DeepSeek V4.1-Flash llega a Baseten con contexto de 1M tokens

⏱ Tiempo de lectura: 4 min

Baseten integró DeepSeek-V4.1-Flash a su plataforma de APIs el 11 de septiembre de 2026, poniendo a disposición un modelo multimodal de mezcla de expertos con 552 mil millones de parámetros. El modelo procesa 8 mil millones de parámetros activos durante la fase de prefill y 16 mil millones en la fase de decodificación, dentro de una ventana de contexto de 1 millón de tokens. DeepSeek publicó los pesos abiertos bajo licencia MIT el 9 de septiembre en Hugging Face, consolidando su tercera versión flash de 2026.

Arquitectura única y rendimiento en benchmarks

V4.1-Flash es el único modelo de su escala que utiliza la arquitectura Causal Encoder-Decoder de DeepSeek, organizando 40 capas Transformer en un codificador causal de 20 capas seguido de un decodificador de 20 capas. Esta estructura busca optimizar la eficiencia de costos para agentes de código que generan más tokens de prefill que de decodificación. En Terminal-Bench 2.1 alcanza 90,6 puntos; en DeepSWE v1.1 obtiene 74,2; y en AutomationBench logra 54,8. En comparación, V4-Pro marca 87,9, 62,7 y 43,2 respectivamente. Baseten señala que V4.1-Flash supera a V4-Pro con aproximadamente un tercio de los parámetros totales, aunque advierte que un desempeño de 54,8 en AutomationBench sugiere fallos en cerca de la mitad de flujos complejos, recomendando mantener supervisión humana en pipelines de agentes. Entre los modelos disponibles, V4.1-Flash obtiene 90,9 en GPQA Diamond y un rating de Codeforces de 3471.

Capacidades multimodales y optimización de caché

V4.1-Flash es el primer modelo de producción de DeepSeek con entrada nativa de imágenes, alcanzando 78,9 en Chartography y 49 en ZeroBench. La arquitectura incorpora atención dispersa comprimida que asigna a cada capa de atención uno de tres modos estáticos: Full, Reindex o Reuse. Un indexador jerárquico disperso en el decodificador acota el costo de indexación independientemente de la longitud del contexto. Con almacenamiento en caché KV en FP4, el caché global se reduce a 890 bytes por token, aproximadamente una cuarta parte del de V4-Flash. El mecanismo SWA Bounded Replay reconstituye estados de atención de ventana deslizante replicando solo los tokens más recientes, reduciendo la huella persistente de KV a un octavo de V4-Flash. Baseten utiliza NVIDIA Dynamo con enrutamiento consciente de caché KV, dirigiendo cada solicitud a la réplica que ya contiene su prefijo. Más detalles en la fuente.

Disponibilidad y transición de API

DeepSeek retiró V4-Flash y V4-Flash-Vision-Exp de su plataforma el 10 de septiembre, enrutando temporalmente nombres antiguos de API a V4.1-Flash para compatibilidad. Los nuevos precios entraron en vigor a las 04:00 UTC de ese día, con tarifas fuera de pico fijadas al 50% de las de pico. A partir del 14 de septiembre a las 04:00 UTC, todas las solicitudes de deepseek-v4-pro se enrutarán a V4.1-Flash con tarifas de V4.1-Flash hasta que se lance V4.1-Pro. DeepSeek declara que pruebas de múltiples partes ubican a V4.1-Flash por delante de V4-Pro en rendimiento, costo, velocidad y tiempo total de ejecución. Los socios oficiales WorkBuddy, CodeBuddy y OpenCode brindan soporte completo al nuevo modelo.

Dato	Detalle
Modelo	DeepSeek-V4.1-Flash (552B parámetros, 8B prefill / 16B decode)
Disponibilidad	Baseten Model APIs desde 11 de septiembre de 2026
Contexto	1 millón de tokens
Entrada	Texto e imágenes
Salida	Texto
Licencia	MIT (pesos abiertos en Hugging Face)
Terminal-Bench 2.1	90,6 (vs. V4-Pro: 87,9 | vs. V4-Flash: 82,7)
DeepSWE v1.1	74,2 (vs. V4-Pro: 62,7 | vs. V4-Flash: 54,4)
AutomationBench	54,8 (vs. V4-Pro: 43,2 | vs. V4-Flash: 37,7)
GPQA Diamond	90,9
Codeforces Rating	3471
Chartography	78,9
ZeroBench	49
Caché KV	890 bytes por token (25% de V4-Flash)
Huella persistente KV	12,5% de V4-Flash (mediante SWA Bounded Replay)
Arquitectura	Causal Encoder-Decoder (20 capas + 20 capas)
Expertos mixtos	1 experto compartido + 384 enrutados (6 activos por token)
Entrenamiento	45T tokens corpus multimodal; extensión a 1M con 34T tokens
Control de razonamiento	Configuración de esfuerzo de razonamiento de 1 a 100
Precio	Nuevas tarifas desde 10 de septiembre de 2026 (fuera de pico: 50% de pico)
Socios oficiales	WorkBuddy, CodeBuddy, OpenCode
Transición V4-Pro	Desde 14 de septiembre 04:00 UTC, V4-Pro → V4.1-Flash a tarifas V4.1-Flash
Soporte Loops	Entrenamiento con Loops coming soon

Por qué este dato es relevante

La llegada de V4.1-Flash a Baseten amplía el acceso a un modelo que equilibra eficiencia de costos con rendimiento superior en tareas de código y razonamiento. Para desarrolladores y agentes de IA que requieren contexto extenso, la reducción dramática del caché KV (hasta un octavo en huella persistente) traduce directamente en menores gastos operacionales. La multimodalidad nativa elimina la necesidad de modelos separados para procesamiento de imágenes, simplificando pipelines de producción.

Preguntas frecuentes sobre V4.1-Flash

¿Qué tan grande es el modelo y cuántos parámetros usa realmente?

Tiene 552 mil millones de parámetros totales, pero solo activa 8 mil millones durante prefill y 16 mil millones durante decodificación. Esto la diferencia de V4-Flash, que usa 13 mil millones en ambas fases.

¿Cuándo está disponible en Baseten y qué reemplaza?

Disponible desde el 11 de septiembre de 2026. DeepSeek retiró V4-Flash y V4-Flash-Vision-Exp el 10 de septiembre. Desde el 14 de septiembre, los clientes de V4-Pro se enrutarán automáticamente a V4.1-Flash con las nuevas tarifas, manteniéndose así hasta el lanzamiento de V4.1-Pro.

¿Cuál es el costo y hay soporte para entrenar modelos propios?

DeepSeek anunció nuevas tarifas el 10 de septiembre de 2026, con descuentos fuera de pico del 50%. Baseten informó que el soporte para entrenar modelos usando su producto Loops llegará próximamente, sin fecha exacta.

Qué conviene mirar de cerca

Baseten enfatiza que el desempeño de 54,8 en AutomationBench implica fallos en flujos complejos, aconsejando supervisión humana para pipelines de agentes autónomos. La arquitectura Causal Encoder-Decoder es única a esta escala, lo que hace a V4.1-Flash un caso de estudio interesante para optimización de costos en inferencia a gran volumen.

En Inteligencia Artificial, la disponibilidad en Baseten señala cómo los proveedores de infraestructura integran rápidamente modelos abiertos de alto rendimiento. ¿Buscas reducir costos de contexto extendido sin sacrificar capacidad multimodal?

Fuente: www.unite.ai