DeepSeek-V4.1-Flash

DeepSeek-V4.1-Flash — открытая мультимодальная MoE-модель с 552B общих параметров (+196.6B параметров Engram и 14.2B параметров DSpark MTP) и контекстным окном до 1 млн токенов. Главное архитектурное решение — отказ от симметричной decoder-only схемы в пользу ассиметричной Causal Encoder-Decoder (CED). Модель разделена на 20-слойный энкодер, который обрабатывает входной промпт, и 20-слойный декодер, который генерирует ответ. Энкодер активирует 8B параметров на токен, декодер — 16B, то есть обработка промпта и генерация ответа используют разное количество активных параметров.

CED позволяет существенно экономить память - глобальный KV-кэш декодера не вычисляется отдельно на каждом слое декодера, а проецируется из финального скрытого состояния энкодера. Поэтому при обработке длинного промпта декодер не пересчитывает всю его историю заново, а восстанавливает короткое скользящее окно для начала генерации. В результате глобальный KV-кэш составляет примерно 890 байт на токен — что в 4 раза меньше, чем у DeepSeek-V4-Flash, и в 437 раз меньше, чем у DeepSeek-V1. Это ключевое преимущество модели для длинного контекста: память под KV-кэш растёт значительно медленнее, чем у сопоставимых decoder-only архитектур.

Вторая опора архитектуры — Compressed Sparse Attention 2 (CSA2). Вместо гибридной схемы из разных типов слоёв, как в V4, здесь каждый слой внимания жёстко закреплён за одним из трёх режимов: Full (сам вычисляет и хранит основной KV и индексные ключи, выбирает Top-K разреженных индексов), Reindex (переиспользует KV и индексные ключи предыдущего Full-слоя, но делает собственный выбор Top-K) и Reuse (полностью переиспользует и KV, и уже выбранные индексы, не выполняя индексирования). Важно, что только несколько слоёв являются «полными» и несут основную нагрузку по построению кэша (три слоя в энкодере и 1-первый в декодере). Такая схема позволяет большинству слоёв быть просто пользователями общего кэша, что снижает и память под KV-кэш, и вычислительные затраты на длинном контексте.

Дополнительно модель развивает несколько новаторских механизмов. Engram — это 196B параметров условной памяти в виде хеш-таблиц n-грамм в слоях 1 и 14; они ищут паттерны во входе и через обучаемый гейт добавляются в residual stream, работая как быстрый ассоциативный кэш для часто встречающихся последовательностей. Визуальная часть представлена 32-слойным энкодером DeepSeek ViT, обученным с нуля вместе с языковой моделью: его эмбеддинги через двухслойный MLP подаются в текстовый стек, а токены изображения сохраняют идентификаторы, поэтому MoE-роутер обрабатывает их отдельно, не смешивая с текстовыми экспертами. И конечно DSpark, который предсказывает блок сразу из нескольких токенов, тем самым существенно ускоряет генерацию. Эти компоненты дополняют CED и CSA2 и расширяют возможности модели в мультимодальных и агентных задачах.

По бенчмаркам V4.1-Flash показывает сильные результаты и в ряде тестов занимает первое место. На DeepSWE v1.1 модель набирает 77.0 против 73.0 у GPT-5.6 Sol, 74.0 у Claude Opus 5, 67.5 у Kimi K3 и 66.9 у GLM-5.3. На Automation-Bench v1.0.6 результат составляет 60.5 против 45.8 у GPT-5.6 Sol, 50.3 у Claude Opus 5, 46.7 у Kimi K3 и 48.8 у GLM-5.3. Среди других сильных показателей — Terminal-Bench 2.1 с 90.6, GPQA Diamond с 90.9. При этом на самых сложных научно-ориентированных агентных задачах разрыв с гигантскими моделями ещё сохраняется, но на большинстве повседневных сценариев модель сполне сопоставима с закрытыми фронтир-моделями.

DeepSeek-V4.1-Flash отлично подойдет для агентов и инструментальных циклов, где обрабатываются большие промпты, документы и результаты многочисленных вызовов инструментов; для программной инженерии и автоматизации разработки, включая генерацию, ревью и отладку кода, работу с репозиториями и терминальными задачами; для автоматизации офисных процессов с таблицами, документами и интерфейсами; для мультимодальных визуальных агентов с анализом скриншотов, графиков, диаграмм и вёрстки; а также для широкого круга ассистентов, которым важно уметь обрабатывать длинную историю диалога.

Дата анонса: 10.09.2026
Параметров: 764B
Экспертов: 384
Активно параметров при инференсе: 16B
Контекст: 1049K
Слоев: 40, с полным вниманием: 4
Тип внимания: Causal Encoder‑Decoder (CED) и Compressed Sparse Attention 2 (CSA2)
Разработчик: DeepSeek
Версия Transformers: 5.6.0
Версия vLLM: >=0.31.0
Лицензия: MIT

Воспользуйтесь нашими готовыми публичными эндпоинтами бесплатно для теста инференса и знакомства с DeepSeek-V4.1-Flash. Получить токен для доступа к API вы можете на странице управления токенами после регистрации и верификации.

Эндпоинт — это сервер с предустановленным программным обеспечением, с помощью которого автоматически скачиваются веса нейросети и запускается OpenAI-совместимый API для обращений к серверу.

Частный эндпоинт создается в проекте пользователя, принадлежит пользователю монопольно и тарифицируется за каждую конфигурацию сервера в соответствии с нашими инфраструктурными тарифами.

Мы рекомендуем создание частных эндпоинтов в случаях, если необходимо:

• получить максимальную производительность эндпоинта,
• получить полный контекст для обработки больших запросов и диалогов,
• обеспечить максимальную безопасность, для обработки данных в выделенном изолированном пространстве.

Свяжитесь с нашей специализированной группой поддержки по нейросетям support@immers.cloud или отправьте ваш запрос в отдел продаж sale@immers.cloud.