DeepSeek V4.1 Flash : ce qui change face à V4 Flash et V4 Pro

DeepSeek-V4.1-Flash, lancé le 10 septembre 2026, n’est pas seulement une nouvelle version de la gamme Flash. Ce modèle multimodal à poids ouverts associe une architecture « mixture of experts » (MoE) de 552 milliards de paramètres à une forte réduction de la mémoire nécessaire pour gérer les très longs contextes. 1735

Pour les équipes qui travaillent sur de vastes dépôts de code, des corpus documentaires ou des historiques d’agents, l’enjeu est concret : afficher une fenêtre de contexte d’un million de tokens est une chose ; pouvoir l’exploiter à un coût et une latence acceptables en est une autre.

Flash change de modèle, pas forcément d’identifiant

Dans l’API DeepSeek, le nom à utiliser pour le modèle Flash actuel est deepseek-flash. Il correspond à V4.1 Flash et prend désormais en charge la compréhension visuelle native, en plus du texte. 1517

Les anciens modèles V4 Flash et V4 Flash Vision Exp ont été retirés. Par compatibilité, deepseek-v4-flash et deepseek-v4-flash-vision-exp restent temporairement acceptés, mais les requêtes sont en réalité servies par V4.1 Flash et facturées au tarif Flash. 1523

Le cas de V4 Pro est distinct. Des informations initiales évoquaient une redirection de son trafic vers V4.1 Flash, dans l’attente de V4.1 Pro. Mais le journal officiel de l’API a ensuite indiqué que, à la demande des utilisateurs, DeepSeek maintiendrait le service API de V4 Pro après le 14 septembre 2026, sans changement de facturation. 1523

Conséquence pratique : pour un comportement reproductible, mieux vaut s’appuyer sur les identifiants actuellement documentés et exécuter des tests de non-régression. Un ancien nom de route ne doit pas être considéré comme un verrouillage fiable d’une version de modèle.

552 milliards de paramètres, mais une activation parcimonieuse

V4.1 Flash est un modèle MoE (« mixture of experts », ou mélange d’experts) doté de 552 milliards de paramètres de base. Dans ce type d’architecture, l’intégralité du réseau n’est pas mobilisée pour chaque token : le système sélectionne une partie des experts pertinents.

DeepSeek indique que V4.1 Flash active 8 milliards de paramètres lors du traitement de l’entrée — la phase de préremplissage, ou prefill — puis 16 milliards lors de la génération des tokens de sortie. Le modèle repose sur une architecture dite Causal Encoder–Decoder. Cette séparation compte, car les coûts d’inférence ne sont pas les mêmes pour un très long prompt et pour une longue réponse générée. 1735

Cette activation parcimonieuse ne garantit pas, à elle seule, une inférence bon marché ou rapide dans toutes les configurations. Le débit réel dépend aussi des accélérateurs utilisés, de la quantification, du traitement par lots, du logiciel de service, de la longueur des contextes et du type de requêtes. Mais elle est au cœur du positionnement d’efficacité de V4.1 Flash.

Pourquoi le million de tokens dépend du cache KV

DeepSeek annonce une fenêtre de contexte allant jusqu’à un million de tokens. 35

Le principal défi opérationnel des longs contextes est le cache clé-valeur, généralement appelé cache KV. Il stocke l’état d’attention nécessaire au modèle pour produire chaque token suivant. Plus le prompt et la génération s’allongent, plus cette mémoire peut devenir une contrainte de capacité et de coût.

Selon la fiche du modèle, l’architecture Causal Encoder–Decoder projette le cache KV global du décodeur à partir des derniers états cachés de l’encodeur, plutôt que de le calculer séparément pour chaque couche du décodeur. Le système combine aussi Compressed Sparse Attention 2 et un cache KV en FP4. DeepSeek estime ainsi l’empreinte du cache KV global à environ 890 octets par token, soit approximativement un quart de celle de DeepSeek V4 Flash. 3539

Il faut toutefois distinguer capacité et qualité. Une fenêtre d’un million de tokens ne garantit ni une récupération parfaite d’information, ni un raisonnement homogène, ni un respect fiable des consignes sur toute cette longueur. Les entreprises devraient tester séparément le rappel d’information, la latence et le coût sur des charges représentatives.

Des poids ouverts sous licence MIT

DeepSeek a publié les poids de V4.1 Flash sur Hugging Face sous licence MIT. La fiche du modèle présente cette publication comme des poids ouverts, téléchargeables et déployables selon les termes de cette licence. 35

C’est une option différente des modèles accessibles uniquement par API : une organisation peut évaluer le modèle sur sa propre infrastructure et maîtriser sa pile de service. Cela ne fait pas disparaître la complexité de déploiement d’un modèle dont le socle compte 552 milliards de paramètres, mais ouvre la voie à l’auto-hébergement et à des optimisations spécifiques.

V4.1 Flash est-il meilleur que V4 Pro ?

DeepSeek affirme que de nouvelles méthodes de préentraînement et un post-entraînement par renforcement à plus grande échelle donnent à V4.1 Flash des résultats de référence supérieurs à ceux de modèles phares, dont V4 Pro. L’entreprise mentionne également des tests menés par plusieurs acteurs qui placeraient V4.1 Flash devant V4 Pro en performances, coût, vitesse et durée totale d’exécution. 17

Ces résultats restent des données rapportées par l’éditeur, pas un verdict universel. Les benchmarks dépendent des tâches retenues, des prompts, de l’usage éventuel d’outils, de la méthode de notation et de la version précise du modèle testée.

Avant une migration en production, il est donc préférable d’évaluer les deux modèles sur ses propres critères : raisonnement complexe, taux d’acceptation du code, usage d’outils, qualité multimodale, fiabilité, garde-fous de sécurité, latence et coût global.

Un démarrage visible sur OpenRouter, à interpréter avec prudence

V4.1 Flash arrive dans un contexte où DeepSeek et d’autres fournisseurs chinois occupaient déjà une place importante dans le trafic routé par les plateformes de modèles. OpenRouter classe les modèles selon les tokens de prompt et de complétion traités via sa propre API.

Dans son classement du 13 septembre, OpenRouter recensait 4,94 T de tokens pour DeepSeek V4.1 Flash, signalé comme nouveau modèle. Le même tableau affichait 11,6 T pour DeepSeek V4 Flash 0731, 4,36 T pour V4 Flash 0423 et 7,77 T pour MiMo-V2.5 de Xiaomi. 57

Un relevé antérieur, en août, illustrait déjà la volatilité de ce classement : V4 Flash y totalisait 7,1 T de tokens sur une semaine, et neuf des dix modèles les plus utilisés étaient chinois. 50

La réserve essentielle est celle du périmètre : ces volumes correspondent au trafic passant par OpenRouter, et non à l’utilisation mondiale de l’IA, aux déploiements en entreprise, au chiffre d’affaires ou à la qualité intrinsèque des modèles. Ils constituent un signal de demande sur une plateforme de développeurs, pas la preuve qu’un modèle domine le marché dans son ensemble.

Ce qu’il faut faire côté développement

La principale raison d’essayer V4.1 Flash réside dans la combinaison de quatre éléments : multimodalité native, contexte d’un million de tokens, poids ouverts et architecture visant à réduire le coût mémoire des inférences longues. 1735

Une trajectoire de migration raisonnable serait la suivante :

1. Utiliser deepseek-flash pour les nouvelles intégrations Flash.
2. Considérer les anciens identifiants Flash et Vision Exp comme des routes de compatibilité, non comme des versions figées.
3. Comparer V4.1 Flash et V4 Pro sur les prompts et indicateurs de succès réellement importants pour votre usage.
4. Mesurer la récupération d’informations en long contexte et la latence de bout en bout, plutôt que de se contenter de la taille annoncée de la fenêtre.
5. Employer les classements OpenRouter comme un signal de demande, jamais comme un substitut à une évaluation de production.

Les promesses techniques de V4.1 Flash sont notables, en particulier le cache KV global annoncé à 890 octets par token et l’activation parcimonieuse. Son importance réelle dépendra toutefois de sa capacité à transformer ces gains d’architecture en performances fiables et abordables sur les charges de travail des développeurs.