DeepSeek V4.1 Flash : ce qu'il est, et où il tourne

DeepSeek V4.1 Flash en bref

DeepSeek a publié les poids avec un rapport technique intitulé « Pushing the Limits of KV Cache Compression ». Les chiffres ci-dessous viennent de la fiche du modèle, lue le 6 octobre 2026.

D'où vient l'économie

Dans un long travail d'agent — tout un dépôt de code, une longue chaîne d'appels d'outils, une recherche dans un corpus —, c'est le cache KV qui rend le service coûteux. C'est la mémoire que le modèle garde pour chaque token de contexte, et elle grossit avec le contexte et avec chaque session simultanée. V4.1 Flash s'y attaque de quatre façons :

• Un encodeur-décodeur causal. Le cache KV global du décodeur est projeté depuis les états finaux de l'encodeur au lieu d'être construit couche par couche ; c'est ce qui permet de ne faire travailler que 8B paramètres pendant le prefill. Lire un long prompt coûte moins cher.
• Compressed Sparse Attention 2. Chaque couche d'attention reçoit l'un de trois modes fixes — Full, Reindex ou Reuse — pour partager les clés entre couches et réutiliser les index d'attention clairsemée ; un indexeur hiérarchique plafonne le coût de l'indexation profonde, quelle que soit la longueur du contexte.
• Un cache KV principal en FP4 (valeurs E2M1, une échelle E4M3 pour 16 canaux). Avec les deux mécanismes précédents, il ramène le cache global à 890 octets par token : environ quatre fois moins que DeepSeek V4 Flash, et 437 fois moins que DeepSeek V1.
• SWA Bounded Replay. Les états de la fenêtre glissante sont reconstruits en rejouant seulement les derniers tokens : plus besoin de les écrire sur SSD, et le cache persistant tombe à environ un huitième de celui de V4 Flash.

Autour de ces quatre pièces : Single-Pass mHC, une nouvelle façon de mélanger le flux résiduel, le décodage spéculatif DSpark, et un encodeur visuel entraîné de zéro, DeepSeek-ViT, dont les représentations d'images ont été apprises avec le texte dès le début du pré-entraînement. Le modèle a vu 45 000 milliards de tokens ; l'attention clairsemée a été entraînée sur des séquences de 64K, et le contexte porté à un million de tokens à partir de 34 000 milliards.

Ce qu'annonce le rapport, et où il reste derrière

Tous les scores du modèle instruct sont obtenus à l'effort de raisonnement maximal, 100, avec une température de 1,0 et un top_p de 0,95. Le tableau ci-dessous est un extrait ; les noms de colonnes sont ceux du rapport, et chaque score est celui de DeepSeek, pas une mesure d'Evanesca.

Lisez les lignes, pas le gras. V4.1 Flash mène sur Terminal-Bench 2.1, CyberGym, AutomationBench et HLE avec outils, et devance Opus-5.0 de 0,2 point sur DeepSWE. Il reste nettement derrière sur les épreuves d'agents les plus dures — Terminal-Bench 3.0 et 4.0, NL2Repo-Bench et, hors de cet extrait, ProgramBench, SEC-Bench Pro et ExploitGym. En raisonnement pur, quatre colonnes du rapport le devancent sur GPQA Diamond, et il obtient 36,8 sur HLE sans outils, contre 56,3 pour Opus-5.0 ; sa cote Codeforces, 3471, est la plus haute du rapport, sur une ligne où seuls les modèles de DeepSeek sont notés.

Un classement n'est qu'un point de départ. Faites passer vos propres questions difficiles et comptez les tokens de raisonnement que le modèle dépense par réponse utile : sur Evanesca, comme ailleurs, ils sont facturés comme de la sortie. La page benchmarks explique ce qu'Evanesca vérifie sur le trajet de chaque modèle.

Où il tourne sur Evanesca

Sur Evanesca, DeepSeek V4.1 Flash est exécuté par AKI.IO — AKI.IO GmbH, une société berlinoise. AKI.IO annonce que les requêtes d'inférence sont aujourd'hui traitées sur des GPU dans des datacenters allemands, et que prompts, entrées et réponses générées sont traités en mémoire volatile, sans être journalisés, stockés ni analysés. Vos prompts ne vont ni chez DeepSeek ni en Chine. Ailleurs, on atteint souvent V4.1 Flash par des routeurs comme OpenRouter, une société américaine qui choisit un hébergeur à chaque requête — ses hébergeurs comptent des sociétés aux États-Unis, en Europe et en Chine, DeepSeek compris —, et le CLOUD Act peut atteindre des sociétés américaines où que soient leurs serveurs.

Sa fiche indique 6 contrôles passés sur 6 sur ce trajet. DeepSeek V4 Flash, exécuté par Scaleway à Paris, en a passé 6. La page souveraineté explique pourquoi c'est l'opérateur, et non le modèle, qui décide de la loi applicable.

Le prix, et le curseur d'effort

Une question rapide — 300 tokens en entrée, 400 en sortie — coûte environ 0,0015 € sur V4.1 Flash et 0,0007 € sur V4 Flash, avant les tokens de raisonnement. Les tokens de raisonnement sont facturés comme de la sortie, où que tourne le modèle : le réglage d'effort que décrit la fiche de V4.1 Flash, de 1 à 100, sert donc aussi de curseur de coût — bas pour l'extraction et le travail courant, haut pour les problèmes qui méritent un long raisonnement. L'article sur les modèles de raisonnement à poids ouverts compare ce que coûte la réflexion d'un modèle à l'autre.

DeepSeek recommande une température de 1,0, un top_p de 0,95 ou 1,0, et un max_tokens d'au moins 256K, pour qu'un long raisonnement ne soit pas coupé. Sur Evanesca, pas d'abonnement : des recharges dès 2 € — voir les tarifs.

V4.1 Flash ou V4 Flash ?

Evanesca sert les deux. V4.1 Flash est la génération plus récente : il lit les images et son contexte est quatre fois plus long. Chacun a sa page, avec ses contrôles : DeepSeek V4.1 Flash, exécuté en Allemagne, et DeepSeek V4 Flash, hébergé en France.

Le modèle n'est pas l'application DeepSeek

Des poids sous licence MIT, cela veut dire que n'importe quel opérateur peut faire tourner le modèle — et c'est l'opérateur qui décide où vont vos mots. L'application et l'API de DeepSeek sont exploitées par Hangzhou DeepSeek Artificial Intelligence Co., Ltd., dont la politique de confidentialité, mise à jour le 10 février 2026, indique : « To provide you with our services, we directly collect, process and store your Personal Data in People's Republic of China. »

Les mêmes poids, exécutés par AKI.IO en Allemagne, n'envoient rien à DeepSeek — pas plus que V4 Flash, exécuté par Scaleway à Paris. C'est ce que permet la licence MIT : n'importe quel opérateur peut servir le modèle, et c'est l'opérateur qui décide du droit dont relèvent vos mots.

Questions fréquentes

À lire aussi

• L'appel d'outils sur les modèles à poids ouverts : pourquoi il dépend de qui les exécuteL'appel d'outils fait d'un modèle un agent, mais dépend de la pile de service autant que des poids. Comment le vérifier en un appel, et quels modèles passent.
• Modèles de raisonnement à poids ouverts : ce que coûte la réflexion, et comment choisirLes modèles de raisonnement réfléchissent avant de répondre, et cette réflexion est facturée en sortie. Lesquels raisonnent, à quel prix, et comment choisir.
• Modèles d'IA à poids ouverts en 2026 : lequel pour quel usage, et qui les exécuteLes modèles à poids ouverts de 2026 — GLM, Qwen, DeepSeek, GPT-OSS, Llama, Mistral — classés par usage, avec taille, licence, prix et société qui les exécute.