DeepSeek V4.1 Flash přináší milionový kontext. Co to znamená pro V4 Flash a V4 Pro

DeepSeek-V4.1-Flash, vydaný 10. září 2026, není zajímavý jen počtem parametrů. Jde o otevřený multimodální model, který spojuje systém Mixture-of-Experts (MoE) s řídkou aktivací parametrů a zásadně menší KV cache – pracovní pamětí modelu pro pozornost při generování. Cílem je zlevnit a zpraktčnit práci s mimořádně dlouhým kontextem. 1735

Co se mění v nabídce DeepSeek

Pro nové integrace v API je aktuálním identifikátorem V4.1 Flash deepseek-flash. Model vedle textu nativně rozumí i obrazovým vstupům. 1517

Původní V4 Flash a experimentální V4 Flash Vision Exp DeepSeek ukončil. Starší názvy deepseek-v4-flash a deepseek-v4-flash-vision-exp firma zatím přijímá kvůli kompatibilitě, ale požadavky obslouží V4.1 Flash a účtuje je podle sazeb Flash. 1523

Situace kolem V4 Pro je odlišná. Dřívější informace o přechodu uváděly, že provoz bude do vydání V4.1 Pro přesměrován na V4.1 Flash. Pozdější oficiální changelog API ale říká, že DeepSeek kvůli zájmu uživatelů ponechá API službu V4 Pro i po 14. září 2026; způsob účtování se nemění. Pokud aplikace vyžaduje reprodukovatelné chování, je proto rozumné používat aktuálně dokumentované identifikátory modelů a provést regresní testy – nikoli předpokládat, že starší endpoint bude vždy znamenat V4.1 Flash. 1523

552 miliard parametrů, ale ne všechny běží při každém tokenu

V4.1 Flash je model typu Mixture-of-Experts se 552 miliardami parametrů v základní architektuře. U MoE se pro konkrétní token zapne jen vybraná část „expertů“, místo aby se při každém kroku vyhodnocoval celý model.

DeepSeek uvádí aktivaci 8 miliard parametrů při zpracování vstupu (prefill) a 16 miliard při generování výstupu (decoding). Model používá architekturu, kterou firma označuje jako Causal Encoder–Decoder. Rozdíl mezi vstupní a výstupní fází je prakticky důležitý: dlouhý prompt a dlouhá odpověď zatěžují inferenci jiným způsobem. 1735

Řídká aktivace sama o sobě nezaručuje nízkou cenu ani vysokou rychlost v každém nasazení. Výsledek ovlivňuje hardware, dávkování požadavků, kvantizace, obslužný software, délka kontextu i skladba provozu. Je to však zásadní součást zamýšleného profilu efektivity modelu.

Proč je milionový kontext hlavně otázkou KV cache

V4.1 Flash podporuje kontext až 1 milion tokenů. 35

Při dlouhém kontextu bývá hlavním provozním limitem právě key-value cache neboli KV cache: uložený stav pozornosti, který model využívá při generování každého dalšího tokenu. S rostoucí délkou promptu a odpovědi rychle narůstají paměťové nároky.

Podle modelové karty DeepSeek architektura Causal Encoder–Decoder odvozuje globální KV cache dekodéru z konečných skrytých stavů enkodéru, místo aby ji samostatně vytvářela z hidden states každé vrstvy dekodéru. Spolu s technikou Compressed Sparse Attention 2 a ukládáním KV cache ve formátu FP4 má globální KV cache zabírat asi 890 bajtů na token, přibližně čtvrtinu odpovídající hodnoty u DeepSeek V4 Flash. 3539

Milion tokenů v technické specifikaci ovšem neznamená, že každý takto velký úkol bude levný nebo že model spolehlivě vytěží všechny informace z celého vstupu. Kapacita kontextového okna není totéž co přesnost vyhledání informace, schopnost uvažování nebo dodržování instrukcí napříč velmi dlouhým promptem. Týmy pracující s rozsáhlými repozitáři, sbírkami dokumentů či historií agentů by měly na vlastních datech měřit vybavování informací, odezvu i celkové náklady.

Otevřené váhy a možnost vlastního provozu

DeepSeek zveřejnil váhy V4.1 Flash na Hugging Face pod licencí MIT. Modelová karta jej popisuje jako vydání s otevřenými vahami, takže organizace mohou model stáhnout a provozovat podle podmínek této licence. 35

Oproti modelům dostupným pouze přes API to otevírá možnost vyhodnocovat a provozovat jej na vlastní infrastruktuře a řídit si vlastní obslužný stack. Neznamená to ovšem, že nasazení bude jednoduché – základní architektura má stále 552 miliard parametrů. Nabízí ale cestu k self-hostingu a hlubší optimalizaci.

Překonává V4.1 Flash V4 Pro?

DeepSeek tvrdí, že díky novým metodám předtrénování a rozsáhlejšímu dolaďování pomocí posilovaného učení dosahuje V4.1 Flash v benchmarcích výsledků před vlajkovými modely včetně V4 Pro. Firma také odkazuje na testy více stran, podle nichž má V4.1 Flash předčit V4 Pro ve výkonu, ceně, rychlosti a celkové době běhu. 17

Jde o důležitá, ale výrobcem uváděná zjištění – ne o univerzální verdikt. Výsledky benchmarků závisejí na volbě úloh, promptování, konfiguraci nástrojů, metodice hodnocení i konkrétní testované verzi modelu. Před migrací produkčního workflow má smysl porovnat oba modely na vlastních kritických úlohách: náročném uvažování, úspěšnosti při programování, práci s nástroji, multimodální přesnosti, spolehlivosti, bezpečnostních kontrolách, latenci a celkové ceně.

Silný start na OpenRouteru, nikoli měřítko celého trhu

V4.1 Flash vstoupil na trh, kde DeepSeek i další čínští poskytovatelé modelů už měli velký objem směrovaného provozu. OpenRouter řadí modely podle počtu promptových i výstupních tokenů zpracovaných přes vlastní API. V žebříčku z 13. září byl DeepSeek V4.1 Flash na 4,94 bilionu tokenů a byl označen jako novinka; DeepSeek V4 Flash 0731 měl 11,6 bilionu, V4 Flash 0423 4,36 bilionu a Xiaomi MiMo-V2.5 7,77 bilionu. 57

Dřívější srpnový snímek ukazoval, jak rychle se podobné pořadí může proměnit: V4 Flash měl tehdy 7,1 bilionu tokenů za týden a devět z deseti nejpoužívanějších modelů v daném přehledu pocházelo z Číny. 50

Je nutné nepřehlédnout rozsah těchto dat. Počty tokenů OpenRouteru popisují provoz směrovaný přes OpenRouter, nikoli celosvětové využití AI, podniková nasazení, tržby ani kvalitu modelů. Jsou užitečným signálem poptávky na vývojářské platformě, ale samy o sobě nedokazují, že model ovládl širší trh.

Co z toho plyne pro vývojáře

Nejsilnějším důvodem, proč V4.1 Flash vyzkoušet, je kombinace nativní multimodality, milionového kontextu, otevřených vah a architektury navržené pro snížení paměťových nároků při dlouhé inferenci. 1735

Praktický postup při přechodu může vypadat takto:

1. Nové integrace řady Flash veďte přes deepseek-flash.
2. Staré identifikátory Flash a Vision Exp berte jako kompatibilní směrování, ne jako stabilní připnutí konkrétní verze modelu.
3. Porovnejte V4.1 Flash s V4 Pro na vlastních promptech a kritériích úspěchu.
4. Schopnost práce s dlouhým kontextem a latenci od začátku do konce měřte zvlášť; samotná deklarovaná velikost okna nestačí.
5. Žebříčky OpenRouteru používejte jako indikátor poptávky, nikoli jako náhradu produkčního hodnocení.

Technická tvrzení V4.1 Flash jsou výrazná, zejména údaj 890 bajtů globální KV cache na token a návrh se řídkou aktivací. Skutečný význam modelu však ukáže až to, zda se tyto výhody přenesou do spolehlivého a cenově dostupného výkonu v úlohách, které vývojáři skutečně provozují.