DeepSeek V4.1 Flash prend la relève du Pro : une conception asymétrique entre dans la course aux agents de pointe

DeepSeek a enfreint une règle non écrite avec cette version : le modèle baptisé Flash prend temporairement en charge le travail qui revenait autrefois au modèle phare Pro. À partir de 04h00 UTC le 14 septembre 2026, les requêtes Pro sont routées vers V4.1 Flash aux tarifs Flash, jusqu'à l'arrivée du prochain modèle Pro. Ce n'est pas une option secondaire pour le trafic à bas coût ; c'est la ligne principale qui porte temporairement le badge Flash.

L'ancienne hiérarchie était simple. V4 Pro était le poids lourd avec 1 600 milliards de paramètres dont 49 milliards actifs par token, le modèle que l'on choisissait pour une puissance maximale. V4.1 Flash arrive avec une architecture de 552 milliards de paramètres, plus petite mais néanmoins colossale. Le titre de la nouvelle n'est donc pas le nombre de paramètres, mais la proportion du modèle qui s'active à chaque étape du travail.

L'idée centrale est un découpage asymétrique de type encodeur-décodeur causal. En gros, la lecture et l'écriture sont confiées à des équipes différentes : environ 8 milliards de paramètres actifs organisent le prompt, la base de code et les sorties des outils pendant la lecture, puis environ 16 milliards prennent le relais lorsque le modèle rédige les réponses et choisit le prochain appel d'outil. L'image mentale est celle d'une équipe qui trie un dossier immense et transmet les éléments distillés à une équipe plus forte qui rédige le plan.

La mémoire, c'est là que la conception se rentabilise. Les longues exécutions d'agents accumulent un historique croissant de contexte traité, et le transport de cet historique devient coûteux à mesure que les fenêtres s'étirent vers un million de tokens. DeepSeek annonce environ 890 octets de cache global par token, soit environ un quart de la génération précédente en mémoire active et un huitième en stockage persistant. Un cache plus réduit signifie moins de mémoire à haute bande passante par exécution active, moins de SSD par session stockée et moins de travail répété lorsque l'agent revient sur du matériel antérieur.

Viennent ensuite les tableaux. Sur Terminal-Bench 2.1, la vidéo rapporte 90,6 pour Flash contre 89,1 pour Claude Opus 5 et 88,8 pour GPT-5.6 Sol ; sur DeepSWE, elle rapporte 74,2 contre 74,0 et 73,0 ; sur AutomationBench, l'écart se creuse à 54,8 contre 50,3 et 45,8. Les premiers échos indépendants ajoutent de la nuance : un indice d'intelligence attribue à Flash 40 points, devant son propre Pro à 36, avec des rivaux nationaux encore plus hauts, et un test d'arène de conception le place à un point et demi d'un modèle fermé bien plus cher, pour une fraction du coût par design achevé.

Le modèle ne travaille pas seul, et c'est pourquoi la mise à jour du Harness compte. DeepSeek présente le Harness comme tout ce qui entoure le cerveau : outils, fichiers, accès au shell, planification, sous-agents, sessions, stockage, ordonnancement. La nouvelle version conserve le contexte coûteux lorsque les instructions système changent en cours de tâche, expose plus clairement les statistiques de hits de cache et de tokens, et rafraîchit les runtimes optionnels des sous-agents. La version 0.1.5 mise aussi sur l'import de fichiers et les aperçus latéraux, faisant évoluer le Harness d'un simple exécuteur vers un véritable atelier de travail quotidien.

Les poids ouverts sous licence MIT complètent le tableau, avec une réserve que la vidéo énonce clairement. Les développeurs gagnent l'inspection, des piles d'inférence prises en charge et l'affranchissement d'une API fermée unique, mais l'architecture complète doit toujours résider quelque part, bien au-delà d'un ordinateur portable standard. La décision se divise donc en trois : les bâtisseurs d'API obtiennent un lecteur moins cher pour les longs agents, les équipes d'infrastructure obtiennent le contrôle au prix d'un matériel sérieux, et quiconque cherche un champion unique pour toutes les tâches obtient la preuve d'une appartenance à la conversation de pointe plutôt que la preuve d'une couronne. La thèse de cette version est l'asymétrie : être économique là où la lecture le permet, et puissant là où la décision l'exige.