DeepSeek V4.1 Flash : benchs, prix, API

Qu'est-ce que DeepSeek V4.1 Flash

DeepSeek V4.1 Flash a été publié sur Hugging Face le 2026-09-10 sous licence MIT (deepseek-ai/DeepSeek-V4.1-Flash), avec un technical report intitulé « Pushing the Limits of KV Cache Compression ». C'est un modèle multimodal à mélange d'experts (MoE) avec un backbone de 552B, une fenêtre de contexte d'un million de tokens, une entrée texte et images native, et un effort de raisonnement réglable en entier de 1 à 100 par appel.

Il n'est pas le plus gros modèle de la famille DeepSeek. Sa position est différente : c'est le modèle qui sert des contextes agentiques très longs — grands dépôts, longues boucles d'outils, RAG sur un corpus — pour une fraction du coût habituel. Le chiffre central du rapport n'est pas un score, c'est 890 octets de KV cache par token : environ un quart du DeepSeek V4 Flash précédent, et environ 1/437 du DeepSeek V1, avec 8B de paramètres actifs par token au prefill et 16B au décodage.

L'architecture derrière la promesse de coût

Quatre choix de conception font le travail. D'abord le Causal Encoder-Decoder (CED) : le transformer de 40 couches est découpé en un encoder causal de 20 couches et un décodeur de 20 couches, et le KV cache global du décodeur est projeté depuis les derniers états cachés de l'encoder au lieu d'être reconstruit depuis chaque couche du décodeur. La conséquence pratique, c'est la découpe 8B/16B de paramètres actifs — une requête chargée en prompt (long prompt système, un dépôt complet, un corpus RAG) coûte une fraction du coût de prefill d'un modèle de même taille.

Ensuite la Compressed Sparse Attention 2 (CSA2) : chaque couche d'attention reçoit un mode statique parmi trois — Full, Reindex ou Reuse — qui partagent le KV principal et le K de l'indexeur entre les couches et réutilisent les indices Top-K de l'attention sparse, et un indexeur sparse hiérarchique borne le coût des indexeurs profonds indépendamment de la longueur du contexte. Puis le cache KV principal en FP4 (format E2M1, une échelle E4M3 par 16 canaux) combiné au SWA Bounded Replay, qui reconstruit les états KV manquants de la fenêtre glissante en rejouant seulement les tokens les plus récents — il n'y a donc jamais rien à persister sur disque, et l'empreinte KV persistante tombe à environ 1/8 du DeepSeek V4 Flash. Ensemble, ces designs ramènent le KV cache global à 890 octets par token.

Le reste de la pile : Single-Pass mHC (révision du mélange du flux résiduel), DSpark (décodage spéculatif semi-autorégressif avec vérification à planification par confiance), et Engram, une mémoire conditionnelle de 196B de paramètres accédée de façon creuse par recherche de token. Côté vision, un encoder DeepSeek-ViT entraîné de zéro (2D-RoPE, downsampling par pixel-unshuffle 3×3) et un projecteur MLP de deux couches convertissent les images en embeddings visuels, traités conjointement avec le texte depuis le début du pré-entraînement. Le modèle a été entraîné de zéro sur un corpus multimodal de 45T tokens, l'attention sparse entraînée sur des séquences de 64K et le contexte étendu à 1M de tokens « at 34T tokens », selon les termes du rapport.

Pourquoi un acheteur devrait-il s'en soucier ? Dans les charges de travail agentiques à long contexte, le KV cache est le coût de service dominant : il croît avec la longueur du contexte et le nombre de requêtes concurrentes. Un modèle qui a besoin d'un quart de mémoire par token met soit plus de sessions concurrentes à 1M de contexte sur le même matériel, soit sert la même charge pour moins cher — et c'est cette différence de coût que vise le « Flash » de cette version.

Benchmarks : ce que le technical report affirme

Tous les résultats du modèle instruct ci-dessous proviennent du technical report DeepSeek, à l'effort de raisonnement maximal (temperature 1.0, top_p 0.95). Le tableau est un extrait de la comparaison du rapport, pas sa totalité. Pour son tableau des modèles base, le rapport précise que deux scores à moins de 0,3 l'un de l'autre sont considérés comme équivalents.

Sur la plupart des lignes agentiques ci-dessus — terminal, génie logiciel, sécurité, automatisation —, V4.1 Flash est en tête du tableau ou tout près, et devant son propre V4 Pro sur chacune d'elles. Ce n'est pas un sans-faute : sur Terminal-Bench 3.0, Opus-5.0 (43,3) et GPT-5.6 Sol (34,4) le devancent, DeepSWE (74,2 contre 74,0) et HLE avec outils (63,9 contre 63,6) sont à moins de 0,3 point d'Opus-5.0, et le rapport liste d'autres benchmarks agentiques où au moins un modèle fermé reste devant (Terminal-Bench 4.0, NL2Repo-Bench, ProgramBench, SEC-Bench Pro, ExploitGym). Sur le raisonnement pur, le bilan est mitigé : il a la meilleure note Codeforces du tableau (seuls les modèles DeepSeek y sont notés), mais il est en retrait sur GPQA Diamond — 90,9, derrière GPT-5.6 Sol, Opus-5.0, K3 et V4 Pro — et obtient 36,8 sur HLE sans outils contre 56,3 pour Opus-5.0. Les résultats multimodaux sont nouveaux pour la famille : sur le modèle base, DocVQA 95,6, MMMU-Pro 56,5, CVBench 77,9, RefCOCO 86,0.

La mise en garde habituelle s'applique, et nous la formulons sur chaque page de modèle : un score de classement est un point de départ, pas un verdict. Prenez vos prompts difficiles, exécutez-les, et mesurez le quotient de raisonnement — combien de tokens de réflexion le modèle brûle par réponse utile — parce que c'est ce qui figure sur la facture.

Ce que nous avons mesuré sur la passerelle (2026-09-11)

Nous avons branché le modèle sur la passerelle Frontière AI le lendemain de sa sortie et nous l'avons mesuré avec notre suite standard, plutôt que de faire confiance au rapport :

• Surface API confirmée par appels réels : contexte de 1 048 576 tokens, entrée texte + image, outils, mode JSON, sorties structurées, et raisonnement — avec un réglage d'effort de raisonnement exposé sur l'endpoint (none / low / high / xhigh / max).
• Appel d'outils mesuré par un appel réel : une requête avec un outil get_weather a renvoyé un tool_call valide avec des arguments JSON corrects.
• Latence, débit et précision QA : non publiés. Notre mesure du 2026-09-11 utilisait une version antérieure de notre script de benchmark : son chronomètre ne démarrait qu'à la réception des en-têtes de réponse, ce qui sous-estimait le temps jusqu'au premier token ; son débit comptait les morceaux du flux sur trois réponses courtes, et non les tokens d'une génération longue ; et il notait le canal de raisonnement avec la réponse. Nous publierons une nouvelle mesure faite avec le script corrigé.
• Comportement de raisonnement : le modèle renvoie un canal reasoning_content séparé ; les tokens de réflexion sont comptés dans completion_tokens et facturés au tarif de sortie, comme tous les modèles de raisonnement que nous servons.
• Audit de sécurité : 12 contrôles sur 15 passent. Les trois ratés sont les artefacts documentés du canal de raisonnement — le prompt système renvoyé en écho dans le canal de réflexion, un marqueur injecté renvoyé en écho avant le refus — que nous lisons comme des faux positifs des regex du test, pas de vraies violations.

Lisez ces résultats comme un relevé daté. L'audit de sécurité a tourné sur notre script tel qu'il était le 2026-09-11 ; il a été corrigé depuis pour ne noter que la réponse visible, jamais le canal de raisonnement, et sa batterie de prompts comme sa règle de réussite ont été remplacées le même jour (2026-09-24). Son 12 sur 15 ne peut donc pas être noté selon la règle actuelle. Il a été remesuré le 13 octobre 2026, sur la route AKI.IO et avec les scripts corrigés : 25 bonnes réponses sur 25, 168 tokens par seconde et 15 réponses sûres sur 15. Il coche désormais le contrôle benchmark et le contrôle sécurité de Frontière Verified.

Les paramètres d'échantillonnage recommandés par le technical report : temperature 1.0, top_p 0.95 ou 1.0, et max_tokens d'au moins 256K pour ne pas couper une longue chaîne de pensée en pleine réflexion.

Prix et disponibilité

V4.1 Flash est live sur notre catalogue sous le slug deepseek-v4.1-flash, appelé avec la même requête compatible OpenAI en deux lignes que tous les autres modèles. Prix client (notre marge et la TVA comprises, solde prépayé) : 1,008 € par million de tokens d'entrée, 3,024 € par million de tokens de sortie, 0,2016 € par million de tokens d'entrée en cache.

Deux notes honnêtes. D'abord, ce sont deux modèles différents, pas un même modèle sous deux hébergements : V4.1 Flash est la nouvelle génération 552B multimodale, V4 Flash 0731 est la génération précédente à 284B. Ensuite, notre prix suit la plus chère de ses deux routes européennes : AKI.IO, en Allemagne, le sert d'abord, et Scaleway, à Paris, prend le relais si AKI échoue ; nous tarifons donc sur le prix publié de Scaleway (0,60 / 1,80 euro par million hors taxes, relevé le 2026-10-19), et un appel n'est jamais vendu à perte, quel que soit celui des deux qui le sert.

Une conséquence pratique. Parce que les tokens de raisonnement sont facturés au tarif de sortie, l'effort de raisonnement réglable (1–100) est un vrai levier de coût : effort bas pour l'extraction et le travail routinier, effort haut pour les problèmes qui méritent une longue chaîne de pensée.

Souveraineté : ce que ça veut vraiment dire

Sur notre catalogue, V4.1 Flash est souverain UE : AKI.IO le sert depuis l'Allemagne, et Scaleway, à Paris, prend le relais si AKI échoue — deux fournisseurs européens, étiquetés comme tels dans l'interface et dans la réponse API (x-sovereign: true). Les requêtes restent chez eux, sauf si vous autorisez explicitement d'autres fournisseurs.

C'est possible parce que les poids sont MIT et ouverts : une société européenne peut les servir sans qu'aucune requête n'atteigne DeepSeek, dont l'API officielle tourne en Chine. L'article RGPD vs CLOUD Act explique pourquoi c'est l'opérateur — pas le modèle — qui décide de la juridiction, et notre page DeepSeek liste chaque modèle DeepSeek que nous servons et qui le fait tourner.

FAQ