Le 10 septembre 2026, DeepSeek a mis en ligne V4.1-Flash, présenté comme le plus petit modèle d'une nouvelle famille d'architectures. Le chiffre qui circule depuis dans les équipes techniques n'est pas la taille totale du modèle, mais l'écart entre cette taille et ce qui est réellement activé à chaque requête. Pour un DSI qui budgétise des projets d'IA générative, cet écart n'est pas un détail académique : il détermine directement le nombre de serveurs à louer, la mémoire à provisionner et, en bout de chaîne, la facture d'API ou de calcul.
Un modèle Mixture-of-Experts qui sépare la lecture de l'écriture
V4.1-Flash repose sur une architecture Mixture-of-Experts (MoE) de 552 milliards de paramètres au total, avec 384 experts routés et 1 expert partagé, dont 6 experts routés sont activés pour chaque jeton traité. DeepSeek appelle son innovation Causal Encoder-Decoder (CED) : un Transformer de 40 couches, réparties en un encodeur causal de 20 couches suivi d'un décodeur de 20 couches. Le cache clé-valeur (KV) global du décodeur est projeté à partir des états cachés finaux de l'encodeur, plutôt que produit indépendamment couche par couche.
Concrètement, la phase de lecture du prompt (pré-remplissage) active environ 8 milliards de paramètres par jeton, contre environ 16 milliards pour la phase de génération de la réponse (décodage). Pour des usages où l'entrée domine largement la sortie, un agent qui lit un contrat de cinquante pages pour produire trois lignes de synthèse par exemple, cette asymétrie déplace l'essentiel du coût de calcul là où il est le moins gourmand.
La mémoire, souvent le vrai goulot d'étranglement
Le second levier concerne le cache KV, la mémoire de travail que le modèle utilise pour ne pas recalculer le contexte à chaque jeton. DeepSeek annonce un cache global réduit à 890 octets par jeton, environ quatre fois moins que sur DeepSeek-V4-Flash, et une empreinte persistante réduite à environ un huitième de celle de la génération précédente. Cette compression repose sur plusieurs techniques combinées : quantification FP4 du cache principal, Compressed Sparse Attention 2, et une méthode nommée SWA Bounded Replay. Pour une organisation qui fait tourner des milliers de conversations ou d'agents simultanés, moins de cache à stocker signifie directement moins de mémoire HBM à provisionner sur les serveurs d'inférence, un poste de coût qui pèse souvent plus lourd que le calcul pur dans les déploiements à grande échelle.
Ce que le nouveau ratio change dans la facture d'inférence
Les tarifs publics de l'API DeepSeek pour V4.1-Flash distinguent trois cas de figure et deux plages horaires, les heures creuses étant facturées moitié moins cher que les heures de pointe.
| Poste de coût | Heures creuses | Heures de pointe |
|---|---|---|
| Entrée, jeton en cache (cache hit) | 0,003 dollar / million de jetons | 0,006 dollar / million de jetons |
| Entrée, jeton hors cache (cache miss) | 0,15 dollar / million de jetons | 0,30 dollar / million de jetons |
| Sortie | 0,60 dollar / million de jetons | 1,20 dollar / million de jetons |
Le point le plus utile pour un budget d'entreprise n'est pas le tarif lui-même, mais l'écart entre les deux premières lignes : un jeton d'entrée réutilisé depuis le cache coûte cinquante fois moins cher qu'un jeton d'entrée non mis en cache. Cela signifie que la manière dont une application structure ses requêtes, en réutilisant le contexte plutôt qu'en le renvoyant intégralement à chaque appel, pèse désormais davantage sur la facture que le tarif nominal affiché.
Le modèle précédent, V4-Pro, est en cours de retrait. Selon l'annonce initiale de DeepSeek, les requêtes adressées à V4-Pro devaient basculer vers V4.1-Flash à partir du 14 septembre 2026 à 4 heures UTC (midi heure de Pékin), et être facturées au tarif Flash, jusqu'à la sortie d'un futur V4.1-Pro. Une source technique indique toutefois que la documentation API la plus récente mentionne le maintien du service V4-Pro après cette date, avec son propre mode de facturation. Les DSI qui exploitent déjà des applications construites sur V4-Pro ont donc intérêt à vérifier la documentation officielle avant de considérer la bascule comme actée. La limite de requêtes simultanées passe par ailleurs de 500 sur V4-Pro à 2 500 sur Flash, un paramètre qui compte autant que le prix pour dimensionner une charge de production.
Le modèle gère un contexte de 1 million de jetons pour une sortie maximale de 384 000 jetons, une fenêtre suffisante pour traiter un ensemble contractuel complet ou un volume important de documentation technique en une seule requête.
API hébergée ou auto-hébergement : deux architectures de déploiement
Les poids du modèle sont publiés en licence MIT sur Hugging Face, sans frais de licence, compatibles avec les moteurs d'inférence vLLM, SGLang et Transformers. Cette ouverture donne aux organisations une option que peu de laboratoires occidentaux proposent pour un modèle de ce niveau : faire tourner le modèle sur son propre matériel plutôt que de dépendre exclusivement de l'API hébergée par DeepSeek. Pour un DSI, ce choix redéfinit l'architecture de déploiement possible : l'auto-hébergement transfère le coût vers l'infrastructure (GPU, mémoire, exploitation) mais affranchit de la dépendance à un tarif d'API fixé par un tiers, tandis que l'API hébergée reste plus simple à mettre en œuvre mais implique l'envoi des données vers l'infrastructure du fournisseur.
Pour les organisations qui souhaitent évaluer DeepSeek aux côtés d'autres modèles sans multiplier les contrats et les clés d'API séparées, des plateformes d'abonnement unique donnent accès à plusieurs familles de modèles en parallèle. Moon AI, par exemple, inclut DeepSeek parmi plus de 70 modèles disponibles dans un même abonnement (GPT, Claude, Gemini, Mistral, Llama, Grok, Qwen, ainsi que son modèle maison Moon 6), avec des offres allant de 9,90 euros à 249,90 euros TTC par siège et par mois, et une offre gratuite sans carte bancaire. Cela permet de comparer des benchmarks internes sans engager de contrat direct avec chaque laboratoire.
Performances : où V4.1-Flash rivalise, où il recule
Sur le benchmark de codage agentique DeepSWE v1.1, DeepSeek revendique un score de 74,2 pour V4.1-Flash, devant Opus 5 (74,0) et GPT-5.6 Sol (73,0), un écart de l'ordre du point qui doit être lu avec prudence : selon les données publiées par DeepSeek elle-même, le simple choix du dispositif logiciel utilisé pour faire tourner le même modèle (mini-SWE, DeepSeek Harness, Claude Code, Codex, OpenCode) produit un écart de 8,7 points sur ce même benchmark, soit bien plus que la différence entre modèles concurrents.
| Benchmark | V4.1-Flash | V4-Pro | Opus 5 | GPT-5.6 Sol |
|---|---|---|---|---|
| DeepSWE v1.1 | 74,2 | 62,7 | 74,0 | 73,0 |
| Terminal-Bench 3.0 | 30,0 | n.c. | 43,3 | 34,4 |
| Terminal-Bench 4.0 | 31,2 | 12,4 | 51,8 | 39,9 |
| AutomationBench | 54,8 | 43,2 | 50,3 | 45,8 |
| GPQA Diamond | 90,9 | 92,4 | 93,4 | 94,1 |
Le tableau montre deux tendances distinctes. Sur les tâches agentiques qui demandent d'agir (piloter un terminal, exécuter du code, tenir une boucle d'agent), V4.1-Flash dépasse nettement V4-Pro et se rapproche des modèles américains les plus cités. Sur les tests de connaissance et de raisonnement non assisté, comme GPQA Diamond, le modèle plus volumineux V4-Pro reste devant. Pour un DSI, la conclusion pratique est de tester le modèle sur son propre cas d'usage plutôt que de se fier à un classement global : un modèle taillé pour l'exécution d'agents ne rendra pas les mêmes services qu'un modèle taillé pour la restitution de connaissances.
La question qui ne disparaît pas : données et conformité
DeepSeek reste un laboratoire chinois, basé à Hangzhou. Pour une entreprise française qui envisage l'API hébergée, la question du transfert de données vers l'infrastructure du fournisseur se pose dans les mêmes termes que pour tout modèle étranger, avec une sensibilité particulière liée à l'origine du laboratoire. La licence MIT ouvre une alternative : héberger soi-même les poids du modèle sur une infrastructure choisie par l'entreprise, y compris en Europe, plutôt que de transiter par l'API DeepSeek.
Pour les organisations qui préfèrent conserver l'accès via une API tierce plutôt que gérer l'auto-hébergement, certains outils appliquent une étape intermédiaire de protection des données avant l'envoi vers un modèle externe. Moon AI utilise par exemple un mécanisme nommé Moon Blur, qui remplace les données personnelles par des jetons avant l'envoi aux modèles tiers, puis les rétablit au retour. Ce procédé étant réversible, il s'agit d'une pseudonymisation au sens du RGPD, et non d'une anonymisation. L'application et le stockage de Moon AI sont hébergés chez OVHcloud, à Strasbourg et Roubaix, mais les requêtes adressées aux modèles tiers, DeepSeek ou autre, partent bien vers l'infrastructure de leur fournisseur une fois la pseudonymisation appliquée. Ce type de dispositif réduit l'exposition des données personnelles identifiables mais ne dispense pas d'une analyse de conformité propre à chaque modèle utilisé.
Foire aux questions
Faut-il changer d'architecture d'inférence pour profiter du gain de V4.1-Flash ?
Non pour l'usage via API : le tarif réduit et le contexte étendu s'appliquent automatiquement aux requêtes envoyées au modèle. En revanche, tirer parti du cache réduit son bénéfice réel sur des applications qui réutilisent peu le contexte entre les appels, puisque l'écart de prix entre jeton mis en cache et jeton non mis en cache atteint un facteur cinquante.
Que deviennent les applications construites sur V4-Pro ?
DeepSeek a annoncé un basculement automatique des requêtes vers V4.1-Flash à partir du 14 septembre 2026, facturé au tarif Flash, jusqu'à la sortie d'un futur V4.1-Pro. Une documentation plus récente évoquerait toutefois le maintien de V4-Pro avec sa propre facturation après cette date. Les équipes doivent vérifier la documentation officielle de DeepSeek au moment de la migration plutôt que de se fier à la première annonce.
Peut-on héberger V4.1-Flash sur une infrastructure française ou européenne ?
Les poids étant publiés en licence MIT sur Hugging Face et compatibles avec vLLM, SGLang et Transformers, rien n'interdit de les déployer sur une infrastructure choisie par l'entreprise, y compris en Europe. Les textes disponibles ne précisent cependant pas de recommandation matérielle chiffrée pour un tel déploiement, ni de partenaire d'hébergement officiel en France.
Les benchmarks publiés par DeepSeek suffisent-ils pour choisir ce modèle ?
Non, à en juger par les données mêmes de DeepSeek : sur un même benchmark, le choix du dispositif logiciel utilisé pour exécuter le modèle produit un écart de plusieurs points, supérieur à l'écart affiché entre V4.1-Flash et ses concurrents américains. Un DSI a intérêt à reproduire un test interne, avec son propre dispositif, avant d'arbitrer un déploiement à grande échelle.