DeepSeek V4.1 Flash: що змінюється, коли дешевша модель відправляє флагман на пенсію

Назва моделі з терміном придатності

8 вересня по обіді DeepSeek опублікувала в офіційній групі користувачів оголошення менш ніж на сто слів. Ні презентації, ні тизера, документація на сайті не змінилася. В оголошенні була одна назва моделі:

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

Суфікс 0910 і був терміном придатності. Через два дні, 10 вересня опівдні, вийшов офіційний реліз із заголовком нудним, як щотижневий статус-звіт: Stronger, Faster, More Accessible («Сильніша, швидша, доступніша»).

Найцікавіше було в самому тексті. DeepSeek написала, що за результатами масштабного тестування V4.1 Flash повністю перевершила V4 Pro за якістю, вартістю, швидкістю та загальною затримкою, і що V4 Pro буде планово виведено з експлуатації. Простіше кажучи, Flash переросла Pro, а Pro йде.

Практичні наслідки мають конкретну дату. Після 12:00 за пекінським часом 14 вересня всі запити до deepseek-v4-pro мовчки перенаправляються на V4.1 Flash і тарифікуються за цінами Flash, доки колись не вийде V4.1 Pro. Якщо у вашому продакшн-коді жорстко прописано deepseek-v4-pro, після анонсу у вас було менше чотирьох днів.

Нова архітектура, а не свіжа фарба

Легко сприйняти V4.1 Flash як ще один прохід пост-навчання V4 Flash. Це не так. Про оновлення V4 Flash від 31 липня прямо казали, що архітектура й розмір превʼю-моделі збережені, а змінилося лише пост-навчання: той самий скелет, ще одне коло тренування. Цей реліз перебудовує фундамент.

Модель — це mixture-of-experts на 552B із каузальною схемою encoder-decoder, і її головна риса — асиметрія між входом і виходом:

• Під час читання входу (prefill) активується 8B параметрів. З пулу експертів на 552B кожен вхідний токен зачіпає лише близько 1,45% ваг.
• Під час генерації виходу (decode) активується 16B параметрів, рівно вдвічі більше, ніж на вході.

Логіка зрозуміла. Прочитати фрагмент коду, переглянути скриншот чи засвоїти вивід інструмента — це здебільшого поглинання, а не глибоке багатокрокове міркування. Дороге мислення відбувається під час генерації. Якщо віддати більшу частину обчислень виходу, вхід іде легким шляхом, а вихід використовує повний.

Для агентних навантажень це дуже доречно, бо розподіл токенів у них сильно перекошений. Десятки тисяч токенів контексту, відповідей інструментів і префіксів репозиторію дають лише кілька десятків чи сотень токенів реальних рішень. Здешевлення входу бʼє саме по найдорожчій частині конвеєра.

У технічному звіті названо кілька механізмів, що за цим стоять:

• CSA2 (Compressed Sparse Attention 2) повторно використовує KV-кеш між шарами й застосовує Top-K індексацію в трьох режимах: Full, Reindex і Reuse.
• Точність KV-кешу знижено з FP8 у попередньому поколінні до FP4.
• DSpark вбудовано в декодування. Легкий спекулятивний модуль накидає чернетки токенів, а основна модель їх перевіряє.

Коротко кажучи, ефективність закладена в структуру, а не отримана підкручуванням параметрів.

Звідки насправді береться економія: кеш менший у 437 разів

Асиметрична активація — прийом новий, а от стискання KV-кешу — те, чим DeepSeek відома найбільше. Офіційна історія цих зусиль підводить до конкретного виграшу в залізі порівняно з попереднім поколінням: потреба в HBM падає вчетверо, а в SSD-сховищі — увосьмеро.

Найбільше виграють розробники агентів. Агенти живуть на величезних контекстах і частих викликах, а системні промпти, схеми інструментів та історія чату надсилаються наново на кожному колі. Частка влучань у кеш часто перевищує 99%, тож основна частина рахунку за API — це закешований вхід, а не вихідні токени.

Зміни цін це відображають:

• Вхід із влучанням у кеш: з $0.0075 до $0.003 (мінус 60%).
• Вхід без влучання в кеш: з $0.225 до $0.15 (мінус 33%).
• Вихід: з $0.675 до $0.60 (мінус 11%).

Найглибше зниження припало саме туди, де окупається робота над KV-кешем.

У цих цифрах є й інженерний урок. Провайдер, який так завзято оптимізує обсяг на SSD, очевидно використовує SSD як активний, основний рівень кешування, і DeepSeek давно йде цим шляхом. А коли KV-кеш на крок стає таким малим, він перестає забивати пропускну здатність памʼяті GPU. Головним вузьким місцем стає читання ваг, і, мабуть, саме тому в бенчмарках спільноти швидкість виводу не падає зі зростанням довжини контексту.

Бенчмарки: справжні перемоги й чесні поразки

Головне зростання видно в практичних агентних оцінках. Terminal-Bench 3.0 підскочив з 7.6 до 30.0, майже вчетверо. DeepSWE виріс з 54.4 до 74.2. Обидва вимірюють, наскільки добре агент виконує реальні завдання, тож пост-навчання явно цілило в практичну користь.

Та все ж у «перемагає скрізь» є виноска. По всій порівняльній таблиці:

• Перше місце у трьох тестах: CyberGym з 88.1, Automation-Bench з 54.8 і DeepSWE v1.1 з 74.2. На DeepSWE відрив від Opus 5 (74.0) лише 0.2 бала.
• На GPQA Diamond модель має 90.9 і поступається трьом конкурентам: GPT-5.6-Sol (94.1), Opus 5 (93.4) і GLM-5.3 (92.9).
• На HLE результат 36.8, останнє місце в таблиці, тоді як GPT-5.6-Sol набирає 56.3.
• Terminal-Bench 3.0 і 4.0 дають 30.0 і 31.2, помітно менше, ніж Opus 5 з 43.3 і 51.8.

Навіть власного попередника вона обходить не скрізь. V4 Pro мала 92.4 на GPQA Diamond, а V4.1 Flash — 90.9, на 1.5 бала менше.

Тож «повністю перевершила» описує баланс якості, вартості, пропускної здатності й затримки, а не вищий бал за кожною метрикою. Точніше так: на агентних завданнях модель не гірша за старий флагман або краща за нього приблизно за третину вартості експлуатації. Для більшості бізнес-сценаріїв у продакшні важить саме цей компроміс. Але якщо ви будуєте дослідницькі продукти чи продукти на міркуваннях, до 36.8 на HLE варто придивитися.

Що це означає для вашого рахунку

Ціни, чинні з 12:00 за пекінським часом 10 вересня 2026 року, вказано за 1M токенів. Пікові години — з 01:00 до 04:00 і з 06:00 до 10:00 UTC, з понеділка по пʼятницю. Решта часу, включно з вихідними, вважається непіковою, і непікові тарифи рівно вдвічі нижчі за пікові.

Звідси три висновки:

• Порівняно зі старою Flash вхід із влучанням у кеш дешевший на 60%, вхід без кешу — на 33%, вихід — на 11%. Оскільки частка влучань зазвичай дуже висока, реальні рахунки падають набагато сильніше, ніж підказують 11% на виході.
• Порівняно з V4 Pro піковий вихід падає з $3.96 до $1.20, менше третини колишньої ціни, і бенчмарки при цьому ще й кращі.
• Непікові тарифи вдвічі знижують вартість пакетного інференсу вночі та у вихідні.

Для прикладу: завдання з 1M закешованих вхідних токенів, 100K незакешованих і 10K вихідних раніше коштувало близько $0.0368, а тепер у непіковий час — близько $0.024. Це зниження приблизно на 34.7%.

Важить і контекст. Лише за місяць до цього DeepSeek підняла ціни разом із запуском V4 Pro, встановивши піковий вихід на рівні $3.96. Зниження до $1.20 через місяць показує, наскільки жорсткою стала конкуренція в інфраструктурі.

Міграція

Для переходу у звичайному налаштуванні клієнта достатньо змінити ідентифікатор моделі:

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

Можливості й обмеження, які треба знати:

• Контекстне вікно — 1M токенів, максимальна генерація — 384K токенів, підтримуються вивід за JSON Schema, виклик функцій та інструментів і Responses API.
• Режим міркування ввімкнено за замовчуванням, рівні зусиль — low, high і max.
• Ліміт паралельних запитів — 2 500 для deepseek-flash проти 500 для deepseek-v4-pro.

Деякі терміни й точки відмови потребують уваги:

• Старі назви моделей працюють лише як тимчасовий міст. deepseek-v4-flash і deepseek-v4-flash-vision-exp виведено з експлуатації, але обидві досі спрямовуються на V4.1 Flash за цінами Flash.
• 14 вересня о 12:00 за пекінським часом — жорстке перемикання. Відтоді запити до deepseek-v4-pro мовчки йдуть на Flash, тарифікуються як Flash, і публічного способу відмовитися немає.
• Більше не використовуйте превʼю-тег deepseek-v4.1-flash-expires-on-0910, його термін уже минув. Потрібний ідентифікатор — deepseek-flash.
• У споживчих застосунках режими Fast, Expert і Vision обʼєднано в один Smart Mode. Модель сама оцінює складність завдання й вмикає зір, щойно бачить зображення.

Ризики, які варто перевірити до перемикання

Тиха маршрутизація в продакшні

Заявлена причина розумна: тримати стару, повільнішу й дорожчу Pro більше немає сенсу. Але продакшн-системи налаштовують під режими відмов конкретної моделі. Правила повторів, запасні промпти й пороги моніторингу калібрували під поведінку V4 Pro, і вищий середній бал у бенчмарках не обіцяє такої самої поведінки на ваших промптах. Слабке місце — структурований вивід: дотримання схем JSON і викликів функцій може попливти. Проженіть повні регресійні тести на трафіку, схожому на бойовий, до 14 вересня, а не чекайте, поки спрацюють алерти.

Дрейф мови

Тестувальники превʼю повідомили про два баги з узгодженістю мови. На англійські промпти іноді приходили відповіді китайською. Гірше того, у сценаріях із вебпошуком модель схильна відповідати тією мовою, що переважає на знайдених сторінках. Якщо ваші користувачі здебільшого говорять англійською, перевірте саме цей випадок. Деякі розробники постійно дописували «Answer in English!» («Відповідай англійською!»), щоб домогтися свого, і такій милиці не місце в користувацькому шарі продакшн-софту.

Відкриті ваги — не означає просте розгортання

Ваги лежать на Hugging Face під дозвільною ліцензією MIT без додаткових експлуатаційних обмежень: комерційне використання, донавчання, поширення і навіть навчання конкурентних моделей дозволені. Вона замінює власну DeepSeek License попередніх версій стандартною open-source-рамкою, а PDF технічного звіту опубліковано поруч.

Але самостійно хостити MoE на 552B — усе одно серйозне інфраструктурне завдання. Сама DeepSeek сказала, що командам, яким потрібне високопродуктивне внутрішнє розгортання, варто готувати кластер приблизно з 2 000 GPU плюс виділене сховище. Для більшості інженерних команд це ваги, які можна завантажити, а не софт, який можна запустити в себе. Плюс у тому, що KV-кеш у 890 байтів на токен суттєво знижує тиск на памʼять, і це лишає простір для майбутніх оптимізацій від спільноти.

Що далі

V4.1 Flash — точка входу в нову родину архітектур, яку, за словами DeepSeek, розраховано на масштабування до більшої кількості параметрів. Наступна віха — ще не випущена V4.1 Pro на тій самій архітектурі, але більша. Якщо Flash уже лідирує на DeepSWE, CyberGym і Automation-Bench, модель Pro, ймовірно, зосередиться на тому, щоб закрити відставання приблизно у 20 балів на HLE.

Продуктовий бік теж показовий. Обʼєднання Fast, Expert і Vision в один шлях забирає вибір моделі в користувачів: система сама вирішує, наскільки глибоко міркувати й коли вмикати мультимодальність. Gemini пішла цим шляхом раніше, DeepSeek — слідом. Користувачам це на руку, а от творцям проміжних сервісів варто сприйняти це як попередження: продукт, уся цінність якого в тому, щоб допомагати людям обирати моделі, швидко цю цінність втрачає.

Щодо V4 Pro, модель, яка отримала підвищення ціни, а потім протягом тридцяти днів була виведена з експлуатації власною полегшеною сестрою, багато говорить про галузь. Терпіння до флагмана тепер триває десь місяць.