DeepSeek V4.1 Flash es la siguiente entrega de la línea V4 Flash de DeepSeek, rápida y económica, y el cambio principal es que es multimodal de forma nativa: la tarjeta del modelo describe que procesa imágenes y texto de manera nativa y genera texto de forma autorregresiva, de modo que la entrada visual ya no exige acompañarlo de un modelo de visión aparte.
- Entrada
- texto imagen $0.3/M
- Salida
- texto $1.2/M
- Lectura de caché
- $0.006/M
- Contexto
- 1M
- vs GPT-4o
- ~94% más barato
Benchmarks
Publicado por los proveedores: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
El precio en contexto
Posición del precio entre 76 modelos comparables
La barra muestra dónde queda el precio de este modelo entre todos los modelos del mismo tipo en Synthorai. En cada extremo se nombra el más barato y el más caro. Son tarifas base; los descuentos por lote, región y escritura en caché están en la página de precios.
Especificaciones y límites
Tokens
| Ventana de contexto (especificación del proveedor) | 1.000.000 |
|---|---|
| Salida máxima (especificación del proveedor) | 393.216 |
Caché de prompts
| Modo | automático |
|---|---|
| Duración | sin TTL fijo (se borra cuando deja de usarse) |
Razonamiento
| Parámetro | reasoning_effort |
|---|---|
| Valores | minimal · low · medium · high los valores aceptados los define el proveedor |
Modelo
| Modalidades | texto + imagen → texto |
|---|---|
| Parámetros | 552B en total · 8B prefill / 16B decode activos MoE, Causal Encoder-Decoder |
| Licencia | MIT |
Natively multimodal successor to the V4 Flash line: a 552B-parameter MoE on a Causal Encoder-Decoder stack activating 8B parameters per token at prefill and 16B at decode, with the model card recommending a maximum output of at least 256K tokens.
Un prompt, medido a través de la pasarela
DeepSeek V4.1 Flash superado · 3 sentences
Enabling reasoning changed the unit economics: the model now spends extra billable tokens internally to “think” before producing the answer, and those reasoning tokens are charged like output tokens even though users never see them. That added token generation—plus longer contexts and occasional retries on harder prompts—roughly doubled our cost per request. We can control this by capping reasoning depth, routing only complex queries to reasoning models, and caching common prompts to bring the bill back down.
salida 423 tok (+327 razonamiento) latencia 14.6 s
Cumplimiento de la instrucción (exactamente tres frases, se pueden contar), adaptación al público (registro de CFO) y la diferencia de facturación por razonamiento oculto que dejan ver los contadores de tokens de abajo.
DeepSeek V4.1 Flash superado · 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 else: cur = 1 best = max(best, cur) return best ``` The bug is that `cur` is counting equal adjacent pairs, not elements in the current run: every time `xs[i] == xs[i - 1]`, the run length increases by one element, but the first element of the run was never counted, so all runs are undercounted by one. Also, `best` starts at `0`, so single-element inputs return `0` instead of `1`, and a one-element run ending at the last index is missed entirely.
salida 918 tok (+733 razonamiento) latencia 11.4 s
Si la corrección funciona de verdad (se puede ejecutar), lo densa que es la explicación y la eficiencia en tokens en una tarea acotada.
DeepSeek V4.1 Flash superado · 5/5 fields, guidance "withheld pending the Q4 close"
{"company":"Meridian Robotics","quarter":"September quarter","revenue_usd_m":412,"growth_pct":11.0,"guidance":"withheld pending the Q4 close"}
salida 1707 tok (+1667 razonamiento) latencia 15.1 s
Respeto del esquema (sin campos inventados), tentación de alucinar (la guidance se omite a propósito) y diferencias entre las vías de salida estructurada.
DeepSeek V4.1 Flash superado · 116 words, 0 banned, 1 question
Today we're launching Cross-Provider Prompt Cache for our API gateway. It stores identical prompt requests and their responses across supported model providers, then serves cached results when a match is found. Teams can cut duplicate inference costs, reduce latency, and keep behavior consistent during provider failover. The cache works with configurable TTLs, per-route rules, and cache-key controls, so you decide what is reusable and what must stay fresh. Does your application send the same prompts to multiple providers? Now your gateway can answer many of those calls without another upstream request. Existing observability dashboards show hit rates, saved tokens, and estimated spend reduction. Enable it in the gateway console, set your policy, and start caching today.
salida 917 tok (+770 razonamiento) latencia 9.0 s
Respeto de las restricciones (límite de palabras, lista de palabras prohibidas, una única pregunta), sello de estilo y control de la longitud.
Usa DeepSeek V4.1 Flash en 30 segundos
Compatible con OpenAI: cambia el base_url y conserva tu SDK. 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-v4.1-flash",
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-v4.1-flash",
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-v4.1-flash",
"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-v4.1-flash",
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-v4.1-flash")
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));Acerca de DeepSeek V4.1 Flash
- El diseño es una ruptura real y no un reajuste.
- DeepSeek describe una arquitectura Causal Encoder-Decoder - un Transformer de 40 capas organizado como un codificador causal de 20 capas seguido de un decodificador de 20 capas - sobre un backbone Mixture-of-Experts de 552B parámetros que activa solo 8B parámetros por token durante el prefill y 16B durante el decode, un reparto dirigido de lleno a cargas agénticas intensivas en entrada.
- La memoria sigue la misma línea: Compressed Sparse Attention 2 junto con el almacenamiento en caché KV principal en FP4 reduce la huella global de caché KV a 890 bytes por token, aproximadamente una cuarta parte de DeepSeek V4 Flash, mientras que SWA Bounded Replay recorta la huella KV persistente a cerca de una octava parte.
- La ventana de contexto llega a 1M tokens, los pesos están bajo licencia MIT y se admiten las llamadas a herramientas.
- Lo que conviene presupuestar es el razonamiento: la traza vuelve separada de la respuesta y en prompts cortos puede suponer casi la totalidad de los tokens de salida, así que un max_tokens ajustado devolverá una respuesta vacía que aun así se factura íntegra por los tokens dedicados a pensar.
- El esfuerzo de razonamiento es ajustable, y la tarjeta del modelo lo documenta como un control continuo en lugar de un puñado de niveles con nombre.
- Synthorai lo sirve a través del endpoint de chat completions compatible con OpenAI.
Preguntas frecuentes
¿Se puede probar gratis la API de DeepSeek V4.1 Flash?
Sí: las cuentas nuevas reciben 10 llamadas de prueba y hasta $1 de crédito gratuito, sin tarjeta. A $0.3/M de tokens de entrada, solo con ese crédito tienes para unas 416 solicitudes de ~8K tokens a DeepSeek V4.1 Flash.
¿En qué destaca DeepSeek V4.1 Flash?
Multimodal nativo: entrada de imágenes y texto; MoE de 552B, 8B activos en el prefill; contexto de 1M con pesos bajo licencia MIT. En la sección «Acerca de» tienes la visión completa, según las notas de lanzamiento del propio proveedor.
¿Cuánto cuesta DeepSeek V4.1 Flash?
DeepSeek V4.1 Flash cuesta $0.3 por millón de tokens de entrada y $1.2 por millón de tokens de salida en Synthorai. Es el precio de lista del proveedor, sin recargo de plataforma. Los tokens de entrada en caché se facturan a $0.006/M.
¿Cuál es la ventana de contexto de DeepSeek V4.1 Flash?
DeepSeek V4.1 Flash tiene una ventana de contexto de 1M tokens en Synthorai. Una sola respuesta puede tener hasta 393,216 tokens.
¿DeepSeek V4.1 Flash admite caché de prompts?
Sí, de forma automática: los prompts que sirve DeepSeek se guardan en caché sin tocar el código. Los tokens de entrada en caché se facturan a $0.006/M frente a $0.3/M sin caché (TTL sin TTL fijo (se borra cuando deja de usarse)). Guía de caché de prompts →
¿Cómo obtengo acceso a DeepSeek V4.1 Flash?
Apunta el SDK de OpenAI que ya usas a base_url="https://synthorai.io/v1", pon model="deepseek-v4.1-flash" y listo. Una sola clave API sirve para todos los modelos de la pasarela.
¿DeepSeek V4.1 Flash es open source?
Sí: los pesos se publican bajo licencia MIT (repositorio oficial enlazado en la sección Acerca de). O ahórrate las GPU: la versión alojada aquí es de pago por uso, sin infraestructura que mantener. Ejecutar modelos de pesos abiertos →
Modelos relacionados
Comparar
Todos los valores de esta página están transcritos de la documentación del propio proveedor, enlazada arriba, e indican la fecha en que se comprobaron. Los precios se comparan con los de todo el catálogo; cuando los proveedores definen una especificación de forma distinta, se muestra el valor indicando la diferencia en lugar de llevarlo a un gráfico. Aquí no hay mediciones nuestras ni puntuaciones.