Aller au contenu principal

DeepSeek-V4.1-Flash : un poids ouvert à 1M de contexte qui égale Opus 5 sur DeepSWE (sept. 2026)

Intermédiaire

À 04h00 UTC le 10 septembre 2026, DeepSeek a basculé son API vers un nouveau modèle et publié les poids le jour même : DeepSeek-V4.1-Flash, servi sous le nom deepseek-flash. C'est le plus petit membre d'une nouvelle famille d'architecture, mais ce n'est pas un petit modèle : 552 milliards de paramètres, un contexte d'un million de tokens, une vision native, et un cache KV qui coûte 890 octets par token. Sur DeepSWE v1.1, le benchmark d'ingénierie logicielle à long horizon que Google comme Anthropic mettent désormais en avant, DeepSeek annonce 74,2, un cinquième de point au-dessus de Claude Opus 5. Sur Terminal-Bench 4.0, il annonce 31,2 contre 51,8 pour Opus 5. Les deux chiffres sont vrais, et l'écart entre eux constitue toute l'histoire.

Cette page est le guide de terrain pour un utilisateur de Claude : ce qui a réellement changé, le changement de routage qui a discrètement redirigé toutes les requêtes deepseek-v4-pro, la molette d'effort et son impact sur votre facture, comment faire tourner les poids, et les charges de travail pour lesquelles Claude reste le bon choix.

What you'll learn
  • Lire les chiffres du lancement de V4.1-Flash comme ils le méritent : à égalité avec Opus 5 sur DeepSWE, très en retrait sur Terminal-Bench, et pourquoi cet écart n'est pas une contradiction
  • Comprendre la nouvelle conception Causal Encoder-Decoder + CSA2 suffisamment bien pour savoir ce que vous apporte le cache KV de 890 octets (et ce que DeepSeek dit ne pas encore avoir caractérisé)
  • Utiliser délibérément la molette reasoning_effort de 1 à 100 — 25 contre 100, c'est 8 points d'écart sur DeepSWE pour environ 2,5× plus de tokens de sortie
  • Faire le calcul de coût honnête : 0,30 $ / 1,20 $ en heures pleines, la moitié en heures creuses, 0,003 $ le million sur un cache hit en heures creuses — et la fenêtre d'heures pleines en UTC qui décide du tarif que vous payez
  • Connaître le changement de routage du 14 septembre : deepseek-v4-pro sert désormais silencieusement V4.1-Flash jusqu'à la sortie de V4.1-Pro
  • Choisir une voie de service (API hébergée, vLLM, SGLang, Docker Model Runner) et les valeurs d'échantillonnage par défaut recommandées par DeepSeek

La version en une phrase​

V4.1-Flash est le premier modèle de DeepSeek sur une nouvelle architecture (un « Causal Encoder-Decoder » avec Compressed Sparse Attention 2), publié sous licence MIT avec vision native, une fenêtre de 1 M de tokens, 384 K de sortie maximale, et un effort de raisonnement contrôlable en continu de 1 à 100. Il remplace immédiatement tous les endpoints Flash de l'ère V4 et, depuis le 14 septembre, répond aussi à chaque appel deepseek-v4-pro aux tarifs Flash, jusqu'à l'arrivée de V4.1-Pro.

Trois choses qu'un utilisateur de Claude ne doit pas manquer​

1. La parité sur DeepSWE et le déficit sur Terminal-Bench sont le même fait vu deux fois​

Le tableau de lancement de DeepSeek, dans les colonnes qui comptent pour un atelier d'agents :

BenchmarkDeepSeek-V4.1-FlashClaude Opus 5GPT-5.6 Sol
DeepSWE v1.1 (résolus)74,274,073,0
Terminal-Bench 3.030,043,3—
Terminal-Bench 4.031,251,8—
CyberGym88,1——
AutomationBench54,8——

DeepSWE récompense un modèle qui lit un dépôt, planifie un correctif et le pose : long contexte, récupération soigneuse, quelques grandes modifications. Terminal-Bench récompense de nombreux tours de shell courts et adaptatifs, où chaque décision dépend du dernier résultat d'outil. V4.1-Flash dispose d'un contexte d'un million de tokens et d'un cache bon marché : la première forme lui convient donc. Il exécute 8 Md de paramètres actifs par token au préremplissage et 16 Md au décodage, ce qui représente beaucoup moins de « réflexion par étape » qu'un modèle dense de frontière : la seconde forme lui nuit donc. Si votre travail ressemble à une pull request, l'affirmation de parité est crédible et mérite une évaluation. Si votre travail ressemble à une session de terminal interactive, l'écart de 20 points sur Terminal-Bench est le chiffre autour duquel budgéter. Le même clivage apparaît dans le lancement de Gemini 3.8 Flash par Google une semaine plus tôt, et pour les mêmes raisons architecturales.

Les lignes du modèle de base racontent une histoire plus discrète : MMLU-Pro 74,1 (V4-Flash 68,3, V4-Pro 73,5), HumanEval 79,4 (V4-Flash 69,5), GSM8K 93,0 (V4-Flash 90,8). Le nouveau « Flash » est une meilleure base que le « Pro » du mois dernier, ce qui explique pourquoi DeepSeek s'est senti à l'aise pour y router le trafic Pro.

2. La molette d'effort de raisonnement est une vraie molette, et elle est sur votre facture​

Contrairement à l'effort de Claude (low/medium/high/max), V4.1-Flash expose un entier de 1 à 100. L'ablation de DeepSeek sur DeepSWE v1.1 : effort 25 donne 66,0 %, effort 100 donne 74,2 %, et le réglage maximal émet environ 2,5× plus de tokens de sortie. Ils indiquent aussi que la bande 60–80 offre l'essentiel de la précision de l'effort maximal pour moins de la moitié du budget de tokens. Chaque ligne de benchmark ci-dessus a été exécutée avec reasoning_effort=100. Le chiffre de parité est donc le chiffre cher. Reproduisez-le d'abord à 100, puis redescendez jusqu'au réglage le moins coûteux auquel vos évaluations passent encore. C'est la même discipline que nous recommandons pour thinking_level sur Gemini et effort sur Claude dans Comparaison des modèles de raisonnement.

3. Deux changements de routage ont eu lieu sans aucune modification côté client​

  • Depuis le 10 septembre, deepseek-v4-flash et deepseek-v4-flash-vision-exp sont routés vers V4.1-Flash, facturés aux tarifs Flash. Les chiffres de la page V4-Flash-Vision-Exp décrivent désormais les poids ouverts, pas l'endpoint hébergé.
  • Depuis le 14 septembre à 04h00 UTC, chaque requête deepseek-v4-pro est elle aussi routée vers V4.1-Flash aux tarifs Flash, « jusqu'au lancement de V4.1-Pro ».

Si vous avez des évaluations épinglées sur deepseek-v4-pro, votre modèle de production a changé sous vos pieds le dimanche matin. Relancez la suite. L'avantage, c'est que le même appel coûte désormais environ un quart du tarif Pro ; l'inconvénient, c'est que tout comportement spécifique à Pro pour lequel vous aviez réglé vos prompts a disparu. C'est exactement le mode de défaillance contre lequel Porter des prompts d'un modèle à l'autre met en garde lorsqu'un fournisseur crée des alias d'identifiants de modèles.

La fiche du modèle en un coup d'œil​

SpécificationDeepSeek-V4.1-Flash
ID du modèle APIdeepseek-flash
Sortie10 septembre 2026 (API + poids ouverts le même jour)
Paramètres552 Md au total ; 8 Md actifs au préremplissage, 16 Md au décodage
Disposition MoE384 experts routés + 1 expert partagé par couche MoE ; 6 experts routés actifs par token
ArchitectureCausal Encoder-Decoder, Compressed Sparse Attention 2 (CSA2)
Cache KV890 octets par token (FP4, E2M1) : environ 1/4 de V4-Flash en HBM, environ 1/8 en stockage SSD ; durée de vie du cache KV global d'au moins 72 heures
Contexte / sortie max1 M de tokens / 384 K de tokens
VisionNative ; DeepSeek-ViT entraîné de zéro, 2D-RoPE, sous-échantillonnage pixel-unshuffle 3×3
Contrôle du raisonnemententier reasoning_effort de 1 à 100
LicenceMIT
PoidsSafetensors en BF16, F32, F8_E4M3, I8
ServicevLLM, SGLang, Docker Model Runner, Transformers ; code d'inférence de référence dans le dossier inference/
Échantillonnage recommandétemperature 1.0, top_p 0.95 ou 1.0, contexte 1 M
Concurrence API2 500

La ligne du cache KV est le titre architectural. Une conversation d'un million de tokens à 890 octets par token, c'est moins d'un gigaoctet de cache : voilà pourquoi DeepSeek peut promettre une durée de vie de cache de 72 heures et facturer les cache hits pour des fractions de centime. La réponse d'Anthropic au même problème est un tarif de lecture de cache moins cher sur Claude Fable 5.1 ; celle de DeepSeek est de rendre le cache physiquement petit. Les deux vous poussent vers la même habitude : placez le préfixe stable en premier et ne le modifiez jamais en cours d'exécution. Voir Mise en cache des prompts.

Tarification : le piège des heures pleines​

DeepSeek maintient une grille à deux tarifs. Les heures pleines sont 01h00–04h00 et 06h00–10h00 UTC, du lundi au vendredi ; tout le reste est en heures creuses, à exactement la moitié du tarif plein.

Par 1 M de tokensHeures pleinesHeures creuses
Entrée, cache hit0,006 $0,003 $
Entrée, cache miss0,30 $0,15 $
Sortie1,20 $0,60 $

Deux conséquences. Premièrement, le titre « 0,003 $ le million » est le prix cache hit en heures creuses, la moins chère des six cases ; une exécution d'agent à froid en heures pleines paie 100× cela en entrée. Deuxièmement, la fenêtre d'heures pleines est définie en UTC et couvre la matinée européenne et la fin de la nuit américaine. Un traitement par lots planifié à 09h00 UTC paie le double de ce que le même traitement paie à 11h00 UTC. Si vous pouvez décaler, décalez. Pour un cadre qui place ces cases à côté des tarifs publics d'Anthropic, OpenAI et Google, utilisez Ce que coûte l'IA selon les fournisseurs ; les tarifs publics actuels de Claude se trouvent sur Modèles et tarifs.

Le faire tourner soi-même​

L'hébergé convient à presque tout le monde : le modèle est énorme, et l'API est la chose la moins chère de cette page. Auto-hébergez quand les données ne peuvent pas quitter votre réseau, ou quand vous voulez la molette d'effort et la fenêtre de 1 M sans limite de débit.

Guided walkthrough1 of 5
  1. 552 Md de paramètres en BF16, c'est plus d'un téraoctet de poids ; les safetensors F8_E4M3 et I8 divisent cela par deux ou par quatre mais nécessitent toujours un nœud multi-GPU. Si vous ne faites pas déjà tourner des MoE de la classe de Kimi K3 ou Colibrì, l'endpoint hébergé à 0,30 $ / 1,20 $ en heures pleines battra votre facture matérielle amortie. Voir le calcul matériel dans Faire tourner Kimi K3 en local.

Appel hébergé avec la molette d'effort (endpoint compatible OpenAI)

curl https://api.deepseek.com/chat/completions \
-H "Authorization: Bearer $DEEPSEEK_API_KEY" \
-H "Content-Type: application/json" \
-d '{
  "model": "deepseek-flash",
  "reasoning_effort": 70,
  "messages": [
    {"role": "system", "content": "You are a senior engineer. Reply with a unified diff and one paragraph of rationale."},
    {"role": "user", "content": "The test suite in ./tests fails on macOS only. Here is the log and the relevant module: ..."}
  ]
}'

Auto-hébergé avec vLLM (forme générale uniquement ; consultez la fiche du modèle pour les options exactes)

# One node, tensor-parallel across all visible GPUs.
# The card names vLLM, SGLang, Docker Model Runner and Transformers as supported.
vllm serve deepseek-ai/DeepSeek-V4.1-Flash \
--tensor-parallel-size 8 \
--max-model-len 1000000 \
--trust-remote-code

# Then hit http://localhost:8000/v1/chat/completions with the same body as above.

Quand se tourner vers V4.1-Flash, et quand rester sur Claude​

Pro tip
  • Tournez-vous vers V4.1-Flash : les tâches de codage à l'échelle du dépôt qui ressemblent à DeepSWE (beaucoup lire, peu modifier), là où vous pouvez tourner à un effort de 60–100 et où le coût par ticket résolu reste d'un ordre de grandeur inférieur à celui de Claude.
  • Tournez-vous vers V4.1-Flash : tout ce qui nécessite une fenêtre d'un million de tokens et un cache chaud pendant des jours — une durée de vie de cache global de 72 heures et un cache KV de 890 octets par token rendent bon marché le fait de « garder tout le dépôt en contexte ».
  • Tournez-vous vers V4.1-Flash : les charges auto-hébergées ou soumises à résidence des données, où la licence MIT compte et où vous exploitez déjà une pile MoE multi-GPU.
  • Restez sur Claude : les agents de terminal interactifs et toute boucle à nombreux tours courts. Un écart de 20 points sur Terminal-Bench 4.0 (31,2 contre 51,8) n'est pas du bruit, et c'est la forme de la plupart des vraies sessions Claude Code.
  • Restez sur Claude : les travaux qui nécessitent la boucle d'utilisation d'outils d'Anthropic, les tours d'assistant préremplis, la rigueur des sorties structurées, ou les garanties de sécurité et de rétention d'une API de première partie. L'API DeepSeek est de forme OpenAI et le modèle présente des modes de défaillance en long contexte documentés et non caractérisés.
  • Vérifiez les deux : pour un agent de codage, lancez votre propre évaluation à effort=100 chez DeepSeek et à l'effort par défaut de Claude, puis au réglage le moins cher qui passe chez chacun. Les tableaux des éditeurs ont été produits à effort maximal ; votre facture, non.

Pour le cadre durable derrière cette liste, Comment choisir un modèle. Pour ce qui change lorsque vous déplacez un prompt entre une API de forme Anthropic et une API de forme OpenAI, Porter des prompts d'un modèle à l'autre. Pour la référence côté Claude sur laquelle ces comparaisons s'appuient, Claude Fable 5.1 et Opus 5.

Vérification rapide​

Check yourself

0/5
  1. DeepSeek rapporte V4.1-Flash à 74,2 sur DeepSWE v1.1 (Opus 5 : 74,0) et à 31,2 sur Terminal-Bench 4.0 (Opus 5 : 51,8). Quelle est la bonne lecture ?
  2. Vous aviez épinglé la production sur deepseek-v4-pro en août. Que s'est-il passé le 14 septembre 2026 ?
  3. Quel tarif correspond au titre « 0,003 $ le million de tokens » ?
  4. L'ablation DeepSWE de DeepSeek : effort 25 → 66,0 %, effort 100 → 74,2 %, pour environ 2,5× les tokens de sortie. Que devriez-vous faire ?
  5. Qu'est-ce que DeepSeek a explicitement dit ne PAS avoir pleinement caractérisé à propos de la nouvelle architecture ?
Appuyez sur Entrée ou Espace pour retourner la carte. Utilisez les flèches gauche et droite pour naviguer entre les cartes.Terme affiché.
1 / 8
Key takeaways
  • V4.1-Flash est un modèle de forme « dépôt » : parité avec Opus 5 sur DeepSWE, déficit de 20 points sur Terminal-Bench 4.0. Associez-le à un travail qui lit beaucoup et modifie peu.
  • La molette d'effort de 1 à 100 est le levier de prix. Tous les chiffres de lancement sont à 100 ; la recommandation de DeepSeek lui-même est que 60–80 conserve l'essentiel de la précision pour moins de la moitié des tokens.
  • Six cases de prix, pas une. Le titre à 0,003 $ correspond à l'entrée en cache hit en heures creuses ; un token à froid en heures pleines coûte 100× cela. Les heures pleines sont 01h00–04h00 et 06h00–10h00 UTC en semaine.
  • Deux changements de routage silencieux : les endpoints V4-Flash le 10 sept., deepseek-v4-pro le 14 sept. Si vous aviez épinglé Pro, votre modèle a changé — relancez les évaluations.
  • Le cache KV de 890 octets et la durée de vie de cache de 72 heures rendent bon marché les contextes d'un million de tokens à longue durée de vie, mais DeepSeek lui-même signale la récupération éparse en long contexte comme non caractérisée. Testez avant de faire confiance.

Sources et lectures complémentaires​

Suite​