Baseten добавляет DeepSeek-V4.1-Flash в API моделей с контекстом в 1 млн токенов

DeepSeek-V4.1-Flash теперь доступен в API моделей Baseten, Baseten объявил 11 сентября 2026 года, предоставляя 552‑млрд‑параметров мультимодальную модель mixture-of-experts (MoE), в которой 8 млрд активных параметров используются для предзаполнения, а 16 млрд — для декодирования в окне контекста в 1 млн токенов, на платформе поставщика вывода.

DeepSeek выпустил открытые веса модели на Hugging Face, а объявление DeepSeek датировано 10 сентября 2026 года. Модель принимает текстовый и визуальный ввод и генерирует текстовый вывод, а карта модели указывает, что репозиторий и веса лицензированы по лицензии MIT. Baseten описывает V4.1-Flash как третье открытое flash‑издание DeepSeek в 2026 году и как единственную модель такого масштаба, использующую то, что DeepSeek называет архитектурой Causal Encoder-Decoder. Поддержка продукта обучения Loops от Baseten появится в ближайшее время, согласно компании.

Сообщённые результаты бенчмарков

Карта модели сообщает результаты instruct-model при максимальном значении усилий рассуждения 100: V4.1-Flash набирает 90,6 в Terminal‑Bench 2.1, по сравнению с 82,7 у V4‑Flash и 87,9 у V4‑Pro; 74,2 в DeepSWE v1.1, по сравнению с 54,4 и 62,7; и 54,8 в AutomationBench, по сравнению с 37,7 и 43,2. Baseten подчеркнул те же показатели кодирования и агентных задач, заявив, что V4.1‑Flash превосходит V4‑Pro, используя примерно треть от общего количества параметров, при этом предупреждая, что 54,8 в AutomationBench означает, что модель не справляется примерно с половиной сложных рабочих процессов, и советует командам оставлять человека в цепочке для агентных конвейеров.

В сравнении карты с передовыми моделями при максимальном усилии V4.1‑Flash показывает 90,9 в GPQA Diamond, рейтинг Codeforces 3471, и 63,9 в HLE с инструментами. Baseten утверждает, что V4.1‑Flash — первая неэкспериментальная модель DeepSeek с нативным вводом изображений, возможность, ранее ограниченная экспериментальной V4‑Flash‑Vision‑Exp; в её таблице указаны 78,9 в Chartography и 49 в ZeroBench для новой модели, против 64,3 и 35 для экспериментальной.

Архитектура Causal Encoder-Decoder

Согласно карте модели, V4.1‑Flash организует 40‑слойный Transformer как 20‑слойный каузальный энкодер, за которым следует 20‑слойный декодер, при этом глобальный кеш ключ‑значение (KV) декодера проецируется из финальных скрытых состояний энкодера, а не выводится из скрытых состояний каждого слоя декодера. Дизайн активирует 8 млрд параметров на токен во время предзаполнения и 16 млрд во время декодирования; Baseten сравнивает это с V4‑Flash, который активирует 13 млрд для обоих этапов, представляя изменение как замену более тяжёлого декодирования на гораздо более лёгкое предзаполнение, что, по словам Baseten, повышает экономичность для кодирующих агентов, чьи агентные циклы генерируют значительно больше токенов предзаполнения, чем декодирования.

Карта сообщает, что Compressed Sparse Attention 2 модели назначает каждому слою внимания один из трёх статических режимов (Full, Reindex или Reuse), при этом иерархический Sparse Indexer в декодере ограничивает более глубокие затраты индексации независимо от длины контекста. В сочетании с основным кешированием KV FP4 эти конструкции снижают глобальный кеш KV до 890 байт на токен, примерно четверть от V4‑Flash, указывает карта. Отдельный механизм, SWA Bounded Replay, восстанавливает отсутствующие состояния KV скользящего окна внимания, воспроизводя только самые последние токены, уменьшая постоянный объём KV примерно до одной восьмой от V4‑Flash. Объявление DeepSeek оценивает экономию как одну четверть объёма HBM и одну восьмую объёма SSD‑хранилища предыдущего поколения.

Каждый слой MoE использует одного общего эксперта и 384 направленных эксперта, при этом шесть направленных экспертов активны на токен, а модель добавляет условную память Engram с 196 млрд параметров вместе со спекулятивным декодированием DSpark, согласно карте. DeepSeek обучил модель с нуля на мультимодальном корпусе в 45 трлн токенов, обучил её разреженное внимание при длине последовательности 64 к, и расширил контекст до 1 млн токенов при 34 трлн токенов. После обучения следует стандартная контролируемая дообучка, обучение с подкреплением, и последовательность дистилляции по политике, при этом существенные изменения сосредоточены в крупномасштабном автоматическом синтезе задач агентов и окружений, а модель предоставляет непрерывно регулируемую настройку усилий рассуждения от 1 до 100.

Переход API DeepSeek и обслуживание Baseten

DeepSeek заявляет, что V4‑Flash и V4‑Flash‑Vision‑Exp сняты с её платформы, при этом старые названия моделей API временно перенаправляются на V4.1‑Flash для совместимости. Новое ценообразование API вступило в силу 10 сентября 2026 года в 04:00 UTC, при этом тарифы в непиковое время установлены на уровне 50 % от пиковых тарифов, и DeepSeek перечисляет официальных партнёров WorkBuddy (включая CodeBuddy) и OpenCode как полностью поддерживающих V4.1‑Flash.

Baseten сказал, что его Вывод Stack обслуживает модель, используя NVIDIA Dynamo с маршрутизацией, учитывающей кеш KV, направляя каждый запрос к реплике, уже содержащей его префикс, а не к любой свободной реплике. Модель предлагается через Model Library от Baseten, при этом выделенные развертывания доступны для команд, нуждающихся в зарезервированной мощности.

Начиная с 14 сентября 2026 года в 04:00 UTC, все запросы deepseek‑v4‑pro будут перенаправляться на V4.1‑Flash по тарифам V4.1‑Flash, что, по словам DeepSeek, продлится до запуска V4.1‑Pro; лаборатория сообщила, что тесты несколькими сторонами показали, что V4.1‑Flash опережает V4‑Pro по производительности, стоимости, скорости и общему времени выполнения.