AICONTROLLED/LAB

JOURNAL / 2026.09.16

DeepSeek V4.1 Flash reduce la memoria del contexto largo

Una arquitectura asimétrica y una caché mucho menor hacen más barato mantener agentes con historiales extensos; los pesos abiertos permiten inspeccionarla, pero no la convierten en un modelo pequeño ni validan por sí solos sus resultados.

  • Modelos
  • Lanzamientos
  • Pesos abiertos
  • Infraestructura

En un agente, leer suele ocupar mucho más que escribir. El modelo recibe instrucciones, archivos, resultados de herramientas y quizá cientos de miles de tokens de intentos anteriores; después produce una fracción de ese volumen. Sin embargo, un transformador convencional conserva para cada capa un estado de atención asociado a todo el contexto. Cuanto más larga es la sesión y mayor la concurrencia, más memoria se dedica a recordar antes de generar el siguiente token.

DeepSeek lanzó el 10 de septiembre DeepSeek‑V4.1‑Flash, un modelo multimodal de pesos abiertos que convierte esa asimetría de uso en una asimetría arquitectónica. No es otro postentrenamiento sobre V4‑Flash, como el checkpoint 0731 publicado en julio. Es un modelo entrenado desde cero con un backbone de 552.000 millones de parámetros, visión nativa y una ventana declarada de un millón de tokens. La novedad más importante no es que tenga más parámetros almacenados, sino que intenta mover mucho menos estado y cómputo en la parte más repetida de una carga de agente.

Leer una vez, reutilizar muchas

La ficha técnica de V4.1‑Flash describe 40 capas divididas en dos mitades: un codificador causal procesa la entrada y un decodificador genera la salida. En vez de construir en cada capa del decodificador su propia caché global de claves y valores a partir de estados distintos, el sistema la proyecta desde la representación final del codificador. Así activa unos 8.000 millones de parámetros por token durante la lectura inicial y 16.000 millones durante la generación. El V4‑Flash anterior activaba 13.000 millones en ambos tramos.

La diferencia no significa que V4.1 sea un modelo de 8.000 millones de parámetros. El backbone completo sigue teniendo 552.000 millones y añade una memoria condicional Engram de 196.000 millones, consultada de forma dispersa. «Parámetros activos» aproxima el trabajo que atraviesa un token, no el almacenamiento necesario para poseer el modelo ni toda la comunicación necesaria para servirlo.

DeepSeek combina esa separación con tres técnicas de memoria. La atención dispersa comparte estados e índices entre capas; un índice jerárquico reduce los candidatos que deben examinar las capas posteriores; y parte de la caché se cuantiza a cuatro bits. Para las capas de ventana deslizante, el modelo conserva los tokens recientes y reconstruye estados cuando hacen falta, en vez de persistirlos todos en SSD. Según el informe del laboratorio, la caché global queda en 890 bytes por token: alrededor de una cuarta parte de la memoria de alta velocidad y una octava parte del almacenamiento persistente requeridos por V4‑Flash.

Ésta es una mejora de sistema, no una prueba de comprensión perfecta a un millón de tokens. Reducir la caché permite alojar más sesiones o historiales más largos en el mismo hardware; no demuestra que el modelo recupere cada dato distante, mantenga un plan durante toda la ventana o evite que información irrelevante degrade una decisión. Tampoco hay todavía una medición externa que aísle cuánto aportan por separado el nuevo codificador‑decodificador, la atención dispersa y la cuantización. Las cifras de memoria proceden de DeepSeek, aunque los pesos y el código de referencia hacen posible ponerlas a prueba.

La arquitectura también integra imágenes desde el preentrenamiento: un codificador visual convierte cada imagen en representaciones que se mezclan con el texto desde el comienzo. El corpus declarado contiene 45 billones de tokens multimodales. Eso sustituye el modelo visual experimental separado de agosto por un único endpoint capaz de combinar capturas, documentos y herramientas, una diferencia práctica para agentes que operan interfaces o repositorios con diagramas.

Capacidad, coste y una apertura que exige máquinas

DeepSeek presenta las mejoras de agente como evidencia de que la eficiencia no ha rebajado la capacidad. En sus propias pruebas, V4.1‑Flash resuelve el 90,6 % de Terminal‑Bench 2.1 frente al 82,7 % del V4‑Flash de julio, y el 74,2 % de DeepSWE v1.1 frente al 54,4 %. La primera evaluación mide tareas comprobables en un terminal; la segunda, cambios de software evaluados con pruebas. Pero esas dos cifras usan el esfuerzo máximo, hasta 500 pasos y varias muestras por tarea. Miden un modelo dentro de un harness, no una llamada aislada ni el coste esperado de corregir cualquier repositorio.

Hay un progreso de evidencia respecto de julio. El repositorio incluye ahora instrucciones y versiones fijadas para repetir DeepSWE tanto con el agente mínimo de DeepSeek como con mini‑swe‑agent, y el DeepSeek Harness se publica bajo MIT. Aún falta una reproducción externa completa de las cifras, pero ya no es necesario adivinar el andamiaje exacto que produjo una de las afirmaciones centrales.

Una segunda señal, independiente del laboratorio, evita confundir ese resultado con un dominio general. En la fotografía del 16 de septiembre del Agent Arena, basada en señales de sesiones reales, V4.1‑Flash aparece decimotercero entre 45 modelos: bastante por debajo de los modelos de frontera principales en la puntuación conjunta, pero tercero en la frecuencia con que el usuario confirma que la tarea terminó. Su coste mediano observado es de seis centavos por tarea, frente a varios dólares en los primeros puestos. Es un indicio fuerte de una frontera coste‑utilidad interesante; no es un experimento controlado ni una garantía de éxito en otra distribución de usuarios, herramientas o precios.

La apertura permite investigar esa diferencia. DeepSeek publica los pesos bajo MIT, el formato de mensajes, código de inferencia legible, el procesador de imágenes y los componentes de la arquitectura. La comunidad de vLLM ya mantiene una receta de servicio específica. Pero «pesos abiertos» vuelve a no significar «modelo local»: la implementación mínima usa paralelismo entre ocho procesos como ejemplo, y el propio anuncio invita a hablar con DeepSeek a quienes dispongan de unas 2.000 GPU y almacenamiento para un despliegue a gran escala. Una organización pequeña probablemente inspeccionará artefactos abiertos mientras consume el modelo a través de una API.

Esa API hace tangible la economía del diseño. La tarifa vigente es de 0,30 dólares por millón de tokens de entrada sin caché y 1,20 por millón de salida en hora punta; fuera de ella cuesta la mitad, y una entrada ya almacenada baja a 0,006 o 0,003 dólares. Es fácil entender por qué DeepSeek optimiza primero la lectura y la retención. Pero el precio por token no es el precio por resultado: el nivel máximo puede generar decenas de miles de tokens, repetir herramientas o terminar sin resolver la tarea.

También conviene fijar el identificador, no sólo el nombre comercial. Las llamadas antiguas a deepseek-v4-flash y deepseek-v4-flash-vision-exp ya se redirigen a V4.1‑Flash. El anuncio original decía que deepseek-v4-pro seguiría el mismo camino el 14 de septiembre; el registro actualizado dice ahora que DeepSeek mantendrá V4‑Pro por petición de los usuarios. Un endpoint compatible puede cambiar de pesos mientras el código del cliente permanece intacto.

Mi lectura es que V4.1‑Flash importa menos por encabezar una tabla que por proponer otra unidad de eficiencia. Hasta ahora, «modelo barato» solía sugerir menos parámetros o menor esfuerzo de razonamiento. Aquí significa gastar de forma distinta al leer, recordar y escribir. Si las mediciones externas confirman la reducción de memoria, esa idea puede ampliar el número y la duración de agentes concurrentes sin obligarlos a recortar su historial a cada paso.

Quedan dos comprobaciones importantes. La primera es operacional: medir rendimiento, consumo energético, degradación con contextos reales y coste por tarea resuelta en instalaciones ajenas. La segunda es de seguridad. La ficha y el informe publican resultados cibernéticos, pero no una evaluación específica de V4.1 sobre abuso, negativas o control de acciones. En un modelo MIT diseñado para agentes y herramientas, una caché cuatro veces menor amplía el despliegue; no sustituye los límites de permisos, el aislamiento ni una caracterización pública de los fallos.

Fuentes

← Volver al diario