DeepSeek V4.1-Flash-1017: tokens, búsqueda y el costo real por tarea

La cuenta por tarea ganó una línea que la caché no descuenta

DeepSeek publicó el 17 de octubre el V4.1-Flash-1017, con pesos MIT y las APIs de Search y Fetch a US$ 0,75 por 1.000 solicitudes exitosas por endpoint (anuncio oficial, consultado el 2026-10-20). La tarifa rige desde el 31 de octubre, a las 16h UTC. Hasta entonces, solo quien llama a Search y Fetch por server-side tools no ve la segunda línea en el extracto.

El corte cae un sábado, a las 13h en Brasilia. Es el tipo de fecha que pasa desapercibida: quien opera un agente de código en producción no está leyendo extractos el fin de semana, y la factura de noviembre llega con una línea que nadie presupuestó. DeepSeek no lanzó el modelo como el más barato del mercado. Lo lanzó como una mejora simultánea de rendimiento y costo, y puso la búsqueda propia dentro de la misma factura.

La pregunta que le importa al CTO no es cuánto cuesta el token. Es cuánto cuesta la tarea. Y cuántas líneas tiene.

Lo que DeepSeek publicó el 17 de octubre

El anuncio describe el 1017 como una mejora simultánea de rendimiento y costo sobre el V4.1-Flash de septiembre: pesos abiertos con licencia MIT, 1M de tokens de contexto, salida recomendada de al menos 256K y las APIs de Search (búsqueda) y Fetch (extracción de página) del motor de búsqueda de la propia DeepSeek.

Los pesos están en el repositorio deepseek-ai/DeepSeek-V4.1-Flash-1017 en Hugging Face, con el campo license: mit, y el release está replicado en ModelScope. El repositorio trae inferencia de referencia: conversión del checkpoint, torchrun con tensor parallel 8 y dtype fp4 para los expertos. Sirve para correr en hardware propio, y está lejos de ser una receta de producción.

La ventana de contexto recomendada es de 1M de tokens. Para la salida, el model card recomienda max_tokens de al menos 256K, y la palabra importa: es piso, no techo.

En la API el nombre es deepseek-flash, y ya es servido por el 1017 sin cambios en la llamada. Los nombres anteriores, deepseek-v4-flash y deepseek-v4-flash-vision-exp, siguen aceptados, enrutados al 1017 y cobrados como Flash. Para el Harness, el anuncio recomienda la versión v0.2.1-rc.1 o superior. La rc.2 salió el mismo día, a las 08:16 UTC, 2h54 después, y es la que agrega soporte al 1017 y a las APIs de Search y Fetch.

El bloque de benchmarks es del proveedor, y el harness viaja con el número

En DeepSWE v1.1, el 1017 marca 77,0 contra 74,2 del V4.1-Flash de septiembre, 74,0 de Opus 5, 73,0 de GPT-5.6 Sol y 67,5 de K3, todos corriendo en el Mini-SWE-V2 declarado por el card. En Terminal-Bench 4.0, con harness Claude Code, el 1017 marca 42,3 y Opus 5, 51,8. En NL2Repo-Bench, 68,2 contra 75,3 de Opus 5, las dos comparaciones del card en las que el 1017 pierde. En Automation-Bench v1.0.6, 60,5.

La salvedad no es una formalidad. El informe técnico del V4.1-Flash informa que el entrenamiento por RL con self-feedback corrió en scaffolds heterogéneos, incluidos Claude Code, Pi y el propio DeepSeek Harness en dos modos. Un modelo entrenado dentro de un harness y medido dentro de un harness carga el harness en el número: compararlo con otro modelo exige que ese otro haya sido medido con la misma configuración de pasos y de presupuesto de tokens, y el card no afirma eso.

Por qué esto cambia la cuenta por tarea

Porque la unidad de cobro deja de ser solo el token. Con Search y Fetch en el mismo proveedor, una tarea de agente pasa a tener dos líneas con dinámicas opuestas: el token baja con caché y salida más corta, la llamada de herramienta es precio fijo por solicitud. En la tarea modelada en este análisis, las 14 solicitudes suman 36% de la cuenta. El motor de búsqueda pesa antes de que el modelo entre en la cuenta, como ya lo mostraba la comparación de búsqueda web por motor y profundidad.

La cuenta de token tiene tres comportamientos que la tarifa no comparte. La entrada en caché cuesta 2% del precio completo, con el descuento de 98% que Artificial Analysis registra para este modelo. La salida se cobra por token generado. La llamada de herramienta no tiene caché. No recibe descuento por volumen y el precio por solicitud no baja cuando el modelo se vuelve más eficiente: cuesta US$ 0,75 por 1.000 solicitudes exitosas, por endpoint, y el parámetro count no altera el precio.

Con el número de llamadas por tarea constante, toda ganancia de eficiencia del modelo empuja la cuenta de token hacia abajo y deja la línea de herramienta quieta en el mismo lugar. La condición no es retórica: parte de la ganancia de un modelo agéntico aparece justamente como menos llamadas por tarea, con menos rondas de búsqueda, menos reformulación y menos reintentos, y ahí la línea de herramienta cae con ellas. Lo que decide la porción de la herramienta es llamadas por tarea, no la calidad del modelo. Con 14 llamadas fijas, la ganancia anunciada actúa sobre el 64% que viene de token, la mayor y la única parte de la cuenta con descuento de caché, y no toca el 36% que viene de herramienta. El card del 1017 no publica llamadas por tarea ni tasa de éxito de tool calling, así que el conteo de 14 es premisa, no medición.

El ancla externa para costo por tarea es Artificial Analysis, lectura del 2026-10-20: Intelligence Index 45, segunda posición entre 121 modelos, 216,5 tokens de salida por segundo, US$ 0,30 por 1M de entrada y US$ 1,20 por 1M de salida, y costo promedio de US$ 0,26 por tarea del propio índice.

Ese US$ 0,26 no es el número de este análisis, y confundir los dos es el error más fácil de cometer. Se calcula solo sobre token, sin tarifa de herramienta, y por eso subestima exactamente la línea que este análisis dice que nadie presupuesta: el único número independiente de costo por tarea disponible en el mercado no ve la segunda línea. También mide la tarea promedio del Intelligence Index, con otro largo y otra densidad de herramienta, y sirve como orden de magnitud de lo que midió un tercero. La metodología de costo por tarea en la decisión de ruta ya separaba esos dos usos del número.

La posición de este análisis es directa: presupuestar un agente por token no es una estimación conservadora, es subestimación estructural, y el error crece en los flujos que más dependen de búsqueda. Quien ya midió el costo real de una aplicación de IA más allá del precio por token reconoce el patrón: la línea que decide no está en la tabla del proveedor.

La cuenta, línea por línea

La cuenta tiene tres premisas nombradas y una tabla. Con el precio de token de Artificial Analysis y la tarifa oficial de herramienta, la tarea de referencia cuesta US$ 0,0291 después del 31 de octubre y US$ 0,0186 en la ventana gratuita. El alza de 56% no viene de token.

La exención que produce ese antes y después tiene alcance, y el alcance decide quién ve la diferencia. Cubre llamadas de Search y Fetch hechas por server-side tools en DeepSeek Harness, en Claude Code y en Codex hasta el 31 de octubre, a las 16h UTC. Quien llama a las APIs de Search y Fetch directo ya paga US$ 0,75 por solicitud exitosa hoy, y para ese flujo no hay ventana: la cuenta empieza en US$ 0,0291.

Las tres tienen nombre para poder ser cambiadas.

P1, forma de la tarea. 8 turnos, 120 mil tokens de entrada acumulados, 90% de aciertos de caché, 12 mil tokens de salida y 14 llamadas de herramienta, siendo 8 de Search y 6 de Fetch. Es modelado, no medición de cliente.

P2, precio de token. US$ 0,30 por 1M de entrada y US$ 1,20 por 1M de salida, con descuento de caché de 98%, lo que da US$ 0,006 por 1M de entrada con acierto de caché. Fuente: Artificial Analysis, lectura del 2026-10-20.

P3, precio de herramienta. US$ 0,75 por 1.000 solicitudes exitosas, cada endpoint. Fuente: anuncio oficial y guía de Search, consultados el 2026-10-20. La solicitud con error, resultado vacío o timeout no se cobra.

La diferencia entre las dos últimas líneas es el antes y el después del 31 de octubre, y vale para quien usa Search y Fetch por server-side tools en el Harness, en Claude Code o en Codex. Ese agente, con el mismo código y el mismo volumen, pasa de US$ 0,0186 a US$ 0,0291 por tarea, un alza de 56%. A 100 mil tareas por mes, la línea nueva suma US$ 1.050.

La línea de herramienta de la tabla es un piso, y no el costo de la herramienta. Cada resultado de Search o Fetch vuelve al contexto y se cobra como token de entrada nuevo, sin caché, y la cuenta de arriba trata la llamada como US$ 0,00075 e ignora lo que trae de vuelta. Con una premisa explícita de 40 mil tokens de retorno distribuidos en las 14 llamadas, el retorno cuesta 0,040M × US$ 0,30, o US$ 0,012, más que la propia tarifa de US$ 0,0105, y el total va a US$ 0,0411, 41% por encima del número de portada. No hace falta fijar el tamaño del retorno para cerrar el argumento: la línea tiene un tercer componente, el token ingerido, y por eso los 36% de participación son piso, no techo.

La unidad que usa un comprador tampoco es el intento, es la tarea resuelta. Con tasa de éxito de 70%, premisa nombrada e ilustrativa porque el card publica DeepSWE, Terminal-Bench y NL2Repo en otra distribución de tarea, el costo por tarea exitosa sale de US$ 0,0291 a US$ 0,0416, y la tarifa de herramienta se paga también en los intentos que fallan. Dividir los dos lados por la misma tasa no mueve el cruce del self-host, lo que es contraintuitivo y vale registrarlo: si las dos rutas fallan en la misma proporción, la razón entre ellas queda igual. El cruce cambia cuando la tasa difiere entre las rutas, y la diferencia no es neutra: un nodo sin alta disponibilidad y sin guardia tiene tasa de éxito menor, y cada falla extra reduce la tarea resuelta por hora.

En las dos líneas de self-host, la columna trae el costo total de la ruta, con la tarifa incluida cuando la búsqueda sigue en la API, y no el costo operativo del nodo: son números de nodo saturado, sin ociosidad, sin redundancia y sin guardia. A 1.200 tareas por hora, el mejor caso de la tabla, el self-host le gana a la API por 7%. La última línea no es una ruta y no debería leerse como una: marca el punto en que el costo del nodo empata con el costo total de la API, que es donde la decisión de migrar empieza a existir.

Tres premisas mueven el resultado más que las otras.

Si el acierto de caché cae de 90% a cero, la entrada pasa a costar US$ 0,036 y el total va a US$ 0,0609, poco más del doble. El acierto de caché es la premisa más frágil de la cuenta: depende de que el agente reutilice contexto entre turnos, y un flujo que reescribe el prompt en cada paso no lo reutiliza.

Dos cosas quedan fuera de la P2 y empujan el costo hacia arriba. Si el proveedor cobra un premio por grabar la caché, el primer turno de cada prefijo cuesta más que el precio completo de entrada; y la caché tiene TTL, que este análisis no modela. Con 8 turnos y pausas largas entre ellos, parte del prefijo puede expirar y volver a precio completo. El precio de lectura en caché también es lectura de tercero: los US$ 0,006 por 1M vienen de Artificial Analysis, no de una tabla oficial de DeepSeek confirmada hasta el 2026-10-20.

Si la salida se duplica a 24 mil tokens, el total va a US$ 0,0435. Si las llamadas de herramienta se duplican a 28, el total va a US$ 0,0396. Una tarea sin llamada de herramienta cuesta US$ 0,0186, el mismo número de la ventana gratuita de Search y Fetch. La tarifa nueva no cambia la cuenta de quien no usa búsqueda, y la mayor parte de los flujos de código usa.

Cuándo el self-host cierra la cuenta

La cuenta del nodo propio solo cierra con la tarifa de búsqueda sumada, porque la API no deja de cobrar la herramienta cuando el modelo sale de ella. Ignorar esa porción da 687 tareas por hora. Sumando los US$ 0,0105 de Search y Fetch, a US$ 20 por hora de nodo, el cruce queda en cerca de 1.073 tareas por hora.

La fórmula tiene dos términos, y el segundo es el que suele desaparecer de la cuenta. El costo por tarea en el nodo propio es el costo del nodo por hora dividido por las tareas que entrega por hora, más la tarifa de Search y Fetch cuando la búsqueda sigue en la API de DeepSeek. El equilibrio contra los US$ 0,0291 de la API aparece cuando sobran US$ 0,018648 para el nodo después de pagar US$ 0,0105 de tarifa, y a US$ 20 por hora eso exige 1.072,5 tareas por hora.

La comparación que ignora la tarifa encuentra un punto en que el nodo, solo, cuesta lo mismo que la API entera. Ese no es el punto en que el self-host empata con la API, porque la búsqueda sigue cobrándose en los dos lados. La barra sube 56%. Si el self-host también sustituye la búsqueda, entra el costo de una pila de búsqueda propia, hoy cero en esta cuenta, y el cruce sube más.

Los US$ 20 por hora son de un nodo de 8 GPUs, y la premisa viene del repositorio: la inferencia de referencia corre torchrun con tensor parallel 8, lo que reparte el modelo en ocho aceleradores. Es precio de nodo en una franja agresiva, plausible para esa clase de hardware, y no precio de GPU-hora. Si el lector lee los US$ 20 como precio de GPU-hora, el nodo de 8 GPUs cuesta US$ 160 por hora y el cruce sale de la casa del mil bajo a la del mil alto: 8,6 mil tareas por hora cuando la tarifa entra en la cuenta, 5,5 mil en la lectura generosa que la ignora. Es el mismo cálculo en unidades distintas, y este análisis fija la suya. Nodo de 8 GPUs a US$ 20 por hora, con el precio como variable del lector.

Sostener 1.072,5 tareas por hora, 24 horas al día, es el problema. A 12 mil tokens de salida por tarea, un flujo saturado entrega cerca de 65 tareas por hora, así que el equilibrio pide unos 17 flujos en paralelo, sin pausa para prefill, sin espera de herramienta y sin valle de madrugada.

Los 216,5 tokens por segundo de Artificial Analysis son de flujo único, y tok/s de flujo único no es capacidad en ninguna dirección. Bajo batching continuo, la tasa por flujo cae y la tasa agregada del nodo puede ser varias veces mayor, de modo que 17 flujos nunca llegan a 216,5 tokens por segundo cada uno en el mismo nodo. La capacidad se mide con barrido de concurrencia, mirando rendimiento agregado y p95 de TTFT en la concurrencia objetivo, y ninguna de las fuentes consultadas publica ese barrido. La latencia es el otro lado que la tabla de precio no muestra: una API grande absorbe cola y gestiona caché de prefijo, mientras que un nodo propio saturado con 17 flujos concurrentes no tiene esa holgura.

La carga real llega en pico, espera retorno de búsqueda y queda ociosa de noche, y cada una de esas holguras empuja las tareas por hora por debajo de lo que el hardware entregaría en teoría. A 300 tareas por hora, el nodo entrega US$ 0,0667 y la cuenta cierra en US$ 0,0772 con la tarifa, dos veces y media los US$ 0,0291 de la API, y el nodo pasó a ser la opción cara.

Falta la operación, que la GPU no cubre. Un nodo único no tiene alta disponibilidad, y la disponibilidad real pide dos, lo que duplica el costo por tarea o corta el equilibrio a la mitad. Se suman almacenamiento de los pesos, egress de salida, guardia de SRE, que cuesta por mes más que el nodo, y el ciclo de actualización: cada snapshot nuevo exige revalidar la inferencia, correr eval de regresión y cambiar el serving, trabajo que se repite en cada release, y el Harness publicó dos el mismo día. El costo del nodo por hora es el piso del costo operativo, no el costo operativo.

Está también el trabajo de serving. El repositorio trae conversión de checkpoint e inferencia de referencia con torchrun en tensor parallel 8, y el anuncio de septiembre dice que DeepSeek va a trabajar con la comunidad en opciones de deploy. No hay, en las fuentes primarias consultadas el 2026-10-20, receta oficial de vLLM o SGLang para el 1017. El camino existe, y pasa por ingeniería de inferencia.

El dimensionamiento empieza por una pregunta que el repositorio no cierra: la metadata trae 763B de parámetros, y Artificial Analysis y el anuncio de septiembre informan 552B totales con 16B activos. La divergencia no está reconciliada en fuente pública, y por eso este análisis no usa conteo de parámetros en ninguna cuenta. La decisión de correrlo es de capacidad y gobernanza antes de ser de precio.

Qué hacer antes del 31 de octubre

Dos mediciones, una decisión y dos ajustes, todos ejecutables en una semana. El objetivo no es prever la factura de noviembre, es saber cuántas llamadas de herramienta consume hoy cada tarea suya, porque ese número decide el orden de magnitud del aumento.

1. Cuente llamadas de herramienta por tarea en su trace, separando Search de Fetch y contando solo las que devolvieron resultado.
2. Recalcule el costo por tarea con y sin la tarifa usando su precio de token y su tasa de acierto de caché, no los de este análisis.
3. Decida si la búsqueda es interna o de tercero. Dato público en volumen alto convierte el costo por llamada en decisión de arquitectura, y existe método para medir un benchmark de búsqueda web para agentes antes de contratar.
4. Revise presupuesto por clave y por proyecto para incluir la línea de herramienta, con techo separado del de token: las dos crecen por motivos distintos.
5. Marque el 31 de octubre de 2026, 16h UTC, en el calendario de revisión de precio. No el 1 de noviembre. Y no en horario de Brasilia sin convertir.

Preguntas frecuentes

¿El V4.1-Flash-1017 es open source? Los pesos están publicados con licencia MIT, en Hugging Face y en ModelScope, y MIT es una licencia de código abierto aprobada. Lo que el repositorio no trae son los datos de entrenamiento.

¿Cuánto cuesta la búsqueda después del 31 de octubre? US$ 0,75 por 1.000 solicitudes exitosas, cobrado por endpoint, con Search y Fetch contados por separado. La exención rige hasta el 31 de octubre, a las 16h UTC, y solo para llamadas por server-side tools en DeepSeek Harness, en Claude Code y en Codex: la llamada directa a las APIs de Search y Fetch ya se cobra por solicitud exitosa. El parámetro count, que define cuántos resultados vuelven, no altera el precio, y la solicitud con error no se cobra.

¿Puedo correr el modelo en vLLM o SGLang? No hay receta oficial para el 1017 en esas dos pilas en las fuentes primarias consultadas el 2026-10-20. El repositorio publica inferencia de referencia con torchrun en tensor parallel 8, y el anuncio de septiembre dice que DeepSeek pretende trabajar con la comunidad en soporte de inferencia. Self-host con esas pilas es trabajo de ingeniería, no configuración.

¿77,0 en DeepSWE significa que el modelo es mejor que Opus 5? No como afirmación general. El número es del proveedor, medido en Mini-SWE-V2, y el informe técnico informa entrenamiento de RL en scaffolds heterogéneos. En NL2Repo-Bench, el mismo card da 75,3 a Opus 5 contra 68,2 del 1017, dirección contraria. Un benchmark único con harness declarado mide ese harness.

Referencias

• Anuncio del DeepSeek V4.1-Flash-1017, consultado el 2026-10-20.
• Repositorio DeepSeek-V4.1-Flash-1017 en Hugging Face, consultado el 2026-10-20.
• Guía de las APIs de Search y Fetch, consultado el 2026-10-20.
• Releases del DeepSeek Harness, consultado el 2026-10-20.
• Artificial Analysis, DeepSeek V4.1-Flash-1017, lectura del 2026-10-20.

Qué observar en las próximas semanas

Tres cosas: el volumen de llamadas después del 31 de octubre, si DeepSeek publica receta de serving para el 1017, y si aparece una configuración de inferencia validada por la comunidad que cambie el costo del self-host.

El precio de token de este modelo ya es lo bastante bajo para que la línea de herramienta deje de ser ruido. El Nexforce Router no ve las 14 llamadas individuales de Search y Fetch, porque la server-side tool corre dentro de la API del proveedor: el gateway ve una solicitud de chat completions y, como máximo, el uso que el proveedor devuelve, y detallar la llamada de herramienta exige que ese uso traiga el conteo, o que el cliente use tool calling de su lado. Lo que el Router garantiza es el control alrededor de la llamada de modelo: una API y una clave para varios modelos, enrutamiento por costo, rendimiento, latencia y contexto, failover entre proveedores, presupuesto por clave y por proyecto, y trace de cada llamada de modelo. Contar 14 solicitudes por tarea sigue siendo trabajo de su propio trace, en el cliente. Sin ese control, la porción de 36% aparece por primera vez en la factura cerrada, cuando ya no hay nada que decidir.

Publicado el 2026-10-20. Precios, benchmarks y latencias con fecha de lectura del 2026-10-20, sujetos a cambio del proveedor.