DeepSeek V4.1 Flash: 552 miliardi di parametri, multimodale nativo e prezzi ridotti

Il 10 settembre 2026 DeepSeek ha rilasciato V4.1 Flash. È il modello più piccolo della nuova serie di architetture e comprende la comprensione visiva multimodale nativa. Il modello è già disponibile sull'API DeepSeek: basta cambiare il nome in deepseek-flash.

V4.1 Flash è un MoE da 552 miliardi di parametri con architettura Causal-Encoder-Decoder. Input e output non sono simmetrici: in input si attivano 8 miliardi di parametri, in output 16 miliardi. L'azienda spiega che la nuova struttura punta a un tetto di capacità più alto, inferenza più veloce e maggiore throughput. La struttura potrà essere estesa a modelli più grandi.

La cache è l'altro punto dell'aggiornamento. Rispetto alla generazione precedente, il KV Cache di V4.1 Flash riduce il fabbisogno di HBM a un quarto e quello di SSD a un ottavo. L'azienda nota che negli scenari con agenti la voce della cache hit pesa molto sul costo. Comprimere il KV Cache abbassa quindi il costo di questi task. C'è anche una curva di lungo periodo: rispetto al primo modello, il KV Cache è già 437 volte più piccolo.

Cambiano anche i prezzi. Nelle ore di bassa domanda l'input con cache hit costa 0,02 yuan per milione di token, l'input senza cache hit 1 yuan e l'output 4 yuan. Nelle ore di punta i prezzi raddoppiano. Le nuove tariffe valgono dal 10 settembre 2026 alle 12.

Sul fronte open source i pesi sono pubblicati con licenza MIT. L'azienda sostiene la community nell'adattamento dell'inferenza e proverà varie strade per ampliare il deployment. Chi ha esigenze su larga scala e le risorse necessarie può contattare il team.

Annunciato anche il destino delle versioni precedenti. V4 Flash e V4 Flash Vision Exp sono stati dismessi e, per compatibilità, i nomi deepseek-v4-flash e deepseek-v4-flash-vision-exp vengono per ora instradati su V4.1 Flash. È prevista la dismissione graduale di V4 Pro: dopo un certo periodo le richieste andranno tutte su V4.1 Flash, fatturate al suo prezzo. I partner WorkBuddy (incluso CodeBuddy) e OpenCode sono già integrati del tutto.

Sul deployment, V4.1 Flash supporta i framework di inferenza principali come vLLM, SGLang e TensorRT, offre formati di quantizzazione FP8, BF16, GPTQ, AWG e GGUF e arriva a 1 milione di token di contesto. I team possono adottare il modello sullo stack di inferenza che già usano, con modifiche contenute.