DeepSeek-V4.1-Flash はオンラインです: 1M トークン コンテキスト、グローバル KV キャッシュをサポートし、トークンごとに 890 バイト

DeepSeek-V4.1-Flash はオンラインです: 1M トークン コンテキスト、トークンあたり 890 バイトのグローバル KV キャッシュをサポートします。リリースのハイライト DeepSeek は、2026 年 9 月 10 日に DeepSeek-V4.1-Flash を発表しました。これは、新しいアーキテクチャ ファミリの最小モデルとして位置付けられ、ネイティブの画像およびテキスト処理をサポートし、より大きなモデルに対する機能、推論速度、スループット、およびスケーラビリティが向上していると主張しています。モデルは DeepSeek API で起動されました。ネイティブ マルチモーダル サポートを使用するには、モデルをディープシーク フラッシュに設定します。アーキテクチャと効率 DeepSeek-V4.1-Flash は、552B バックボーン パラメータを備えたマルチモーダル MoE で、最大 1M のトークン コンテキストをサポートします。その Causal Encoder-Decoder (CED) アーキテクチャは、20 層の因果エンコーダーと 20 層のデコーダーで構成されています。各入力プレフィル トークンは 8B パラメータを有効にし、出力デコードは 16B パラメータを有効にします。モデルの MoE の各レイヤーは 1 人の共有エキスパートと 384 人のルーティングされたエキスパートを使用し、各トークンにより 6 人のルーティングされたエキスパートが有効になります。モデルは 45T トークンのマルチモーダル データを使用して最初からトレーニングされ、最初に 64K シーケンス長でスパース アテンションがトレーニングされ、次にコンテキストが 34T トークンで 1M トークンに拡張されます。 Compressed Sparse Attender 2 (CSA2)、Hierarchical Sparse Indexer、および FP4 メイン KV キャッシュは、グローバル KV キャッシュをトークンあたり 890 バイトに圧縮します。これは、DeepSeek-V4-Flash の約 1/4 です。 SWA Bounded Replay は最新の n_win トークンのみを再構築し、永続的な KV キャッシュを DeepSeek-V4-Flash の約 1/8 に削減します。この発表では、HBM 要件が前世代の 1/4、SSD ストレージ要件が 1/8 であると要約されています。推論制御およびエージェントのワークロード モデルは、推論コストと精度の間のトレードオフを継続的に調整するために、1 から 100 までの整数の推論作業を提供します。当局者は、KV キャッシュの圧縮をエージェントのコストに関連付けており、キャッシュヒットのコストがエージェントのコストの大部分を占めることが多いため、キャッシュを縮小することでロングコンテキストのワークロードのサービスコストを削減できると指摘しています。このモデルには、Engram 条件付きメモリ、DSpark 投機的デコーディング、シングルパス mHC などのコンポーネントも統合されています。トレーニング後のトレーニングは、SFT → RL → ポリシーに基づく蒸留プロセスに従います。主な変更点は、エージェントのタスク、環境、ロールアウト データ パイプラインの自動合成に焦点を当てています。評価結果と条件は、DeepSeek の内部フレームワークで同じ評価設定の下でベース モデルと公式に比較されます。 0.3 以内のスコア差は同等とみなされます。 DeepSeek-V4.1-Flash-Base のスコアは、MMLU-Pro で 74.1、BigCodeBench Pass@1 で 60.6、HumanEval Pass@1 で 79.4、GSM8K で 93.0 でした。これらの結果と DeepSeek-V4-Flash-Base および DeepSeek-V4-Pro-Base との比較は、すべて内部フレームワークの評価です。エージェント スキャフォールド テストでは、すべての設定で Linux コンテナー、温度 = 1.0、topp = 0.95、1M トークン コンテキスト制限、maxsteps = 500、および最大推論労力を使用しました。 DeepSWE v1.1 はタスクごとに N=8 を使用し、ターミナルベンチ 2.1 は N=3 を使用しました。後者はネットワークを提供しませんでした。 DeepSeek-V4.1-Flash と DSH Minimal の組み合わせは、DeepSWE v1.1 で 72.6、ターミナルベンチ 2.1 Pass@1 で 90.6 のスコアを獲得しました。 mini-SWE-agent のスコアはそれぞれ 74.2 と 90.3 でした。 DeepSeek-V4.1-Flash は、DeepSWE v1.1 (74.2)、Cyber​​Gym (88.1)、および Automation-Bench (54.8) のスコアで他のモデルをリードしていますが、ターミナルベンチ 3.0 (30.0) では Opus5 および GPT5.6-Sol に遅れをとっています。 API、互換性、および展開 V4-Flash および V4-Flash-Vision-Exp は廃止されました。 deepseek-v4-flash および deepseek-v4-flash-vision-exp は現在、一時的にのみ V4.1-Flash にルーティングされます。この互換性ルートは恒久的な取り決めではありません。読み取りソース スニペットは、API の価格がピーク/オフピーク価格で設定されており、オフピーク価格はピーク価格の 50% であることを示しています。全額の価格はまだ確認されていません。 DeepSeek はまた、オープンソース コミュニティと協力して、V4.1-Flash 推論のサポートとより多くの導入オプションを促進すると述べました。現在、エンコーディング フォルダーとディープシーク レシピは、プロンプト エンコーディングと API 形式変換ツールを提供しますが、モデルの推論、ツールの実行、および HTTP トランスポートは依然として呼び出し元の責任です。原文： https://easyvibecoding.app/curated/3303-deepseek-releases-deepseek-v4-1-flash-1m-token-context-kv