DeepSeek V4.1: новая архитектура в младшей модели

V4.1-Flash вышла 10 сентября 2026 года, а 17 октября обновилась до версии 1017 и стала моделью чата по умолчанию. Это не очередной снапшот V4, а первая модель новой архитектуры — и при названии «Flash» она по большинству тестов разработчика обходит старшую V4-Pro.

Что такое V4.1 и где она работает

DeepSeek-V4.1-Flash — мультимодальная модель с архитектурой «смесь экспертов» (MoE): на вход текст и изображения, на выход текст, контекст до миллиона токенов. Разработчик называет её самой маленькой моделью нового семейства архитектур, рассчитанного на более высокий потолок качества, быструю генерацию, большую пропускную способность и масштабирование до крупных моделей¹. Иначе говоря, V4.1-Flash — первая ласточка: старшие модели той же архитектуры ещё впереди.

Где её встретить:

• Чат и приложение — с 17 октября по умолчанию отвечает версия 1017;
• API — имя deepseek-flash; старые имена deepseek-v4-flash и deepseek-v4-flash-vision-exp тоже ведут на неё;
• Hugging Face — репозитории DeepSeek-V4.1-Flash и DeepSeek-V4.1-Flash-1017 с весами под лицензией MIT;
• Агентские среды — DeepSeek Harness и сторонние инструменты, которые разработчик перечисляет в документации: Claude Code, Codex, OpenCode, WorkBuddy и CodeBuddy и другие.

Две версии: 10 сентября и 17 октября

Обновление 1017 разработчик описывает как улучшение «по Парето»: модель одновременно стала сильнее и дешевле в работе, потому что решает задачи быстрее и пишет короче. Цена за токен и способ вызова при этом не изменились². Отдельно 1017 дообучали на создание проектов целиком — от игры до трёхмерной сцены — с подкреплением по самооценке результата. Для лучшей работы с ней разработчик просит обновить DeepSeek Harness до версии 0.2.1-rc.1 или новее.

Что изменилось в архитектуре

Здесь V4.1 расходится с V4 сильнее, чем можно ждать от прибавки «.1». Главное по карточке модели³:

Причинный кодировщик-декодировщик

40 слоёв трансформера разбиты на 20 слоёв кодировщика и 20 слоёв декодировщика. Кэш внимания декодировщика строится из итоговых состояний кодировщика, а не из каждого своего слоя. Отсюда асимметрия: при чтении входа на токен работают 8 миллиардов параметров, при генерации ответа — 16. Для агентских задач, где входа в десятки раз больше, чем выхода, это главный выигрыш.

Эксперты

В каждом MoE-слое один общий эксперт и 384 маршрутизируемых, на токен включаются шесть из них. Основная сеть — 552 миллиарда параметров.

Условная память Engram

Отдельный блок на 196 миллиардов параметров, к которому модель обращается выборочно, по поиску на основе токенов. Вместе с ним, зрительным кодировщиком и модулем DSpark файлы весов весят около 763 миллиардов параметров.

Сжатое разреженное внимание второй версии

Слои внимания делят между собой кэш и индексы разреженного внимания, а сам кэш хранится в четырёхбитном формате. Итог — 890 байт глобального кэша на токен, примерно вчетверо меньше, чем у V4-Flash; постоянная часть кэша на SSD меньше в восемь раз.

Обучение с нуля

45 триллионов токенов мультимодального корпуса; контекст расширен до миллиона на отметке 34 триллиона. Дообучение — стандартная схема SFT, обучение с подкреплением и дистилляция по собственным траекториям; разработчик подчёркивает, что всё новое здесь — в данных: автоматическая генерация агентских задач и сред в большом масштабе.

Понимание изображений

Зрение у V4.1-Flash встроенное: собственный кодировщик изображений DeepSeek-ViT обучался с нуля и вместе с языковой частью с самого начала предобучения, а не прикручивался к готовой текстовой модели. Предшественница, V4-Flash-Vision-Exp, была экспериментальной надстройкой над текстовой V4-Flash и прожила в API меньше трёх недель.

Через API модель принимает JPEG, PNG, GIF и WebP — встроенными в запрос, по ссылке или через загрузку файла. Каждая картинка перед обработкой приводится к стандартному размеру и превращается не больше чем в 1024 токена; режим detail: low уменьшает её до 512×512 пикселей и экономит токены⁴. В чате это означает, что скриншот, фото документа или график теперь разбирает сама модель, а не отдельный модуль распознавания текста.

Результаты тестов

В той же таблице карточки 1017 разработчик сравнивает её с Kimi K3, GLM-5.3, GPT-5.6 Sol и Claude Opus 5: в DeepSWE v1.1, Automation-Bench, Agents' Last Exam и Apex Bench у 1017 лучший результат строки, а в HLE, Terminal-Bench 4.0, ProgramBench, NL2Repo и тестах на зрение впереди Opus 5⁵.

Цена и почему дешевеет кэш

До выхода V4.1 младшая модель стоила вне пика 0,22 доллара за миллион входных токенов и 0,66 за миллион выходных — снижение составило 32% и 9%. Сильнее всего подешевело попадание в кэш: с 0,007 до 0,003 доллара. Это не случайно. Разработчик прямо связывает цену с размером кэша: в агентских сессиях модель раз за разом перечитывает одну и ту же историю, и счёт за попадания в кэш часто составляет значительную долю стоимости. Вчетверо меньший кэш на токен — вчетверо меньше памяти ускорителей на его хранение. Подробный расчёт стоимости запроса — в разделе об API.

Веса и запуск у себя

Веса обеих версий открыты под MIT на Hugging Face, 1017 продублирована на ModelScope. Привычного шаблона чата в формате Jinja в репозиториях нет: вместо него разработчик выкладывает эталонный скрипт кодирования диалогов с тестами — многоходовые диалоги, вызовы инструментов, режим рассуждения, числовой уровень усилия, вставленные изображения — и для продакшена отдельную библиотеку deepseek-recipe на Rust с привязками к Python. Рекомендованные настройки генерации: temperature 1,0, top_p 1,0 или 0,95, окно контекста миллион токенов, предел ответа не меньше 256 тысяч.

Масштаб при этом серверный: около 763 миллиардов параметров в файлах — это задача для сервера с несколькими ускорителями, а не для домашней машины. В анонсе разработчик пишет, что вместе с сообществом открытого кода работает над поддержкой V4.1 в инструментах инференса, и отдельно приглашает к разговору тех, кто планирует развёртывание масштаба двух тысяч GPU. Что реально запускается дома, разобрано в разделе о скачивании.

Что с V4-Pro и будет ли V4.1-Pro

С выходом V4.1-Flash разработчик сначала объявил о сворачивании V4-Pro: с 14 сентября её запросы должны были перенаправляться на V4.1-Flash по цене Flash — до выхода V4.1-Pro. Затем решение пересмотрели, и V4-Pro продолжила работать в API с прежней оплатой — история подробно разобрана в разделе о версиях.

Из этой истории следует единственное, что известно о V4.1-Pro: разработчик её планирует. Ни даты, ни характеристик на 29 октября 2026 года не объявлено, и любые цифры про V4.1-Pro в обзорах — догадки.

Короткие ответы