V4 generation के मुश्किल से एक महीने बाद DeepSeek ने話題 बदल दिया। 10 सितंबर 2026 को लैब ने DeepSeek-V4.1-Flash पेश किया – बिल्कुल नए architecture परिवार का सबसे छोटा मॉडल, native vision, 1M-token context window और MIT license के तहत open weights के साथ। दावा जानबूझकर चौंकाने वाला है: सस्ता "Flash" मॉडल अब agentic benchmarks में flagship V4 Pro से आगे है, और कीमत लगभग एक-चौथाई है।

मैंने launch post, pricing page और technical report की evaluation tables पढ़ीं ताकि आपको न पढ़नी पड़ें – और दो चीज़ें जोड़ीं जो launch post कभी नहीं देते: पूरा price math (peak vs off-peak, cache hits, migration dates) और आज के frontier मॉडलों – GPT-6 Astra, Claude Fable 5.1 और GLM 5.3 – से ईमानदार benchmark तुलना।

स्रोत नोट: नीचे specs, कीमतें और scores DeepSeek की आधिकारिक घोषणा, आधिकारिक API pricing page और model card की evaluation tables (सभी maximum reasoning effort पर) से हैं। ये vendor-reported numbers हैं, स्वतंत्र VelsTech benchmarks नहीं – और जहाँ इससे फर्क पड़ता है, वहाँ मैंने साफ लिखा है।

संक्षेप में

V4.1 Flash असल में क्या है

V4.1-Flash, DeepSeek के V4.1 परिवार का पहला और सबसे छोटा सदस्य है – एक multimodal Mixture-of-Experts मॉडल जो images और text पढ़ता है और text लिखता है। इसे 45T tokens पर scratch से train किया गया, thinking और non-thinking दोनों modes हैं, साथ में एक dial (reasoning_effort 1–100) जो cost और accuracy के बीच trade-off करता है, और यह MIT license के तहत open-source है – weights Hugging Face पर हैं।

SpecDeepSeek-V4.1-FlashV4-Flash (पिछली पीढ़ी)V4-Pro
कुल पैरामीटर552B284B1.6T
Active प्रति token8B prefill / 16B decode13B49B
ArchitectureCausal Encoder-Decoder, 40 layers (20+20)MoE + hybrid attentionMoE
Experts384 routed + 1 shared, 6 active
Context / max output1M / 384K1M / 384K1M / 384K
VisionNative (DeepSeek-ViT)अलग exp. variantसमर्थित नहीं
KV cache प्रति token~890 bytes (FP4)~4x बड़ा
LicenseMIT (open weights)MITMIT weights / hosted API

दो engineering ideas सबसे ज़्यादा काम करते हैं। Compressed Sparse Attention v2 key-value data को layers में दोबारा compute करने के बजाय share करता है, और SWA Bounded Replay short-window attention को store करने के बजाय मौके पर reconstruct करता है – नतीजा: persistent cache V4-Flash का HBM में लगभग 1/4 और SSD पर 1/8, और मूल V1 का ~1/437वां हिस्सा। Agent workloads के लिए जो दिन भर बड़े contexts दोबारा पढ़ते हैं, पैसा यहीं बचता है।

Price details: पूरा गणित

DeepSeek ने peak/off-peak pricing रखी और efficiency की बचत सीधे rate card में दे दी। नई कीमतें 10 सितंबर 2026 से लागू। Peak hours 01:00–04:00 और 06:00–10:00 UTC, सोमवार–शुक्रवार हैं – बाकी सब off-peak है, ठीक आधी कीमत पर।

प्रति 1M tokensV4.1 Flash peakV4.1 Flash off-peakV4 Pro peak
Input, cache miss$0.30$0.15$1.32
Input, cache hit$0.006$0.003$0.044
Output$1.20$0.60$3.96

तीन बातें ध्यान देने लायक हैं। पहला, cache-hit discount 50x है: दोहराए जाने वाले system prompts, repo context और tool definitions की कीमत $0.30 की जगह $0.006/MTok। Context reuse करने वाले agents – यानी लगभग सभी – sticker price से कहीं सस्ते पड़ते हैं। दूसरा, V4.1-Flash peak पर V4 Pro से input में ~4.4x और output में ~3.3x सस्ता है, और off-peak में अंतर दोगुना। तीसरा, migration automatic है: model को deepseek-flash पर set करें; पुराने deepseek-v4-flash और deepseek-v4-flash-vision-exp नाम अब Flash rates पर V4.1-Flash पर route होते हैं।

Launch post में एक सुधार: उसमें कहा गया था कि 14 सितंबर को 04:00 UTC से सारा deepseek-v4-pro traffic Flash पर चला जाएगा। Pricing page अब कहता है कि V4 Pro उस तारीख के बाद भी unchanged billing के साथ उपलब्ध रहेगा – तो "Pro बंद हो रहा है" वाली लाइन को superseded मानें। Concurrency limits Flash के लिए 2500 vs Pro के लिए 500 हैं – Flash को default बनाने की एक और खामोश वजह।

Frontier से benchmarks: Flash कहाँ जीतता है, कहाँ नहीं

नीचे दी table DeepSeek की अपनी तुलना है (maximum reasoning effort, temperature 1.0 / top_p 0.95, code agents के लिए DeepSeek Harness minimal mode)। Rival columns: Opus-5.0, GPT-5.6 Sol, K3, GLM-5.3, V4-Pro और V4-Flash। इसे "DeepSeek का best foot forward" मानकर पढ़ें – harness और effort settings home team के पक्ष में हैं, स्वतंत्र reruns बाद में आएंगे।

BenchmarkV4.1 FlashTable में best rivalनतीजा
Terminal-Bench 2.1 (agentic terminal)90.6%89.1% (Opus-5.0)Flash आगे
DeepSWE v1.1 (software engineering)74.2%74.0% (Opus-5.0)Flash आगे
CyberGym88.1%84.5% (Sol / GLM-5.3)Flash आगे
HLE with tools63.9%63.6% (Opus-5.0)Flash आगे
AutomationBench (office workflows)54.8%50.3% (Opus-5.0)Flash साफ आगे
Agent's Last Exam31.8%28.6% (Opus-5.0)Flash आगे
Codeforces rating34713348 (V4-Pro)Flash आगे
MathArena Apex65.6% (K3 के साथ tie)65.6% (K3)संयुक्त best
GPQA Diamond (reasoning)90.9%94.1% (GPT-5.6 Sol)Flagships से पीछे
HLE, बिना tools36.8%56.3% (Opus-5.0)पीछे – बड़ा अंतर
Terminal-Bench 4.031.2%51.8% (Opus-5.0)नए harness में पीछे
SEC-Bench Pro62.8%74.3% (GPT-5.6 Sol)पीछे
ExploitGym15.3%33.7% (GPT-5.6 Sol)पीछे
ProgramBench / NL2Repo20.3% / 64.0%37.0% / 75.3% (Opus-5.0)पीछे

Pattern एक जैसा है: V4.1-Flash "लंबे multi-step काम" वाले benches में दबदबा रखता है – terminal agents, repo-scale coding, automation, tool-using exams – जबकि closed-book reasoning (बिना tools HLE) और बिल्कुल नए harnesses (Terminal-Bench 4.0, SEC-Bench) में बड़े closed मॉडलों से पीछे है। अपने परिवार के खिलाफ कहानी एकदम साफ है: लगभग हर agentic row में V4-Pro से आगे, और base-model coding में भी (HumanEval 79.4%, BigCodeBench 60.6%)।

इस site के नए flagships से इसका क्या रिश्ता है? GPT-6 Astra (ARC-AGI-3 99.9%, OSWorld 2.0 72.6%, Terminal-Bench 4.0 57.9%) और Claude Fable 5.1 (Terminal-Bench 4.0 55.8%, HLE with tools 65.0%) अपने सबसे मज़बूत harnesses में अब भी आगे हैं – लेकिन वे numbers अलग labs, अलग harnesses और अलग तारीखों के हैं, इसलिए cross-vendor तुलना को directional मानें, controlled race नहीं। Fair सारांश: Flash पहला open-weights मॉडल है जो सिर्फ chat में नहीं, agent काम में flagships से genuinely competitive दिखता है।

Frontier price war: Flash बनाम सब

Benchmarks आधी मसाला हैं। यही काम प्रति मिलियन tokens में क्या costs करता है (standard/peak rates; commit करने से पहले हर vendor का page verify करें):

ModelInput / 1MOutput / 1MCache read / 1M
DeepSeek V4.1 Flash (off-peak)$0.15$0.60$0.003
DeepSeek V4.1 Flash (peak)$0.30$1.20$0.006
DeepSeek V4 Pro (peak)$1.32$3.96$0.044
GLM-5.3$1.40$4.40$0.26
Gemini 2.5 Pro (≤200K)$1.25$10.00$0.125
GPT-5.6 Sol$4.00$20.00$0.40
GPT-6 Astra$10.00$50.00$1.00
Claude Fable 5.1$10.00$50.00$0.25

एक realistic agent workload पर numbers लगाएं – मान लें 80% cache hits के साथ 200K input tokens और 50K output tokens वाले दस requests, peak rates पर (सब 1M context के अंदर)। V4.1 Flash पर यह कुल लगभग (0.4M × $0.30) + (1.6M × $0.006) + (0.5M × $1.20) ≈ $0.73 हुआ। $1.00 cache reads वाले $10/$50 flagship पर वही workload लगभग $4.00 + $1.60 + $25.00 ≈ $30.60 – करीब 42x ज़्यादा। Off-peak में Flash का bill फिर आधा – लगभग $0.36। अपने token mix के साथ हमारे AI API cost calculator में खुद हिसाब लगाएं; इन कीमतों पर self-hosting से break-even काफी बदल जाता है।

Local AI चलाने वालों के लिए इसका मतलब

पहले ईमानदार जवाब: 552B घर पर नहीं चलेगा। Safetensors release अपने sparsely-accessed memory सहित ~763B पैरामीटर है, और third-party estimates के मुताबिक full-precision serving में short context पर ही ~1,160 GB VRAM चाहिए – लगभग अठारह 80 GB datacenter cards। DeepSeek खुद large scale के लिए 2,000-GPU-plus-storage deployments की बात करता है। मेरा 12 GB RX 6800M इसे download नहीं करेगा; घर पर असल में क्या fit होता है, इसके लिए LLMs को कितनी VRAM चाहिए और local-LLM GPU guide देखें।

आप क्या use कर सकते हैं: weights MIT-licensed हैं, तो जल्द FP8 originals के साथ community GGUF quants, Ollama cloud entries (deepseek-v4.1-flash:cloud पहले से मौजूद) और vLLM/SGLang support आने की उम्मीद करें। OpenCode और WorkBuddy (CodeBuddy सहित) पहले से V4.1-Flash support list करते हैं – इस site के पाठकों के लिए खास, क्योंकि OpenCode-style harnesses ही वह जगह हैं जहाँ Flash की benchmark ताकत (DeepSWE, Terminal-Bench, AutomationBench) दिखती है। Local-AI वालों के लिए practical कदम: private/sensitive काम अपने local 7B–35B मॉडलों पर रखें, और heavy agentic jobs $10 वाले API के बजाय $0.15/MTok वाले API पर भेजें।

Try कैसे करें

सब कुछ shift करने से पहले caveats

Bottom line

V4.1-Flash वह दुर्लभ release है जो दो opposite वजहों से एक साथ interesting है। Architecturally, encoder-decoder + sparse-attention + replay tricks 552B मॉडल को 8B की पतली गली से निकालते हैं – और KV-cache बचत (1/4 HBM, 1/8 SSD) genuinely नई है। Economically, यह हर flagship को 30–60x undercut करता है, और agent builders के काम के benches में अपने Pro sibling को हराता है। अगर आपका workload बड़े reused contexts के साथ लंबे tool-using sessions है, तो यही अभी default to beat है – open weights सहित। अगर closed-book Olympiad reasoning newest harness पर है, तो flagship subscription बनाए रखें।

Sources