DeepSeek V4.1 Flash ersätter gamla Flash-modeller – men V4 Pro blir kvar

DeepSeek-V4.1-Flash lanserades den 10 september 2026 som en öppen, multimodal modell. Den stora nyheten är inte bara storleken: DeepSeek kombinerar en Mixture-of-Experts-modell med 552 miljarder grundparametrar med gles aktivering och kraftigt minskad KV-cache för att göra mycket långa kontexter mer hanterliga i drift. 1735

Det viktigaste för utvecklare: så ändras modellutbudet

V4.1 Flash är nu DeepSeeks aktuella Flash-modell i API:t och anropas med modellnamnet deepseek-flash. Till skillnad från föregångaren har den inbyggd förståelse av bilder, utöver text. 1517

De äldre modellerna V4 Flash och experimentella V4 Flash Vision Exp har avvecklats. De gamla identifierarna deepseek-v4-flash och deepseek-v4-flash-vision-exp accepteras tills vidare för kompatibilitet, men förfrågningarna körs på V4.1 Flash och debiteras enligt Flash-priset. 1523

V4 Pro är däremot ett separat fall. Tidiga uppgifter beskrev en övergång där V4 Pro-trafik skulle styras om till V4.1 Flash i väntan på V4.1 Pro. I DeepSeeks senare officiella API-ändringslogg står dock att V4 Pro-tjänsten ska fortsätta även efter den 14 september 2026, efter önskemål från användare, med oförändrad debitering. Den som behöver reproducerbara resultat bör därför använda aktuella dokumenterade modell-ID:n och köra regressionstester – inte förutsätta att ett äldre anrop alltid hamnar hos V4.1 Flash. 1523

552 miljarder parametrar – men långt färre används per token

V4.1 Flash är en Mixture-of-Experts-modell (MoE) med 552 miljarder grundparametrar. I en sådan arkitektur aktiveras bara en vald del av modellen för varje token, snarare än att alla parametrar används i varje beräkningssteg.

Enligt DeepSeek aktiveras 8 miljarder parametrar vid bearbetning av indata (prefill) och 16 miljarder vid generering av utdata (decoding). Modellen använder en arkitektur som företaget kallar Causal Encoder–Decoder. Skillnaden är relevant eftersom kostnaden för att läsa en lång prompt och kostnaden för att generera ett långt svar inte är samma sak. 1735

Gles aktivering innebär inte automatiskt att modellen blir billig eller snabb i varje installation. Genomströmningen påverkas också av hårdvara, batchning, kvantisering, servermjukvara, kontextlängd och vilken typ av förfrågningar som körs. Men den är central för V4.1 Flashs uttalade effektivitetsmål.

En miljon token kräver mindre minne för KV-cachen

V4.1 Flash stöder kontexter på upp till en miljon token. 35

Vid riktigt långa kontexter är en av de stora praktiska flaskhalsarna key-value-cachen, eller KV-cachen: det uppmärksamhetstillstånd som sparas medan modellen genererar nästa token. Ju längre prompt och svar, desto större kan minneskravet bli.

I modellkortet beskriver DeepSeek hur Causal Encoder–Decoder-arkitekturen projicerar avkodarens globala KV-cache från kodarens sista dolda tillstånd, i stället för att beräkna den separat från varje avkodarlager. Modellen kombinerar också Compressed Sparse Attention 2 med FP4-cache för KV-data. Tillsammans uppger DeepSeek att den globala KV-cachen tar cirka 890 byte per token – ungefär en fjärdedel av motsvarande minnesfotavtryck i DeepSeek V4 Flash. 3539

Det betyder inte att varje uppgift med en miljon token blir billig eller tillförlitlig. Ett stort kontextfönster är inte samma sak som säker informationshämtning, korrekt resonemang eller konsekvent instruktionsföljning genom hela materialet. Team som arbetar med stora kodbaser, dokumentsamlingar eller långa agenthistoriker bör testa träffsäkerhet, svarstid och kostnad på sina egna representativa arbetslaster.

Öppna vikter och möjlighet till egen drift

DeepSeek har publicerat V4.1 Flashs vikter på Hugging Face under MIT-licensen. Enligt modellkortet är det en release med öppna vikter, vilket gör det möjligt att ladda ned och driftsätta modellen enligt licensens villkor. 35

Det ger ett alternativ till modeller som enbart kan nås via API: organisationer kan utvärdera modellen på egen infrastruktur och styra sin egen servermiljö. Det tar dock inte bort driftskomplexiteten, särskilt för en modell med 552 miljarder grundparametrar. Däremot finns en väg till självhostning och mer långtgående optimering.

Är V4.1 Flash bättre än V4 Pro?

DeepSeek uppger att nya metoder för förträning och mer omfattande efterträning med förstärkningsinlärning har gett benchmarkresultat som ligger före flaggskeppsmodeller, däribland V4 Pro. Företaget hänvisar även till tester från flera parter som ska placera V4.1 Flash före V4 Pro i prestanda, kostnad, hastighet och total körtid. 17

Det är relevanta leverantörsuppgifter, men inte ett universellt slutomdöme. Benchmarkresultat kan påverkas av urval av uppgifter, prompting, verktygskonfiguration, bedömningsmetod och exakt testad modellversion. Innan en produktionsmigrering bör man utvärdera modellerna på de uppgifter som faktiskt spelar roll: svåra resonemang, accepterade kodändringar, verktygsanvändning, multimodal träffsäkerhet, tillförlitlighet, säkerhetskontroller, svarstid och totalkostnad.

Tidig användning via OpenRouter: stark signal, men inte hela marknaden

V4.1 Flash lanserades i en marknad där DeepSeek och andra kinesiska modellleverantörer redan hade betydande användning via AI-routertjänster. OpenRouter rankar modeller utifrån prompt- och svarstoken som bearbetas via dess eget API. I rankningen den 13 september stod DeepSeek V4.1 Flash på 4,94 biljoner token, markerad som ny. DeepSeek V4 Flash 0731 låg på 11,6 biljoner token, V4 Flash 0423 på 4,36 biljoner och Xiaomis MiMo-V2.5 på 7,77 biljoner. 57

Tidigare rapportering visar också hur snabbt rankningarna kan skifta: i en mätning från augusti stod V4 Flash för 7,1 biljoner token under en vecka, och nio av de tio mest använda modellerna i den rankningen var kinesiska. 50

Begränsningen är viktig: OpenRouters siffror gäller trafik som dirigeras via OpenRouter. De mäter inte all global AI-användning, företagsinföranden, intäkter eller modellkvalitet. De är en användbar signal om efterfrågan på en utvecklarplattform, men inte ett bevis på att en modell har vunnit hela marknaden.

Slutsats: vad utvecklare bör göra nu

Det främsta skälet att utvärdera V4.1 Flash är kombinationen av inbyggd multimodalitet, kontext på en miljon token, öppna vikter och en arkitektur som är utformad för att minska minneskostnaden vid långa inferenskörningar. 1735

En rimlig migrationsplan är att:

1. använda deepseek-flash för nya Flash-integrationer,
2. se äldre Flash- och Vision Exp-ID:n som kompatibilitetsvägar, inte stabila modellpinnar,
3. jämföra V4.1 Flash med V4 Pro på egna promptar och egna framgångskriterier,
4. mäta informationshämtning i långa kontexter och total svarstid separat från den utlovade kontextkapaciteten,
5. använda OpenRouters ranking som en efterfrågesignal – inte som ersättning för tester i produktion.

De tekniska påståendena är betydande, särskilt siffran 890 byte för global KV-cache och den glesa aktiveringen. Den verkliga betydelsen avgörs av om fördelarna också ger stabil och prisvärd prestanda i de arbetsflöden som utvecklare faktiskt kör.