Le V4.1-Flash de DeepSeek, moins cher, bat son propre modèle Pro sur les tâches d'agents

DeepSeek a publié DeepSeek-V4.1-Flash le 10 septembre 2026, et la phrase la plus lourde de conséquences de l'annonce ne portait pas sur la taille du modèle. Elle affirmait que le modèle le moins cher du catalogue dépassait désormais le fleuron de l'entreprise sur le travail qui compte le plus pour les concepteurs d'agents. L'affirmation est assez inhabituelle pour mériter un examen attentif, et les premières données indépendantes la confirment largement, avec quelques exceptions notables.

À lire aussi: Le V4 Pro de DeepSeek est son meilleur modèle, et de loin le plus cher · Gemini 3.8 Live de Google raisonne à voix haute pendant qu'il parle.

Le nouveau modèle est un système à mélange d'experts de 552 milliards de paramètres, bâti sur une nouvelle conception dite Causal Encoder-Decoder. DeepSeek indique qu'il n'active que 8 milliards de paramètres pendant la lecture de l'entrée et 16 milliards pendant la génération de la sortie, un partage pensé pour les charges où l'invite est longue et la réponse courte. Il accepte nativement les images, dispose d'une fenêtre de contexte d'un million de jetons et peut produire jusqu'à 384 000 jetons. Le nom du modèle dans l'API est deepseek-flash, et les poids sont téléchargeables sous licence MIT.

Ce que DeepSeek a livré

La version, annoncée sur le site de DeepSeek et reprise dans le journal des modifications de son API, remplace purement et simplement la précédente gamme V4-Flash. L'entreprise a retiré V4-Flash et V4-Flash-Vision-Exp, puis a maintenu les anciens identifiants comme alias de compatibilité qui redirigent vers le nouveau modèle.

Principales caractéristiques, telles que publiées par DeepSeek :

• 552 milliards de paramètres, mélange d'experts, avec une base de 552 milliards.
• 8 milliards de paramètres actifs en entrée, 16 milliards en sortie, répartis entre un encodeur de 20 couches et un décodeur de 20 couches.
• un contexte d'un million de jetons et une sortie maximale de 384 000 jetons.
• entrée d'images native (JPEG, PNG, GIF, WebP). V4 Pro n'accepte pas les images.
• identifiant de modèle deepseek-flash, avec des poids sous licence MIT téléchargeables sur Hugging Face.
• cache KV d'environ 890 octets par jeton, soit, selon DeepSeek, un quart de la mémoire HBM utilisée par V4-Flash et un huitième de son stockage SSD.

L'architecture explique le prix bas. Un agent de programmation ou de recherche consomme la majorité de ses jetons à relire du contexte : un dépôt de code, une invite système, une transcription d'outils qui s'allonge. Activer moins de paramètres pendant cette phase d'entrée réduit le calcul, et un cache plus petit rend moins coûteux le maintien de ce contexte en mémoire. Les notes de version de DeepSeek indiquent que les frais liés aux succès de cache « représentent souvent une part importante des coûts d'un agent » ; l'entreprise tarife donc son modèle en fonction de la partie de la facture que son architecture réduit.

La grille tarifaire et l'écart de cache

DeepSeek a conservé la structure heures pleines / heures creuses introduite en août et a rendu les nouveaux tarifs effectifs à 04 h 00 UTC le 10 septembre. Selon la page officielle Models & Pricing, les tarifs creux par million de jetons sont de 0,003 $ pour l'entrée mise en cache, 0,15 $ pour l'entrée non mise en cache et 0,60 $ pour la sortie. Les tarifs pleins sont exactement le double, et les heures pleines courent en semaine de 01 h 00 à 04 h 00 UTC et de 06 h 00 à 10 h 00 UTC. Les week-ends restent en heures creuses toute la journée.

Le chiffre qui frappe, c'est l'écart de 1 à 50 entre un succès et un échec de cache en entrée. Sur la plupart des factures d'API, les lectures mises en cache sont une erreur d'arrondi. Ici, elles séparent une charge de travail bon marché d'une charge coûteuse. TechBriefly a construit un exemple illustratif : un préfixe réutilisable de 500 000 jetons réemployé sur 100 requêtes, soit 50 millions de jetons d'entrée mis en cache, coûterait environ 0,15 $ sur V4.1-Flash en heures creuses, contre près de 15 $ sur Kimi K3 et 25 $ sur Claude Opus 5 aux tarifs publiés de lecture de cache. Il s'agit de comparaisons sur tarifs catalogue, non de factures mesurées, et elles supposent que le cache fonctionne réellement.

Face à V4 Pro, V4.1-Flash est moins cher sur chaque ligne. V4 Pro affiche 0,022 $ pour l'entrée mise en cache, 0,66 $ pour l'entrée non mise en cache et 1,98 $ pour la sortie en heures creuses. Flash est donc environ trois à quatre fois moins cher, l'écart le plus large portant sur les succès de cache. Les deux modèles diffèrent aussi par le débit : V4.1-Flash autorise 2 500 requêtes simultanées, contre 500 pour V4 Pro.

La mise à la retraite annoncée puis retirée

Le prix n'est pas la seule raison de l'attention suscitée. Au lancement de V4.1-Flash, DeepSeek avait annoncé qu'il mettrait fin à V4 Pro et qu'à partir de 04 h 00 UTC le 14 septembre, chaque requête deepseek-v4-pro serait redirigée vers V4.1-Flash aux tarifs de Flash. Le plan n'a pas résisté au contact des utilisateurs.

DeepSeek a depuis fait marche arrière. Sa page tarifaire indique désormais : « En réponse à la demande des utilisateurs, nous avons décidé de continuer à fournir les services d'API de DeepSeek V4 Pro après le 14 septembre 2026, la méthode de facturation restant inchangée. » V4 Pro conserve son identifiant, ses tarifs et sa limite de 500 requêtes simultanées. Un futur modèle V4.1 Pro a été évoqué, sans date.

Le renversement intéressant n'est pas qu'un modèle moins cher soit devenu meilleur. C'est qu'un fleuron ait cessé de valoir la peine d'être servi à un prix de fleuron.

Le revirement a créé un dossier contradictoire en ligne. Plusieurs médias ont publié des explications fondées sur l'avis initial et décrivent encore le 14 septembre comme une migration forcée, parfois au présent. La documentation de DeepSeek et les observateurs indépendants qui ont revérifié l'information, dont le LLM Data Hub, ont été mis à jour vers l'avis de continuation. La position exacte figure sur la page tarifaire de DeepSeek : V4 Pro reste disponible, facturé exactement comme avant, l'entreprise précisant qu'elle « publiera un nouvel avis en cas de changement ».

Là où il gagne, là où il reste derrière

L'évaluation indépendante reste rare, le modèle n'ayant que quelques jours, mais les premiers résultats sont cohérents.

Le Vals Index, tenu par le cabinet d'évaluation Vals AI, place V4.1-Flash à 57,86 % au global, ce qui en fait, selon le cabinet, le premier modèle à poids ouverts et le 15e sur 56 modèles toutes catégories. Il devance de peu Kimi K3 (57,81 %) tout en coûtant 0,30 $ par test contre 6,47 $, et en achevant les tâches en moins de la moitié du temps. Vals le classe aussi premier des modèles à poids ouverts sur son benchmark Code Migration et premier sur 34 à SkillsBench.

Kilo Code, qui mène des évaluations d'agents de programmation, rapporte 75,3 % à Terminal-Bench 2.0 pour V4.1-Flash, pour un coût moyen de 2,58 $ par tentative de benchmark.

Les chiffres de DeepSeek, à lire comme déclarés par le fournisseur, situent Terminal-Bench 2.1 à 90,6, DeepSWE v1.1 à 74,2, GPQA Diamond à 90,9 et HLE entre 36,8 et 39,1 selon le sous-ensemble. Ces chiffres de tête portent une réserve que le rapport technique énonce clairement : les résultats dépendent du harnais autour du modèle. Le même modèle obtient 90,6 sur Terminal-Bench 2.1 avec le harnais minimal de DeepSeek et 88,0 sous Claude Code.

Le tableau n'est pas celui d'une supériorité uniforme. V4 Pro garde l'avantage sur GPQA Diamond (92,4 contre 90,9) et sur le sous-ensemble HLE en texte seul (42,7 contre 39,1). Face aux modèles fermés les plus puissants, l'écart se creuse encore. Sur Terminal-Bench 4.0, une synthèse indépendante des tableaux publiés place V4.1-Flash à 31,2 et Claude Opus 5 à 51,8. Sur HLE, Opus 5 est donné à 56,3. V4.1-Flash est un modèle d'agent bon marché et rapide, pas un raisonneur de frontière, et la décision de DeepSeek de maintenir V4 Pro reconnaît que le compromis n'est pas le même pour toutes les charges.

Poids ouverts, et le matériel réellement utilisé

Les poids sont ouverts sous MIT, et la communauté est allée vite. Hugging Face recense des dizaines de quantifications communautaires, et au moins un groupe rapporte servir le modèle complet de 552 milliards de paramètres sur quatre machines NVIDIA DGX Spark en parallélisme tensoriel, à environ 77 jetons par seconde en flux unique et plus de 200 jetons par seconde en agrégé sur six flux dans un compte rendu de benchmark. C'est le domaine des passionnés et des petites équipes plutôt qu'une référence de production. La mémoire n-gram Engram distincte de 203 Go doit être lue depuis le disque au lieu d'être maintenue en mémoire GPU, ce qui permet au point de contrôle de tenir sur quatre machines dotées chacune de 128 Go de mémoire unifiée.

L'auto-hébergement garde ses aspérités. La version ne fournit pas de gabarit de conversation Jinja ; DeepSeek propose à la place une implémentation d'encodage de référence et recommande une bibliothèque Rust distincte pour le formatage des invites en production. Les décomptes de paramètres prêtent aussi à confusion : DeepSeek décrit une base de 552 milliards, le rapport technique mentionne un composant Engram de 196 milliards, et la page Hugging Face affiche 763 milliards de paramètres. L'entreprise n'a pas réconcilié ces trois chiffres. Les nombres de paramètres actifs, 8 et 16 milliards, décrivent le calcul par jeton, non la mémoire nécessaire pour stocker et servir le modèle.

Réserves et points à surveiller

Quelques précautions s'imposent avant de faire de V4.1-Flash un choix par défaut.

• Les benchmarks sont récents et en partie fournis par l'entreprise. Vals et Kilo sont des évaluateurs indépendants crédibles, mais leurs campagnes datent de quelques jours, et Vals mesure une seule configuration par défaut. Votre charge de travail est le seul benchmark qui se transpose.
• Le tarif plein peut doubler une facture. Les chiffres bon marché des heures creuses supposent que vous pouvez planifier en évitant les matinées en semaine UTC. Les agents temps réel ne peuvent pas toujours attendre la fermeture de la fenêtre.
• Les succès de cache ne sont pas automatiques. Le cache de DeepSeek fonctionne au mieux et exige une correspondance exacte de préfixe. Un modèle qui paraît quasi gratuit en démonstration peut coûter bien plus quand l'ordre des invites ou les préfixes propres à chaque client changent à chaque appel.
• La feuille de route n'est pas fixée. Le retrait annulé de V4 Pro montre que DeepSeek décide encore des rapports entre ses paliers. Quiconque dépend d'un identifiant de modèle précis doit le considérer comme une cible mouvante.

Le point principal est ce que V4.1-Flash dit de la direction que prend la concurrence entre modèles. Pendant deux ans, le discours voulait que les meilleurs modèles coûtent plus cher. Un palier flash qui bat le palier pro de son propre fournisseur, à une fraction du prix, sur le travail répétitif qui remplit la plupart des pipelines d'agents, indique que la bataille de la capacité devient de plus en plus une bataille du coût par tâche accomplie. C'est une bonne nouvelle pour qui paie la facture. C'est aussi un rappel que la facture dépend autant de la façon dont on structure les invites et le cache que du nom du modèle appelé.

Image de couverture : illustration du logo DeepSeek par RoadMaster19 (CC BY 4.0) via Wikimedia Commons.