Baseten lisää DeepSeek-V4.1-Flash -malli-rajapintoihin 1 M‑tokenin kontekstilla

DeepSeek-V4.1-Flash on nyt saatavilla Basetenin malli-rajapinnoissa, Baseten ilmoitti 11. syyskuuta 2026, tuoden 552 B‑parametrisen monimodaalisen sekoitus‑asiantuntijoiden (MoE) mallin, jossa on 8 B aktiivista parametria esitäytölle ja 16 B dekoodaukselle 1 M‑tokenin kontekstialueella, inferenssipalvelun alustalle.

DeepSeek julkaisi mallin avoimet painot Hugging Facessa, ja DeepSeekin oma ilmoitus on päivätty 10. syyskuuta 2026. Malli hyväksyy teksti‑ ja kuva‑syötteet ja tuottaa tekstivastauksen, ja mallikortti kertoo, että arkisto ja painot on lisensoitu MIT‑lisenssillä. Baseten kuvaa V4.1-Flashia DeepSeekin kolmantena avoimen painon flash‑julkaisuna vuonna 2026 ja ainoana tämän mittakaavan mallina, joka käyttää DeepSeekin kutsumaa kausaalista enkooderi‑dekooderi‑arkkitehtuuria. Basetenin Loops‑koulutustuote saa tukea pian, yrityksen mukaan.

Raportoituja vertailutuloksia

Mallikortti raportoi ohjeistusmallin tulokset maksimaalisella päättelypyrkimyksen asetuksella 100: V4.1-Flash saa 90,6 pistettä Terminal‑Bench 2.1:ssä, verrattuna V4‑Flashiin 82,7 ja V4‑Proon 87,9; 74,2 DeepSWE v1.1:ssä, verrattuna 54,4 ja 62,7; ja 54,8 AutomationBenchissä, verrattuna 37,7 ja 43,2. Baseten korosti samoja koodaus‑ ja agenttifiguureja, toteaen että V4.1-Flash päihittää V4‑Pron noin kolmasosalla kokonaisparametreista, samalla varoittaen että 54,8 AutomationBenchissä tarkoittaa, että malli epäonnistuu noin puoleen monimutkaisista työnkuluista, ja neuvoen tiimejä pitämään ihmisen mukana agenttiputkissa.

Kortin vertailussa huipputason malleihin maksimaalisella ponnistuksella V4.1-Flash saavuttaa 90,9 GPQA Diamondissa, Codeforces‑arviona 3471, ja 63,9 HLE:ssä työkaluilla. Baseten toteaa, että V4.1-Flash on DeepSeekin ensimmäinen ei‑kokeellinen malli, jossa on natiivi kuva‑syöte, ominaisuus, joka aiemmin rajoittui kokeelliseen V4‑Flash‑Vision‑Exp‑malliin; sen taulukko raportoi 78,9 Chartographyssa ja 49 ZeroBenchissä uudelle mallille, verrattuna 64,3 ja 35 kokeelliseen.

Kausaalinen enkooderi‑dekooderi‑arkkitehtuuri

Mallikortin mukaan V4.1-Flash järjestää 40‑kerroksisen Transformer‑mallin 20‑kerroksiseksi kausaaliseksi enkooderiksi, jota seuraa 20‑kerroksinen dekooderi, ja dekooderin globaali avain‑arvo (KV) -välimuisti projisoidaan viimeisistä enkooderin piilotetuista tiloista sen sijaan, että se johdettaisiin kunkin dekooderin kerroksen omista piilotetuista tiloista. Suunnittelu aktivoi 8 B parametria tokenia kohden esitäytössä ja 16 B dekoodauksessa; Baseten vertaa tätä V4‑Flashiin, jossa molemmat vaiheet aktivoivat 13 B, esittäen muutoksen raskaamman dekoodauksen vaihtamisena paljon kevyempään esitäyttöön, asetelma jonka Baseten sanoo parantavan kustannustehokkuutta koodausagenteille, joiden agenttipiirit tuottavat paljon enemmän esitäyttötokeneja kuin dekoodaustokeneja.

Kortti raportoi, että mallin Compressed Sparse Attention 2 määrittää jokaiselle huomiointikerrokselle yhden kolmesta staattisesta tilasta (Full, Reindex tai Reuse), ja dekooderissa hierarkkinen harvaindeksöijä rajoittaa syvemmän indeksointikustannuksen riippumatta kontekstin pituudesta. Yhdistettynä FP4‑pää‑KV‑välimuistiin, nämä suunnitelmat pienentävät globaalin KV‑välimuistin 890 tavuun tokenia kohden, noin neljänneksen V4‑Flashin tasosta, kortin mukaan. Erillinen mekanismi, SWA Bounded Replay, rekonstruoi puuttuvat liukuvakuvien‑huomiointiin liittyvät KV‑tilat toistamalla vain viimeisimmät tokenit, vähentäen pysyvän KV‑jalanjäljen noin kahdeksannelle V4‑Flashin tasolle. DeepSeekin ilmoitus asettaa säästöt neljännekseksi HBM:stä ja kahdeksannelle SSD‑tallennustilalta edellisessä sukupolvessa.

Jokainen MoE‑kerros käyttää yhtä jaettua asiantuntijaa ja 384 reititettyä asiantuntijaa, joista kuusi on aktiivisia tokenia kohden, ja malli lisää Engram‑ehdollisen muistin 196 B parametrilla DSpark‑spesulatiivisen dekoodauksen ohella, kortin mukaan. DeepSeek koulutti mallin alusta alkaen 45 T‑tokenin monimodaalisessa korpuksessa, harjoitti sen harvan huomion 64 K sekvenssipituudella ja laajensi kontekstin 1 M tokeniin 34 T tokenissa. Jälkikoulutus noudattaa tavallista valvottua hienosäätöä, vahvistusoppiminen, ja politiikkaan perustuvaa destillaatioketjua, merkittävien muutosten keskittyessä suurimittakaavaiseen automatisoituun agenttitehtävien ja -ympäristöjen synteesiin, ja malli tarjoaa jatkuvasti säädettävän päättelypyrkimyksen asetuksen 1–100.

DeepSeek API -siirtymä ja Baseten-palvelu

DeepSeek ilmoittaa, että V4‑Flash ja V4‑Flash‑Vision‑Exp on poistettu sen alustalta, ja vanhat API‑mallinimet reititetään väliaikaisesti V4.1‑Flashiin yhteensopivuuden vuoksi. Uusi API‑hinnoittelu astui voimaan 04:00 UTC 10. syyskuuta 2026, hiljaiskustannukset asetettu 50 % huippukustannuksista, ja DeepSeek nimeää viralliset kumppanit WorkBuddy (mukaan lukien CodeBuddy) ja OpenCode täydellisiksi V4.1‑Flash‑tukea tarjoaviksi.

Baseten kertoi, että sen Inferenssi-pino palvelee mallia käyttäen NVIDIA Dynamo -ratkaisua KV‑välimuistitietoisella reitityksellä, ohjaten jokaisen pyynnön replikkaan, joka jo pitää sen etuliitteen, eikä vapaaseen replikkaan. Malli on tarjolla Basetenin Mallikirjaston kautta, ja omistettuja käyttöönottoja on saatavilla tiimeille, jotka tarvitsevat varattua kapasiteettia.

Alkaen 04:00 UTC 14. syyskuuta 2026 kaikki deepseek‑v4‑pro‑pyynnöt reititetään V4.1‑Flashiin V4.1‑Flash‑hinnoilla, järjestely jonka DeepSeek sanoo jatkuvan, kunnes V4.1‑Pro julkaistaan; laboratorio ilmoitti, että useiden osapuolten testit asettavat V4.1‑Flashin V4‑Prota paremmaksi suorituskyvyssä, kustannuksissa, nopeudessa ja kokonaisajassa.