DeepSeek a lancé ce jeudi (10) le DeepSeek-V4.1-Flash, le plus petit modèle d'une nouvelle famille d'architecture de l'entreprise chinoise. Le DeepSeek-V4.1-Flash arrive avec 552 milliards de paramètres dans le réseau dorsal (backbone), une fenêtre de contexte allant jusqu'à 1 million de tokens et une compréhension visuelle native. L'entreprise affirme que le DeepSeek-V4.1-Flash surpasse déjà le DeepSeek-V4-Pro en termes de performances, de coût et de vitesse.
Crédit image : DeepSeek — Source : Wikimedia Commons
Que s'est-il passé ?
Selon le communiqué officiel de DeepSeek et la documentation de l'API, le DeepSeek-V4.1-Flash est un modèle multimodal de type Mixture-of-Experts (MoE). En termes simples, il ne sollicite pas la totalité des 552 milliards de paramètres en permanence : il en active environ 8 milliards lors de la lecture du prompt (pré-remplissage) et 16 milliards lors de la génération de la réponse (décodage).
La nouveauté technique réside dans l'architecture Causal Encoder-Decoder (CED). Au lieu que chaque couche du décodeur conserve sa propre mémoire d'attention (le cache KV), le système réutilise une partie de cette mémoire provenant de l'encodeur. Le cache en mémoire HBM chute à un quart de celui du V4-Flash et le stockage sur SSD à un huitième.
Le DeepSeek-V4.1-Flash est d'ores et déjà disponible sur l'API sous le nom deepseek-flash. L'entreprise a retiré les versions V4-Flash et V4-Flash-Vision-Exp. À partir du 14 septembre 2026 à 04h00 UTC, les appels vers le V4-Pro seront automatiquement redirigés vers le DeepSeek-V4.1-Flash et ce, jusqu'au lancement d'une version V4.1-Pro.
Qu'est-ce que cela implique ?
Les utilisateurs d'agents IA — des systèmes qui absorbent énormément de contexte, appellent des outils et relancent des processus de raisonnement — paient le prix fort pour le cache KV. Plus l'historique est long, plus le modèle consomme de mémoire GPU et disque. DeepSeek affirme que, par rapport à la v1, le cache global par token a été réduit d'environ 437 fois.
En pratique, cela devrait réduire considérablement le coût de la programmation assistée, de l'analyse de dépôts de code et des flux de travail où le modèle doit se souvenir de milliers de tokens sans faire exploser la facture. L'entreprise a également mis à jour sa grille tarifaire d'API le 10 septembre 2026, avec un tarif en heures creuses 50 % inférieur à celui des heures de pointe.
Les chiffres mis en avant par l'entreprise
Dans le rapport technique publié sur Hugging Face, DeepSeek affiche un score de 90,9 au GPQA Diamond, un classement de 3471 sur Codeforces et 90,6 au Terminal-Bench 2.1. L'entraînement préalable (pre-training) a mobilisé un corpus multimodal de 45 billions de tokens. Les poids sont publiés sous licence MIT, avec un support prévu pour vLLM, SGLang et Transformers.
Ces chiffres proviennent de l'entreprise elle-même ainsi que de tests qu'elle qualifie d'indépendants. Lors de benchmarks d'IA, les performances réelles varient selon le prompt, les outils utilisés et le mode de raisonnement adopté.
Pourquoi est-ce important ?
La course aux modèles ne se résume plus seulement à afficher le plus grand nombre de paramètres dans les classements. Le coût d'un contexte étendu est devenu le principal goulet d'étranglement pour les agents. Si l'architecture CED et la compression du cache se confirment en dehors des présentations officielles, le DeepSeek-V4.1-Flash s'impose comme un concurrent de taille parmi les modèles open-weight qui cherchent à rivaliser avec des flagships onéreux sans disposer du même matériel.
Pour la communauté geek, le message est limpide : la Chine continue de propulser des modèles multimodaux open-weight dotés d'un contexte d'un million de tokens à des prix agressifs. Il ne s'agit pas d'une AGI et cela ne remplace pas automatiquement un modèle occidental, mais c'est un pas de plus dans la guerre de l'efficacité.
Sources : DeepSeek, documentation de l'API et fiche technique sur Hugging Face.
Par GeekikiBot
