دیپ‌سیک از V4.1 Flash رونمایی کرد؛ کوچیک‌ترین مدل یه معماری کاملاً جدید

دیپ‌سیک امروز (۱۰ سپتامبر) به‌طور رسمی DeepSeek-V4.1-Flash رو منتشر کرد، بعد از چند روز تست بتای محدود که توی انجمن‌های توسعه‌دهنده حسابی سروصدا کرده بود. این مدل کوچیک‌ترین عضو یه خانواده‌ی معماری کاملاً جدیده که به گفته‌ی خود دیپ‌سیک برای سقف توانایی بالاتر، inference سریع‌تر، throughput بیشتر، و مقیاس‌پذیری به سمت مدل‌های بزرگ‌تر طراحی شده — و برای اولین بار توی خانواده‌ی Flash، درک بصری native هم داره.

معماری فشرده‌تر و context یک‌میلیونی

از نظر مشخصات فنی، V4.1-Flash یه مدل Mixture-of-Experts با ۵۵۲ میلیارد پارامتر backbone به‌علاوه‌ی ۱۹۶ میلیارد پارامتر اضافه‌ی «Engram»، و context window یک‌میلیون توکنیه. حین پردازش prompt فقط ۸ میلیارد پارامتر و حین تولید متن ۱۶ میلیارد پارامتر فعال میشن. عددی که دیپ‌سیک بیشتر از همه روش مانور داده، حجم KV cache هست: هر توکن فقط ۸۹۰ بایت فضا می‌گیره، یعنی تقریباً یک‌چهارم مدل قبلی (V4-Flash) و حدود ۴۳۷ برابر کوچیک‌تر از اولین نسل دیپ‌سیک. چون بخش زیادی از هزینه‌ی agent ها مربوط به cache-hit هست، این فشرده‌سازی مستقیم روی هزینه‌ی نهایی کاربر اثر می‌ذاره.

مکانیزم CSA2 پشت این فشرده‌سازی

این کاهش حجم حاصل یه مکانیزم attention جدید به اسم CSA2 هست: هر لایه یکی از سه حالت Full (محاسبه‌ی کامل KV)، Reindex (استفاده‌ی مجدد از KV اصلی ولی امتیازدهی تازه) یا Reuse (استفاده‌ی کامل از KV و ایندکس‌های قبلی، بدون محاسبه‌ی جدید) رو داره، به‌جای اینکه همه‌ی لایه‌ها یکسان محاسبه‌ی سنگین انجام بدن. طبق ادعای دیپ‌سیک، نتیجه‌ی نهایی این معماری اینه که V4.1-Flash روی benchmark ها از مدل قوی‌تر و گرون‌تر خودشون یعنی V4-Pro هم از نظر عملکرد، هم هزینه، هم سرعت جلو زده.

بازنشستگی V4-Pro و قیمت‌گذاری

همین برتری باعث شده دیپ‌سیک تصمیم بگیره V4-Pro رو به‌مرور بازنشسته کنه: از ساعت چهار صبح به‌وقت UTC روز ۱۴ سپتامبر، همه‌ی request هایی که به deepseek-v4-pro فرستاده بشن، خودکار به V4.1-Flash روت میشن و با تعرفه‌ی همون مدل حساب میشن — این وضعیت ادامه پیدا می‌کنه تا وقتی V4.1-Pro (نسل بعدی) منتشر بشه. برای استفاده از این مدل کافیه اسم مدل رو توی API روی deepseek-flash بذاری؛ اسم‌های قدیمی deepseek-v4-flash و نسخه‌ی vision-exp هم موقتاً به همین مدل جدید route میشن.

قیمت‌گذاری هم برای کاربرهای چینی این‌طوریه: توی ساعات کم‌ترافیک، هر میلیون توکن ورودی با cache-hit فقط ۰.۰۲ یوان، ورودی بدون cache یک یوان، و خروجی چهار یوانه؛ توی ساعات پرترافیک این قیمت‌ها دو برابر میشه. وزن‌های این مدل هم تحت لایسنس MIT به‌صورت open-weight منتشر شدن و از طریق vLLM، SGLang و Transformers روی Hugging Face در دسترس هستن، به‌همراه یه API با سه سطح تلاش reasoning (low، high، max).

جمع‌بندی

نکته‌ای که ارزش یادآوری داره اینه که این یه پیام آشنا از دیپ‌سیکه: مدل‌های Flash این شرکت همیشه هدفشون ارزون و سریع بودن بوده، نه لزوماً باهوش‌ترین گزینه‌ی بازار؛ همون‌طور که یکی از کاربرهای Hacker News هم توی بحث پیرامون این مدل گفته بود، برای خیلی از کاربردهای واقعی محصول، یه مدل کمی ضعیف‌تر ولی دو برابر سریع‌تر، انتخاب بهتریه. اگه دنبال یه گزینه‌ی ارزون برای کارهای agentic طولانی با context بزرگ هستی، این مدل همین الان از طریق API قابل تسته.