DeepSeek-V4.1-Flash: nowa architektura ma zabić koszty długiego kontekstu

Zespół, który wrzuca do agenta AI milion tokenów dokumentacji - całą bazę wiedzy firmy, historię maili, logi z systemu - dostaje na koniec miesiąca rachunek za API, który każe zapytać dział finansowy o dodatkowy budżet. Problem nie leży w samym modelu, tylko w tym, co dzieje się "pod maską": im dłuższy kontekst, tym więcej pamięci model musi trzymać w tzw. cache KV (Key-Value), żeby w ogóle pamiętać, o czym była mowa dwa akapity wcześniej. To jest właśnie ten cichy koszt, który zjada budżety firm testujących długie sesje z AI.

DeepSeek postanowił zaatakować dokładnie ten problem. Firma pokazała DeepSeek-V4.1-Flash - model z rodziny Mixture-of-Experts liczący 552 miliardy parametrów, multimodalny, z oknem kontekstu sięgającym miliona tokenów. Dostępny jest przez API pod nazwą deepseek-flash. Prawdziwa historia nie kryje się jednak w liczbie parametrów - liczy się architektura, która ma sprawić, że obsługa takich gigantycznych sesji będzie tańsza niż dotychczas.

Rachunek za pamięć modelu, czyli dlaczego długi kontekst boli portfel

Klasyczne modele językowe, gdy przetwarzają długi tekst, muszą trzymać w pamięci reprezentację każdego wcześniejszego tokenu - to właśnie ten ty cache KV. Przy oknie kontekstu rzędu miliona tokenów ta pamięć rośnie do rozmiarów, które wymagają drogiego sprzętu i podnoszą koszt każdego zapytania. Dla firm budujących agentów AI działających w długich sesjach - obsługa klienta, analiza dokumentów, automatyzacja procesów - to realna bariera kosztowa, nie teoretyczny problem inżynierski.

DeepSeek pisze wprost, że framing tego wydania to architektura i tania obsługa długiego kontekstu, a nie polityka czy wyścig zbrojeń w liczbie parametrów. To dość rzadkie podejście na rynku, gdzie zwykle liczy się głównie to, kto ma większy model.

Encoder-decoder zamiast symetrycznego MoE

Zamiast typowej, symetrycznej architektury Mixture-of-Experts, V4.1-Flash korzysta z układu nazwanego Causal Encoder-Decoder. To 40-warstwowy Transformer podzielony na 20 warstw przyczynowego enkodera i 20 warstw dekodera. Różnica praktyczna: przy przetwarzaniu wejścia (prefill) model aktywuje około 8 miliardów parametrów na token, a dopiero przy generowaniu odpowiedzi (decode) - około 16 miliardów.

Dla zadań, w których agent AI głównie czyta - analizuje długie dokumenty, przegląda logi, przetwarza kontekst - to oznacza mniejszy koszt obliczeniowy niż w symetrycznych modelach MoE podobnej wielkości. Krótko mówiąc: model płaci mniej za samo "patrzenie" na dane, a więcej dopiero, gdy faktycznie musi coś odpowiedzieć.

Kompresja KV: liczby, które robią różnicę

Tu dochodzimy do sedna. DeepSeek wprowadził mechanizm o nazwie Compressed Sparse Attention 2 (CSA2), który przypisuje warstwom modelu jeden z trzech trybów: Full, Reindex albo Reuse. W połączeniu z cache KV w formacie FP4 pozwala to zredukować globalny footprint pamięci do około 890 bajtów na token - to około jedna czwarta tego, co zajmował poprzedni DeepSeek-V4-Flash.

Do tego dochodzi mechanizm SWA Bounded Replay, który ogranicza trwałe zapotrzebowanie na pamięć SSD dla cache KV do około jednej ósmej. W praktyce oznacza to, że długie sesje - te milionotokenowe - nie muszą już wymagać kosztownej infrastruktury dyskowej w takiej skali jak dotychczas.

Trening na 45 bilionach tokenów i pierwsze wyniki

Model przeszedł trening na około 45 bilionach tokenów multimodalnych. Sparse attention testowano najpierw przy sekwencjach 64K, a dopiero później w procesie pretreningu rozszerzono kontekst do pełnego miliona tokenów. Po treningu podstawowym doszły standardowe etapy: nadzorowane dostrajanie (SFT), uczenie ze wzmocnieniem (RL) oraz on-policy distillation, wsparte automatyczną syntezą zadań agentowych na dużą skalę.

Przy maksymalnym poziomie "reasoning effort" DeepSeek podaje trzy wyniki testów agentowych: Terminal-Bench 2.1 na poziomie 90,6, DeepSWE v1.1 na poziomie 74,2 oraz AutomationBench na poziomie 54,8. Model ma też natywną obsługę obrazu dzięki własnemu enkoderowi wizji DeepSeek-ViT, budowanemu od zera, a nie doklejonemu do istniejącego modelu tekstowego.

Otwarte wagi na Hugging Face i koniec ery V4 Pro

DeepSeek publikuje wagi modelu oraz gotowe przepisy do inferencji na Hugging Face, na licencji MIT - czyli w praktyce bez ograniczeń w komercyjnym wykorzystaniu. Firma zapowiada też wsparcie dla open-source'owych adapterów inferencji przy większych wdrożeniach, co ma znaczenie dla firm, które chcą hostować model u siebie, a nie tylko przez API.

• Starsze aliasy V4 Flash tymczasowo przekierowują ruch do V4.1-Flash.
• DeepSeek planuje wygasić routing V4 Pro na rzecz nowego SKU Flash.
• Model dostępny jest w API pod nazwą deepseek-flash.

Jeśli korzystasz już z poprzedniej wersji przez API, sprawdź, jak zmienia się cennik i routing po przejściu na V4.1-Flash - to temat, który dla firm liczących koszty API jest równie ważny jak sama architektura.

Dla polskich firm i zespołów developerskich testujących modele agentowe ta zmiana ma konkretne znaczenie: otwarta licencja MIT i tańsza obsługa długiego kontekstu obniżają barierę wejścia do budowania własnych rozwiązań na bazie DeepSeek, bez konieczności płacenia za drogie zamknięte API. To nie jest przełom porównywalny z premierami dużych modeli od Google czy OpenAI, ale konkretny krok w stronę tego, żeby agent AI czytający miliony tokenów przestał być luksusem zarezerwowanym dla największych budżetów.

Najczęstsze pytania

Czym DeepSeek-V4.1-Flash różni się od poprzedniej generacji?

Kluczowa różnica to architektura Causal Encoder-Decoder zamiast symetrycznego Mixture-of-Experts oraz nowa kompresja pamięci KV (CSA2 z FP4), która zmniejsza zużycie pamięci do około 890 bajtów na token - czyli około jedną czwartą tego, co zajmował poprzedni DeepSeek-V4-Flash. Do tego dochodzi okno kontekstu rozszerzone do miliona tokenów.

Czy DeepSeek-V4.1-Flash jest darmowy i open source?

Wagi modelu i przepisy do inferencji są publikowane na Hugging Face na licencji MIT, co pozwala na komercyjne wykorzystanie bez dodatkowych opłat licencyjnych. Dostęp przez API pod nazwą deepseek-flash to osobna, płatna opcja dla tych, którzy nie chcą hostować modelu samodzielnie.

Co oznacza kompresja KV dla zwykłego użytkownika biznesowego?

W praktyce mniejsze zużycie pamięci przekłada się na niższy koszt obsługi długich sesji z AI - na przykład analizy obszernych dokumentów czy pracy agenta na dużej historii rozmów. To realna oszczędność dla firm, które regularnie korzystają z modeli AI przy dużych ilościach danych wejściowych.

Czy V4.1-Flash zastępuje starsze wersje DeepSeek?

Tak, starsze aliasy V4 Flash tymczasowo przekierowują ruch do V4.1-Flash, a DeepSeek planuje docelowo wygasić routing modelu V4 Pro na rzecz nowego SKU Flash. Oznacza to, że osoby korzystające dotychczas ze starszych nazw modeli w API automatycznie trafią na nową wersję.