DeepSeek-V4.1-Flash: otevřený obr za pár centů, architektura, výkon, cena a vlastní hosting

01DeepSeek v roce 2026: odkud V4.1-Flash přichází

DeepSeek je soukromá firma z čínského Chang-čou, dceřiná společnost investičního fondu High-Flyer Capital Management. První model, DeepSeek-Coder, vydala 2. listopadu 2023 a V4.1-Flash je její 23. verzí. (Mungomash)

Poslední měsíce řady V4

Proč DeepSeek řeší právě KV cache

Agenti pracují stále déle a s obřími vstupy, takže úlohy jsou čím dál víc „vstupně těžké“. Podle technické zprávy DeepSeek je dnes hlavní překážkou levnějšího provozu výpočetně drahé zpracování vstupu (prefill) a velké KV cache, které zatěžují paměť HBM, SSD disky i přenosovou kapacitu. V4.1-Flash je navržený přímo proti tomuto úzkému hrdlu. (Hugging Face Papers)

DeepSeek model popisuje jako nový výchozí bod pro další škálování architektury, předtrénování i dotrénování. (arXiv)

02Architektura do hloubky

V4.1-Flash kombinuje MoE s novým kauzálním encoder-decoderem a pěti triky na zmenšení KV cache. Výsledkem je 890 bajtů KV cache na token, zhruba čtvrtina oproti V4-Flash a 437× méně než původní DeepSeek V1. (Hugging Face: DeepSeek)

1. Mixture-of-Experts: 552 miliard, ale pracuje jen zlomek

Každá vrstva MoE má 1 sdíleného a 384 směrovaných expertů; na každý token se aktivuje 6 směrovaných expertů. Router tak pro každý token vybere jen malou, relevantní část sítě. (Hugging Face: DeepSeek) Pro plánování výkonu je proto důležitější počet aktivních parametrů než celkový. (MindStudio)

2. Kauzální encoder-decoder (CED)

Síť má 40 vrstev: 20vrstvý kauzální encoder a za ním 20vrstvý decoder. Globální KV cache decoderu se nepočítá z každé jeho vrstvy zvlášť, ale promítá se z výsledných stavů encoderu. Díky tomu model při zpracování vstupu aktivuje jen 8 miliard parametrů a při generování 16 miliard, což zlevňuje hlavně agentní úlohy s dlouhým vstupem. (Hugging Face: DeepSeek)

3. Compressed Sparse Attention 2 (CSA2)

Každá vrstva pozornosti má pevně jeden ze tří režimů: Full, Reindex nebo Reuse. Vrstvy tak sdílí hlavní KV i klíče indexeru a znovu používají indexy řídké pozornosti. V decoderu navíc hierarchický řídký indexer omezuje hlubší vrstvy na kandidáty vybrané první vrstvou v režimu Full, takže cena indexace neroste s délkou kontextu. První dvě vrstvy encoderu používají klouzavé okno pozornosti (SWA). (Hugging Face: DeepSeek, arXiv)

4. KV cache ve formátu FP4

Hlavní KV cache se ukládá ve 4bitovém formátu E2M1 s jedním škálovacím faktorem E4M3 na 16 kanálů. Spolu s CSA2 to dává zmíněných 890 bajtů na token. (Hugging Face: DeepSeek)

5. SWA Bounded Replay

Chybějící stavy klouzavého okna se nerekonstruují z disku, ale přehráním jen posledních tokenů. Trvalá KV cache (na SSD nebo v paměti hostitele) tak klesá zhruba na osminu oproti V4-Flash. (Hugging Face Papers)

Další součásti

• Single-Pass mHC: upravené míchání reziduálního proudu s rychlým jádrem Mega-mHC.
• Engram: podmíněná paměť se 196 miliardami parametrů, ke které model přistupuje řídce podle tokenů.
• DSpark: spekulativní dekódování s poloautoregresivním návrhem a ověřováním podle míry jistoty.

Zdroj: Hugging Face: DeepSeek

Trénink

Model je předtrénovaný na multimodálním korpusu o 45 bilionech tokenů a prošel rozsáhlým dotrénováním pro textové i multimodální agentní scénáře. (Hugging Face Papers)

03Specifikace

04Benchmarky a nezávislá měření

V4.1-Flash exceluje v terminálových úlohách, dlouhém programování a hledání zranitelností, v obecném agentním testu Terminal-Bench 4.0 ale výrazně zaostává za špičkou.

Výsledky podle DeepSeek

Kde vede a kde ztrácí

Na CyberGym (88,1 %) překonal všechny modely, které mají v tabulce DeepSeek výsledek; Claude Opus 5 tam číslo nemá. (Hugging Face: DeepSeek) Pro srovnání: specializovaný Gemini 3.8 Flash Cyber má na stejném testu 86,2 %.

Praktické testy

Nezávislí testeři narazili na nedostatky mimo benchmarky. V simulaci Rubikovy kostky se barvy při tazích měnily chybně a při napodobení obrázku ve stylu Malování vznikl stylizovaný, ale málo detailní výsledek. Mezi silnými čísly a kvalitou v kreativních a prostorových úlohách je tedy mezera. (MindStudio)

05Srovnání s modely září 2026

V4.1-Flash patří mezi nejlepší v dlouhém programování a cenou mu v tabulce konkuruje jen Xiaomi MiMo-V2.6-Pro, jediný další model s otevřenými váhami. V obecných agentních úlohách je ve spodní polovině.

Na Terminal-Bench 2.1 má V4.1-Flash 90,6 %, víc než Gemini 3.8 Flash (89,4 %), Xiaomi MiMo-V2.6-Pro (89,9 %) i Muse Spark 1.3 (88,8 %).

Podrobnosti o konkurentech najdete v průvodci GPT-6 Astra, průvodci Claude Fable 5.1, průvodci Gemini 3.8 Flash, průvodci Grok 4.7, rozboru Muse Spark 1.3 a článku o Xiaomi MiMo V2.6 Pro.

06Cena API: špička, mimo špičku a zlevnění

V4.1-Flash stojí ve špičce 0,30 USD za milion vstupních a 1,20 USD za milion výstupních tokenů; mimo špičku přesně polovinu. Byl to jediný zářijový model, který zlevnil vstup i výstup; Claude Fable 5.1 zlevnil jen čtení z cache. (Capital and Compute)

Oproti V4-Flash jde o 32% slevu na vstupu, 9% na výstupu a 57% na čtení z cache. (Capital and Compute) Pro představu: GPT-6 Astra a Claude Fable 5.1 stojí 10 USD za milion vstupních tokenů, tedy 33× víc než V4.1-Flash ve špičce.

Příběh s vyřazením V4-Pro

Při vydání DeepSeek oznámil, že od 14. září ve 4:00 UTC bude na každý požadavek na deepseek-v4-pro odpovídat V4.1-Flash. Rozhodnutí pak vzal zpět a V4-Pro dál běží za stávající ceny. (DeepSeek: changelog) Starší V4-Flash a V4-Flash-Vision-Exp ale v přímém API skončily a jejich názvy se přesměrovávají na V4.1-Flash; ID modelů a ceny u zprostředkovatelů je proto nutné kontrolovat zvlášť.

Tip na úsporu

Dávkové a neurgentní úlohy (noční analýzy, generování dat) spouštějte mimo špičku za poloviční cenu a držte stabilní prefix promptu kvůli cache za 0,006 USD.

07Otevřené váhy v praxi: vlastní hosting

V4.1-Flash si můžete stáhnout z Hugging Face (deepseek-ai/DeepSeek-V4.1-Flash) a provozovat komerčně pod licencí MIT. „Otevřený“ ale neznamená „zdarma“: potřebujete buď vlastní výpočetní kapacitu, nebo placené API. (MindStudio)

Co rozhoduje o hardwaru

• Úložiště vah musí pokrýt celých 552 miliard parametrů, i když se na token používá jen zlomek. Experti musí ležet někde dost rychle dostupní: ve VRAM, v RAM s odlehčováním, nebo na NVMe.
• Aktivní parametry (8 a 16 mld.) určují výpočet a propustnost na token; pro plánování rychlosti jsou důležitější než celkový počet.
• Kvantizace je pro menší hardware nutnost. Oficiální minimální požadavky na VRAM DeepSeek nezveřejnil.

Zdroj: MindStudio

Komunitní varianty

Realistické cesty

1. Pronajatá cloudová GPU s oficiálním inferenčním kódem DeepSeek: nejrychlejší start.
2. Pracovní stanice se dvěma profesionálními GPU a silně kvantizovanou verzí: pro týmy, které chtějí data doma.
3. Hostované API u třetí strany: bez vlastního hardwaru a mimo servery v Číně. Zkušební endpoint NVIDIA na build.nvidia.com je jen na testování: podmínky zakazují důvěrná a osobní data a použití se loguje.

Při vydání probíhala většina lokálních běhů na vícekartových serverech nebo v cloudu, ne na herních sestavách. (MindStudio)

08Rychlý start přes API

Přímé API DeepSeek používá ID deepseek-flash a kontext 1 milion tokenů. (Mungomash) API DeepSeek je kompatibilní s formátem OpenAI, takže stačí změnit základní URL a model:

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.deepseek.com",  # ověřte v dokumentaci DeepSeek
    api_key=os.environ["DEEPSEEK_API_KEY"],
)

response = client.chat.completions.create(
    model="deepseek-flash",
    messages=[
        {"role": "user", "content": "Projdi tento log a najdi příčinu chyby."}
    ],
)

print(response.choices[0].message.content)

Základní URL a parametry uvažování ověřte v dokumentaci DeepSeek API před nasazením. U vlastního hostingu použijte endpoint svého serveru (vLLM i podobné nástroje nabízí rozhraní kompatibilní s OpenAI) a model deepseek-ai/DeepSeek-V4.1-Flash.

09Data, jurisdikce a bezpečnost

U DeepSeek je rozhodnutí o datech jednodušší než u uzavřených modelů: pokud nechcete posílat data do Číny, model si můžete hostovat sami.

Tři způsoby provozu z pohledu dat

DeepSeek sídlí v čínském Chang-čou. (Mungomash) Konkrétní podmínky zpracování dat v přímém API si ověřte v zásadách DeepSeek a u citlivých dat konzultujte právníka; tabulka výše popisuje jen to, kde data fyzicky končí.

Bezpečnost modelu

• Silný v hledání zranitelností: 88,1 % na CyberGym, víc než GPT-5.6 Sol (84,5 %) i specializovaný Gemini 3.8 Flash Cyber (86,2 %).
• Slabší v tvorbě exploitů: 15,3 % na ExploitGym proti 33,7 % u GPT-5.6 Sol a 22,1 % u Claude Opus 5.
• Otevřené váhy znamenají žádné pojistky poskytovatele. Na rozdíl od Claude Fable nebo GPT-6 Astra u vlastního hostingu neexistuje centrální filtr, který by rizikové požadavky přesměroval. Odpovědnost za pravidla použití nese provozovatel.

Zdroje výsledků: Hugging Face: DeepSeek, NVIDIA, průvodce Gemini 3.8 Flash (Cyber)

10Rozhodovací průvodce

V4.1-Flash je výchozí volba, když rozhoduje cena nebo kontrola nad daty; na nejtěžší obecné agenty sáhněte jinam.

11Často kladené otázky o DeepSeek-V4.1-Flash

12Verdikt

DeepSeek-V4.1-Flash dává špičkové programovací výsledky za haléře a k tomu otevřené váhy pod licencí MIT. Pro levné agentní programování, dlouhé vstupy a firmy, které chtějí data držet doma, je to jeden z nejsilnějších kandidátů. Nejbližším otevřeným soupeřem je Xiaomi MiMo V2.6 Pro, který má vyšší souhrnné hodnocení Artificial Analysis (46 proti 39 bodům), na DeepSWE ale zaostává (71,9 % proti 74,2 %).

Na obecné agenty, ovládání počítače a kreativní úlohy ale nestačí a přímé API vede do Číny. Chcete AI nasadit ve firmě a vybrat správný model? Pomůžeme v rámci AI implementace.

13Zdroje

• Hugging Face: DeepSeek-V4.1-Flash (oficiální model card)
• arXiv: DeepSeek-V4.1-Flash, technická zpráva
• Hugging Face Papers: abstrakt zprávy
• NVIDIA: model card DeepSeek-V4.1-Flash
• DeepSeek API: aktualizace
• DeepSeek API: ceník
• DeepSeek: oznámení V4.1-Flash
• MindStudio: jak provozovat V4.1-Flash lokálně
• Capital and Compute: modely a ceny září 2026
• Mungomash: přehled frontier modelů
• Local AI Zone: aktualizace modelů září 2026
• TeamDay: nejlepší AI modely 2026
• Hugging Face: NVFP4 od NVIDIA
• Hugging Face: NVFP4 konverze (s-zaizen)
• Hugging Face: GGUF (vcruz305)
• Hugging Face: EXL3 pro 2× RTX PRO 6000