DeepSeek revient avec DeepSeek V4.1-Flash, un nouveau modèle multimodal pensé pour les agents IA, le développement logiciel et les contextes très longs. Malgré son suffixe « Flash », il ne s’agit pas d’un petit modèle au sens classique : son architecture totalise 552 milliards de paramètres, mais n’en active qu’une fraction à chaque étape afin de réduire fortement le coût d’inférence.
Le laboratoire chinois va même plus loin en annonçant que DeepSeek V4.1-Flash dépasse son propre V4-Pro sur plusieurs tâches agentiques et de programmation. À partir du 14 septembre, les requêtes adressées à V4-Pro seront d’ailleurs automatiquement redirigées vers V4.1-Flash, en attendant l’arrivée d’un futur V4.1-Pro dont la date de lancement reste inconnue.
552 milliards de paramètres, mais seulement une fraction réellement active
La particularité de DeepSeek V4.1-Flash repose sur une nouvelle architecture baptisée Causal Encoder-Decoder, ou CED. Le modèle compte 552 milliards de paramètres au total, mais adopte une activation asymétrique : environ 8 milliards de paramètres sont mobilisés par token lors de la lecture de l’entrée, contre 16 milliards lors de la génération de la réponse. DeepSeek cherche ainsi à limiter le coût des phases de « prefill », particulièrement importantes pour les agents qui passent une grande partie de leur temps à absorber de nouveaux documents, résultats d’outils ou historiques de conversation.
Cette conception s’inscrit dans une logique différente de celle consistant simplement à réduire la taille globale du modèle. V4.1-Flash conserve une architecture massive de type Mixture-of-Experts, tout en essayant de réduire ce qui doit réellement être calculé à chaque instant.
DeepSeek présente d’ailleurs V4.1-Flash comme le plus petit représentant d’une nouvelle famille d’architecture, ce qui laisse entendre que des déclinaisons plus importantes sont déjà prévues.
Un contexte d’un million de tokens et une mémoire beaucoup plus compacte
V4.1-Flash prend en charge un contexte pouvant atteindre un million de tokens et traite nativement le texte comme les images. DeepSeek indique également l’avoir préentraîné sur un corpus multimodal de 45 000 milliards de tokens. Mais, l’un des progrès les plus importants concerne moins la taille du contexte que la quantité de mémoire nécessaire pour l’exploiter.
Les grands modèles conservent une représentation intermédiaire des tokens déjà traités dans ce que l’on appelle le KV cache. Cette mémoire évite de recalculer l’intégralité du contexte à chaque nouveau token, mais elle devient rapidement extrêmement coûteuse lorsque les conversations ou les sessions agentiques s’allongent.
DeepSeek affirme que V4.1-Flash réduit son cache persistant à environ 890 octets par token. Selon le laboratoire, cela représente une réduction proche d’un facteur quatre par rapport à V4-Flash et d’environ 437 fois par rapport à sa première génération de modèles de 2023. Cette optimisation est loin d’être secondaire. Dans les agents capables de travailler pendant des dizaines de minutes, d’utiliser plusieurs outils et d’accumuler un historique très long, la mémoire peut devenir aussi déterminante que le nombre de FLOPS nécessaires à l’inférence.
DeepSeek revendique des résultats impressionnants en code
Le constructeur met évidemment en avant les performances. Sur DeepSWE v1.1, un benchmark orienté ingénierie logicielle, DeepSeek annonce un score de 74,2 pour V4.1-Flash, légèrement supérieur aux 74,0 attribués à Claude Opus 5 et aux 73,0 de GPT-5.6 Sol dans son tableau comparatif. Sur CyberGym, consacré aux tâches de cybersécurité, DeepSeek revendique un score de 88,1, supérieur à tous les modèles concurrents référencés dans cette comparaison.
Ces résultats doivent néanmoins être interprétés avec prudence. Ils proviennent des évaluations publiées par DeepSeek lui-même, avec son propre environnement et ses propres paramètres de test. Même lorsque les benchmarks sont publics, les différences de harness, de budgets d’inférence ou de réglages de raisonnement peuvent modifier sensiblement les résultats.
Toutefois, DeepSeek documente davantage ses méthodes qu’auparavant, notamment en fournissant des instructions permettant de reproduire certaines évaluations comme DeepSWE.
Les meilleurs modèles fermés gardent un avantage sur certains raisonnements
DeepSeek V4.1-Flash ne domine pas partout, et les propres chiffres de DeepSeek le montrent. Sur Humanity’s Last Exam, le modèle atteint 36,8, alors que Claude Opus 5 est crédité de 56,3. Sur ProgramBench, V4.1-Flash affiche 20,3 contre 37,0 pour le modèle d’Anthropic. Il reste également derrière les meilleurs concurrents sur Terminal-Bench 3.0.
Le profil qui se dessine est donc assez clair. DeepSeek V4.1-Flash semble particulièrement optimisé pour les tâches agentiques, le développement logiciel et les scénarios où l’efficacité d’inférence compte autant que la capacité brute. Il ne cherche pas nécessairement à devenir le meilleur modèle généraliste dans toutes les catégories.
Son traitement de l’image reste lui aussi perfectible. DeepSeek reconnaît que le modèle est encore en retrait face aux meilleurs systèmes propriétaires lorsqu’il doit interpréter des contenus visuels complexes. Cependant, cette spécialisation peut être un choix rationnel. Pour de nombreux usages professionnels, un modèle légèrement moins performant sur certaines évaluations académiques mais beaucoup moins coûteux à faire fonctionner peut être plus intéressant qu’un modèle généraliste plus puissant.
Une architecture pensée pour les agents qui utilisent beaucoup d’outils
L’activation différenciée entre lecture et génération illustre particulièrement bien la cible de DeepSeek. Un chatbot traditionnel reçoit une question relativement courte, réfléchit, puis génère une réponse. Un agent logiciel travaille autrement : il lit un dépôt de code, interroge un terminal, récupère le résultat d’une commande, ouvre de nouveaux fichiers, consulte une documentation et répète ce cycle de nombreuses fois.
Dans ce scénario, la quantité de texte injectée dans le modèle peut devenir très supérieure à la quantité de texte générée. En réduisant le coût de la lecture à 8 milliards de paramètres actifs par token, DeepSeek tente donc d’optimiser précisément la partie la plus sollicitée dans ce type de workflow.
La compression du KV cache poursuit la même logique. Plus un agent travaille longtemps, plus il doit conserver de contexte. Réduire fortement cette empreinte mémoire permet potentiellement de maintenir davantage de sessions simultanées sur le même matériel ou de faire fonctionner de très longs contextes avec moins de mémoire HBM.
C’est peut-être là que se situe la véritable innovation de V4.1-Flash : moins dans un nouveau record de benchmark que dans une architecture conçue dès le départ autour de l’économie des agents autonomes.
DeepSeek baisse de nouveau ses prix
Cette efficacité se traduit également dans la tarification. DeepSeek annonce jusqu’à 0,60 dollar par million de tokens générés en heures creuses, tandis que l’entrée mise en cache descend à 0,003 dollar par million de tokens. Les tarifs sont doublés pendant certaines périodes de forte demande en semaine. Cette baisse intervient seulement quelques semaines après un mouvement inverse. En août, DeepSeek avait fortement augmenté certains prix lors du lancement de ses nouveaux outils destinés au développement.
Avec DeepSeek V4.1-Flash, l’entreprise explique désormais vouloir répercuter directement ses gains d’efficacité sur ses clients. Cependant, le geste le plus significatif concerne V4-Pro. À partir du 14 septembre, les appels destinés à l’ancien modèle haut de gamme seront automatiquement servis par V4.1-Flash et facturés aux tarifs inférieurs du nouveau modèle.
Ce remplacement est inhabituel. DeepSeek ne présente pas Flash comme une variante économique située sous son flagship, mais comme un modèle suffisamment performant pour le remplacer temporairement.
Le modèle est publié sous licence MIT
DeepSeek poursuit également sa stratégie d’ouverture. Les poids de V4.1-Flash sont disponibles sur Hugging Face sous licence MIT, ce qui autorise les développeurs et les entreprises à télécharger, modifier et exécuter le modèle dans leurs propres infrastructures. Cette disponibilité lui donne un avantage particulier auprès des organisations qui ne souhaitent pas dépendre exclusivement d’une API cloud.
DeepSeek appelle également la communauté open source à travailler sur les moteurs d’inférence compatibles et invite directement les opérateurs prévoyant des déploiements très importants, jusqu’à plusieurs milliers de GPU, à collaborer avec ses équipes. Des outils de développement comme WorkBuddy et OpenCode ont déjà annoncé leur prise en charge du modèle.
Cette approche continue d’exercer une pression sur les acteurs américains, dont les modèles les plus performants restent généralement fermés et accessibles uniquement via des services hébergés.
Une sortie stratégique alors que DeepSeek prépare son entrée en Bourse
Le lancement intervient enfin dans un contexte financier important pour DeepSeek. Le laboratoire basé à Hangzhou prépare une introduction sur le STAR Market de Shanghai, la place boursière chinoise dédiée aux entreprises technologiques. Reuters rapporte que l’entreprise a engagé CITIC Securities pour accompagner ce processus.
Dans ce contexte, DeepSeek V4.1-Flash sert autant de démonstration technologique que de message économique. DeepSeek veut montrer qu’il peut améliorer les performances de ses modèles tout en réduisant simultanément leur coût de fonctionnement. Cette combinaison est particulièrement importante dans une industrie où les besoins en GPU, en mémoire et en infrastructures continuent d’absorber des sommes considérables.
La réaction du marché chinois souligne d’ailleurs cette pression concurrentielle, plusieurs acteurs locaux de l’IA ayant reculé en Bourse après l’annonce. Reste maintenant à vérifier si les performances revendiquées résistent aux évaluations indépendantes et si le futur V4.1-Pro prolongera réellement cette nouvelle architecture à une échelle supérieure.
Avec V4.1-Flash, DeepSeek ne cherche plus seulement à démontrer qu’un modèle chinois peut rivaliser sur les benchmarks. Le laboratoire attaque désormais un problème plus stratégique : rendre les agents suffisamment efficaces en calcul et en mémoire pour qu’ils puissent fonctionner longtemps, à grande échelle et à un coût difficile à suivre pour leurs concurrents.
