DeepSeek V4.1 Flash: arquitectura, benchmarks, precios y migración de API

DeepSeek V4.1 Flash es un modelo mixto nativo y multimodal de expertos diseñado para agentes de programación, razonamiento de contexto largo y flujos de trabajo de herramientas de gran volumen. Su estructura central de 552B activa 8B de parámetros mientras procesa la entrada (input) y 16B al generar la salida (output). En comparación con V4 Flash, añade una arquitectura asimétrica de codificador-decodificador causal, reduce el caché global de KV a 890 bytes por token y unifica la comprensión de texto (text) e imagen (image) en un solo modelo.

Los equipos que utilicen la API directa de DeepSeek pueden migrar las cargas de trabajo de V4 Flash cambiando el ID del modelo a deepseek-flash, pero el cambio de alias no debe ser todo el plan de migración. Aún se deben volver a probar el comportamiento de las instrucciones (prompts), las llamadas a herramientas, la longitud del razonamiento, el manejo de imágenes (images), la latencia y el coste por tarea aceptada. Los ID de API, los precios y los parámetros admitidos son específicos del proveedor, por lo que siempre debe coordinar las instrucciones con el despliegue que utilice.

¿Qué es DeepSeek V4.1 Flash?

Lanzado el 10 de septiembre de 2026, DeepSeek V4.1 Flash es el modelo más pequeño lanzado en la nueva familia de arquitecturas V4.1 de DeepSeek. El término «más pequeño» es relativo a esa familia: el modelo todavía cuenta con una estructura central de 552B de parámetros, 196B de parámetros de memoria condicional Engram y requisitos de servidor sustanciales. Por lo tanto, la inferencia alojada será la opción práctica para la mayoría de los equipos de desarrollo.

Especificaciones principales de DeepSeek V4.1 Flash

Los pesos y el repositorio lanzados utilizan la licencia MIT. Los desarrolladores pueden inspeccionarlos, modificarlos y autoalojarlos, aunque el término «peso abierto» es más preciso que dar a entender que todos los artefactos de entrenamiento son públicos. La tarjeta oficial del modelo contiene la arquitectura, la configuración de evaluación, la licencia y las pautas de autoalojamiento.

El precio de DeepSeek V4.1 Flash también depende del proveedor de la API. A partir del 18 de septiembre de 2026, la página de precios de DeepSeek en inglés muestra las siguientes tarifas para la API directa de DeepSeek:

Los periodos pico son de 01:00 a 04:00 y de 06:00 a 10:00 UTC, de lunes a viernes. Todos los demás periodos utilizan tarifas de horas de menor actividad. Para una carga de trabajo hipotética con 10 millones de tokens de entrada (input) no almacenados en caché y 2 millones de tokens de salida (output), el coste sería de $2.70 en horas de menor actividad: (10 × $0.15) + (2 × $0.60). A tarifas de horas pico, sería de $5.40. Los aciertos de caché, los reintentos y las ejecuciones fallidas modificarían el total. Consulte los precios actuales de la API de DeepSeek antes de presupuestar.

DeepSeek V4.1 Flash frente a V4 Flash

V4.1 Flash conserva el objetivo de contexto largo de V4 Flash al tiempo que cambia la forma en que se manejan la entrada (input), la salida (output), la atención y los estados en caché.

Una estructura central más grande no significa automáticamente un coste de servicio más alto. V4.1 procesa instrucciones (prompts) largas con menos parámetros activos que V4 Flash y almacena un caché KV mucho más pequeño, lo que resulta especialmente relevante para los agentes que leen repetidamente contextos grandes.

¿Cómo funciona la arquitectura de DeepSeek V4.1?

V4.1 separa el procesamiento de entrada (input) de la generación de salida (output) de forma más agresiva que un modelo convencional exclusivo de decodificador. El objetivo es reducir el coste de las instrucciones (prompts) largas manteniendo al mismo tiempo una mayor capacidad de razonamiento y generación.

Arquitectura asimétrica de codificador-decodificador causal

El modelo de 40 capas contiene un codificador causal de 20 capas seguido de un decodificador de 20 capas. El codificador procesa la instrucción (prompt) con 8B de parámetros activos por token. El decodificador activa 16B de parámetros por token generado.

En lugar de derivar un caché KV global completo independiente de cada capa del decodificador, el decodificador proyecta su caché KV global a partir de los estados ocultos finales del codificador. Esto reduce el almacenamiento de contexto duplicado en cargas de trabajo donde la entrada (input) es mucho mayor que la respuesta, como el análisis de repositorios, la revisión de múltiples documentos y los agentes de programación de larga duración.

V4.1 Flash también utiliza la memoria condicional Engram, a la que se accede mediante búsquedas basadas en tokens, y la decodificación especulativa DSpark. Estos componentes añaden capacidad de memoria y aceleran la generación sin activar todos los parámetros almacenados para cada token.

Compresión de caché KV y atención dispersa

Tres mecanismos reducen la huella de atención y del caché más pequeño:

• La reproducción limitada de SWA reconstruye los estados de atención de ventana deslizante que faltan reproduciendo una ventana de tokens reciente, evitando el almacenamiento persistente en SSD para esos estados.

• La atención dispersa comprimida 2 asigna capas de atención a los modos Full, Reindex o Reuse, lo que permite que las capas compartan representaciones de KV y reutilicen índices seleccionados de atención dispersa.

• El almacenamiento en caché de FP4 KV guarda el caché KV principal en un formato de menor precisión con escalas agrupadas.

En conjunto, estos métodos reducen el caché global de KV a aproximadamente una cuarta parte del nivel de V4 Flash. Esto mejora la economía de las solicitudes iterativas largas, aunque la recuperación, la depuración del contexto y la medición de la latencia siguen siendo importantes en producción.

¿Qué rendimiento ofrece DeepSeek V4.1 Flash?

Los resultados de DeepSeek muestran las mejoras más claras en tareas de codificación y de agentes. La siguiente comparación utiliza los resultados del modelo de instrucciones notificados por el proveedor con el máximo esfuerzo de razonamiento y la configuración de evaluación establecida en el informe técnico de DeepSeek V4.1.

Puntos de referencia de codificación y agentes

El andamiaje de los agentes afecta sustancialmente al resultado. DeepSeek reportó puntuaciones de DeepSWE v1.1 que oscilan entre 65.5 y 74.2 en todos los entornos de prueba analizados, incluso con el mismo modelo. Por lo tanto, la evaluación de producción debe cubrir todo el sistema: el modelo, el formato de la instrucción (prompt), las herramientas, el entorno de pruebas (sandbox), la política de reintentos y los criterios de aceptación.

Las pruebas independientes añaden un contexto útil. Artificial Analysis midió una puntuación de Índice de Inteligencia v4.3 de 40 con el máximo esfuerzo de razonamiento y unos 207 tokens de salida (output) por segundo a través de la API de DeepSeek. El modelo también utilizó más tokens de salida (output) que la mediana de comparación, por lo que una tasa de tokens baja no garantiza el coste más bajo por tarea completada.

Capacidades nativas multimodales

V4.1 Flash procesa entradas entrelazadas de texto (text) e imagen (image) a través de un codificador de visión (vision) entrenado con el modelo de lenguaje. DeepSeek informa puntuaciones del modelo base de 56.5 en MMMU-Pro, 77.9 en CVBench, 95.6 en DocVQA y 86.0 en el promedio de RefCOCO.

Esos resultados respaldan casos de uso como la lectura de documentos, la interpretación de gráficos, la localización visual y la inspección de interfaces. Estos resultados no indican la generación de imágenes (images): el modelo devuelve texto (text). Antes de la implementación, pruebe las entradas visuales reales que recibe su aplicación, ya que los formularios escaneados, los paneles con información densa, las etiquetas de interfaz de usuario pequeñas y las fotografías naturales presentan diferentes patrones de error.

Cómo utilizar la API de DeepSeek V4.1 Flash

La API directa de DeepSeek utiliza una interfaz compatible con OpenAI. El siguiente ejemplo se dirige al punto de conexión ascendente de DeepSeek con el ID de modelo deepseek-flash. No debe copiarse sin cambios para utilizarse con otro proveedor de API.

Ejemplo de API de Python

Instale el paquete de Python de OpenAI, guarde la clave API en una variable de entorno y utilice una longitud de salida limitada:

import os

from openai import APIConnectionError, APIStatusError, OpenAI, RateLimitError

api_key = os.environ.get("DEEPSEEK_API_KEY")
if not api_key:
    raise RuntimeError("Set the DEEPSEEK_API_KEY environment variable.")

client = OpenAI(
    api_key=api_key,
    base_url="https://api.deepseek.com",
    timeout=60.0,
    max_retries=2,
)

try:
    response = client.chat.completions.create(
        model="deepseek-flash",
        messages=[
            {
                "role": "system",
                "content": "You are a careful software engineering assistant.",
            },
            {
                "role": "user",
                "content": "Review this migration plan and identify rollback risks.",
            },
        ],
        reasoning_effort="high",
        extra_body={"thinking": {"type": "enabled"}},
        max_tokens=4096,
        stream=False,
    )
    print(response.choices[0].message.content)
except RateLimitError:
    print("The request was still rate-limited after the SDK retry attempts.")
except APIConnectionError as exc:
    print(f"Connection failed: {exc}")
except APIStatusError as exc:
    print(f"API returned {exc.status_code}: {exc.response}")

import os

from openai import APIConnectionError, APIStatusError, OpenAI, RateLimitError

api_key = os.environ.get("DEEPSEEK_API_KEY")
if not api_key:
    raise RuntimeError("Set the DEEPSEEK_API_KEY environment variable.")

client = OpenAI(
    api_key=api_key,
    base_url="https://api.deepseek.com",
    timeout=60.0,
    max_retries=2,
)

try:
    response = client.chat.completions.create(
        model="deepseek-flash",
        messages=[
            {
                "role": "system",
                "content": "You are a careful software engineering assistant.",
            },
            {
                "role": "user",
                "content": "Review this migration plan and identify rollback risks.",
            },
        ],
        reasoning_effort="high",
        extra_body={"thinking": {"type": "enabled"}},
        max_tokens=4096,
        stream=False,
    )
    print(response.choices[0].message.content)
except RateLimitError:
    print("The request was still rate-limited after the SDK retry attempts.")
except APIConnectionError as exc:
    print(f"Connection failed: {exc}")
except APIStatusError as exc:
    print(f"API returned {exc.status_code}: {exc.response}")

import os

from openai import APIConnectionError, APIStatusError, OpenAI, RateLimitError

api_key = os.environ.get("DEEPSEEK_API_KEY")
if not api_key:
    raise RuntimeError("Set the DEEPSEEK_API_KEY environment variable.")

client = OpenAI(
    api_key=api_key,
    base_url="https://api.deepseek.com",
    timeout=60.0,
    max_retries=2,
)

try:
    response = client.chat.completions.create(
        model="deepseek-flash",
        messages=[
            {
                "role": "system",
                "content": "You are a careful software engineering assistant.",
            },
            {
                "role": "user",
                "content": "Review this migration plan and identify rollback risks.",
            },
        ],
        reasoning_effort="high",
        extra_body={"thinking": {"type": "enabled"}},
        max_tokens=4096,
        stream=False,
    )
    print(response.choices[0].message.content)
except RateLimitError:
    print("The request was still rate-limited after the SDK retry attempts.")
except APIConnectionError as exc:
    print(f"Connection failed: {exc}")
except APIStatusError as exc:
    print(f"API returned {exc.status_code}: {exc.response}")

La estructura de la solicitud sigue los parámetros del modo de pensamiento actuales de DeepSeek. En SiliconFlow, conserve el punto de conexión de la API de SiliconFlow y la clave de la API, luego use el ID de despliegue exacto y los parámetros admitidos que se muestran en el catálogo de modelos actual de SiliconFlow. Los ID y precios ascendentes de DeepSeek no se aplican automáticamente a un despliegue de SiliconFlow.

Migración desde V4 Flash o V4 Pro

Utilice una migración controlada en lugar de confiar indefinidamente en los alias de compatibilidad:

1. Fije el proveedor y el ID del modelo. En la API directa de DeepSeek, traslade las llamadas de V4 Flash a deepseek-flash. Utilice el ID documentado para cualquier otro proveedor.

2. Vuelva a probar las instrucciones (prompts) y las herramientas. Compare la estructura de respuesta, el éxito de la llamada a la herramienta, la longitud del razonamiento y el manejo de errores con tareas de producción representativas.

3. Establezca límites de costes. Limite el contexto y la salida (output) según el valor de la tarea, luego realice un seguimiento de los tokens y los reintentos por resultado aceptado.

4. Valide las imágenes (images) por separado. Pruebe el OCR, la lectura de gráficos, el tamaño de la imagen (image) y las entradas de baja calidad antes de habilitar el tráfico multimodal.

5. Realice un seguimiento en la sombra (shadowing) del tráfico de producción. Mida la tasa de tareas aceptadas, la latencia p95, la finalización de herramientas y el coste antes de cambiar la ruta principal. Mantenga disponible la configuración anterior para poder revertir los cambios.

Los usuarios de V4 Flash deben migrar porque DeepSeek ha retirado el modelo anterior y actualmente dirige sus alias heredados a V4.1 Flash. V4 Pro sigue siendo una opción independiente. Aunque el anuncio de lanzamiento describía originalmente una retirada progresiva, la documentación actual de DeepSeek indica que deepseek-v4-pro continuará después del 14 de septiembre de 2026. Consérvelo únicamente cuando los resultados de la evaluación justifiquen el precio más alto.

Mejores casos de uso para DeepSeek V4.1 Flash

DeepSeek V4.1 Flash se adapta mejor a cargas de trabajo donde la entrada (input) larga, el uso de herramientas y el control de costes son importantes de manera conjunta:

• Agentes de programación a escala de repositorio: revisión de bases de código grandes, planificación de cambios, uso de herramientas de desarrollo e iteración en fallos de pruebas.

• Flujos de trabajo de documentos de contexto largo: análisis de documentación técnica, colecciones de investigación, contratos o historiales de soporte con controles de recuperación y fuentes.

• Análisis de interfaces y documentos visuales: lectura de formularios, gráficos, capturas de pantalla y páginas escaneadas junto con instrucciones de texto (text).

• Automatización de gran volumen: ejecución de flujos de trabajo de agentes repetidos donde la entrada (input) almacenada en caché y la programación fuera de las horas pico pueden reducir el coste de la API directa.

Elija V4.1 Flash cuando estas cargas de trabajo superen su umbral de calidad a un coste total menor o con un tiempo de finalización más rápido. Conserve V4 Pro u otra ruta cuando las evaluaciones privadas muestren una ventaja significativa en tareas de gran valor. Las acciones irreversibles, las decisiones de seguridad y las afirmaciones basadas en hechos reales deben seguir utilizando validaciones y la aprobación humana correspondiente.

Preguntas comunes sobre la arquitectura, los puntos de referencia, los precios y la migración de API de DeepSeek V4.1 Flash

P1. ¿Es DeepSeek V4.1 Flash de código abierto (Open Source)?

Sí, aunque el término «peso abierto» es más preciso. DeepSeek lanzó los pesos y el repositorio bajo la Licencia MIT, lo que permite su uso comercial, modificación y redistribución. El lanzamiento no proporciona todos los conjuntos de datos de entrenamiento ni los artefactos de desarrollo.

P2. ¿DeepSeek V4.1 Flash admite imágenes (images)?

Sí. Admite la entrada (input) de texto (text) e imagen (image) y genera texto (text). Las tareas adecuadas incluyen el análisis de documentos asistido por OCR, la interpretación de gráficos, la localización visual y la revisión de capturas de pantalla. No genera ni edita imágenes (images).

P3. ¿Cuál es su ventana de contexto?

El modelo admite hasta un millón de tokens de contexto. La API directa de DeepSeek permite actualmente hasta 384K tokens de salida (output), pero los límites utilizables y los topes de salida (output) pueden variar según el proveedor de inferencia.

P4. ¿Reemplaza V4.1 Flash a V4 Pro?

No. DeepSeek sigue ofreciendo V4 Pro como una opción de API independiente. V4.1 Flash ofrece un mejor rendimiento en varios puntos de referencia de agentes reportados y cuesta menos a través de la API directa de DeepSeek, pero una evaluación específica de la tarea debe determinar la ruta de producción.