DeepSeek V4 Flash 0731 ist die Juli-2026-Ausgabe von DeepSeeks schneller, günstiger V4-Flash-Linie und löst das frühere V4 Flash ab, statt als Variante daneben zu stehen.
- Eingabe
- Text $0.44/M
- Ausgabe
- Text $1.32/M
- Cache-Lesen
- $0.044/M
- Kontext
- 1M
- vs. GPT-4o
- ~91% günstiger
Preise nach Eingabelänge
Für die gesamte Anfrage gilt der Tarif ihrer Eingabelängenstufe. Preise in USD pro Million Tokens.
| Eingabe-Tokens | Eingabe | Ausgabe | Eingabe (Thinking) |
|---|
Benchmarks
Anbieterangaben: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
Preis im Vergleich
Der Preis im Feld von 76 vergleichbaren Modellen
Der Balken zeigt, wo der Preis dieses Modells unter allen Modellen derselben Art auf Synthorai liegt. An beiden Enden stehen das günstigste und das teuerste Modell. Angegeben sind Grundpreise; Rabatte für Batch, Region und Cache-Schreibzugriffe stehen auf der Preisseite.
Spezifikationen & Limits
Tokens
| Kontextfenster (laut Anbieter) | 1.000.000 |
|---|---|
| Max. Ausgabe (laut Anbieter) | 393.216 |
Prompt-Caching
| Modus | automatisch |
|---|---|
| Lebensdauer | kein festes TTL (wird bei Nichtnutzung automatisch geleert) |
Thinking
| Parameter | reasoning_effort |
|---|---|
| Werte | minimal · low · medium · high akzeptierte Werte je Anbieter |
Modell
| Modalitäten | Text → Text |
|---|---|
| Parameter | 284B gesamt · 13B aktiv MoE |
| Lizenz | MIT |
- July 2026 release of DeepSeek V4 Flash
- same 284B/13B-active MoE design, gains from a stronger post-training pipeline rather than a new architecture
Ein Prompt, gemessen über das Gateway
DeepSeek V4 Flash (0731) bestanden · 3 sentences
Enabling reasoning mode prompts the model to generate extensive internal chain-of-thought tokens before answering, often multiplying total token output per query by several times. This directly inflates costs because we are billed per token, and these reasoning tokens are processed at a premium compute tier that carries a higher price per million tokens. However, this spend buys measurably higher accuracy and fewer failed calls, so we are tracking it against specific error-reduction KPIs to ensure the ROI justifies the increase.
Ausgabe 365 tok (+266 Thinking) Latenz 5.1 s
Befolgen der Anweisung (genau drei Sätze, das lässt sich zählen), Zuschnitt auf die Zielgruppe (Tonfall für einen CFO) und die Abrechnungslücke durch nicht sichtbares Thinking, die die Token-Zähler unten offenlegen.
DeepSeek V4 Flash (0731) bestanden · 8/8 cases
```python def longest_run(xs): if not xs: return 0 best = 1 cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 best = max(best, cur) else: cur = 1 return best ``` The original bug stems from initializing `cur` to 0 and only incrementing it when adjacent elements are equal, which counts the number of *equal transitions* rather than the actual run length—so every run of length L is reported as L−1, and a single‑element run (with no transitions) yields 0. Moreover, because `best` is updated only inside the equality branch, it never accounts for a run that ends at the last element if that run is longer than any previously seen (though the real issue remains the off‑by‑one). […]
Ausgabe 1268 tok (+1016 Thinking) Latenz 14.0 s
Ob der Fix wirklich korrekt ist (er lässt sich ausführen), wie dicht die Erklärung ist und wie sparsam das Modell bei einer klar begrenzten Aufgabe mit Tokens umgeht.
DeepSeek V4 Flash (0731) bestanden · 5/5 fields, guidance null
{ "company": "Meridian Robotics", "quarter": "Q3", "revenue_usd_m": 412, "growth_pct": null, "guidance": null }
Ausgabe 1119 tok (+1072 Thinking) Latenz 12.3 s
Schema-Treue (keine erfundenen Felder), Anreiz zum Halluzinieren (der Text nennt ausdrücklich keine guidance) und Unterschiede zwischen den Wegen zur strukturierten Ausgabe.
DeepSeek V4 Flash (0731) verfehlt · 141 words, 0 banned, 1 question
**Introducing Prompt Cache for API Gateway** We are pleased to announce Prompt Cache, a new feature that stores and reuses identical prompt prefixes across all connected LLM providers. By automatically recognizing repeated requests, this cache reduces token consumption and lowers latency without altering your application logic. Whether you use OpenAI, Anthropic, or open-source models, the cache operates transparently, ensuring consistent behavior while cutting costs. Developers can configure cache TTL and scoping rules via a simple API call, giving you precise control over data freshness and privacy. This feature also minimizes redundant upstream calls, freeing provider rate limits for more critical workloads. Start caching today through the dashboard or CLI, and watch your operational expenses drop significantly. […]
Ausgabe 254 tok (+80 Thinking) Latenz 4.4 s
Einhaltung der Vorgaben (Wortbudget, Liste verbotener Wörter, genau eine Frage), stilistische Handschrift und Kontrolle über die Länge.
DeepSeek V4 Flash (0731) in 30 Sekunden nutzen
OpenAI-kompatibel: base_url austauschen, SDK behalten. POST /v1/chat/completions
from openai import OpenAI
client = OpenAI(
base_url="https://synthorai.io/v1",
api_key="sk-syn-...",
)
resp = client.chat.completions.create(
model="deepseek-v4-flash-0731",
messages=[{"role": "user", "content": "Summarize this diff"}],
reasoning_effort="medium",
)
print(resp.choices[0].message.content)import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://synthorai.io/v1",
apiKey: "sk-syn-...",
});
const resp = await client.chat.completions.create({
model: "deepseek-v4-flash-0731",
messages: [{ role: "user", content: "Summarize this diff" }],
reasoning_effort: "medium",
});
console.log(resp.choices[0].message.content);curl https://synthorai.io/v1/chat/completions \
-H "Authorization: Bearer sk-syn-..." \
-H "Content-Type: application/json" \
-d '{
"model": "deepseek-v4-flash-0731",
"messages": [{"role": "user", "content": "Hello"}],
"reasoning_effort": "medium"
}'package main
import (
"context"
"fmt"
"github.com/openai/openai-go/v3"
"github.com/openai/openai-go/v3/option"
)
func main() {
client := openai.NewClient(
option.WithBaseURL("https://synthorai.io/v1"),
option.WithAPIKey("sk-syn-..."),
)
resp, _ := client.Chat.Completions.New(context.TODO(), openai.ChatCompletionNewParams{
Model: "deepseek-v4-flash-0731",
Messages: []openai.ChatCompletionMessageParamUnion{
openai.UserMessage("Summarize this diff"),
},
ReasoningEffort: openai.ReasoningEffortMedium,
})
fmt.Println(resp.Choices[0].Message.Content)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
import com.openai.models.ReasoningEffort;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
ChatCompletion resp = client.chat().completions().create(
ChatCompletionCreateParams.builder()
.model("deepseek-v4-flash-0731")
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));Über DeepSeek V4 Flash (0731)
- Architektur und Größe bleiben unverändert - ein Mixture-of-Experts-Modell mit 284B Gesamtparametern und 13B aktiv zur Inferenzzeit - und DeepSeek führt die Verbesserung auf eine deutlich stärkere Post-Training-Pipeline zurück statt auf ein neues Design, mit Schwerpunkt auf agentischen Workflows und Reasoning-Qualität.
- Alles, was die Linie betrieblich attraktiv machte, bleibt erhalten: das Kontextfenster von 1 Mio.
- Tokens, 384K maximale Ausgabe, MIT-lizenzierte Gewichte, Function Calling, strukturierte Ausgabe und Streaming.
- Das Nachdenken ist standardmäßig aktiv und die Spur kommt in reasoning_content zurück, was hier stärker ins Gewicht fällt als bei den meisten Modellen: Bei kurzen Prompts kann die Denkspur den Großteil der Completion-Tokens ausmachen, sodass ein knappes max_tokens-Budget eine leere Antwort liefert, die aufgewendeten Denk-Tokens aber dennoch abgerechnet werden.
- Planen Sie das ein oder senken Sie die Reasoning-Stärke, bevor Sie das Modell in latenzkritische Pfade einbauen.
- Ein- und Ausgabe sind reiner Text; Bildeingaben werden nicht unterstützt, kombinieren Sie es daher mit einem Vision-Modell, statt multimodale Nachrichten zu senden.
- Da sowohl die datierte Ausgabe als auch der undatierte rollierende Name aufrufbar bleiben, fixieren Sie die datierte ID, wenn Sie reproduzierbares Verhalten brauchen.
- Synthorai stellt das Modell über den OpenAI-kompatiblen Chat-Completions-Endpunkt bereit.
FAQ
Lässt sich die DeepSeek V4 Flash (0731) API kostenlos testen?
Ja. Neue Konten erhalten 10 Testaufrufe und bis zu $1 Gratisguthaben, ohne Kreditkarte. Bei $0.44/M für Eingabe-Tokens reicht allein dieses Guthaben für rund 284 Anfragen an DeepSeek V4 Flash (0731) mit je ~8K Tokens.
Worin ist DeepSeek V4 Flash (0731) am besten?
284B MoE mit 13B aktiv, MIT-lizenziert; löst das frühere V4 Flash ab; 1 Mio. Kontext, 384K maximale Ausgabe. Mehr dazu im Über-Abschnitt, der auf den offiziellen Release Notes des Anbieters beruht.
Was kostet DeepSeek V4 Flash (0731)?
DeepSeek V4 Flash (0731) kostet auf Synthorai $0.44 pro Million Eingabe-Tokens und $1.32 pro Million Ausgabe-Tokens. Das ist der Listenpreis des Anbieters, ohne Plattformaufschlag. Gecachte Eingabe-Tokens werden mit $0.044/M abgerechnet.
Wie groß ist das Kontextfenster von DeepSeek V4 Flash (0731)?
DeepSeek V4 Flash (0731) hat auf Synthorai ein Kontextfenster von 1M Tokens. Eine einzelne Antwort kann bis zu 393,216 Tokens lang sein.
Unterstützt DeepSeek V4 Flash (0731) Prompt-Caching?
Ja, automatisch: Über DeepSeek ausgelieferte Prompts werden ohne Codeänderungen gecacht. Gecachte Eingabe-Tokens werden mit $0.044/M statt $0.44/M (ungecacht) abgerechnet (TTL kein festes TTL (wird bei Nichtnutzung automatisch geleert)). Leitfaden zum Prompt-Caching →
Wie erhalte ich Zugang zu DeepSeek V4 Flash (0731)?
Setzen Sie in Ihrem vorhandenen OpenAI SDK base_url="https://synthorai.io/v1" und model="deepseek-v4-flash-0731", mehr ist nicht nötig. Ein API-Schlüssel gilt für alle Modelle im Gateway.
Ist DeepSeek V4 Flash (0731) Open Source?
Ja, die Gewichte sind unter der MIT-Lizenz veröffentlicht. Oder Sie sparen sich die GPUs: Die gehostete Version hier läuft mit nutzungsbasierter Abrechnung, ganz ohne eigene Infrastruktur. Open-Weight-Modelle betreiben →
Verwandte Modelle
Vergleichen
Spezifikationen und Anbieter-Benchmarks verlinken ihre Quellen. Die Gateway-Unterstützung beschreibt die Implementierung von Synthorai. Archivierte Beispiele sind einzelne Gateway-Anfragen und keine allgemeine Leistungsgarantie für das Modell. Preise stammen aus der öffentlichen Preisschnittstelle oder deren beim Build verwendetem Snapshot.