Baseten προσθέτει το DeepSeek‑V4.1‑Flash στις Model APIs με περιβάλλον 1M‑Token

Το DeepSeek‑V4.1‑Flash είναι πλέον διαθέσιμο στις Baseten Model APIs, Baseten ανακοίνωσε στις 11 Σεπτεμβρίου 2026, φέρνοντας το πολυμορφικό μοντέλο mixture‑of‑experts (MoE) με 552 δισεκατομμύρια παραμέτρους, το οποίο συνδυάζει 8 δισεκατομμύρια ενεργές παραμέτρους για το prefill με 16 δισεκατομμύρια για το decode σε παράθυρο περιβάλλοντος 1M‑token, στην πλατφόρμα παρόχου εκτέλεσης.

Η DeepSeek κυκλοφόρησε τα ανοιχτά βάρη του μοντέλου στο Hugging Face, και η δική ανακοίνωση του DeepSeek είναι ημερομηνίας 10 Σεπτεμβρίου 2026. Το μοντέλο δέχεται κείμενο και εικόνα ως είσοδο και παράγει κείμενο ως έξοδο, και η κάρτα μοντέλου δηλώνει ότι το αποθετήριο και τα βάρη είναι αδειοδοτημένα υπό την MIT License. Η Baseten περιγράφει το V4.1‑Flash ως την τρίτη έκδοση flash ανοιχτών βαρών του DeepSeek το 2026 και ως το μοναδικό μοντέλο της κλίμακας του που χρησιμοποιεί αυτό που η DeepSeek αποκαλεί αρχιτεκτονική Causal Encoder‑Decoder. Η υποστήριξη για το προϊόν εκπαίδευσης Loops της Baseten έρχεται σύντομα, σύμφωνα με την εταιρεία.

Αναφερθέντα Αποτελέσματα Benchmark

Η κάρτα μοντέλου αναφέρει τα αποτελέσματα instruct‑model στη μέγιστη ρύθμιση προσπάθειας λογικής 100: το V4.1‑Flash σημειώνει 90,6 στο Terminal‑Bench 2.1, συγκριτικά με 82,7 για το V4‑Flash και 87,9 για το V4‑Pro· 74,2 στο DeepSWE v1.1, συγκριτικά με 54,4 και 62,7· και 54,8 στο AutomationBench, συγκριτικά με 37,7 και 43,2. Η Baseten τόνισε τα ίδια στοιχεία κωδικοποίησης και πρακτόρων, λέγοντας ότι το V4.1‑Flash ξεπερνά το V4‑Pro με περίπου το ένα τρίτο των συνολικών παραμέτρων, ενώ προειδοποιεί ότι ένα 54,8 στο AutomationBench σημαίνει ότι το μοντέλο αποτυγχάνει περίπου τη μισή των σύνθετων ροών εργασίας και συμβουλεύει τις ομάδες να διατηρούν έναν άνθρωπο στη διαδικασία για τις αγωγές πρακτόρων.

Στη σύγκριση της κάρτας με μοντέλα αιχμής στη μέγιστη προσπάθεια, το V4.1‑Flash καταγράφει 90,9 στο GPQA Diamond, μια βαθμολογία Codeforces 3471, και 63,9 στο HLE με εργαλεία. Η Baseten δηλώνει ότι το V4.1‑Flash είναι το πρώτο μη‑πειραματικό μοντέλο του DeepSeek με εγγενή είσοδο εικόνας, δυνατότητα που προηγουμένως περιοριζόταν στο πειραματικό V4‑Flash‑Vision‑Exp· ο πίνακας του αναφέρει 78,9 στο Chartography και 49 στο ZeroBench για το νέο μοντέλο, έναντι 64,3 και 35 για το πειραματικό.

Αρχιτεκτονική Causal Encoder‑Decoder

Σύμφωνα με την κάρτα μοντέλου, το V4.1‑Flash οργανώνει έναν Transformer 40 στρωμάτων ως έναν causal encoder 20 στρωμάτων ακολουθούμενο από έναν decoder 20 στρωμάτων, με την παγκόσμια κρυφή μνήμη κλειδιού‑τιμής (KV) του decoder να προβάλλεται από τις τελικές κρυφές καταστάσεις του encoder αντί να προέρχεται από τις δικές του κρυφές καταστάσεις κάθε στρώματος decoder. Ο σχεδιασμός ενεργοποιεί 8 δισεκατομμύρια παραμέτρους ανά token κατά το prefill και 16 δισεκατομμύρια κατά το decode· η Baseten το συγκρίνει με το V4‑Flash, που ενεργοποιεί 13 δισεκατομμύρια και για τα δύο βήματα, παρουσιάζοντας την αλλαγή ως ανταλλαγή ενός βαρύτερου decode για ένα πολύ ελαφρύτερο prefill, μια ρύθμιση που, σύμφωνα με τη Baseten, αυξάνει την αποδοτικότητα κόστους για τους κωδικοποιητικούς πράκτορες των οποίων οι βρόχοι πρακτόρων παράγουν πολύ περισσότερα tokens prefill από tokens decode.

Η κάρτα αναφέρει ότι το Compressed Sparse Attention 2 του μοντέλου αναθέτει σε κάθε στρώμα προσοχής μία από τις τρεις στατικές λειτουργίες (Full, Reindex ή Reuse), με έναν Hierarchical Sparse Indexer στον decoder που περιορίζει το κόστος βαθύτερης ευρετηρίασης ανεξάρτητα από το μήκος του περιβάλλοντος. Συνδυασμένα με την κύρια κρυφή μνήμη KV FP4, αυτά τα σχέδια μειώνουν την παγκόσμια μνήμη KV σε 890 byte ανά token, περίπου το ένα τέταρτο του V4‑Flash, όπως δηλώνει η κάρτα. Ένας ξεχωριστός μηχανισμός, SWA Bounded Replay, ανακατασκευάζει τις ελλιπείς καταστάσεις KV της προσοχής κυλιόμενου παραθύρου επανααναλαμβάνοντας μόνο τα πιο πρόσφατα tokens, μειώνοντας το μόνιμο αποτύπωμα KV σε περίπου το ένα όγδοο του V4‑Flash. Η ανακοίνωση της DeepSeek υποστηρίζει ότι η εξοικονόμηση είναι το ένα τέταρτο της μνήμης HBM και το ένα όγδοο της αποθήκευσης SSD της προηγούμενης γενιάς.

Κάθε στρώμα MoE χρησιμοποιεί έναν κοινό ειδικό και 384 δρομολογημένους ειδικούς, με έξι δρομολογημένους ειδικούς ενεργούς ανά token, και το μοντέλο προσθέτει μνήμη Engram υπό όρους με 196 δισεκατομμύρια παραμέτρους παράλληλα με την υποθετική αποκωδικοποίηση DSpark, σύμφωνα με την κάρτα. Η DeepSeek εκπαίδεψε το μοντέλο από το μηδέν σε ένα πολυμορφικό σύνολο 45 τρισεκατομμυρίων tokens, εκπαίδεψε την αραιή του προσοχή σε μήκος ακολουθίας 64 Κ, και επεκτάθηκε το περιβάλλον σε 1 M tokens σε 34 τρισεκατομμύρια tokens. Η φάση μετά την εκπαίδευση ακολουθεί μια τυπική επιβλεπόμενη λεπτομερή ρύθμιση, ενισχυτική μάθηση, και ακολουθία απόσταξης on‑policy, με ουσιώδεις αλλαγές συγκεντρωμένες στη μεγάλης κλίμακας αυτοματοποιημένη σύνθεση εργασιών πρακτόρων και περιβαλλόντων, και το μοντέλο εκθέτει μια συνεχώς ελεγχόμενη ρύθμιση προσπάθειας λογικής από 1 έως 100.

Μετάβαση API DeepSeek και Παροχή Baseten

Η DeepSeek δηλώνει ότι τα V4‑Flash και V4‑Flash‑Vision‑Exp έχουν αποσυρθεί από την πλατφόρμα της, με τα παλιά ονόματα μοντέλων API να δρομολογούνται προσωρινά στο V4.1‑Flash για συμβατότητα. Η νέα τιμολόγηση API τέθηκε σε ισχύ στις 04:00 UTC στις 10 Σεπτεμβρίου 2026, με τιμές εκτός αιχμής στο 50 % των τιμών αιχμής, και η DeepSeek ονομάζει τους επίσημους συνεργάτες WorkBuddy (συμπεριλαμβανομένου του CodeBuddy) και OpenCode ως πλήρως υποστηρίζοντες το V4.1‑Flash.

Η Baseten δήλωσε ότι η Εκτέλεση Stack εξυπηρετεί το μοντέλο χρησιμοποιώντας το NVIDIA Dynamo με δρομολόγηση που λαμβάνει υπόψη την κρυφή μνήμη KV, κατευθύνοντας κάθε αίτηση στη αντίγραφο που ήδη κρατά το πρόθεμά του αντί σε οποιοδήποτε ελεύθερο αντίγραφο. Το μοντέλο προσφέρεται μέσω της Model Library της Baseten, με αφιερωμένες αναπτύξεις διαθέσιμες για ομάδες που χρειάζονται δεσμευμένη χωρητικότητα.

Από τις 04:00 UTC στις 14 Σεπτεμβρίου 2026, όλα τα αιτήματα deepseek‑v4‑pro θα δρομολογούνται στο V4.1‑Flash με τιμές V4.1‑Flash, μια διευθέτηση που η DeepSeek δήλωσε ότι θα συνεχιστεί μέχρι την κυκλοφορία του V4.1‑Pro· το εργαστήριο ανέφερε ότι δοκιμές από πολλαπλά μέρη τοποθετούν το V4.1‑Flash μπροστά από το V4‑Pro όσον αφορά την απόδοση, το κόστος, την ταχύτητα και το συνολικό χρόνο εκτέλεσης.