DeepSeek-V4.1-Flash: как устроена работа с длинными сессиями ИИ-агентов

ИИ-агент может долго читать историю переписки, документы и результаты работы инструментов, а затем выдать сравнительно короткий ответ. DeepSeek-V4.1-Flash рассчитана именно на такие задачи: это мультимодальная модель с открытыми весами и архитектурой «смесь экспертов» (MoE), поддерживающая контекст до миллиона токенов. Но размер контекстного окна означает лишь, что такой объём ввода поддерживается, — он не гарантирует безошибочный поиск каждой детали в длинной сессии. 28

Почему длинный ввод требует меньше ресурсов

Чтение и генерация обходятся по-разному. Основа модели насчитывает 552 млрд параметров и состоит из 20 слоёв причинного энкодера и 20 слоёв декодера. Глобальный KV-кэш декодера — сохранённые данные, которые нужны механизму внимания при продолжении ответа, — строится из конечных состояний энкодера, а не создаётся заново каждым слоем декодера. По данным DeepSeek, при обработке входного текста (prefill) активируются около 8 млрд параметров на токен, при генерации (decode) — 16 млрд. Для агента, который читает больше, чем пишет, такая асимметрия особенно важна. 28

Меньше памяти на историю. Механизм Compressed Sparse Attention 2 (CSA2) назначает слоям внимания один из трёх фиксированных режимов — Full, Reindex или Reuse. Они позволяют совместно использовать данные кэша и повторно применять выборку для разреженного внимания. Вместе с хранением основного KV-кэша в формате FP4 это, по оценке DeepSeek, сокращает глобальный KV-кэш до 890 байт на токен — примерно четверти объёма у DeepSeek-V4-Flash. Речь о размере кэша, а не об обещании снизить все затраты на развёртывание в четыре раза. 68

Восстановление вместо постоянного хранения. SWA Bounded Replay восстанавливает недостающие состояния KV-кэша для внимания со скользящим окном, повторно обрабатывая только последние токены этого окна. Благодаря этому их не требуется постоянно хранить на SSD. В карточке модели объём постоянно хранимого KV-кэша оценивается примерно в одну восьмую от показателя V4-Flash. Это другая метрика, не равная приведённой выше четверти для глобального KV-кэша. 59

Обучение, изображения и результаты тестов

Согласно описанию модели, её обучали с нуля на мультимодальном корпусе из 45 трлн токенов. Обучение разреженного внимания проходило на последовательностях длиной 64 тыс. токенов, а расширение контекста до 1 млн токенов произошло на отметке 34 трлн токенов. DeepSeek также связывает улучшения с новыми методами предобучения и более масштабным дообучением с подкреплением, но приведённые материалы не раскрывают подробный рецепт последнего. 916

Модель изначально работает с текстом и изображениями; DeepSeek заявляет о мультимодальной поддержке и в API. Приведённые источники, однако, не позволяют подробно оценить её результаты в тестах на понимание изображений. 216

По собственным оценкам DeepSeek, базовая версия V4.1-Flash сопоставима с V4-Pro-Base в знаниях, рассуждении и программировании, а на отложенных проверках показывает улучшение на 5–10% при примерно втрое меньшем общем числе параметров и вчетверо меньшем числе активируемых параметров. Компания также утверждает, что выпущенная модель превосходит V4-Pro в агентных задачах. Доступные здесь выдержки не дают оснований для надёжного сравнения по каждому отдельному тесту: это заявленные результаты, а не независимое сопоставление моделей. 116

Как получить доступ и что проверить при переходе

Для API DeepSeek указывает имя модели deepseek-flash. Опубликованные веса перечислены под лицензией MIT. В материалах модели описан запуск через SGLang; в карточках также указана поддержка Transformers и vLLM. Перед развёртыванием стоит проверить требования выбранной среды: поддержка модели не означает, что длинный контекст и работа с изображениями реализованы везде одинаково. 8916

DeepSeek объявила V4-Flash и V4-Flash-Vision-Exp выведенными из эксплуатации: старые имена API deepseek-v4-flash и deepseek-v4-flash-vision-exp временно перенаправляются на V4.1-Flash. Компания также сообщила, что с 14 сентября 2026 года запросы к deepseek-v4-pro будут направляться на V4.1-Flash по тарифам Flash до выхода V4.1-Pro. Если приложение зависит от особенностей Pro, проверять нужно фактически обслуживающую запрос модель, а не только имя в настройках. 16