currency, arrives from the benchmark the October 7 vLLM post was measured on. On October 17 the vLLM project published a chart putting DeepSeek V4.1 Flash at 1.3B tokens per dollar of total cost of ownership on SemiAnalysis AgentX, with separate curves for GB300 NVL72 under Dynamo, GB200 NVL72, B200, H100 and MI300X. The cost tier behind it is labelled owning at large-hyperscaler volume, and the chip-hour assumptions underneath run from $0.95 for an MI300X and $1.17 for an H100 to $1.73 for a B200 and $2.31 for a GB300, drawn from SemiAnalysis's own July 2026 pricing survey. Two limits belong with it. It is the vLLM project reporting SemiAnalysis's cost model, and neither party has had it replicated. And the chart is dated October 16, the day before DeepSeek replaced the weights behind the model name, so it too describes the September checkpoint. That makes three currencies in this piece for one model: tokens per second per user, tokens per second per megawatt, and tokens per dollar. The last is the one a buyer without a datacenter can act on, because it is the quantity a provider's cost improvement eventually reaches them as. It remains a serving measurement and not a quality one: nothing here says how good the model is, and one leaderboard's hardware results are not a replication of any benchmark row above. What it does establish is that the cost side of this model's rate card now has outside evidence under it. A model a provider can serve at several times the throughput per megawatt is a model a provider can afford to keep cheap, and DeepSeek V4.1 Flash is on OrcaRouter at DeepSeek's own list price with 0% markup, which is the shape that passes a provider's cost improvement through instead of holding it.

Chi phí của engine trên silicon của hai nhà cung cấp là bao nhiêu

Until this week the throughput question about this model was answered only by other people's measurements — a runtime accounting for its own work, a benchmark site measuring a system, developers counting tokens in a beta. DeepSeek opened DeepInfer, the framework it says powers this model's production service, under Apache-2.0 this week — the repository appeared on October 16 and the first commit landed on October 20 — and shipped with it a decode Pareto plot for the 1017 checkpoint measured on 64 SM100 accelerators inside one scale-up domain. The configuration printed on the plot is the part that matters, because it is the configuration the comparison below turns on: expert parallelism of 64 over data parallelism of 64, the “384+64 experts” the plot prints, a 131,072-token context, DSpark draft length fixed at three tokens, and a per-token acceptance rate of 75%. The curve tops out just under 30,000 output tokens per second per accelerator at its least interactive end, falls through the mid-20,000s as per-user speed rises past 100 tokens per second, and is down to a few thousand by the chart's right edge. It is DeepSeek measuring its own engine on its own model, so it is not an independent number — but it is the first decode curve for this architecture published by the lab that built it, and the sweep script that produced it is in the same repository.

The write-up published beside the code supplies the operating point, and it is the reason the numbers below are quoted at 230 output tokens per second rather than at some abstract maximum. DeepSeek's own production figures put decode at 14K tokens per second per accelerator while the service holds 230 output tokens per second per user — 300 in coding workloads — against a 96% input cache hit rate, an average input of 77K tokens, a 400 ms mean and one-second p99 time to first token, and prefill provisioned at close to a 1:1 ratio with decode, across a single cluster it says serves 155 trillion tokens a day. The revenue line beside those figures, $38 per accelerator-hour at off-peak pricing, is the first cost number DeepSeek has attached to serving this model publicly. None of it is audited, all of it is the vendor describing its own service, and it is still the most concrete picture of what this architecture costs to run that exists.

The other half of the comparison comes from Huawei's silicon, and it is the weaker-sourced half. A benchmark sheet dated September 30 and headed “Ascend 950DT DeepSeek-V4.1-Flash Benchmark” reports the model deployed across 32 chips at FP8–FP4 mixed precision, with data-parallel attention and expert-parallel mixture-of-experts, on a 128K-token sequence, using DSpark speculative decoding with a forced expert-parallel load-balancer configuration and an average accepted length of 4.1 tokens. It carries three points. Its latency column is time per output token, so the reciprocal of each entry is that row's per-user speed, and that is what lets the sheet be laid against the curve:

• batch toàn cầu 1,536, 9.41 ms mỗi token đầu ra — khoảng 106 token đầu ra mỗi giây mỗi người dùng — 5,102 token mỗi giây mỗi chip.

• Batch toàn cục 384, 4,40 ms mỗi token đầu ra — khoảng 227 token đầu ra mỗi giây mỗi người dùng — 2.727 token mỗi giây mỗi chip.

• Batch toàn cục 2,560, 13.79 ms mỗi token đầu ra — khoảng 73 token đầu ra mỗi giây mỗi người dùng — 5,800 token mỗi giây mỗi chip, con số cao nhất trong bảng và là con số mà tiêu đề của nó sử dụng.

Laid against the NVIDIA curve, the middle two rows are the ones that bite, because they sit at the speeds a service actually runs at. The thread that surfaced the sheet reads the comparison as 25,500 tokens per second per accelerator against 5,102 at 100 output tokens per second per user, and 20,000 against 2,727 at 230 — a gap of five times at the first operating point and 7.4× at the second. Reading the same published curve directly moves those NVIDIA figures around: a pixel pass over the image lands nearer 28,000 at the 100-token mark and nearer 17,000 at 230, on either side of the thread's numbers; the band they give is about five and a half times at the first operating point and about six at the second, which narrows the thread's range without changing its shape. That is what a benchmark read off a chart is worth, and it does not change the direction of the result. It is also worth noting that the sheet's 5,800 headline is its least interactive row — the point where NVIDIA's curve is closest to its own peak, and where the ratio is back to about five.

I could not find that sheet on DeepSeek's or Huawei's own pages; it reached this piece as an image attached to a thread on X, and the three Ascend figures should be read as an unpublished vendor benchmark until somebody posts the run behind them. What is checkable is the asymmetry in the configurations, and that comes from DeepSeek's own documentation. DeepInfer's deployment notes recommend prefill at expert parallelism of 2 to 8 and decode at 64 to 128, on “ordinary 8-GPU machines for prefill, ordinary 64–128-GPU supernodes for decode.” On NVIDIA that is a single NVLink domain, which is what the plot above was measured inside. On Ascend, DeepSeek's own communication library says plainly what is not finished: “Larger EP sizes and combine remain under optimization,” with combine carrying extra local reduction overhead and HBM contention against the URMA path, and Huawei firmware work still to come — a caveat public in DeepEP-Ascend since its first release on September 29. That is the fair way to read the gap: the NVIDIA number comes from the shape DeepInfer was tuned for, and the Ascend number from a stack whose own author says the wide-EP path is still being worked. Some of five to seven times is the chip, some of it is the interconnect and the software under it, and nobody has separated the two.

What the gap is worth in money depends on prices nobody has published, and the thread runs the arithmetic anyway: at roughly $139,000 per Blackwell accelerator, extrapolated from grey-market rack pricing, against a rumored $37,000 for a 950DT, NVIDIA has to deliver about 3.8× the throughput per chip to match Ascend on acquisition cost alone; the thread puts the crossover near 6,800 tokens per second per chip. The published Ascend points sit below that line; the thread's forecast that the wide-EP path lifts them to 8,000–10,000 sits above it, and that is a forecast rather than a measurement. Every input is soft — a grey-market price, a rumored one, and figures read off a curve — and none of it accounts for networking, power, cooling, maintenance, or the value of being able to buy the hardware at all.

For anyone who will never rack a node, the useful part is not the scoreboard. It is that the cheapest model in DeepSeek's line is now documented as cheap to serve on two vendors' silicon, with the vendor's own engine published and the numbers behind it downloadable — which is the kind of evidence a price rests on. It changes no rate card: DeepSeek V4.1 Flash is on OrcaRouter at the provider's own list price, $0.15 per 1M input tokens and $0.60 per 1M output at off-peak rates, passed through with 0% markup, so when a provider's serving cost falls the saving arrives as a price that does not have to move rather than as a resale margin. A serving cost argued over on two vendors' hardware is a price with more room under it than one nobody has measured at all.

Kỹ thuật kernel: bảng điểm đầu tiên không phải của DeepSeek

Các hàng benchmark ở trên là số liệu từ chính bộ khung đánh giá của DeepSeek, còn các điểm số bên ngoài hiện có đo lường suy luận tổng quát và khai thác tấn công mạng chứ không phải lập trình cấp thấp. Cái nhìn đầu tiên của bên thứ ba về kỹ thuật kernel của mô hình cũng đã xuất hiện, và nó đến dưới một hình thức mà DeepSeek không hề đặt hàng: một benchmark tác tử do cộng đồng vận hành, yêu cầu các mô hình viết kernel CUDA thật và chấm điểm kết quả dựa trên roofline — trần lý thuyết của phần cứng. Bảng xếp hạng là kernelbench.com, chạy trên RTX PRO 6000, và độc lập với cả hai nhà cung cấp. Phương pháp kiểm toán của nó do cộng đồng báo cáo thay vì được bình duyệt, nên hãy đọc các tỷ lệ phần trăm của nó như một tín hiệu định hướng từ bên thứ ba, chứ không phải một phép đo đã được chứng nhận; đây cũng là bảng điểm đầu tiên trong câu chuyện này mà các con số của DeepSeek nằm cạnh con số của một đối thủ trực tiếp.

Hàng tiêu đề là hàng mà kiến trúc được xây dựng xoay quanh. Sparse attention của chính DeepSeek V4.1 Flash — ngăn xếp CSA2 tạo ra cache 890 byte mỗi token — được mô hình viết dưới dạng kernel CUDA và đạt 50,19% roofline tương đương dense, đứng thứ tư trên bảng xếp hạng sau Claude Fable 5.1 với 106,27%, Claude Opus 5 với 103,67% và Claude Fable 5 với 72,66%. Điều đầu tiên cần lưu ý là kiến trúc của chính nhà sản xuất lại là kernel mà mô hình làm tốt nhất: một mô hình được huấn luyện trên thiết kế sparse-attention viết kernel sparse-attention hiệu quả hơn bất kỳ thứ gì khác trên bảng xếp hạng phía dưới ba vị trí dẫn đầu. Điều thứ hai là phép so sánh mà người cung cấp tin đã nêu bật. Nỗ lực của GLM-5.3 Flash với cùng kernel đó chỉ đạt 4,45% roofline — thấp hơn một bậc độ lớn so với V4.1 Flash trên cùng hàng của cùng bảng xếp hạng. Khoảng cách đó, chứ không phải bất kỳ benchmark nào DeepSeek công bố, chính là điều mà 'cải thiện vượt bậc về kỹ thuật kernel' muốn nói.

Việc so sánh không dừng lại ở hàng sparse-attention, và bức tranh đầy đủ hơn rất quan trọng vì tiêu đề của tweet ghi tên GLM-5.3 Flash trong khi bài viết được trích dẫn mà nó viện dẫn thực ra lại nhắc đến một GLM-5.2 khác, lớn hơn, trên hàng fused-MoE riêng của mô hình đó — một sự không khớp về tên gọi đáng để cẩn trọng. Trên những hàng mà cả hai mô hình tầng flash thực sự hoàn thành một lượt chạy, V4.1 Flash thắng mọi hàng: Kimi-Linear Decode ở 17,10× so với 13,64×, MegaQwen Decode ở 5,39% roofline so với 3,92%, TopK Bitonic ở 4,25% so với 7,17% của GLM-5.3 Flash, Sonic MoE ở 10,81% (điểm số tốt nhất mà bất kỳ mô hình nào trên bảng đạt được cho kernel đó) so với 10,21%, và KDA CUTLASS ở 3,74% so với 2,26%. Ở hai kernel nữa, GLM-5.3 Flash hoàn toàn không có lượt chạy nào hoàn thành — fused MoE và kernel mô phỏng Grid + MinGRU, nơi V4.1 Flash đạt 28,56% roofline. (Hàng duy nhất mà GLM-5.3 Flash đánh bại V4.1 Flash là TopK Bitonic, 7,17% so với 4,25%, cũng là hàng mà cả hai mô hình đều không tiến gần vị trí dẫn đầu của bảng.) Hình dạng tổng thể cũng giống như tiêu đề: trên công việc GPU cấp thấp, V4.1 Flash không chỉ đơn thuần dẫn trước mô hình Z.ai nhỏ hơn — nó còn ở một đẳng cấp khác, và trên hai kernel khó nhất, mô hình nhỏ hơn không hoàn thành nổi.

Điều mà bảng xếp hạng không làm là cho bạn biết bao nhiêu phần trong khoảng cách đó là do mô hình và bao nhiêu là do kiến trúc mà nó được yêu cầu viết. DeepSeek V4.1 Flash là một mô hình 552B tham số với cơ chế attention của chính nó là thiết kế attention thưa; GLM-5.3 Flash là một mô hình nhỏ hơn mà quá trình huấn luyện chưa bao giờ xoay quanh cùng một ngăn xếp CSA2. Một mô hình được yêu cầu viết kernel cho một kiến trúc giống với phân phối huấn luyện của chính nó có lợi thế sẵn có, đó là lý do cách diễn giải công bằng nhất về bảng xếp hạng mang tính định hướng thay vì một phán quyết đối đầu trực tiếp: kỹ thuật kernel giờ đây là một năng lực được đo lường của mô hình này, nó thực sự mạnh, và so sánh cụ thể mà người mách nước đưa ra vẫn đúng trên các hàng được chia sẻ. Bảng xếp hạng cũng trả lời một câu hỏi mà bảng thông số không thể: liệu bộ nhớ đệm 890 byte có khả thi trong thực tế hay không. Một mô hình tự viết kernel attention thưa của mình đạt tới một nửa roofline là mô hình mà thiết kế cốt lõi của nó ít nhất có thể được triển khai trên phần cứng thực bởi cùng một lớp kỹ sư những người sẽ phải phục vụ nó.

Vị trí trung thực mà điều này dẫn tới là nằm cạnh mọi thứ khác trong bài viết này: thêm một phép đo của bên thứ ba mà DeepSeek không tự tạo ra, lần này là về một năng lực — viết kernel GPU — mà không có dòng benchmark nào của nhà cung cấp đề cập. Đó là một bảng cộng đồng duy nhất trên một thế hệ GPU duy nhất, chỉ chạy một lần, và lượt kiểm toán của nó không được bình duyệt, nên đó là bằng chứng về hướng đi hơn là một điểm số đã được chứng nhận. Nhưng đây là con số bên ngoài đầu tiên cho thấy kiến trúc mới dùng để làm gì: một mô hình Flash-tier rẻ, khi được yêu cầu làm công việc hệ thống cấp thấp mà chính DeepSeek dồn công sức kỹ thuật vào, đạt khoảng một nửa mức mà phần cứng cho phép, trong khi đối thủ flash-tier trực tiếp của nó đạt chưa đến một phần hai mươi.

Sửa lỗi nhanh, xác nhận chậm: những báo cáo trải nghiệm thực tế đầu tiên

Thông lượng là một nửa của câu chuyện tốc độ mà một bộ đếm token không thể thấy. Những báo cáo trải nghiệm thực tế tích lũy từ khi phát hành đo lường nửa còn lại — cách mô hình hành xử trên đường đi đến câu trả lời, và cái giá của hành vi đó — và chúng không đồng thuận về việc liệu những gì họ tìm thấy có phải là một tính năng hay không. Ba lời kể độc lập mô tả cùng một khuôn mẫu. Không có cái nào là một đánh giá có kiểm soát; các số liệu dưới đây là những người hành nghề riêng lẻ đang chạy các tác vụ của riêng họ, và chúng nên được đọc như các báo cáo sử dụng hơn là các phép đo.

Lời kể rõ ràng nhất về hành vi này đến từ MindStudio, đơn vị đã đưa DeepSeek V4.1 Flash vào một bản dựng từ đầu của một trình xem 3D tương tác. Dấu vết suy luận của nó, theo lời người đánh giá, “cho thấy nó đang tự kiểm tra lại phần tính toán của mình thay vì chỉ phát ra mã.” Mô hình đã bắt được một lỗi giảm chấn trong điều khiển quỹ đạo ngay giữa lúc dựng, tự suy ra cách sửa từ các nguyên lý cơ bản, rồi “kiểm tra lại bản sửa trong một trình duyệt headless trước khi tuyên bố hoàn thành nhiệm vụ.” Ở nhiệm vụ thứ hai — một bảng điều khiển dựa trên Docker — nó phát hiện một toán tử so sánh bị đảo và xác nhận việc sửa chữa bằng cách thăm dò endpoint trực tiếp tám lần trong lúc các con số được cập nhật. Đó chính là điều mà những người thử nghiệm bản beta đang mô tả khi họ gọi mô hình là kẻ nghĩ quá nhiều, và không có bước nào trong đó là sai cả: lỗi đã được tìm ra, sửa và xác minh. Đó cũng chính xác là lời phàn nàn. Lỗi vốn đã được xử lý rồi, một phiên DeepSeek khác đã xác nhận bản sửa trong vòng một phút, vậy mà mô hình vẫn tiếp tục kiểm tra. MindStudio coi thói quen đó là một điểm mạnh và nói rõ như vậy; phê bình duy nhất của họ trong bài kiểm tra đó là một bài toán vật lý bị lặp cho đến khi bị dừng bằng tay ở lần thử đầu, rồi được giải đúng ở lần thử lại.

Cách diễn giải từ hướng ngược lại thì nói về đồng hồ. Một bản tổng hợp cộng đồng các bài kiểm tra V4.1 Flash mô tả một bài toán vật lý — một cốc nước bị cắt ở góc xiên — trong đó mô hình đã dành mười hai phút và khoảng 130.000 token để đi đến đáp án đúng, chạy ba vòng tự xác minh mà nó không được yêu cầu trước khi hội tụ. Cùng bài viết đó ghi lại kiểu thất bại ở tận cùng xa của thói quen này: chuỗi suy luận đôi khi rơi vào một vòng lặp lặp lại “để tôi viết” quay qua các token với tốc độ khoảng 200 mỗi giây mà không tiến triển, và lời khuyên của nó nằm ở phía máy khách chứ không phải phía mô hình — đặt mức trần max_tokens và thời gian chờ yêu cầu rồi để chúng cắt ngắn vòng lặp. Bài viết cũng ghi lại cùng loại vấn đề được xử lý trong mười tám giây bởi một lần chạy có nỗ lực suy luận được giảm xuống mức thấp, một lời nhắc rằng phần lớn điều này là một nút điều chỉnh chứ không phải một khiếm khuyết.

Bằng chứng sắc nét nhất cho thấy khối lượng kiểm chứng không đồng nghĩa với tính đúng đắn đến từ một đánh giá của Tencent Cloud Labs, nơi ghép DeepSeek V4.1 Flash làm bên triển khai với GPT-6 Astra làm bên phản biện trong một lần tái lập bài báo. Ba vòng đã diễn ra, và Astra chưa từng lật ngược thuật toán cốt lõi. Điều mà bên phản biện liên tục chỉnh sửa, hết vòng này đến vòng khác, là phần giàn giáo mà V4.1 Flash tự dựng cho chính mình — cách bố trí thí nghiệm, cách xây dựng thống kê, và cách diễn giải mà nó rút ra từ kết quả của chính nó. Số lượng kiểm thử tăng từ 82 lên 97 rồi 110, và tất cả đều vượt qua mọi lần. So với đường cơ sở vét cạn, cấu hình mà mô hình chọn khớp với mức tối ưu trong 8,89% trường hợp theo chính các tham số của bài báo, 11,04% với độ tin cậy được ngẫu nhiên hóa và 10,30% dưới một cấu hình được ngẫu nhiên hóa. Phát hiện sắc bén nhất của Astra liên quan đến một kiểm thử được cho là kiểm tra các biên số nguyên: nó thực thi 153 lượt kiểm tra mở rộng và không có nhánh biên số nguyên nào. Một mô hình có thể vượt qua bộ kiểm thử do chính nó viết mà vẫn chưa trả lời được câu hỏi, và đánh giá đó là một trường hợp được phân tích cụ thể về khoảng cách này chứ không phải một khẳng định rằng khoảng cách ấy tồn tại. Phạm vi thì hẹp và chính các tác giả cũng nói vậy — một bộ chọn độ dài suy đoán duy nhất, các giá trị độ tin cậy được mô phỏng, không có lần chạy đầu-cuối — nhưng hình thái của nó lại đúng như những báo cáo khác mô tả.

Đặt bên cạnh những con số của Artificial Analysis, điều này không còn trông giống giai thoại nữa. Đánh giá độc lập đầu tiên về mô hình đo được nó vừa rất nhanh vừa rất dài dòng cùng lúc: 185 token đầu ra mỗi giây, và 250 triệu token đầu ra được tạo ra trên tập đánh giá của nó, so với mức trung vị 140 triệu ở các mô hình tương đương. Một điểm số tổng hợp không thể nói phần đầu ra tăng thêm đó đi đâu. Các báo cáo trải nghiệm thực tế thì có thể. Các token đó không phải là phần độn — chúng là mô hình đang tự kiểm tra. Cùng khối lượng đó xuất hiện từ một hướng không liên quan trong một báo cáo lỗi trên một ứng dụng khách terminal bên thứ ba, nơi nội dung suy luận trên một tuyến deepseek-flash bị nối vào câu trả lời hiển thị thay vì được tách thành một khối suy nghĩ, tạo ra những khối văn bản đơn lẻ dài tới 73.003 ký tự độc thoại nội tâm, mà không có gì được ghi lại để phát lại trong các lượt sau. Lỗi đó thuộc về ứng dụng khách chứ không phải DeepSeek, và nó không phải bằng chứng về chất lượng — nhưng nó là một minh họa hợp lý cho việc mô hình này phát ra bao nhiêu suy nghĩ khi một harness không tách được nó ra.

Không điều nào trong số này đảo ngược phép tính giá ở trên; nó giải thích phép tính đó. Một mô hình tự kiểm chứng thì đáng giá từng token trong công việc agentic, nơi một bản sửa sai tốn kém hơn số token bỏ ra để chứng minh nó đúng, và lại không phù hợp với một vòng lặp dài gồm những chỉnh sửa tầm thường, nơi phần xác nhận chiếm phần lớn lượt chạy. Hai điều khiến sự khác biệt này trở nên dễ xử lý hơn. Núm điều chỉnh nỗ lực suy luận là một số nguyên liên tục từ 1 đến 100 thay vì ba mức cố định, nên cùng một mô hình có thể được vặn xuống cho công việc rẻ và vặn lên cho công việc khó — kết quả mười tám giây ở trên có được nhờ làm đúng như vậy. Và tấm lưới an toàn rẻ tiền nên nằm ở phía client: mức trần max_tokens và thời gian chờ yêu cầu biến một vòng lặp lặp lại từ một hóa đơn thành một phản hồi bị cắt ngắn. Cả hai đều là kiểu thiết lập đáng để cố định trước khi một luồng production trỏ vào mô hình này, và không điều nào trong số đó là việc mô hình sẽ tự làm cho chính nó.

Từ chối: checkpoint từ chối, và mức độ từ chối có thể đo lường được.

On October 20 the thing drawing attention to DeepSeek-V4.1-Flash-1017 was not a benchmark row but a refusal. The DeepSeek tracker this piece has already quoted posted a screenshot from an agent session running the 1017 checkpoint with dsh-purge applied, and reported that the model declined anyway: the run, in the poster's words, “refused the persona,” with the model reasoning that the request was “a prompt injection attempt” and that it “should not adopt the persona.” The post's reading was that the checkpoint “is *not* entirely naive about jailbreaks” and that DeepSeek is “starting to think about safety.” dsh-purge is not a prompt trick pasted into a user message. It is a public DeepSeek Harness plugin — 9,897 stars on GitHub and version 1.1.71 as of October 20 — built to strip the harness's own prompt rewriting and injected suffixes, and its English README draws exactly the distinction this test turns on: the harness “rewrites prompts, approval gates, sandbox policy, and session migration at runtime,” so asking only “will the model answer” treats a host-layer block as a model refusal, and the plugin exists to split those two layers on your own install. In this session the separation came out on the model's side. The counters in the same screenshot — 156 steps, 33.7 million tokens, 232 tokens per second — describe a full agent run rather than a one-shot prompt, and the agent's own summary says the plugin was mechanically fine and “that specific model declined it.”

That is one person's screenshot of one session, and it should be carried as exactly that. The prompt is not shown, the verdict is the agent's own summary rather than a graded response, and the account is a DeepSeek watcher rather than an evaluation lab, so nothing in the post can be reproduced from the post. What makes it worth taking seriously is that both halves of it can be checked against sources independent of the person who posted it: the plugin, which is public and documents its own mechanism, and the checkpoint's refusal behaviour, which somebody else has now counted.

The count is in the paperwork of a derivative. A community abliterated build of the 1017 weights, published on Hugging Face on October 17, carries the measurement that made the build necessary. On 100 held-out harmful requests, decoded greedily for 384 tokens each, the untouched checkpoint refused 97 in chat mode and 98 in think mode; after a rank-2 refusal subspace was projected out of the 40 main layers, the same 100 prompts drew 4 and 9 refusals. Those are third-party figures about DeepSeek's weights, produced without access to DeepSeek's training pipeline, and they are also one prompt set, one grader and one quantisation of the model — a Q8_0 conversion rather than the FP8 DeepSeek ships — so the honest reading is “almost always,” not “97.0%.” On that evidence the poster's description holds: the checkpoint refuses, reliably, in both of its modes.

Điều mà con số này không ủng hộ là ý cho rằng đây là một lập trường mới. Checkpoint tháng Chín vốn đã ở đó rồi. Nhóm đứng sau một bản build tháng Chín không kiểm duyệt đã đo mô hình nguyên bản trên bộ đầy đủ 320 prompt của HarmBench và báo cáo tỷ lệ tấn công thành công là 42,8% khi tắt suy luận và 1,6% ở mức nỗ lực tối đa — nghĩa là mô hình mà mô hình này thay thế đã từ chối khoảng 98% lớp yêu cầu đó một khi nó được phép suy nghĩ. Hai phép đo đến từ các bộ prompt khác nhau, các trình chấm khác nhau và các cách lượng tử hóa khác nhau, nên không thể trừ chúng cho nhau; điều chúng đồng thuận là hình dạng. Việc từ chối ở mức nỗ lực cao vốn đã là hành vi của mô hình tháng Chín, và checkpoint 1017 nằm trong cùng khoảng đó. Tuyên bố hẹp hơn là điều mà phiên ngày 20 tháng Mười thực sự kiểm tra, và đó là điều đáng giữ lại: việc từ chối vẫn duy trì qua một plugin được xây dựng riêng để gỡ bỏ các ràng buộc phía harness, và nó duy trì với tư cách là đánh giá của mô hình về prompt chứ không phải là một chốt chặn ở lớp máy chủ.

None of this is documented by the vendor. DeepSeek's September model card has an evaluation section and it is benchmarks only — no refusal rate, no red-team result, no safety evaluation — and the 1017 card carries no evaluation section at all, having dropped that folder along with the technical report. Refusal behaviour for this model is therefore described entirely by the people building around it: derivative authors counting prompts, and a tracker reading a transcript. For anyone pointing an agent at the checkpoint, that is the operative gap. A refusal inside an agent loop is not a content-policy footnote; it is a failed tool call in the middle of a run, and it surfaces like any other per-call failure — which is why the mitigation is the one a timeout gets. On OrcaRouter that is a routing decision rather than a code change: the 1017 checkpoint and the DeepSeek models it would fall back to sit behind one endpoint, so a call that comes back refused can be retried against a second model instead of ending the run. The refusal itself belongs to the model, and nothing on the routing layer changes it.

Số lượng bản phái sinh là mảnh ghép độc lập cuối cùng, và nó cũng chỉ về cùng một hướng. Một tìm kiếm trên Hugging Face cho tên của checkpoint đã trả về 121 kho lưu trữ công khai vào ngày 20 tháng 10, và 25 trong số đó có uncensored, abliterated hoặc derisked trong tên — những bản dựng mà toàn bộ mục đích là loại bỏ hành vi mà phiên ngày 20 tháng 10 đã gặp phải, bản đầu tiên trong số đó được đăng cùng ngày trọng số được đưa lên. Đó không phải bằng chứng về việc mô hình có tốt hay không, và cũng không phải một lời giới thiệu; đó là bằng chứng rằng có một cơ chế từ chối đang hoạt động trong trọng số để gỡ bỏ, bởi những người loại bỏ những thứ này không bận tâm khi không có gì để loại bỏ. Nó cũng đặt ra kỳ vọng cho bất kỳ ai tự vận hành: checkpoint bạn tải về chính là bản từ chối, và mọi biến thể uncensored trong danh sách đó là một mô hình khác, không phải một cài đặt.

Câu hỏi về V4 Pro, và những nấc thang phía trên Flash

During the beta, DeepSeek's feedback form asked testers whether the intermediate version "can fully replace the online DeepSeek V4 Pro." That was a striking question to put to users, because it implied the flagship's future was open. The answer that arrived on September 9 and 10 was an operational one: from 12:00 Beijing time on September 14, deepseek-v4-pro would stop being served and its traffic would land on V4.1 Flash at Flash prices, with V4.1 Pro named as the eventual successor. Developers objected, and the objection was not that the replacement was bad — it was that a model string is a contract, and swapping the weights behind a production ID breaks prompt-tuned pipelines and agent loops built against the old ones. Within two days DeepSeek withdrew the plan. Its own changelog now says it has “decided to continue providing API services for DeepSeek V4 Pro after September 14, 2026, with the billing method remaining unchanged,” and that it will give further notice if that changes. The reversal is vendor-stated rather than reported, and it is checkable on the Models & Pricing page, which still lists deepseek-v4-pro beside deepseek-flash.

What the routing table does not explain is why. On September 9, teortaxesTex — one of the tipster accounts that flagged the beta — reported that DeepSeek had conceded its V4-Pro pre-training went wrong; in his words, the company “dun goofed” with it. That remains a single-source claim from an insider-leaning account, and DeepSeek has conceded nothing publicly: the changelog frames the phase-out as a consequence of the new model being better, not of the old one being broken. What can be checked from outside is the shape of the August 13 V4 Pro general-availability launch. The announcement was pulled within about a day. The Hugging Face repository briefly carried a Flash-tier configuration under the Pro name before the weights were corrected. And independent scoring of what was being served under that name landed barely above the much smaller DeepSeek V4 Flash, against official charts showing near-flagship results — on the current artificial-analysis index the two sit a single point apart, 36 against 35. Independent write-ups have blamed different causes — reasoning behaviour overfit to DeepSeek's own evaluation harness, a deployment and weights mixup, or, as the leak claims, a pre-training that genuinely misfired. The rerouting does not settle which, and DeepSeek has since called it off; what survives is a vendor pricing its newest model at a quarter of the flagship's cache-miss rate and putting it ahead of that flagship on its own benchmarks, which companies do not usually do because everything went to plan.

Flash, Pro, Ultra: what DeepSeek has said, and what is only a guess

DeepSeek's own documentation is explicit that this is the bottom of something. The changelog calls DeepSeek V4.1 Flash “the smallest model in our new architecture family” and says the architecture “is designed for a higher capability ceiling, faster inference, higher throughput, and scaling to larger models.” The technical report closes the same loop in stronger language: the model “serves as a new starting point for our continued scaling efforts,” and the company says it “will pursue the joint scaling of model architecture, pre-training, and post-training to further explore the frontier of model intelligence.” Both sentences are first-party, both were published on September 10, and neither is a product announcement. They commit DeepSeek to building bigger models on this design; they do not name one, size one or date one.

Everything past that line is speculation. On September 25 the tracker @teortaxesTex — the same account whose September 9 post on the V4 Pro pre-training this piece already carries — read the pattern as a full three-tier line: “DeepSeek is pretty clear that they're not going to stop here… This sounds like they intend to make a whole lineup, Flash-Pro-Ultra. Maybe 522B-2T-8T?” The sizes are labelled a guess by the person offering them, and the hedge is doing real work: nothing in DeepSeek's changelog, model card, technical report, Hugging Face organisation, pricing page or model listing names an Ultra tier, and nothing above 552B. The guessed ladder is also shakier arithmetic than it looks. Its bottom rung, 522B, is not the 552B model that shipped — either the figure is a slip for a number DeepSeek has already published, or it points at a checkpoint nobody has seen, and there is no way from outside to tell which. Its top rung, 8T, is five times the 1.6T flagship whose repository DeepSeek opened in April, in a year when the company's most recent release was engineered to activate 8B parameters per token because inference cost, not parameter count, was the constraint it set out to solve.

The same account has separately floated a 3-trillion-parameter DeepSeek model as something the lab was working on but was unsure it could serve economically — a different claim about a different thing, and equally unconfirmed. Neither has to be reconciled with the other, because neither has a second source. What can be checked is the direction: a lab that calls its newest model the smallest in a family, and its architecture one that scales to larger models, is a lab planning to ship above this rung. What it will call the rungs, and how big they will be, is not in any document a reader can open today.

For anyone choosing a model rather than following a roadmap, that distinction is the whole of it. If the family does extend upward, the decision in front of most teams is still whether to move onto the rung that exists — and the cheapest way to hold that decision open is not to wait. DeepSeek V4.1 Flash is on OrcaRouter at DeepSeek's own rates with 0% markup, so if a Pro-tier successor arrives at a different price, the change lands in the rate card rather than in a contract. DeepSeek V4 Pro sits on the same key behind it, which makes a third tier arriving later a routing decision rather than a migration.

Các trọng số MIT thay đổi những gì bạn có thể làm với nó.

DeepSeek V4.1 Flash ships under the MIT licence, and the weights went up in the deepseek-ai organisation on Hugging Face on September 10 — the same day as the API, not weeks later. The repository is deepseek-ai/DeepSeek-V4.1-Flash: 48 safetensors shards totalling about 510 GB, the technical report as a PDF beside them, and an inference folder holding a reference implementation plus a conversion script that splits the checkpoint across tensor-parallel ranks. That repository is the September checkpoint; the live one since October 17 is deepseek-ai/DeepSeek-V4.1-Flash-1017, which carries the same MIT licence, the same 48 shards and the same roughly 510 GB, but which replaces every shard and drops the report, the chat template and the evaluation folder.

Cần phải chính xác về việc bản tải xuống đó thực chất là gì, bởi vì nó không phải là một bản phát hành có độ chính xác đầy đủ. Các safetensors chứa khoảng 204B tham số ở FP8 và 557B ở INT8, so với khoảng 2B ở BF16, và tệp cấu hình khai báo lượng tử hóa fp8 — checkpoint bạn tải về đã được nén sẵn, và đó là cách một mô hình 763B tham số vừa vặn trong khoảng 510 GB. Khối đơn lẻ lớn nhất bên trong nó là bảng Engram: hai bảng FP8 chiếm khoảng 189 GiB của bản tải xuống, mà mỗi bước giải mã chỉ đọc một vài hàng từ đó.

Đối với một mô hình với backbone 552B, giấy phép là phần làm thay đổi quyết định. MIT thì thoáng, không có cổng doanh thu và không có điều khoản kèm theo về sử dụng được chấp nhận nào đáng để rà soát pháp lý, và cấu hình kích hoạt — 8B mỗi token khi prefill, 16B khi decode, cùng bộ nhớ đệm 890 byte mỗi token — chính là thứ khiến việc phục vụ nó trở nên khả thi bên ngoài một hyperscaler dù số lượng tham số trông có vẻ lớn. Tuy nhiên, con số cuối cùng đó là thuộc tính của toàn bộ ngăn xếp bộ nhớ đệm chứ không phải của các trọng số, nên một engine tự vận hành chỉ triển khai định dạng lượng tử hóa mà không triển khai phần còn lại của thiết kế sẽ cao hơn hẳn con số đó.

A permissive licence is not an export clearance, and for six days in October the difference looked as though it might matter. On October 16 China's Ministry of Commerce and Ministry of Science and Technology published Announcement No. 48 of 2026, a draft revision of the catalogue of technologies prohibited or restricted from export that reaches AI model weights and source code for the first time. It proposes 40 additions across AI, biotech and solar, 23 of them AI-related, with public comment running to November 15. Two carve-outs in the draft do most of the work for a model like this one: technology already in the public domain through open-source release or academic publication is not to be controlled, and API, app, SaaS and lightweight on-device access for overseas users is not treated as an export of model technology. The thresholds reported across the trade press combine a parameter floor of two trillion, a place in the global top ten on performance and safety benchmarks, and training on core or important national data. A 552B model clears the first; whether the other two catch it is not something a reader can determine from outside, because the draft does not publish the definitions — which makes the public-domain carve-out, not the size test, the clause that matters for weights already on Hugging Face.

What changed on October 22 was not the text but the compliance record. YuyuantanTan reported that DeepSeek and MiniMax had completed the registration procedures and finished open-sourcing and overseas licensing. The report does not say which releases it counts as the open-sourcing, it names no model, checkpoint or date, and it announced no new weights; the open-source releases visible in that window are the DeepInfer engine and the deepseek-recipe toolkit covered above. The build-level version of the claim is narrower and later: on October 23 an X account with a long record of tracking DeepSeek posted that DeepSeek and MiniMax had “obtained permissions for open sourcing V4.1F-1017 and M3.1-Flash” respectively. That attribution is the poster's, neither company has published a statement confirming it, and no regulator has published a notice naming either company's registration. The checkpoint the post names had been on Hugging Face under MIT since October 17, six days earlier. Whatever permission was granted, it did not gate the download: the repository came first.

For a reader, the practical content is narrower than the headlines around it, and it runs in two directions. Nothing about the October 17 checkpoint, the MIT licence or the repository changed on October 22; the download, the shards and the hash differences described above are exactly as they were. What changed is the answer to whether a Chinese lab can keep publishing weights like these while the catalogue is still in consultation: the state-media account says yes for DeepSeek and MiniMax, under a draft that excludes already-public technology and leaves API access outside the export definition. The limit is in the tense. The exemption is for technology already in the public domain, which describes the September and October checkpoints and would not automatically describe a release made after the catalogue is finalised — and the interim registration duty said to have taken effect on October 16 has been reported rather than published in full. Anyone planning to download whatever DeepSeek ships next is planning against a rule that does not exist yet. Anyone calling V4.1 Flash today, or running the 1017 weights, is relying on a carve-out that the draft states and that neither account of the interim measure contradicts.

Serving support arrived the same day, and it sets the practical floor. vLLM published a day-0 recipe validated on NVIDIA and AMD hardware, and SGLang shipped day-0 inference and RL support in the same window through its Miles training stack. Both shipped as preview images rather than stable packages — the vLLM container carried a September 9 tag, a day ahead of the model's own GA. That side of the story moved on September 22, when vLLM released v0.30.0: the first stable vLLM version to carry this architecture, with DeepSeek V4.1 Flash listed under its new-model support, the model's own vLLM recipe now requiring 0.30.0 or later, and the launch-day image tag retired. The release notes are the project's own account of its work rather than a measured result, and should be read that way. They credit the version with holding the model's whole KV cache in MXFP8 through the FlashMLA V4.1 record on SM100, and with asynchronous prefetch for CPU-offloaded Engram lookups plus Engram data-parallel sharding — the two changes that matter most for a model whose Engram table is the single largest block in the download. Neither of those two changes carries a number outside the project, and the release notes attach none — but the project published a before-and-after on the model as a whole on October 7, three weeks after release: 1.9× faster at low concurrency and 5.3× the throughput under a 150 TPS constraint against its own day-0 build, with the merged pull request behind each optimisation listed. The figures and their limits are in the speed section above. What does not exist is an outside replication — every number in that post is the project measuring itself. What the release does settle is packaging: 762 commits from 315 contributors, 104 of them first-time, in a tagged version rather than a preview image. The vLLM recipe's own arithmetic still puts the minimum at roughly 614 GB of VRAM for the 510 GB checkpoint plus headroom — an eight-GPU H200 node or a GB200 NVL4 tray — and warns that a 1M-token context wants to be capped in practice rather than assumed. A narrower KV cache changes how much memory the running engine needs, not how large the checkpoint is, so the node floor stands. SGLang's write-up adds a lever specific to this architecture: moving the Engram table into host memory with a single environment flag raised KV cache capacity by about 36% on a four-GB300 test at comparable decode throughput and time to first token, and its decoder-side SWA bounded replay lifted prefill throughput 1.56× on eight H200s. Two limits travel with that. The reference implementation in the repository describes itself as a readable example rather than a production serving engine, and the consumer runtimes lagged: the quantization path that would put this on a laptop or a Mac Studio was not open at launch. The short version is that the weights are genuinely open and the serving stack genuinely exists — on hardware counted in nodes rather than GPUs, which is the honest reason a permissive licence does not automatically mean a local build. The 1017 repository changes nothing about that floor — the checkpoint is the same 510 GB across the same 48 shards, and the runtime notes that carry it are the ones published for September's weights.

What open weights do not give you, on their own, is a quality signal — but that gap has now partly closed, and it closed further on October 18. Four independent instruments now exist, one of them run twice: Artificial Analysis's Intelligence Index, which scores the September checkpoint at 39 and the 1017 checkpoint at 45; the Exploit Bench study above, a cyber benchmark run under seven agent harnesses; the community kernel board in the section below; and, since October 14, Artificial Analysis's own AA-AgentPerf results for this model, which measure the hardware it is served on rather than how good it is. The vLLM project's October 7 before-and-after, above, measures a different thing again — what the model costs to serve rather than how good it is — and is the runtime's own account of itself. None is a reasoning score of the kind ARC Prize is building, three of the four still describe the September checkpoint, and for most of the specific rows in this piece the model card remains the only source — but the composite no longer belongs on that list: the 45, and the 33.8 under it, were produced against the weights DeepSeek serves today. That is not an accusation; it is the state of the evidence, and it is why this article keeps the two kinds of number apart. Open weights do mean the model will not stay confined to DeepSeek's endpoint, which matters for anyone whose blocker was data residency rather than price.

Làm thế nào để áp dụng nó mà không đánh cược production vào đó?

One thing changed on our side since the release, and it makes this section simpler than it would have been last week: DeepSeek V4.1 Flash is on OrcaRouter now. It answers to the model id deepseek/deepseek-v4.1-flash through the same OpenAI-compatible endpoint as the rest of the line, at DeepSeek's own rate — $0.15 per 1M input tokens, $0.60 per 1M output and $0.003 per 1M cache reads at off-peak rates, doubling inside the weekday peak windows — passed through with 0% markup. That last part is the one worth spelling out: the figure you are billed is the provider's figure rather than a resale price, so a vendor price cut is live here the same day instead of whenever a contract is renegotiated. DeepSeek V4 Flash and DeepSeek V4 Pro sit on the same key, which makes the migration below a routing change rather than a re-platforming. The October 17 checkpoint moves none of that: DeepSeek kept both the API model name and the rate card, so the update changes neither the id nor the price on this side, which is what a pass-through looks like when a vendor refreshes a model without touching either.

That is also the argument for not rushing the migration. The September 14 rerouting would have been a vendor changing what a model ID means underneath you, had DeepSeek not cancelled it under pressure, and the episode is the cleanest recent reminder that a model string is a contract a provider can rewrite — which is also the right frame for the line-up talk above, since a three-tier family is a plan and this one has already changed once. For a model whose only outside scores so far are a composite index, a noisy cyber table and a community kernel board — and which has no production record at all — the safer shape is the one a router is built for: send a slice of production-shaped traffic to the new model, hold a proven model behind it as an automatic failover so a quality regression costs a retry instead of an incident, and let the routing DSL decide which calls are worth the unproven model and which should stay on the workhorse. The migration to V4.1 Flash is probably the right destination. It is not a migration to run on the announcement.

Câu hỏi mở

• Independent benchmarks — the count has gone from zero to four instruments, and none of them measures the model's reasoning the way ARC Prize intends to. Artificial Analysis's score of 39 is a composite of ten evaluations at maximum reasoning effort, and its 45 — published October 18 — is the same composite pointed at the newer weights. The Exploit Bench study above is a cyber-exploitation score inside a fixed token budget, and it rates DeepSeek V4.1 Flash below GLM-5.3-Flash. The community kernel board on kernelbench.com is a kernel-engineering table. Artificial Analysis's AA-AgentPerf results, published October 14, are a hardware table: how many tokens per second per megawatt each accelerator system serves this model at, and nothing about quality. Nobody has replicated DeepSeek's individual benchmark rows, and no independent measurement at production effort settings, or at the far end of a 1M-token window, has been published. The October 17 checkpoint is no longer unmeasured: on October 18 Artificial Analysis added a 1017 row at 45 on its index and 33.8 on Terminal-Bench 4.0, and the bench figure sits eight and a half points under what the vendor table claims for the same weights. What is missing now is a second opinion on that figure — one evaluator, one harness, one run — and any independent score at all for the four measurements that predate the swap. The one evaluation built to answer the reasoning question is still under construction — ARC Prize has a DeepSeek V4.1 Flash profile in its benchmarking harness in an open pull request, with no result attached — and ARC-AGI has never scored this checkpoint at all: the 61.4% on ARC-AGI-2 that the adapter's arrival revived belongs to DeepSeek V4 Flash 0731, the model V4.1 Flash retires. The newest number attached to this model, the 77.0 on DeepSWE v1.1, is the weakest-sourced row in the piece: it is DeepSeek's own chart, read off an image attached to the vendor's announcement, and no outside run of DeepSWE v1.1 on the 1017 checkpoint exists — Artificial Analysis's October 18 result is for the same weights but for a different benchmark. The two independent boards that publish the benchmark put this model's name at 71.7% and 74.2%, which is enough to place it beside Opus 5 and not enough to confirm the vendor's figure — and neither of them says which checkpoint it measured.

• Self-hosting below the node floor — vLLM's day-0 support became a stable release on September 22 with v0.30.0, which adds an MXFP8 KV path and asynchronous Engram offload; SGLang's day-0 support still ships as a preview image. Neither moves the hardware floor, which sits around an eight-GPU node because the 510 GB checkpoint is what sets it — and DeepSeek's own deployment notes, published with DeepInfer, put a finer point on it: one prefill node beside one decode node is deployable, but the recommended decode configuration is expert parallelism of 64 or above, which makes the smallest efficient unit 64 GPUs of prefill beside 64 of decode. The vLLM project's October 7 post is the fullest measured optimisation ledger published on this model — 1.9× at low concurrency and 5.3× under a 150 TPS constraint against its own day-0 build, alongside the SGLang figures above — and its October 17 follow-up adds a tokens-per-dollar curve that does span H100, MI300X and B200 configurations beside the rack-scale parts. Both are the project's own accounting of its own runtime. Neither moves the floor: a cheaper token on a GB300 or an H100 still does not fit a 510 GB checkpoint onto a desktop, so it is a faster path to the same floor rather than a lower one. Whether later releases and community quantizations bring this onto smaller machines is the open question for anyone who wants the weights rather than the endpoint, and it is the one that decides whether a permissive licence is a practical licence.

• V4.1 Pro là gì — DeepSeek gọi nó là phiên bản kế nhiệm của V4 Pro nhưng chưa công bố ngày ra mắt, thông số kỹ thuật hay giá cả, và việc định tuyến lại lưu lượng Pro hiện có sang một mô hình thuộc tầng Flash từng được công bố đã bị rút lại trước khi có hiệu lực. Thứ nằm phía trên Flash chỉ được công ty mô tả là kiến trúc mở rộng quy mô lên các mô hình lớn hơn; thang bậc Flash, Pro và Ultra cùng các kích cỡ 522B, 2T và 8T của nó chỉ là suy đoán của một nhà quan sát, không phải của DeepSeek.

• Per-task cost — Artificial Analysis now carries a per-task figure for both checkpoints: $0.49 per Intelligence Index task for the September weights, restated from the $0.27 this piece first carried, and $0.26 for 1017. That is the first outside evidence for any part of DeepSeek's Pareto claim, and it is narrower than the claim. The same rows show the 1017 checkpoint generating 210M output tokens across the index against 250M for September — shorter outputs in aggregate — but 89,495 output tokens per task against 88,574, which is not shorter at all, and 288.8 seconds per task against 289.9, which is not faster. The site's own cost breakdown puts the whole of the saving on the input side: the output line is flat, $0.106 per task against $0.107, while input falls from $0.379 to $0.155 and cache writes from $0.322 to $0.095. Whether a task finishes on fewer dollars depends on how many tokens it takes, and that is a property of the workload rather than of the rate card. DeepSeek's own account of the update points the other way: the changelog claims the new checkpoint reduces task runtime and output length, and its October 17 post repeats it as “faster task completion, and shorter outputs.” Neither carries a number, and the outside measurement behind this bullet has now met them: on the two quantities DeepSeek named, the 1017 weights moved by about one per cent, in opposite directions, from a starting point of five weeks earlier. A third figure sits on the other side of the same ledger: the vLLM project's October 17 chart puts the model at 1.3B tokens per dollar of total cost of ownership on SemiAnalysis AgentX, at a cost tier that assumes large-hyperscaler volume. Cheaper serving does not settle this bullet either — a lower cost per token leaves the tokens-per-task figure, which is what a caller actually pays for, exactly where the September measurement found it.

• Xác minh vượt kiểm soát — những người thử nghiệm trực tiếp báo cáo đôi khi có các vòng lặp lặp lại trong chuỗi suy nghĩ, và những lần cân nhắc kéo dài mười hai phút, tiêu tốn lượng token ở mức sáu chữ số cho những vấn đề có thể giải quyết trong vài giây ở thiết lập nỗ lực thấp hơn. Không có benchmark độc lập nào đo lường tần suất xảy ra của một trong hai hiện tượng hoặc chi phí của chúng trong môi trường sản xuất, và biện pháp giảm thiểu được báo cáo cho đến nay là giới hạn token phía máy khách thay vì bất cứ điều gì mô hình tự làm cho chính nó. Nghiên cứu Exploit Bench ở trên ghi nhận cùng kiểu lỗi từ hướng ngược lại: vòng lặp báo cáo lặp lại mà nó thể hiện trong bản ghi ReAct được tạo ra bởi prompt nén của harness chứ không phải bởi suy luận của chính mô hình, đây là lời nhắc nhở rằng một vòng lặp trong bản ghi không tự động là khuyết tật của mô hình.

Kỹ thuật kernel — bảng CUDA kernel cộng đồng của kernelbench.com (RTX PRO 6000, quy đổi theo roofline) đặt DeepSeek V4.1 Flash ở mức 50,19% roofline tương đương dense trên kernel sparse-attention của chính nó, đứng thứ tư chung cuộc, so với 4,45% của GLM-5.3 Flash ở cùng hàng. Bảng này do cộng đồng vận hành và chưa qua bình duyệt; chưa có thế hệ GPU thứ hai hay bản sao lặp nào được công bố.

• Ngữ cảnh dài ở phía xa — chú ý thưa được huấn luyện ở 64K và mở rộng lên 1M tại mốc 34T token. Chất lượng được duy trì ra sao khi gần đến cuối cửa sổ 1M đầy đủ chính là điều mà một đánh giá ngữ cảnh dài độc lập sẽ xác định.

• Cache reconstruction at the edges — SWA Bounded Replay rebuilds dropped sliding-window state approximately rather than exactly, and DeepSeek says the result can vary depending on where a cache hit lands in a session. The report notes little observed quality impact; extreme or untested conditions are exactly where an approximation like that would surface, and nobody outside DeepSeek has looked.

• Liệu các khối lượng công việc Pro có thực sự dịch chuyển hay không — việc định tuyến lại cưỡng bức đã bị rút lại, nên không có gì dịch chuyển trừ khi một nhóm chủ động chọn dịch chuyển, và những nhóm đã trả mức giá Pro để có được chiều sâu suy luận chính là những nhóm dễ nhận thấy sự khác biệt về năng lực nhất đối với công việc có dạng Terminal-Bench 3.0, nơi V4.1 Flash kém Opus-5.0 một khoảng cách lớn.

• Các điều khoản và hành vi của gói miễn phí — OpenCode đã thêm một mục miễn phí cho mô hình này vào ngày 15 tháng 10, với cửa sổ 200.000 token và giới hạn đầu ra 32.000 token, được mô tả trên các trang của chính mình là có sẵn trong thời gian có hạn. Liệu thỏa thuận này có tồn tại lâu hơn cụm từ đó hay không, endpoint chịu tải như thế nào, và liệu DeepSeek có tiếng nói nào trong đó hay không đều không được nói rõ: danh sách mô hình, tài liệu và bảng giá của chính nền tảng là nguồn duy nhất, không có ngày kết thúc để ràng buộc bất kỳ ai, và chưa ai công bố phép đo nào về tuyến miễn phí.

• Safety and refusals — DeepSeek publishes no refusal rate, red-team result or safety evaluation for either checkpoint, and no independent lab has scored this model on a jailbreak benchmark. The figures in this piece come from people building uncensored derivatives — 97 of 100 harmful prompts refused in chat mode, 98 in think mode, on one prompt set and one grader — and from a single agent-session screenshot in which the model declined a jailbroken persona. Whether that behaviour holds at low reasoning effort, in languages other than English, against automated attacks rather than a persona prompt, and under a harness that rewrites the system prompt, is unmeasured by anyone.

• The next checkpoint's paperwork — the October 22 report settles the registration question for weights that are already public, because the draft catalogue excludes technology already in the public domain. It does not settle the release after this one. The catalogue is a draft open for comment until November 15, its thresholds are reported rather than published in the text, and the interim registration duty said to have taken effect on October 16 has not been published in full. V4.1F-1017 itself is out, MIT-licensed and ungated; what a future DeepSeek checkpoint has to clear before it can be downloaded is a rule that does not exist yet.

The beta was a two-day question about whether a Flash-tier model could carry Pro duty. The release is DeepSeek answering it with a rate card and a routing plan — and then withdrawing the routing plan within two days when developers objected to having a production model swapped underneath them. That is a weaker statement than the announcement implied and a more honest one: the quality evidence for the move is DeepSeek's own benchmarks plus outside measurements that mostly point the same way. The newest of them, a cyber benchmark run under seven agent harnesses, points the other way on the one comparison it makes, and the company has left the choice with its customers rather than making it for them. Since the release the weights have gone from a promise to a 510 GB download, the model has gone from a vendor endpoint to something you can route to, and the serving stack has gone from a day-0 recipe to a measured one — vLLM reporting itself 1.9× faster at low concurrency three weeks in, then publishing, the day the checkpoint changed, a cost curve that prices the model at 1.3B tokens per dollar of total cost of ownership on SemiAnalysis AgentX. This week the layer under all of that opened as well: DeepSeek published DeepInfer, the engine its own service runs, with a decode curve for this checkpoint, the production figures behind that curve, and an unpublished September benchmark that puts Huawei's 950DT five to seven times behind NVIDIA per chip at the speed DeepSeek actually serves at. Five weeks in, the checkpoint itself moved once: October 17 brought new weights behind the same name and the same price, with a vendor table that is better on every row it publishes and a different harness under one of them. Two days later the outside measurement arrived, and it is the most useful number in this piece: Artificial Analysis put the 1017 weights at 45 on its index — level with GLM-5.3 for second among open-weights models, a point behind MiMo-V2.6-Pro — and 33.8 on Terminal-Bench 4.0, against the vendor's 42.3 on the same benchmark — so the harness that flatters the model in DeepSeek's own table is not the harness the number survives. If you are choosing today, the honest position is that V4.1 Flash looks like the best value in the DeepSeek line, has four independent instruments to its name — none of them a reasoning score, one of them now run against the checkpoint DeepSeek has served since October 17 — a fifth evaluation under construction, no production track record, a serving stack whose two strongest numbers — a speed delta and a cost curve — both come from the project that wrote the runtime, and an outside cyber result that already disagrees with itself depending on which harness you wrap around the model, a free 200,000-token tier that appeared on one platform on October 15, and a first round of hands-on reports describing a model that checks its own work further than most callers will ask it to — which is a reason to point a slice of traffic at it, not a reason to migrate on the announcement. The update DeepSeek announced on October 17 changes the weights and adds a vendor claim — faster task completion, shorter outputs — and the first outside measurement of those weights supports half of it at best: cost per index task cut by 46%, while time per task and output tokens per task barely moved. A day on, the widest-read claim about that checkpoint was an executive's: 77 on DeepSWE v1.1 at 83× lower cost, from a Databricks staffer who also says the checkpoint is coming to that platform. Half of it survives contact with the independent boards, which now put this model's name above Opus 5 on that benchmark. The other half does not yet: the 77 is DeepSeek's own row, unreproduced, and the 83× is arithmetic with no published per-task cost behind it. Databricks' own documentation confirms the model is on its platform and that the two DeepSeek models below it are scheduled to leave; it does not confirm the checkpoint is arriving. That claim is now the second-most-interesting one about the checkpoint rather than the most. On October 19 a tracker account that has called several of these releases early declared itself “dead certain” of the 42.3 on Terminal-Bench 4.0, on the grounds that it beats GLM-5.3, and asked Artificial Analysis to run the model in a native harness. The site had already done it. On its own harness the same weights score 33.8 — below GLM-5.3's 41.9, not above it. The vendor row is real and it is DeepSeek's; the inference drawn from it does not survive being run by somebody else.

Nếu phiên bản của thứ này mà bạn muốn là phiên bản giữ cho các lựa chọn của bạn luôn mở, thì cả ba đều chỉ cần một key và được định giá theo mức giá riêng của DeepSeek với 0% markup cộng thêm. Bản phát hành này: DeepSeek V4.1 Flash trên OrcaRouter — ngữ cảnh 1M token, trần đầu ra 384K, đầu vào hình ảnh, ở mức $0.15 cho mỗi 1M đầu vào và $0.60 cho mỗi 1M đầu ra ngoài giờ cao điểm. Mô hình mà nó thay thế: DeepSeek V4 Flash trên OrcaRouter. Và mô hình chủ lực mà DeepSeek quyết định tiếp tục phục vụ: DeepSeek V4 Pro trên OrcaRouter. Hãy trỏ một phần lưu lượng đến mô hình mới, giữ một mô hình đã được chứng minh phía sau làm phương án dự phòng, và để việc định tuyến quyết định.

Việc chọn một mô hình cũng là câu hỏi về những gì đã từng sai trước đây: các sự cố AI và lỗi của agent đã được ghi nhận đối với các mô hình thuộc lớp này được tập hợp trong OrcaRouter AI Incident Archive, nơi mỗi mục đều mang nguồn riêng, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp.