DeepSeek V4 Flash : le modèle à 284 milliards de paramètres qui tourne sur un laptop

Salvatore Sanfilippo, le créateur de Redis, a fait ce que les laboratoires aux budgets trillionnaires disaient impossible : il a construit un moteur d'inférence qui exécute un modèle frontalier de 284 milliards de paramètres sur un laptop que vous pouvez acheter aujourd'hui.

TL;DR — DeepSeek V4 Flash (284B paramètres, 13B actifs, MoE) s'exécute désormais localement via le moteur ds4 sur un MacBook avec 128 Go de RAM. Quantification 2 bits personnalisée, cache KV sur SSD, contexte 1M tokens, API compatible OpenAI — et zéro coût par token.

Résumé

Le 24 avril 2026, DeepSeek a publié la série V4 : deux modèles Mixture-of-Experts qui rivalisent avec GPT-5.4 et Claude Opus 4.6 sur les principaux benchmarks. Le modèle phare était le V4 Pro (1,6T paramètres, 49B activés), mais la sortie la plus importante pourrait être V4 Flash — un modèle MoE de 284B paramètres avec seulement 13B actifs par token, une fenêtre de contexte d'1M tokens, et une licence MIT.

Puis Salvatore Sanfilippo (antirez) a publié ds4, un moteur d'inférence C mono-fichier conçu spécifiquement pour V4 Flash sur Apple Metal. La combinaison fait tenir un modèle de classe frontalière dans ~70 Go de mémoire grâce à une quantification personnalisée et traite le SSD comme un citoyen de première classe pour le cache KV. Le résultat : un raisonnement de classe GPT-5, zéro coût par token, une souveraineté totale des données, et ça tourne sur un MacBook que vous pouvez acheter à l'Apple Store aujourd'hui.

Les chiffres clés : V4 Flash Max obtient 91,6 % sur LiveCodeBench (contre 88,8 % pour Opus 4.6), 94,8 % sur HMMT 2026 Feb (contre 96,2 % pour Opus 4.6), et 79 % sur SWE-Bench Verified — à moins de 1,8 point de Claude Opus 4.6. À 0,14 $/M tokens en entrée via l'API officielle, c'est environ 50 fois moins cher qu'Opus 4.6. Et avec ds4, le coût API tombe à zéro.

Voyons comment ça fonctionne et pourquoi c'est important.

Qu'est-ce que DeepSeek V4 Flash ?

DeepSeek V4 Flash est la variante "Flash" de la quatrième génération de modèles DeepSeek, conçue spécifiquement pour une inférence rapide et efficace tout en conservant un niveau frontalier.

Le comptage de 13B paramètres actifs est le nombre magique. Le modèle stocke 284B paramètres de connaissance à travers des centaines de modules experts, mais n'en active que 13B par token. Cela signifie que le coût de calcul par étape de génération est comparable à celui d'un modèle dense de 13B, tandis que la profondeur des connaissances rivalise avec des modèles 20 fois plus grands.

Point clé : V4 Flash n'est pas un "petit" modèle qui joue au-dessus de sa catégorie. C'est un grand modèle MoE optimisé pour l'activation sparse — et c'est ce qui rend l'inférence locale possible.

L'innovation clé : le moteur ds4 par le créateur de Redis

Salvatore Sanfilippo — antirez, le créateur de Redis — a construit ds4 : un moteur d'inférence C mono-fichier pour DeepSeek V4 Flash sur Apple Metal. Il est délibérément étroit : un modèle, une plateforme matérielle, une performance maximale.

Pourquoi pas llama.cpp ou vLLM ? Les moteurs génériques optimisent pour la largeur (exécuter plusieurs modèles). ds4 optimise pour la profondeur — exécuter un modèle parfaitement. En contraignant le problème à l'architecture de V4 Flash, antirez a pu implémenter des optimisations spécifiques au modèle que les moteurs généraux ne peuvent pas égaler.

Quantification 2 bits personnalisée

Les fichiers GGUF de ds4 utilisent un schéma de quantification sur mesure validé par rapport aux logits officiels de DeepSeek à plusieurs tailles de contexte. Ce n'est pas du Q2_K avec perte de qualité — c'est un schéma de compression qui maintient la précision tout en réduisant le modèle complet de 284B à ~70 Go de mémoire.

Le SSD comme cache KV de première classe

L'inférence traditionnelle conserve le cache KV dans la RAM, limitant le contexte à la mémoire restante après le chargement du modèle. L'architecture d'attention hybride de V4 Flash compresse déjà le cache KV à 10 % de la taille de la génération précédente. ds4 exploite cela en traitant le SSD comme un citoyen de première classe pour le cache KV. Le résultat : un contexte d'1M tokens sur un MacBook, avec une persistance du cache KV entre les redémarrages.

Exécution Metal native

Pas de couche d'abstraction GGML. Pas de surcoût. ds4 est un exécuteur de graphe Metal direct avec chargement, rendu de prompt et gestion d'état spécifiques à V4 Flash. Cela supprime toutes les couches d'indirection entre le code et le GPU.

API prête pour les agents

ds4 expose des API HTTP compatibles OpenAI et compatibles Anthropic. Il a été testé avec Claude Code, opencode et d'autres frameworks d'agents. Ce n'est pas une démo de recherche — c'est une infrastructure de production pour les workflows d'agents.

Point clé : Un développeur, avec l'aide de l'IA, a construit un moteur d'inférence qui fait ce que des clusters de GPU faisaient il y a un an. L'effet composé des modèles à poids ouverts et de l'inférence sur mesure s'accélère plus vite que quiconque ne l'avait prédit.

Performances des benchmarks

Les chiffres ci-dessous comparent V4 Flash Max (effort de raisonnement maximal) aux modèles propriétaires frontaliers sur les principaux benchmarks du rapport officiel DeepSeek.

V4 Flash Max est à portée de la frontière — accusant un retard de 1 à 5 points sur la plupart des benchmarks tout en coûtant 50 fois moins par token.

Point clé : L'écart entre les modèles frontaliers "locaux" et "cloud" s'est réduit au point où, pour la plupart des tâches pratiques de codage et de raisonnement, la différence est imperceptible.

Pourquoi c'est important : 4 implications

1. La fin de la tarification par token pour l'IA frontalière

Un MacBook Pro avec 128 Go de RAM coûte environ 4 000 à 7 500 $. C'est un achat matériel unique qui vous donne une inférence frontalière illimitée. Comparez cela à 2 000 à 8 000 $ par mois en coûts d'API cloud. Le seuil de rentabilité est inférieur à 3 mois pour les utilisateurs intensifs.

2. Souveraineté des données sans compromis

Quand l'inférence s'exécute localement, vos données ne quittent jamais votre matériel. Aucune donnée client ne passe par des serveurs tiers. Pour les industries réglementées, c'est la position de conformité la plus solide.

3. Infrastructure d'agents à coût marginal zéro

ds4 expose une API compatible OpenAI. Vos frameworks d'agents existants peuvent pointer vers votre MacBook local au lieu des serveurs d'OpenAI. Vos agents bénéficient d'un raisonnement de niveau frontalier avec zéro coût marginal par requête.

4. Résilience open-source contre la dépendance au fournisseur

DeepSeek V4 Flash est sous licence MIT. ds4 est open-source (MIT). Personne ne peut déprécier le modèle, modifier les prix ou restreindre l'accès. Vous possédez toute la pile.

Point clé : L'IA frontalière locale n'est pas une prédiction future — elle est disponible aujourd'hui. La question est de savoir si votre entreprise commence à l'utiliser maintenant ou continue de louer l'intelligence au token.

Conclusion

Salvatore Sanfilippo, travaillant seul avec l'aide de l'IA, a construit un moteur d'inférence qui exécute un modèle frontalier de 284 milliards de paramètres sur un laptop. DeepSeek a publié les poids du modèle gratuitement. La combinaison offre un raisonnement de classe GPT-5 à zéro coût par token avec une souveraineté totale des données.

Ce n'est pas une prédiction future. C'est disponible aujourd'hui.

Prêt à exécuter l'IA frontalière localement ? Découvrez ds4 sur GitHub et récupérez les poids de DeepSeek V4 Flash sur Hugging Face.

Recevez chaque semaine des informations sur l'IA frontalière, l'inférence locale et l'avenir de l'intelligence d'entreprise. Suivez aratech pour des analyses approfondies.