DeepSeek V4.1 Flash: что меняется, когда дешёвая модель отправляет флагман на пенсию

Имя модели со сроком годности

8 сентября днём DeepSeek выложила в официальной группе пользователей объявление меньше чем на сто слов. Ни презентации, ни тизера, документация на сайте не менялась. В объявлении было одно имя модели:

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

Суффикс 0910 и был сроком годности. Через два дня, 10 сентября в полдень, вышел официальный релиз с заголовком скучным, как еженедельный статус-отчёт: Stronger, Faster, More Accessible («Сильнее, быстрее, доступнее»).

Самое интересное было в тексте. DeepSeek написала, что по итогам обширного тестирования V4.1 Flash полностью обошла V4 Pro по качеству, стоимости, скорости и общей задержке, и что V4 Pro будет планово выведена из эксплуатации. Проще говоря, Flash переросла Pro, а Pro уходит.

У практических последствий есть конкретная дата. После 12:00 по пекинскому времени 14 сентября все запросы к deepseek-v4-pro молча перенаправляются на V4.1 Flash и тарифицируются по ценам Flash, пока когда-нибудь не выйдет V4.1 Pro. Если в вашем продакшен-коде зашит deepseek-v4-pro, после анонса у вас было меньше четырёх дней.

Новая архитектура, а не свежая покраска

Велик соблазн считать V4.1 Flash очередным раундом пост-обучения V4 Flash. Это не так. Про июльское обновление V4 Flash от 31 числа прямо говорилось, что архитектура и размер превью-модели сохранены, а изменилось только пост-обучение: тот же скелет, ещё один круг тренировки. Этот релиз перестраивает фундамент.

Модель представляет собой mixture-of-experts на 552B с каузальной схемой encoder-decoder, и её главная черта — асимметрия между входом и выходом:

• При чтении входа (prefill) активируется 8B параметров. Из пула экспертов на 552B каждый входной токен задевает лишь около 1,45% весов.
• При генерации выхода (decode) активируется 16B параметров, ровно вдвое больше, чем на входе.

Логика понятна. Прочитать кусок кода, просмотреть скриншот или переварить вывод инструмента — это в основном поглощение, а не глубокое многошаговое рассуждение. Дорогое мышление происходит во время генерации. Если отдать большую часть вычислений выходу, вход идёт по лёгкому пути, а выход использует полный.

Для агентных нагрузок это очень кстати, потому что распределение токенов у них сильно перекошено. Десятки тысяч токенов контекста, ответов инструментов и префиксов репозитория дают всего несколько десятков или сотен токенов реальных решений. Удешевление входа бьёт ровно по самой дорогой части конвейера.

В техническом отчёте названо несколько механизмов, которые за этим стоят:

• CSA2 (Compressed Sparse Attention 2) переиспользует KV-кэш между слоями и применяет Top-K индексацию в трёх режимах: Full, Reindex и Reuse.
• Точность KV-кэша снижена с FP8 в прошлом поколении до FP4.
• DSpark встроен в декодирование. Лёгкий спекулятивный модуль набрасывает черновые токены, а основная модель их проверяет.

Короче говоря, эффективность заложена в структуру, а не получена подкручиванием параметров.

Откуда на самом деле берётся экономия: кэш меньше в 437 раз

Асимметричная активация — приём новый, а вот сжатие KV-кэша — то, чем DeepSeek известна больше всего. Официальная история этих усилий подводит к конкретному выигрышу по железу в сравнении с прошлым поколением: потребность в HBM падает вчетверо, а в SSD-хранилище — в восемь раз.

Больше всех выигрывают разработчики агентов. Агенты живут на огромных контекстах и частых вызовах, а системные промпты, схемы инструментов и история чата отправляются заново на каждом круге. Доля попаданий в кэш часто превышает 99%, так что основная часть счёта за API — это закэшированный вход, а не выходные токены.

Изменения цен это отражают:

• Вход с попаданием в кэш: с $0.0075 до $0.003 (минус 60%).
• Вход без попадания в кэш: с $0.225 до $0.15 (минус 33%).
• Выход: с $0.675 до $0.60 (минус 11%).

Самое глубокое снижение пришлось ровно туда, где окупается работа над KV-кэшем.

В этих цифрах есть и инженерный урок. Провайдер, который так упорно оптимизирует объём на SSD, явно использует SSD как активный, основной уровень кэширования, и DeepSeek давно идёт этим путём. А когда KV-кэш на шаг становится настолько маленьким, он перестаёт забивать пропускную способность памяти GPU. Главным узким местом становится чтение весов, и, вероятно, поэтому в бенчмарках сообщества скорость вывода не падает с ростом длины контекста.

Бенчмарки: настоящие победы и честные поражения

Главный рост виден в практических агентных оценках. Terminal-Bench 3.0 подскочил с 7.6 до 30.0, почти вчетверо. DeepSWE вырос с 54.4 до 74.2. Оба измеряют, насколько хорошо агент выполняет реальные задачи, так что пост-обучение явно целилось в практическую пользу.

И всё же у «побеждает везде» есть сноска. По всей сравнительной таблице:

• Первое место в трёх тестах: CyberGym с 88.1, Automation-Bench с 54.8 и DeepSWE v1.1 с 74.2. На DeepSWE отрыв от Opus 5 (74.0) всего 0.2 балла.
• На GPQA Diamond у модели 90.9, и она уступает трём конкурентам: GPT-5.6-Sol (94.1), Opus 5 (93.4) и GLM-5.3 (92.9).
• На HLE результат 36.8, последнее место в таблице, тогда как GPT-5.6-Sol набирает 56.3.
• Terminal-Bench 3.0 и 4.0 дают 30.0 и 31.2, заметно ниже Opus 5 с 43.3 и 51.8.

Даже собственного предшественника она обходит не везде. V4 Pro набирала 92.4 на GPQA Diamond, а V4.1 Flash — 90.9, на 1.5 балла меньше.

Так что «полностью обошла» описывает баланс качества, стоимости, пропускной способности и задержки, а не более высокий балл по каждой метрике. Точнее так: на агентных задачах модель не хуже старого флагмана или лучше него примерно за треть стоимости эксплуатации. Для большинства бизнес-сценариев в продакшене именно этот компромисс и важен. Но если вы строите исследовательские продукты или продукты на рассуждениях, к 36.8 на HLE стоит присмотреться.

Что это значит для вашего счёта

Цены, действующие с 12:00 по пекинскому времени 10 сентября 2026 года, указаны за 1M токенов. Пиковые часы — с 01:00 до 04:00 и с 06:00 до 10:00 UTC, с понедельника по пятницу. Всё остальное время, включая выходные, считается непиковым, и непиковые тарифы ровно вдвое ниже пиковых.

Отсюда три вывода:

• По сравнению со старой Flash вход с попаданием в кэш дешевле на 60%, вход без кэша — на 33%, выход — на 11%. Поскольку доля попаданий обычно очень высокая, реальные счета падают гораздо сильнее, чем подсказывают 11% по выходу.
• По сравнению с V4 Pro пиковый выход падает с $3.96 до $1.20, меньше трети прежней цены, и при этом бенчмарки ещё и выше.
• Непиковые тарифы вдвое снижают стоимость пакетного инференса ночью и в выходные.

Для примера: задача с 1M закэшированных входных токенов, 100K незакэшированных и 10K выходных раньше стоила около $0.0368, а сейчас в непиковое время — около $0.024. Это снижение примерно на 34.7%.

Важен и контекст. Всего за месяц до этого DeepSeek подняла цены вместе с запуском V4 Pro, установив пиковый выход в $3.96. Снижение до $1.20 через месяц показывает, насколько жёсткой стала конкуренция в инфраструктуре.

Миграция

Для перехода в обычной настройке клиента достаточно сменить идентификатор модели:

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://..."}},
        ],
    }],
)

Возможности и ограничения, которые нужно знать:

• Контекстное окно — 1M токенов, максимальная генерация — 384K токенов, поддерживаются вывод по JSON Schema, вызов функций и инструментов и Responses API.
• Режим размышления включён по умолчанию, уровни усилия — low, high и max.
• Лимит параллельных запросов — 2 500 для deepseek-flash против 500 для deepseek-v4-pro.

Некоторые сроки и точки отказа требуют внимания:

• Старые имена моделей работают только как временный мост. deepseek-v4-flash и deepseek-v4-flash-vision-exp выведены из эксплуатации, но оба всё ещё направляются на V4.1 Flash по ценам Flash.
• 14 сентября в 12:00 по пекинскому времени — жёсткое переключение. С этого момента запросы к deepseek-v4-pro молча уходят на Flash, тарифицируются как Flash, и публичного способа отказаться нет.
• Больше не используйте превью-тег deepseek-v4.1-flash-expires-on-0910, его срок уже истёк. Нужный идентификатор — deepseek-flash.
• В потребительских приложениях режимы Fast, Expert и Vision объединены в один Smart Mode. Модель сама оценивает сложность задачи и включает зрение, как только видит изображение.

Риски, которые стоит проверить до переключения

Тихая маршрутизация в продакшене

Заявленная причина разумна: держать старую, более медленную и дорогую Pro больше нет смысла. Но продакшен-системы настраиваются под режимы отказа конкретной модели. Правила повторов, запасные промпты и пороги мониторинга калибровались под поведение V4 Pro, и более высокий средний балл в бенчмарках не обещает того же поведения на ваших промптах. Слабое место — структурированный вывод: соблюдение схем JSON и вызовов функций может поплыть. Прогоните полные регрессионные тесты на трафике, похожем на боевой, до 14 сентября, а не ждите, пока сработают алерты.

Дрейф языка

Тестировщики превью сообщили о двух багах с согласованностью языка. На английские промпты иногда приходили ответы на китайском. Хуже того, в сценариях с веб-поиском модель склонна отвечать на том языке, который преобладает на найденных страницах. Если ваши пользователи в основном говорят по-английски, проверьте именно этот случай. Некоторые разработчики постоянно дописывали «Answer in English!» («Отвечай по-английски!»), чтобы добиться своего, и такому костылю не место в пользовательском слое продакшен-софта.

Открытые веса — не значит простое развёртывание

Веса лежат на Hugging Face под разрешительной лицензией MIT без дополнительных эксплуатационных ограничений: коммерческое использование, дообучение, распространение и даже обучение конкурирующих моделей разрешены. Она заменяет собственную DeepSeek License прошлых версий стандартной open-source-рамкой, а PDF технического отчёта опубликован рядом.

Но самостоятельно хостить MoE на 552B — всё равно серьёзная инфраструктурная задача. Сама DeepSeek сказала, что командам, которым нужно высокопроизводительное внутреннее развёртывание, стоит готовить кластер примерно из 2 000 GPU плюс выделенное хранилище. Для большинства инженерных команд это веса, которые можно скачать, а не софт, который можно запустить у себя. Плюс в том, что KV-кэш в 890 байт на токен сильно снижает давление на память, и это оставляет место для будущих оптимизаций от сообщества.

Что дальше

V4.1 Flash — точка входа в новое семейство архитектур, которое, по словам DeepSeek, рассчитано на масштабирование до большего числа параметров. Следующая веха — ещё не вышедшая V4.1 Pro на той же архитектуре, но крупнее. Если Flash уже лидирует на DeepSWE, CyberGym и Automation-Bench, модель Pro, вероятно, сосредоточится на том, чтобы закрыть отставание примерно в 20 баллов на HLE.

Продуктовая сторона тоже примечательна. Объединение Fast, Expert и Vision в один путь забирает выбор модели у пользователей: система сама решает, насколько глубоко рассуждать и когда включать мультимодальность. Gemini пошла этим путём раньше, DeepSeek последовала за ней. Пользователям это на руку, а вот создателям промежуточных сервисов стоит воспринять это как предупреждение: продукт, вся ценность которого в том, чтобы помогать людям выбирать модели, быстро эту ценность теряет.

Что до V4 Pro, модель, которая получила повышение цены, а потом в течение тридцати дней была выведена из эксплуатации собственной облегчённой сестрой, многое говорит об отрасли. Терпение к флагману теперь длится около месяца.