DeepSeek V4.1 Flash: qué cambia cuando el modelo barato jubila al buque insignia

Un nombre de modelo con fecha de caducidad

La tarde del 8 de septiembre, DeepSeek publicó en su grupo oficial de usuarios un aviso de menos de cien palabras. Sin keynote, sin teaser, y la documentación de la web no había cambiado. El aviso traía un solo nombre de modelo:

deepseek-v4.1-flash-expires-on-0910

El sufijo 0910 era la fecha de caducidad. Dos días después, el 10 de septiembre a mediodía, salió el lanzamiento oficial con un titular tan soso como un informe de estado semanal: Stronger, Faster, More Accessible («Más potente, más rápido, más accesible»).

Lo interesante estaba en el texto. DeepSeek afirmó que unas pruebas exhaustivas mostraban que V4.1 Flash había superado de forma integral a V4 Pro en rendimiento, coste, velocidad y latencia total, y que planeaba retirar V4 Pro de forma ordenada. Dicho claro: Flash se le quedó grande a Pro, y Pro se va.

La consecuencia práctica tiene fecha. A partir de las 12:00 hora de Pekín del 14 de septiembre, toda petición dirigida a deepseek-v4-pro se redirige en silencio a V4.1 Flash y se cobra a precio de Flash, hasta que algún día salga un V4.1 Pro. Si tu código de producción tiene deepseek-v4-pro escrito a fuego, tuviste menos de cuatro días tras el anuncio.

Una arquitectura nueva, no una mano de pintura

Es tentador ver V4.1 Flash como otra pasada de post-entrenamiento sobre V4 Flash. No lo es. De la actualización de V4 Flash del 31 de julio se dijo expresamente que mantenía la arquitectura y el tamaño del modelo preview y solo se había vuelto a post-entrenar: el mismo esqueleto con otra ronda de entrenamiento. Este lanzamiento rehace los cimientos.

El modelo es un mixture-of-experts de 552B con un diseño encoder-decoder causal, y su rasgo distintivo es la asimetría entre entrada y salida:

• Al leer la entrada (prefill) se activan 8B de parámetros. Del conjunto de expertos de 552B, cada token de entrada toca solo alrededor del 1,45 % de los pesos.
• Al escribir la salida (decode) se activan 16B de parámetros, justo el doble que en la entrada.

La lógica se sostiene. Leer un bloque de código, revisar una captura de pantalla o absorber la salida de una herramienta es sobre todo ingesta, no razonamiento profundo en varios pasos. El pensamiento caro ocurre al generar. Si la mayor parte del cómputo va a la salida, la entrada recorre un camino ligero y la salida usa el completo.

Eso encaja muy bien con las cargas de agentes, cuya distribución de tokens está muy desequilibrada. Decenas de miles de tokens de contexto, respuestas de herramientas y prefijos de repositorio producen apenas unas decenas o cientos de tokens de decisiones reales. Abaratar la entrada ataca la parte más cara del pipeline.

El informe técnico nombra varios mecanismos detrás de esto:

• CSA2 (Compressed Sparse Attention 2) reutiliza la caché KV entre capas y aplica indexación Top-K en tres modos: Full, Reindex y Reuse.
• La precisión de la caché KV baja de FP8 en la generación anterior a FP4.
• DSpark forma parte de la decodificación. Un módulo especulativo ligero propone tokens en borrador y el modelo principal los verifica.

En resumen, la eficiencia es estructural y no sale de toquetear parámetros.

De dónde sale de verdad el ahorro: una caché 437 veces menor

La activación asimétrica es un truco nuevo, pero comprimir la caché KV es aquello por lo que DeepSeek es más conocida. La historia oficial de ese esfuerzo desemboca en una ganancia concreta de hardware frente a la generación anterior: la demanda de HBM cae a una cuarta parte y la de almacenamiento SSD, a una octava.

Los que más ganan son quienes desarrollan agentes. Los agentes dependen de contextos enormes y llamadas frecuentes, y los prompts de sistema, los esquemas de herramientas y el historial del chat se reenvían en cada vuelta. Las tasas de acierto de caché suelen superar el 99 %, así que la mayor parte de una factura de API es entrada cacheada y no tokens de salida.

Los cambios de precio lo reflejan:

• La entrada con acierto de caché pasa de $0.0075 a $0.003 (un 60 % menos).
• La entrada sin acierto de caché pasa de $0.225 a $0.15 (un 33 % menos).
• La salida pasa de $0.675 a $0.60 (un 11 % menos).

El recorte más profundo cae justo donde rinde el trabajo sobre la caché KV.

Los números dejan también una lección de ingeniería. Un proveedor que optimiza tanto la huella en SSD trata claramente el SSD como una capa de caché activa y principal, un patrón que DeepSeek sigue desde hace tiempo. Y cuando la caché KV por paso se vuelve tan pequeña, deja de saturar el ancho de banda de memoria de la GPU. Leer los pesos pasa a ser el principal cuello de botella, lo que probablemente explica por qué los benchmarks de la comunidad ven que la velocidad de salida no cae al crecer el contexto.

Benchmarks: victorias reales y derrotas honestas

Las grandes mejoras están en las evaluaciones prácticas de agentes. Terminal-Bench 3.0 saltó de 7.6 a 30.0, casi cuatro veces más. DeepSWE subió de 54.4 a 74.2. Ambos miden lo bien que un agente ejecuta tareas reales, así que el post-entrenamiento apuntó claramente a la utilidad operativa.

Aun así, «gana en todo» necesita una nota al pie. En toda la tabla comparativa:

• Primer puesto en tres pruebas: CyberGym con 88.1, Automation-Bench con 54.8 y DeepSWE v1.1 con 74.2. En DeepSWE la ventaja sobre Opus 5 (74.0) es de solo 0.2 puntos.
• En GPQA Diamond saca 90.9 y queda por detrás de tres rivales: GPT-5.6-Sol (94.1), Opus 5 (93.4) y GLM-5.3 (92.9).
• En HLE saca 36.8, el último puesto de la tabla, mientras que GPT-5.6-Sol llega a 56.3.
• Terminal-Bench 3.0 y 4.0 quedan en 30.0 y 31.2, muy por debajo de Opus 5 con 43.3 y 51.8.

Ni siquiera supera a su propio predecesor en todo. V4 Pro sacaba 92.4 en GPQA Diamond y V4.1 Flash saca 90.9, 1.5 puntos menos.

Así que «superar de forma integral» describe un equilibrio entre calidad, coste, rendimiento y latencia, no una nota más alta en cada métrica. Dicho con más precisión: en cargas de agentes, el modelo iguala o supera al antiguo buque insignia por más o menos un tercio del coste de operación. Para la mayoría de los usos de negocio en producción, ese es el intercambio que importa. Pero si construyes productos de investigación o de razonamiento, el 36.8 en HLE merece una mirada más atenta.

Qué supone para tu factura

Los precios vigentes desde las 12:00 hora de Pekín del 10 de septiembre de 2026 se expresan por cada 1M de tokens. Las horas punta son de 01:00 a 04:00 y de 06:00 a 10:00 UTC, de lunes a viernes. Todo lo demás, fines de semana incluidos, es horario valle, y las tarifas valle son exactamente la mitad de las de punta.

De ahí salen tres conclusiones:

• Frente al Flash anterior, la entrada con acierto de caché es un 60 % más barata, la entrada sin caché un 33 % y la salida un 11 %. Como las tasas de acierto suelen ser muy altas, las facturas reales bajan mucho más de lo que sugiere el 11 % de la salida.
• Frente a V4 Pro, la salida en hora punta baja de $3.96 a $1.20, menos de un tercio del precio anterior, y encima los benchmarks mejoran.
• Las tarifas valle reducen a la mitad el coste de la inferencia por lotes de noche o en fin de semana.

Como ejemplo, una tarea con 1M de tokens de entrada cacheados, 100K sin cachear y 10K de salida costaba unos $0.0368 antes y ahora, en horario valle, unos $0.024. Es un recorte de aproximadamente el 34.7 %.

El contexto también cuenta. Solo un mes antes, DeepSeek había subido precios con el lanzamiento de V4 Pro y fijado la salida en hora punta en $3.96. Bajarla a $1.20 un mes después muestra lo feroz que se ha vuelto la competencia en infraestructura.

Migración

Para cambiar basta con modificar el identificador del modelo en una configuración de cliente normal:

from openai import OpenAI
client = OpenAI(
    api_key="YOUR_DEEPSEEK_KEY",
    base_url="https://api.deepseek.com",
)
resp = client.chat.completions.create(
    model="deepseek-flash",   # Points to V4.1 Flash
    messages=[{
        "role": "user",
        "content": [
            # Native multimodal: interleaved text and images without a separate vision model
            {"type": "text", "text": "Inspect this error screenshot and identify which layer threw the exception."},
            {"type": "image_url", "image_url": {"url": "https://..."}},
        ],
    }],
)

Capacidades y límites que conviene conocer:

• La ventana de contexto es de 1M de tokens, la generación máxima de 384K tokens, y se admiten salida con JSON Schema, llamadas a funciones y herramientas y la Responses API.
• El modo de razonamiento viene activado por defecto, con niveles de esfuerzo low, high y max.
• La concurrencia está limitada a 2.500 para deepseek-flash, frente a 500 para deepseek-v4-pro.

Algunos plazos y puntos de fallo requieren atención:

• Los nombres antiguos solo funcionan como puente temporal. deepseek-v4-flash y deepseek-v4-flash-vision-exp están retirados, pero ambos siguen yendo a V4.1 Flash a precio de Flash.
• El 14 de septiembre a las 12:00 hora de Pekín es un corte definitivo. Desde entonces, las peticiones a deepseek-v4-pro van en silencio a Flash, se cobran como Flash y no hay forma pública de evitarlo.
• No uses más la etiqueta preview deepseek-v4.1-flash-expires-on-0910, porque ya ha caducado. El identificador correcto es deepseek-flash.
• En las apps de consumo, los modos Fast, Expert y Vision se fusionan en un único Smart Mode. El modelo evalúa por sí mismo la complejidad de la tarea y activa la visión en cuanto ve una imagen.

Riesgos que comprobar antes del cambio

Enrutamiento silencioso en producción

La razón declarada es sensata: ya no tiene sentido mantener un Pro más antiguo, lento y caro. Pero los sistemas de producción se ajustan a los modos de fallo de un modelo concreto. Las reglas de reintento, los prompts de respaldo y las alarmas de monitorización se calibraron con el comportamiento de V4 Pro, y una media más alta en benchmarks no garantiza el mismo comportamiento con tus propios prompts. El punto débil es la salida estructurada: el cumplimiento de los esquemas JSON y de llamadas a funciones puede desviarse. Lanza pruebas de regresión completas con tráfico parecido al de producción antes del 14 de septiembre en lugar de esperar a que salten las alertas.

Deriva de idioma

Quienes probaron la preview reportaron dos fallos de coherencia de idioma. A veces los prompts en inglés recibían respuesta en chino. Peor aún, los flujos con búsqueda web tendían a responder en el idioma que dominaba en las páginas recuperadas. Si tus usuarios hablan sobre todo inglés, prueba este caso en concreto. Algunos desarrolladores acababan añadiendo «Answer in English!» («¡Responde en inglés!») para forzarlo, y un apaño así no pinta nada en la capa de usuario de un software en producción.

Pesos abiertos no significa despliegue fácil

Los pesos están en Hugging Face bajo la permisiva licencia MIT, sin límites operativos adicionales: se permiten el uso comercial, el ajuste fino, la redistribución e incluso entrenar modelos competidores. Sustituye la DeepSeek License propia de versiones anteriores por un marco open source estándar, y el PDF del informe técnico se publica junto a ellos.

Aun así, alojar por tu cuenta un MoE de 552B sigue siendo un trabajo de infraestructura serio. La propia DeepSeek dijo que los equipos que quieran despliegues internos de alto rendimiento deberían preparar un clúster de unas 2.000 GPU más almacenamiento dedicado. Para la mayoría de los equipos de ingeniería, esto son pesos descargables y no software que puedan ejecutar en local. Lo bueno es que una caché KV de 890 bytes por token alivia mucho la presión sobre la memoria, lo que deja margen para futuras optimizaciones de la comunidad.

Lo que viene

V4.1 Flash es la puerta de entrada a una nueva familia de arquitecturas que, según DeepSeek, está pensada para escalar a más parámetros. El siguiente hito es el aún no lanzado V4.1 Pro, con el mismo diseño a mayor tamaño. Si Flash ya lidera en DeepSWE, CyberGym y Automation-Bench, el modelo Pro probablemente se centrará en cerrar la brecha de unos 20 puntos en HLE.

El lado de producto también llama la atención. Fusionar Fast, Expert y Vision en una sola vía quita a los usuarios la elección de modelo, porque el sistema decide por sí mismo la profundidad del razonamiento y la activación multimodal. Gemini fue por ese camino antes y DeepSeek la ha seguido. Los usuarios salen ganando, pero quienes construyen middleware deberían tomarlo como aviso: cualquier producto cuyo valor consista solo en ayudar a la gente a elegir modelos está perdiendo ese valor muy rápido.

En cuanto a V4 Pro, un modelo que recibió una subida de precio y luego, en treinta días, quedó retirado por su propio hermano más ligero dice mucho del sector. La paciencia con un buque insignia dura ahora más o menos un mes.