DeepSeek V4.1 Flash erstatter gamle Flash-modeller med 1 million tokens i kontekst

DeepSeek-V4.1-Flash ble lansert 10. september 2026 som en åpen vektsmodell med støtte for både tekst og bilde. Det mest interessante er ikke bare modellens størrelse, men hvordan DeepSeek forsøker å gjøre svært lange kontekster mer praktisk håndterbare: 552 milliarder parametere i en MoE-modell, sparsom aktivering og en kraftig redusert KV-cache. 1735

Hva er nytt for API-utviklere?

V4.1 Flash er nå den gjeldende Flash-modellen i DeepSeeks API, og kalles med modellnavnet deepseek-flash. Den har innebygd visuell forståelse, altså støtte for bilder i tillegg til tekst. 1517

De tidligere modellene V4 Flash og den eksperimentelle V4 Flash Vision Exp er avviklet. DeepSeek godtar fortsatt de eldre identifikatorene deepseek-v4-flash og deepseek-v4-flash-vision-exp midlertidig av hensyn til kompatibilitet, men forespørslene behandles av V4.1 Flash og faktureres etter Flash-pris. 1523

V4 Pro er et særtilfelle. Tidlig informasjon om overgangen tydet på at trafikk til V4 Pro skulle videresendes til V4.1 Flash i påvente av V4.1 Pro. DeepSeeks senere, offisielle endringslogg sier imidlertid at selskapet – etter ønske fra brukere – fortsetter å tilby V4 Pro via API-et etter 14. september 2026, med uendret fakturering. For systemer der forutsigbar oppførsel er viktig, bør utviklere bruke de dokumenterte, aktuelle modell-ID-ene og kjøre regresjonstester fremfor å anta at en eldre rute alltid peker på V4.1 Flash. 1523

552 milliarder parametere – men bare en liten del brukes om gangen

V4.1 Flash er en Mixture-of-Experts-modell (MoE) med 552 milliarder parametere i grunnmodellen. I en MoE-arkitektur brukes bare et utvalgt sett med parametere for hvert token, i stedet for at hele modellen kjøres ved hvert steg.

DeepSeek oppgir at modellen aktiverer 8 milliarder parametere ved behandling av inndata (prefill) og 16 milliarder under generering av utdata (decoding). Arkitekturen omtales som Causal Encoder–Decoder. Forskjellen er relevant fordi lange instruksjoner og lange svar belaster inferensen på ulike måter. 1735

Sparsom aktivering betyr likevel ikke automatisk at modellen blir billigst eller raskest i alle oppsett. Reell gjennomstrømming påvirkes også av maskinvare, batching, kvantisering, serverprogramvare, kontekstlengde og typen forespørsler. Men dette er sentralt i DeepSeeks argument for bedre effektivitet.

Derfor er KV-cachen viktig for 1 million tokens

V4.1 Flash støtter kontekster på opptil én million tokens. 35

Den praktiske utfordringen ved så lange kontekster er key-value-cachen, ofte kalt KV-cache. Dette er den lagrede oppmerksomhetstilstanden modellen bruker for å generere hvert nytt token. Når prompten og svaret blir lange, kan minnebehovet bli en vesentlig begrensning for drift.

Ifølge modellkortet projiserer Causal Encoder–Decoder-designet dekoderens globale KV-cache fra de siste skjulte tilstandene i enkoderen, i stedet for å beregne den separat fra hvert dekoderlag. Sammen med Compressed Sparse Attention 2 og FP4-lagring av KV-cache oppgir DeepSeek et globalt KV-cache-avtrykk på rundt 890 byte per token – omtrent en firedel av tilsvarende avtrykk i DeepSeek V4 Flash. 3539

Det betyr ikke at alle oppgaver med én million tokens blir rimelige eller like presise. Kontekstkapasitet er noe annet enn pålitelig gjenfinning av informasjon, resonnering og instruksjonsfølgning gjennom hele en svært lang prompt. Team som arbeider med store kodebaser, dokumentsamlinger eller lange agenthistorikker bør teste treffsikkerhet, ventetid og kostnad på egne, representative arbeidslaster.

Åpne vekter og mulighet for egen drift

DeepSeek har publisert vektene for V4.1 Flash på Hugging Face under MIT-lisensen. Modellkortet beskriver utgivelsen som åpne vekter, slik at virksomheter kan laste ned og distribuere modellen på lisensens vilkår. 35

Det gir et alternativ til rene API-modeller: Organisasjoner kan teste modellen på egen infrastruktur og kontrollere sin egen serveringsstack. Det fjerner ikke distribusjonsutfordringene – særlig ikke for en modell med 552 milliarder parametere i grunnmodellen – men gir en vei til selvhosting og mer detaljert optimalisering.

Slår V4.1 Flash V4 Pro?

DeepSeek sier at nye metoder for pretrening og større satsing på ettertrening med forsterkende læring har gitt benchmarkresultater foran flaggskipmodeller, inkludert V4 Pro. Selskapet viser også til tester fra flere aktører som skal plassere V4.1 Flash foran V4 Pro på ytelse, kostnad, hastighet og samlet kjøretid. 17

Dette er vesentlige resultater rapportert av leverandøren, men ikke en universell fasit. Benchmarker påvirkes av oppgavevalg, prompting, verktøyoppsett, vurderingsmetode og hvilken modellversjon som er testet. Før en produksjonsmigrering bør man derfor evaluere begge modellene på oppgavene som faktisk betyr noe: krevende resonnering, godkjenningsrate for kode, verktøybruk, multimodal presisjon, stabilitet, sikkerhetsmekanismer, ventetid og total kostnad.

Stor OpenRouter-bruk – men ikke et mål på hele markedet

V4.1 Flash kom inn i et marked der DeepSeek og andre kinesiske modellleverandører allerede hadde betydelig trafikk via modellrutere. OpenRouter rangerer modeller etter antall prompt- og fullføringstokens behandlet gjennom plattformens eget API. I rangeringen 13. september stod DeepSeek V4.1 Flash med 4,94 billioner tokens, markert som ny. DeepSeek V4 Flash 0731 stod med 11,6 billioner, V4 Flash 0423 med 4,36 billioner og Xiaomis MiMo-V2.5 med 7,77 billioner. 57

Tidligere tall illustrerer også hvor fort bruksrangeringene kan endre seg: Et øyeblikksbilde fra august viste V4 Flash med 7,1 billioner ukentlige tokens, og rapporterte at ni av de ti mest brukte modellene i denne rangeringen var kinesiske. 50

Forbeholdet er viktig: OpenRouters token-tall gjelder trafikk som går gjennom OpenRouter, ikke samlet global KI-bruk, bedriftsutrulling, inntekter eller modellkvalitet. Tallene er et nyttig signal om etterspørsel på en utviklerplattform, men de beviser ikke at én modell har vunnet hele markedet.

Hva bør utviklere gjøre nå?

Den viktigste grunnen til å vurdere V4.1 Flash er kombinasjonen av innebygd multimodalitet, kontekst på én million tokens, åpne vekter og en arkitektur som er laget for å redusere minnekostnaden ved langvarig inferens. 1735

En fornuftig migreringsplan er:

1. Bruk deepseek-flash i nye Flash-integrasjoner.
2. Se på eldre Flash- og Vision Exp-ID-er som kompatibilitetsruter, ikke stabile modellpinner.
3. Sammenlign V4.1 Flash med V4 Pro på egne promptsett og suksesskriterier.
4. Mål langkontekst-gjenfinning og ende-til-ende-ventetid separat fra den oppgitte maksimale kontekstlengden.
5. Bruk OpenRouter-rangeringer som et etterspørselssignal, ikke som en erstatning for produksjonstesting.

De tekniske påstandene for V4.1 Flash er betydelige, særlig tallet på 890 byte for global KV-cache og den sparsomme aktiveringen. Den reelle betydningen avgjøres av om gevinstene gir stabil og økonomisk ytelse i arbeidslastene utviklere faktisk kjører.