DeepSeek-V4-Flash-0731 : 284 milliards de paramètres sous licence MIT

Le 31 juillet 2026, DeepSeek a publié DeepSeek-V4-Flash-0731, une mise à jour de son modèle Flash sous licence MIT. L'architecture est un mélange d'experts (MoE) d'environ 284 milliards de paramètres, dont 13 milliards actifs par requête.

Ce que veut dire 284B avec 13B actifs

Dans un mélange d'experts, seuls quelques experts travaillent par requête : c'est ce qui rend le coût soutenable.

Le modèle total est massif, mais chaque requête n'active qu'une petite partie des experts. En pratique, cela veut dire des capacités proches des gros modèles pour un coût d'inférence maîtrisé : la mémoire et la bande passante sont dimensionnées par les 13B actifs, pas par les 284B totaux. C'est le principe qui rend les MoE rentables à grande échelle.

Pourquoi le format open weight compte

Sous licence MIT, DeepSeek-V4-Flash-0731 peut être déployé, modifié et intégré commercialement sans redevance. Pour les équipes qui veulent la souveraineté des données et des coûts prévisibles, c'est une alternative crédible aux API fermées, à condition de savoir opérer un MoE : gestion de la mémoire GPU, sharding, latence.

Points de vigilance

Les 284B de paramètres occupent de l'espace disque et mémoire : dimensionner l'infrastructure avant de promettre des gains. La qualité varie selon les domaines, et les benchmarks publiés par l'éditeur doivent être reproduits sur vos tâches. Enfin, la licence MIT ne couvre pas les données d'entraînement.

Ce qu'implique réellement l'exploitation d'un MoE de 284 milliards de paramètres

Un mélange d'experts n'active qu'une fraction de ses paramètres par token, mais il doit tous les avoir chargés. C'est la nuance qui décide de la faisabilité d'un déploiement.

Le calcul se fait sur les paramètres actifs ; la mémoire se dimensionne sur les paramètres totaux. Un modèle de 284 milliards de paramètres dont 13 milliards sont actifs coûte donc peu en calcul et beaucoup en mémoire GPU. C'est exactement l'inverse de l'intuition que donne le chiffre des 13 milliards actifs.

Trois conséquences opérationnelles en découlent :

• Le sharding devient obligatoire. Le modèle ne tient pas sur une carte : il faut le répartir, et cette répartition ajoute de la communication entre GPU, donc de la latence.
• La quantification n'est pas optionnelle. Elle réduit fortement l'empreinte mémoire, au prix d'une perte de qualité à mesurer sur vos tâches, pas à supposer.
• Le taux d'occupation devient critique. Une infrastructure multi-GPU coûte cher à l'heure. Sous-utilisée, elle détruit l'avantage économique que le MoE était censé apporter.

Autrement dit : ce format se justifie pour un débit soutenu, pas pour une charge intermittente. Pour un usage épisodique, une API ou un modèle dense plus petit reviendra moins cher, malgré la gratuité des poids.

Ce que couvre la licence MIT, et ce qu'elle ne couvre pas

La licence MIT est l'une des plus permissives : usage commercial, modification, redistribution, intégration dans un produit fermé, sans redevance ni obligation de partage.

Ce qu'elle ne couvre pas mérite d'être explicite. Elle ne dit rien des données d'entraînement, ni de leur statut au regard du droit d'auteur. Elle n'offre aucune garantie sur les sorties du modèle, ni aucune indemnisation en cas de litige — là où plusieurs fournisseurs d'API proposent une couverture contractuelle. Enfin, elle ne dispense d'aucune obligation réglementaire : déployer un modèle sous licence MIT dans un système à haut risque vous place en position de responsable, avec la documentation correspondante à produire.

La permissivité de la licence transfère la liberté et le risque en même temps.

Questions fréquentes

Un modèle open weight sous MIT peut-il être utilisé dans un produit vendu à des clients ? Oui, la licence l'autorise sans redevance ni obligation de divulgation. Les précautions à prendre sont ailleurs : capacité à documenter le système pour vos clients, garanties que vous accordez sur les sorties, et responsabilité en cas de dommage — aucune de ces trois n'est couverte par la licence.

Comment estimer le coût d'infrastructure avant de s'engager ? En partant du besoin, pas du modèle : débit en requêtes par minute aux heures de pointe, longueur moyenne des entrées et sorties, latence acceptable. Ces trois chiffres déterminent le nombre de GPU nécessaires. Les tester sur une instance louée à l'heure pendant quelques jours coûte quelques centaines d'euros et évite un engagement annuel mal calibré.

Faut-il héberger soi-même ou passer par un hébergeur spécialisé ? Pour la plupart des équipes, l'hébergeur spécialisé est le bon compromis : il offre le choix du modèle et une localisation contractuelle des données sans exiger de compétence en exploitation GPU. L'auto-hébergement complet ne se justifie que si les données ne peuvent physiquement pas sortir, ou si le volume amortit une équipe dédiée.

Conclusion actionnable

DeepSeek-V4-Flash-0731 est un candidat sérieux pour les déploiements souverains. Prochaine étape : chiffrer le coût d'une mise en service (GPU, stockage, latence), évaluer sur 30 tâches internes, puis comparer à l'alternative fermée sur le coût complet.

Pour situer ce sujet dans une démarche complète, Noolya détaille l'intégration de cas d'usage IA en production.

Pour aller plus loin

• DeepSeek-R1 : pourquoi le raisonnement open source change l’arbitrage IA
• DeepSeek V4 Flash et Pro : deux profils pour arbitrer coût, contexte et raisonnement
• Llama 4 : l’open-weight multimodal entre dans l’ère MoE

---

Sources principales

• DeepSeek, publication DeepSeek-V4-Flash-0731, 31 juillet 2026

• Fiche Hugging Face du modèle (MoE, licence MIT, paramètres)

• Note Noolya : les chiffres d'architecture proviennent de la fiche éditeur.