DeepSeek V4.1 Flash: 1.000 tokens/s en Vercel AI Gateway

DeepSeek V4.1 Flash Ultrafast ya genera más de 1.000 tokens por segundo en AI Gateway

Vercel habilitó DeepSeek V4.1 Flash 1017 Ultrafast en su AI Gateway, servido a través de Fireworks, con una capacidad de generación que supera los 1.000 tokens por segundo. Para un equipo que ya corre agentes de código en producción, ese número no es una curiosidad de benchmark: es la diferencia entre un agente que resuelve una tarea en segundos y uno que deja al usuario mirando un indicador de carga.

El modelo es la actualización del 17 de octubre de DeepSeek V4.1 Flash, servida sobre el endpoint serverless acelerado de Fireworks. Llega en public preview, sin sala de espera ni límite de tiempo de sesión, y mantiene una ventana de contexto de 1 millón de tokens.

¿Qué es DeepSeek V4.1 Flash 1017 Ultrafast y para qué sirve?

El sufijo 1017 identifica la versión del modelo publicada el 17 de octubre; Ultrafast es la capa de servicio acelerado que Fireworks pone encima. El resultado es un modelo pensado para tres tipos de carga: coding interactivo, razonamiento y flujos agénticos donde la aplicación necesita generar salida y pasar al siguiente paso rápido.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

En AI Gateway se invoca con un solo identificador: deepseek/deepseek-v4.1-flash-1017-ultrafast. No hay que gestionar claves separadas por proveedor ni reescribir la integración si mañana se cambia de endpoint.

La velocidad del modelo ya había llamado la atención en pruebas independientes. Geeky Gadgets reportó que DeepSeek V4.1 Flash alcanzó 1.286 tokens por segundo en generación de texto, y lo ubicó como el mejor de su categoría en la frontera de Pareto de calidad frente a costo. Esa combinación —rápido y barato por tarea— es la que explica el interés de los equipos que corren muchas llamadas encadenadas.

¿Por qué Fireworks es clave en esta ecuación de velocidad?

Fireworks presentó su modo Ultra-fast en su conferencia Forge del 3 de noviembre de 2026, y según Unite.AI reportó cifras de hasta 1.500 tokens por segundo sobre DeepSeek V4.1 Flash. El dato más relevante para un founder no es el pico, sino el efecto acumulado en tareas de varios turnos: la compañía reportó que el tiempo de completado de su benchmark de agentes de 30 turnos bajó de un minuto a ocho segundos con Ultra-fast.

Ese es el punto que suele escaparse en las comparativas de modelos. En un agente, la latencia no se suma, se multiplica: treinta llamadas encadenadas con dos segundos de espera cada una arruinan la experiencia, aunque cada llamada parezca rápida en aislamiento. Reducir el tiempo por token no mejora el producto un 20%; puede cambiar el tipo de producto que se puede construir.

Fireworks también corre Ultra-fast en GPUs NVIDIA Blackwell, y mantiene una capa de opciones económicas para cargas que toleran espera —como modo Background a mitad de precio o caché de prompts de varios días—, según el mismo reporte de Unite.AI.

¿Qué cambia para los agentes de código que ya usas?

El caso más inmediato es el de las herramientas de programación con IA. Vercel documenta que, tras instalar la última versión de su CLI y ejecutar npx vercel ai-gateway setup, se puede seleccionar deepseek/deepseek-v4.1-flash-1017-ultrafast dentro de Claude Code, Codex, Cursor y otros agentes.

Ahí la velocidad tiene un efecto directo en el ciclo de trabajo. Un agente que responde a más de 1.000 tokens por segundo permite iteraciones casi en tiempo real sobre un archivo, y con 1 millón de tokens de contexto se puede cargar un repositorio mediano completo sin recortar archivos. Para equipos pequeños que usan el agente como par de programación durante toda la jornada, la diferencia en fricción es tangible.

El propio ecosistema de gateways ya muestra que la adopción se decide por casos de uso muy específicos. Según CryptoBriefing, un modelo de decisión llamado Jev llegó a cerca del 13% de los equipos de pago de AI Gateway de Vercel en sus primeras 24 horas, un registro que el índice del gateway publicado el 15 de octubre de 2026 confirmó como el de adopción más rápida de la plataforma. La lección: los desarrolladores prueban rápido cuando el modelo resuelve una tarea concreta mejor que la alternativa.

¿Cuál es el costo real de correr un agente rápido?

La velocidad no sale gratis cuando el agente repite contexto. Un benchmark de Fireworks del 14 de septiembre de 2026 sobre DeepSeek V4.1 Flash, citado por Unite.AI, encontró que en su corrida de DeepSWE el 99,6% de los tokens de entrada fueron aciertos de caché, y que esos aciertos representaron el 60% de la factura. Es decir: en agentes de larga duración, el gasto se concentra en reenviar contexto, no en generar salida.

Ese dato reordena las prioridades al elegir infraestructura. Un modelo con precio de salida bajo pero sin caché eficiente puede salir más caro que uno con tarifas nominales más altas y buen manejo de contexto repetido. Vale la pena medir la proporción de tokens cacheados antes de decidir con la lista de precios en la mano.

En la capa de infraestructura, DeepSeek publicó DeepInfer, el framework de inferencia que corre V4.1 Flash en su propia producción, bajo licencia Apache 2.0, según MarktechPost. El reporte técnico menciona más de 25.000 tokens de salida por segundo por GPU en decodificación y un clúster que sirve 155 billones de tokens por día. Son cifras autoreportadas y de un stack que el propio DeepSeek describe como offline, sin sistema de caché KV ni desagregación de prefill y decode; sirven como referencia de hasta dónde llega la optimización en origen, no como algo que un equipo vaya a replicar de inmediato.

¿Qué significa esto para tu startup?

La consecuencia estratégica es que la capa de enrutamiento dejó de ser un detalle de arquitectura. Cuando un mismo modelo se sirve con distintas velocidades, precios y garantías según el proveedor, la decisión de por dónde pasa cada llamada impacta directo en el margen y en la experiencia. Esa es la tesis que explica la avidez por los gateways: The Next Web reportó que Stripe habría cerrado la compra de OpenRouter por más de US$7.000M, según Bloomberg, en una operación que todavía no fue confirmada oficialmente por las partes. El interés no está en el modelo, está en quien lo enruta y lo factura.

Acciones concretas:

Mide antes de migrar. Toma 20-30 prompts reales de tu producto, correlos con el identificador nuevo y con tu proveedor actual, y compara tiempo total de la tarea completa, no tokens por segundo aislados. Usa el playground del gateway para la prueba inicial y luego valida en tu propio flujo.
Instrumenta el costo por tarea, no por token. Separa tokens de entrada, cacheados y de salida. Si el contexto repetido pesa más del 50% de tu factura, tu problema es la gestión de contexto antes que el precio del modelo.
Aprovecha las capas gratuitas de control. AI Gateway incluye presupuestos por API key, reglas de enrutamiento, reintentos y failover, además de soporte de Zero Data Retention. Configurarlos desde el día uno evita la sorpresa de factura y la caída por dependencia de un solo proveedor.
Revisa el encaje en tu caso de uso. El modelo está posicionado para coding interactivo, razonamiento y agentes. Si tu producto hace clasificación o extracción simple, un modelo de decisión puede ser más barato y rápido que un modelo generativo.

Lo que conviene verificar antes de comprometerse

Ultrafast está en public preview, y eso trae condiciones que no siempre se leen. Fireworks, según Unite.AI, no ofrece garantías de latencia durante la vista previa de su capa acelerada, y la disponibilidad de capacidad compartida varía con la demanda. Para prototipos es perfecto; para un SLA con clientes de pago, conviene tener un plan B configurado en el mismo gateway.

También conviene ser preciso con los números: los 1.000 tokens por segundo son la referencia que publica Vercel para esta integración, mientras que las cifras de 1.286 y 1.500 provienen de mediciones y anuncios de terceros sobre el mismo modelo en otros contextos. Ninguna de esas cifras describe tu carga particular. La única medición que importa es la que hagas con tus prompts.

Conclusión

La llegada de DeepSeek V4.1 Flash 1017 Ultrafast a AI Gateway no es solo un modelo más en el catálogo: es la confirmación de que la velocidad de inferencia se volvió un atributo comercial, con capas aceleradas, precios distintos y garantías distintas sobre el mismo modelo base. Para un founder, la ventaja no está en adoptar el modelo más rápido el día del anuncio, sino en construir la capacidad de medir y cambiar de proveedor sin fricción. Quien puede mover una carga de un endpoint a otro en una línea de configuración tiene una ventaja estructural sobre quien quedó atado a un solo proveedor.