DeepSeek V4.1 Flash: Qué Cambió y Cómo Migrar

1. La ficha técnica, y un número que no cierra

El changelog de DeepSeek fecha el lanzamiento el 2026-09-10 y le indica a quienes usan la API que seteen el modelo a deepseek-flash. La model card lo describe como un modelo Mixture-of-Experts multimodal con 552B de parámetros de backbone y soporte para contextos de hasta un millón de tokens, bajo licencia MIT.

“Parámetros activos” pide cuidado acá. La card dice que el modelo activa 8B parámetros por token en prefill y 16B en decode, porque usa un diseño encoder–decoder causal (una pila de 40 capas dividida en un encoder de 20 capas y un decoder de 20). No es la cifra única de “13B activados” que daba la card de V4 Flash.

2. Qué cambió frente a V4 Flash

La generación anterior es DeepSeek V4, lanzada el 24 de abril de 2026 con V4-Pro y V4-Flash. V4 Flash era un MoE de 284B totales y 13B activados cuya card lista generación de texto; el 21 de agosto llegó un build de visión experimental (deepseek-v4-flash-vision-exp). El anuncio de DeepSeek presenta a V4.1 Flash como el modelo más chico de una nueva familia de arquitectura, con comprensión visual nativa.

La card lista un diseño encoder–decoder nuevo, una variante de atención dispersa comprimida, KV cache en FP4, un módulo de memoria Engram y decodificación especulativa DSpark. Los efectos prácticos caen en tres grupos, y la tabla de benchmarks de abajo muestra dónde están las ganancias en código agéntico.

Las tres cosas que vas a notar

3. Notas de migración de la API

La entrada del 10 de septiembre en el changelog de DeepSeek es la fuente de verdad: seteá el modelo a deepseek-flash. Los nombres viejos deepseek-v4-flash y deepseek-v4-flash-vision-exp están “temporalmente ruteados” a V4.1 Flash, y la página de precios dice que esos modelos están retirados y sus requests los atiende V4.1-Flash. No hay fecha de baja, así que tomá los alias como un puente, no como un contrato.

Dos consecuencias. Cualquier eval que tuvieras atada al comportamiento de V4 Flash ahora mide otro modelo, y tu factura se mueve sin tocar código. Re-corré tus evals y compará tokens por tarea antes de confiar en los números del mes pasado.

4. Quickstart: dos snippets de la documentación de DeepSeek

La API es compatible con OpenAI, así que conservás tu SDK y solo cambiás la base URL y el nombre del modelo. Estos son los ejemplos propios de DeepSeek (quick start y guía de visión), apenas recortados. Creá una key en platform.deepseek.com/api_keys y exportala como DEEPSEEK_API_KEY.

# pip3 install openai
import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ.get("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com",
)

response = client.chat.completions.create(
    model="deepseek-flash",  # antes: deepseek-v4-flash
    messages=[
        {"role": "system", "content": "You are a helpful assistant"},
        {"role": "user", "content": "Hello"},
    ],
    stream=False,
    reasoning_effort="high",
    extra_body={"thinking": {"type": "enabled"}},
)
print(response.choices[0].message.content)

import base64
from openai import OpenAI

client = OpenAI(api_key="<DeepSeek API Key>", base_url="https://api.deepseek.com")

with open("image.jpg", "rb") as f:
    b64 = base64.b64encode(f.read()).decode("utf-8")

response = client.chat.completions.create(
    model="deepseek-flash",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "What is in this image?"},
                {
                    "type": "image_url",
                    "image_url": {"url": f"data:image/jpeg;base64,{b64}"},
                },
            ],
        }
    ],
)
print(response.choices[0].message.content)

5. Chequeo de realidad del self-hosting

Los pesos MIT son reales y el repo es grande: 48 shards safetensors que suman unos 510 GB (475 GiB) en el árbol de archivos, con expertos en FP4 y la mayoría del resto en FP8 según la config. La model card no lista ningún requisito de hardware, por eso la página de recipe de vLLM es el documento que hay que leer.

Ese recipe fija un mínimo de 614 GB de VRAM (incluye un factor de margen de 1.2) y nombra una bandeja GB200 NVL4, un nodo de 8 GPUs H200, un servidor MI355X y una DGX Station GB300 como configuraciones que entran. Dicho de otro modo, hardware de datacenter. Hugging Face además lista proveedores de inferencia de terceros para los pesos, si querés el modelo sin los términos de la API hosteada.

6. Límites honestos

Planificá alrededor de esto antes de mover tráfico de producción.

Veredicto

V4.1 Flash es un sí fácil para una prueba: misma API en formato OpenAI, un cambio de nombre de modelo, un precio listado más bajo que V4 Flash y entrada de imágenes en el modelo principal. Las ganancias autorreportadas en código agéntico alcanzan para justificar un eval con tus propias tareas esta semana.

No es un sí automático para producción. Los benchmarks son del proveedor, la historia de Pro no está resuelta y los términos de datos de la API hosteada merecen una lectura de verdad. Mové primero un workload no sensible, medí tokens y tasa de aciertos, y recién ahí decidí.