3 514 байта → 890: модель вчетверо ужала память на токен и обошла флагман
10 сентября 2026 года DeepSeek выпустила модель V4.1-Flash. Она работает и с текстом, и с картинками, держит в контексте до миллиона токенов — и при этом объём служебной памяти, которую она хранит на каждый токен контекста, упал с 3 514 до 890 байт. Вчетверо. Причём у модели, которая — впервые в этой линейке — не уменьшилась, а выросла: суммарно 552 млрд параметров против 284 млрд у предыдущей версии.
Дело не в экономии ради экономии. Именно эта память, KV-кэш, определяет, сколько стоит длинная сессия агента: модели снова и снова приходится перечитывать всю переписку и логи, чтобы понимать, что вокруг происходит.
Почему это важно именно сейчас
Агентная работа устроена так: модель чинит код, запускает тесты, читает логи, снова чинит. На каждом шаге она заново получает весь накопленный контекст — историю переписки, файлы, вывод тестов. Чем длиннее задача, тем больше входных токенов прогоняется через модель повторно.
Отсюда простая арифметика расходов: в агентной работе основную часть счёта составляют вход и кэш, а не ответы модели. Тот, кто умеет дешевле перечитывать одно и то же, выигрывает не проценты, а разы.
Второе, что изменилось: такие модели стали «достаточно хороши» для задач без присмотра. Раньше мелкую рутину — прибрать файлы на диске, потыкать интерфейс, разобрать черновик — жалели отдавать модели: выходило дороже, чем сделать руками. Теперь на счёте это доли цента, и отношение к работе меняется: пропадает привычка экономить каждый запрос.
Цифры: что именно ужалось
В техническом отчёте DeepSeek (разбор архитектуры вышел у издания XenoSpectrum) ключевая цифра такая: полный KV-кэш — та часть, что живёт в быстрой памяти видеокарты, — падает с 3 514 до 890 байт на токен. Это примерно четверть от прежнего. Долговременный кэш, который выносится на диск, ужимается ещё сильнее — примерно в восемь раз.
Как это сделано:
- Общая, разделяемая память между слоями. Раньше каждый слой хранил свои данные отдельно; новая схема выносит общее наружу, и часть слоёв берёт из него готовое.
- Пониженная точность хранения. Основной кэш держат в формате FP4 — значений на байт помещается больше.
- Отказ от лишнего долгого хранения. Локальное «окно» внимания почти всё время нужно только на коротком промежутке; хранить его вечно смысла нет. Модель держит его недолго и при необходимости пересчитывает.
Важная оговорка: пересчёт этот — приближение, а не точное восстановление. DeepSeek говорит, что по её собственным замерам на качество ответов это влияет мало.
Что это даёт на тестах и в цене
По таблице самой DeepSeek на наборе задач DeepSWE v1.1 доля решённых у V4.1-Flash — 74,2% против 54,4% у предыдущей версии. В той же таблице у Opus 5 — 74,0%, у GPT-5.6 Sol — 73,0%. То есть по этому замеру модель обходит флагманские модели конкурентов — с оговоркой, что замер сделан самим разработчиком и независимой проверки пока нет.
Цены по обновлению сервиса подсчёта цен Cost Per Prompt от 8 октября 2026:
- вход — $0,0356 за миллион токенов;
- выход — $1,00 за миллион;
- кэшированный вход — $0,01 за миллион, на 72% дешевле свежего.
Открытая арифметика выглядит так:
Инди-разработчик, который месяц пользовался моделью на дюжине проектов, описывает эффект так: «если не смотреть на название модели, я не отличу, с чем работаю» — ни по разговору, ни по работе, ни по скорости. Все его длинные сессии укладывались меньше чем в доллар.
Что это меняет на практике
Для тех, кто собирает агентов:
- Контекст перестаёт быть роскошью. Задача, которая раньше упиралась в бюджет на токены, теперь проходит на порядок дешевле.
- Можно перестать выбирать между «дешёвым» и «умным». Разница в цене между средней и топовой моделью больше не причина не запускать задачу.
- Счёт решают не размеры промпта, а глубина рассуждений и доля попаданий в кэш. Чем чаще агент спрашивает одно и то же, тем сильнее экономия.
Чего мы пока не знаем и в чём риск
- Замер сделан разработчиком. Таблица DeepSWE v1.1 — это собственная отчётность DeepSeek; независимого повторения на момент выпуска нет.
- «Вчетверо меньше» — только про кэш. Речь о KV-кэше, а не о всей памяти сервера: веса модели, дополнительный модуль памяти Engram и рабочая область могут не уменьшаться в той же пропорции.
- Пересчёт — приближение. Локальное окно внимания восстанавливается не точно; DeepSeek заявляет, что влияние мало, но проверка тут на стороне разработчика.
- Цены меняются каждую неделю. 8 октября DeepSeek уже урезал цену выхода с $1,20 до $1,00; брать одну цифру за константу нельзя.
- Споры о происхождении данных вокруг этой линейки моделей не закрыты. На сам расчёт это не влияет, но в общую картину это стоит держать.
Короткий вывод
V4.1-Flash — не про погоню за качеством. Она про то, что «достаточно хороший» ответ теперь стоит доли цента, а не доллара, и это меняет не качество задач, а их количество: перестаёшь жалеть запросы. Для инженера это заметнее, чем очередные доли процента в бенчмарках. Обратная сторона — все ключевые цифры пока родом из отчёта самой DeepSeek: пока их не проверил кто-то незаинтересованный, держать их стоит как заявку, а не как факт.