DeepSeek ha lanzado DeepSeek V4.1 Flash 1017, un snapshot de su modelo V4.1 Flash diseñado para equilibrar el razonamiento de alto rendimiento con una inferencia de bajo costo. Este modelo es el primero de la serie construido sobre la arquitectura Causal Encoder-Decoder (CED) de la empresa. A diferencia de muchos modelos anteriores que integran capacidades de visión como un añadido posterior, V4.1 Flash cuenta con una comprensión nativa de imágenes, donde los embeddings visuales y de texto se entrenan conjuntamente desde el inicio del proceso de preentrenamiento. Esta elección arquitectónica tiene como objetivo mejorar la capacidad del modelo para manejar tareas multimodales y flujos de trabajo de agentes de largo alcance.
El logotipo de DeepSeek representa a la empresa que desarrolló el modelo V4.1 Flash 1017 y su arquitectura Causal Encoder-Decoder.
El modelo utiliza un diseño de mezcla de expertos dispersa (MoE), lo que le permite mantener una enorme estructura base de 552 mil millones de parámetros mientras solo activa una fracción de ellos durante cualquier paso de inferencia individual. Específicamente, activa 8 mil millones de parámetros para el procesamiento de entrada y 16 mil millones para la generación de salida. Esta división asimétrica es un compromiso de ingeniería deliberado para mantener bajo el cómputo por token mientras se conserva la amplia base de conocimientos de un modelo mucho más grande. Para optimizar aún más las tareas complejas de múltiples pasos, DeepSeek implementó una caché de KV (Key-Value) comprimida, que reduce los requisitos de memoria de caché a aproximadamente una cuarta parte de la generación Flash anterior. Esta reducción está dirigida específicamente a disminuir los costos y la sobrecarga de memoria asociados con las cargas de trabajo 'agénticas', tareas en las que el modelo debe mantener una gran cantidad de contexto a lo largo de muchos pasos consecutivos.
Las pruebas de rendimiento y los datos indican que V4.1 Flash 1017 está posicionado como el nivel de costo eficiente de la familia V4.1; sin embargo, se informa que supera el rendimiento del modelo V4 Pro en términos de velocidad y tiempo de finalización de tareas. En evaluaciones estandarizadas, el modelo muestra puntuaciones competitivas en diversos benchmarks, incluyendo una puntuación del 77.0% en DeepSWE v1.1 y una puntuación del 60.5% en Automation-Bench v1.0.6. Aunque ofrece una ventana de contexto de 1.048 millones de tokens, la aplicación práctica del modelo está optimizada para programación, uso de terminal y agentes de uso de computadora. No obstante, los usuarios deben tener en cuenta que, si bien el modelo admite la llamada a herramientas y salidas estructuradas, estas funciones solo están disponibles actualmente a través de proveedores específicos en la plataforma OpenRouter, ya que la compatibilidad del modelo varía entre los diferentes puntos de alojamiento.
Esta imagen representa la presencia del modelo en Hugging Face, donde se comparten sus especificaciones técnicas y pesos.