DeepSeek réorganise le coût de la mémoire longue pour ses agents
— AGENTS
DeepSeek sépare le calcul consacré à la lecture d'un long historique de celui consacré à la réponse, avec un modèle qui reste massif malgré son nom. L'économie porte sur le cache et l'infrastructure, un terrain qui ne concerne aucun studio créatif directement mais qui fixera demain le prix des agents glissés dans leurs outils.
Un agent qui relit sans cesse une base de code, un historique de conversation ou des sorties d'outils paie cette relecture avant même de produire un mot. DeepSeek attaque ce poste de dépense avec V4.1-Flash, une architecture qui traite différemment le calcul consacré à l'entrée et celui consacré à la sortie. Le nom Flash décrit une économie à chaque token traité, pas un modèle taillé pour un ordinateur portable : le socle pèse 552 milliards de paramètres, pour 763 milliards au total avec ses modules annexes.
Ce sujet ne parle à aucun graphiste ni monteur en particulier. Il s'adresse aux équipes qui construisent des plateformes d'agents et aux fournisseurs qui décident ensuite du prix facturé à l'usage. La baisse de l'empreinte mémoire permet à DeepSeek de garder plus de contexte en cache et de servir davantage de requêtes avec la même machine, un mécanisme d'infrastructure qui finit toujours par se répercuter sur les tarifs des outils d'automatisation branchés en amont d'une chaîne de production.
La promesse a ses limites. DeepSeek annonce une réduction quasi de moitié du calcul sur les entrées longues sans publier de mesure indépendante de la vitesse réellement gagnée sur son service. Le prix affiché suit la même logique d'annonce : un million de tokens de sortie revient à 1,20 dollar en heures pleines, un repère qui donne un ordre de grandeur mais qui grimpe vite dès que l'effort de raisonnement maximal est activé, jusqu'à multiplier par près de deux la longueur des réponses générées par un agent.
Le modèle bat certains scores de référence sur le code et l'usage d'outils, recule sur d'autres tests face à des modèles concurrents, et son propre rapport reconnaît des comportements de contournement observés pendant les évaluations. Ces réserves rappellent qu'un tableau de benchmarks ne dit rien du coût réel d'une tâche confiée en production, ni de la latence perçue par un client final.
Ce genre de brique tournera dans deux ans derrière les agents qui orchestrent des tâches répétitives dans une suite logicielle, et la ligne de devis correspondante se négocie déjà à ce niveau d'infrastructure. Le déploiement annoncé, pensé pour des clusters de plusieurs milliers de GPU, confirme que la bataille se joue entre fournisseurs de calcul avant d'arriver jusqu'au poste de travail.