DeepSeek V4.1 Flash korvaa vanhan Flashin – mitä kehittäjän kannattaa tietää

Lyhyesti: mikä muuttui?

DeepSeek-V4.1-Flash julkaistiin 10. syyskuuta 2026. Se on avoimilla painoilla julkaistu, tekstiä ja kuvia natiivisti ymmärtävä malli, jonka tärkein lupaus ei ole pelkkä 552 miljardin parametrin MoE-rakenne, vaan pitkien syötteiden käytännöllisempi ajaminen: mallin KV-välimuistia on tiivistetty voimakkaasti. 1735

DeepSeekin API:ssa uusi ensisijainen mallinimi on deepseek-flash. Aiemmat V4 Flash- ja V4 Flash Vision Exp -mallit on poistettu käytöstä. Vanhoja tunnuksia deepseek-v4-flash ja deepseek-v4-flash-vision-exp hyväksytään vielä yhteensopivuuden vuoksi, mutta pyynnöt palvellaan V4.1 Flashilla ja laskutetaan Flash-hinnoilla. 1523

V4 Pro ei kuitenkaan kadonnut

Alkuvaiheen siirtymätiedoissa V4 Pron liikenteen kerrottiin ohjautuvan V4.1 Flashiin odotettaessa V4.1 Prota. DeepSeekin myöhempi virallinen API-muutosloki kuitenkin kertoo, että käyttäjäpalautteen vuoksi V4 Pro -API-palvelu jatkuu 14. syyskuuta 2026 jälkeenkin ja laskutus säilyy ennallaan. 1523

Käytännön johtopäätös on selvä: jos sovelluksen tulosten pitää olla toistettavia, vanhaa reittiä ei kannata pitää pysyvänä malliversiolukkona. Käytä dokumentoitua nykyistä mallitunnusta ja tee regressiotestit omalla aineistollasi.

552 miljardin parametrin MoE, mutta vain osa käy töissä kerrallaan

V4.1 Flash on Mixture-of-Experts- eli MoE-malli, jossa on 552 miljardia perusparametria. MoE-mallissa jokaista tokenia varten ei lasketa koko mallia, vaan vain valittu asiantuntijajoukko aktivoidaan.

DeepSeekin mukaan V4.1 Flash aktivoi syötteen käsittelyssä (prefill) 8 miljardia parametria ja tekstin tuottamisessa (decoding) 16 miljardia parametria. Mallissa käytetään yrityksen nimeämää Causal Encoder–Decoder -arkkitehtuuria. 1735

Harva aktivointi ei yksin takaa halpaa tai nopeaa ajoa: nopeuteen vaikuttavat myös laitteisto, eräkoko, kvantisointi, palvelinohjelmisto, kontekstin pituus ja pyyntöjen koostumus. Se on silti mallin tehokkuuslupauksen keskeinen osa.

Miljoonan tokenin konteksti vaatii muistitehokkuutta

Malli tukee enintään miljoonan tokenin konteksti-ikkunaa. 35

Pitkissä keskusteluissa, dokumenttikokoelmissa ja agenttiketjuissa pullonkaulaksi voi muodostua KV-välimuisti (key-value cache). Se on tarkkaavuusmekanismin välitila, jota malli tarvitsee jokaisen uuden tokenin tuottamiseen. Kun syöte ja vastaus pitenevät, myös muistitarve kasvaa.

DeepSeekin mallikortin mukaan Causal Encoder–Decoder -ratkaisussa dekooderin globaali KV-välimuisti johdetaan enkooderin viimeisistä piilotiloista sen sijaan, että se muodostettaisiin erikseen jokaisessa dekooderikerroksessa. Compressed Sparse Attention 2- ja FP4-KV-välimuistitekniikoiden yhdistelmä pudottaa globaalin KV-välimuistin koon DeepSeekin mukaan noin 890 tavuun tokenia kohden – noin neljännekseen V4 Flashin vastaavasta muistijäljestä. 3539

Miljoonan tokenin kapasiteetti ei silti tarkoita, että malli hakisi tai päättelisi luotettavasti kaiken näin pitkästä aineistosta. Pitkien kontekstien käytössä kannattaa mitata erikseen tiedon löytyminen, ohjeiden noudattaminen, viive ja kustannus juuri omilla dokumenteilla, koodikannoilla tai agenttihistorioilla.

Avoimet painot ja oma ajo

DeepSeek on julkaissut V4.1 Flashin painot Hugging Facessa MIT-lisenssillä. Tämä antaa organisaatioille mahdollisuuden ladata ja ottaa mallin käyttöön omassa ympäristössään lisenssin ehtojen mukaisesti. 35

Avoimet painot tarjoavat vaihtoehdon pelkälle API-käytölle: tiimit voivat arvioida mallia omalla datallaan ja hallita omaa palvelupinoa. Käyttöönotto ei silti ole kevyt projekti, sillä 552 miljardin parametrin perusmalli on suuri, vaikka aktiivisia parametreja käytetään tokenia kohden vähemmän.

Onko V4.1 Flash V4 Prota parempi?

DeepSeek kertoo uusien esikoulutusmenetelmien ja laajemman vahvistusoppimiseen perustuvan jälkikoulutuksen nostaneen V4.1 Flashin tuloksia vertailuissa myös V4 Pron edelle. Yhtiö viittaa lisäksi useiden tahojen testeihin, joissa V4.1 Flash pärjää V4 Prota paremmin suorituskyvyssä, hinnassa, nopeudessa ja kokonaisajoajassa. 17

Nämä ovat merkittäviä, mutta pääosin valmistajan raportoimia tuloksia – eivät yleispätevä tuomio kaikista työtehtävistä. Vertailut riippuvat tehtävävalinnasta, kehotteista, työkalukokoonpanosta, pisteytystavasta ja testatusta malliversiosta. Tuotantosiirtoa ennen kannattaa verrata malleja omilla onnistumiskriteereillä: vaativalla päättelyllä, koodin hyväksymisasteella, työkalujen käytöllä, kuvien tulkinnalla, luotettavuudella, viiveellä ja kokonaiskustannuksella.

OpenRouterissa käyttöä kertyy nopeasti – mutta luku ei kuvaa koko markkinaa

OpenRouter sijoittaa malleja sen mukaan, kuinka paljon kehotus- ja vastaustokeneita sen oman API:n kautta käsitellään. Sen 13. syyskuuta julkaistussa rankingissa DeepSeek V4.1 Flashilla oli 4,94 biljoonaa tokenia ja se oli merkitty uutena mallina. Samalla listalla DeepSeek V4 Flash 0731:llä oli 11,6 biljoonaa tokenia, V4 Flash 0423:lla 4,36 biljoonaa ja Xiaomin MiMo-V2.5:llä 7,77 biljoonaa. 57

Jo elokuun tilannekuva osoitti, kuinka nopeasti sijoitukset voivat vaihtua: V4 Flashilla raportoitiin silloin 7,1 biljoonaa viikkotokenia, ja yhdeksän kymmenestä listan käytetyimmästä mallista oli kiinalaisia. 50

Tärkeä rajaus on, että OpenRouterin tokenimäärät kuvaavat vain OpenRouterin välittämää liikennettä. Ne eivät mittaa maailmanlaajuista tekoälyn käyttöä, yritysasennuksia, liikevaihtoa tai mallien yleistä laatua. Ne ovat hyödyllinen kehittäjäkysynnän signaali, eivät markkinavoiton todiste.

Mitä kehittäjän kannattaa tehdä nyt?

V4.1 Flashin kiinnostavin yhdistelmä on natiivi multimodaalisuus, miljoonan tokenin konteksti, avoimet painot ja pitkän kontekstin muistitarvetta pienentävä arkkitehtuuri. 1735

Käytännöllinen siirtymäsuunnitelma on:

1. Käytä uusissa Flash-integraatioissa mallinimeä deepseek-flash.
2. Kohtele vanhoja Flash- ja Vision Exp -tunnuksia yhteensopivuusreitteinä, ei pysyvinä versiokiinnityksinä.
3. Vertaa V4.1 Flashia ja V4 Prota omilla kehotteilla ja liiketoimintamittareilla.
4. Mittaa pitkän kontekstin tiedonhaku ja kokonaisviive erillään pelkästä konteksti-ikkunan nimelliskapasiteetista.
5. Käytä OpenRouterin rankingia kysyntäsignaalina, älä tuotantovalinnan korvikkeena.

890 tavun KV-välimuistiluku ja harva aktivointi ovat teknisesti huomattavia väitteitä. Mallin todellinen merkitys ratkeaa kuitenkin siinä, näkyvätkö ne luotettavana ja kohtuuhintaisena suorituskykynä niissä työkuormissa, joita kehittäjät oikeasti ajavat.