DeepSeek V4 Flash est le membre rapide et économique de la série open source DeepSeek-V4 : un modèle Mixture-of-Experts de 284B de paramètres au total et 13B activés, pré-entraîné comme son grand frère sur plus de 32T tokens.
- Entrée
- texte $0.138/M
- Sortie
- texte $0.275/M
- Lecture de cache
- $0.0028/M
- Contexte
- 1M
- vs GPT-4o
- ~97% moins cher
Benchmarks
Chiffres publiés par les fournisseurs : Alibaba (Qwen) DeepSeek Google
Le prix en contexte
Position du prix parmi 60 modèles comparables
La barre montre où se situe le prix de ce modèle parmi tous les modèles du même type sur Synthorai. Le moins cher et le plus cher sont nommés à chaque extrémité. Ce sont des tarifs de base ; les remises lot, région et écriture en cache figurent sur la page des tarifs.
Spécifications et limites
Tokens
| Fenêtre de contexte (spécification du fournisseur) | 1 000 000 |
|---|---|
| Sortie max (spéc. fournisseur) | 393 216 |
Mise en cache
| Mode | automatique |
|---|---|
| Durée de vie | pas de TTL fixe (purgé lorsqu'il n'est plus utilisé) |
Raisonnement
| Paramètre du fournisseur | thinking.type + reasoning_effort |
|---|---|
| Valeurs acceptées | thinking.type enabled · disabled; reasoning_effort high · max (low and medium map to high, xhigh maps to max) |
| Valeur par défaut | enabled, avec reasoning_effort high ; certaines requêtes d'agent complexes passent automatiquement à max appliquée si la requête ne précise rien |
| Désactivable | Oui |
| Comportement du raisonnement | La trace revient dans reasoning_content et, sur un tour où le modèle a appelé un outil, elle doit être renvoyée à chaque tour ultérieur ; sinon elle est ignorée. Le mode Thinking ignore aussi silencieusement temperature, top_p, presence_penalty et frequency_penalty. DeepSeek publie cette valeur par défaut pour sa propre API ; d'autres plateformes qui hébergent le modèle documentent des valeurs par défaut différentes, alors vérifiez auprès de la plateforme vers laquelle vous êtes routé. |
| Paramètre | reasoning_effort |
| Valeurs | minimal · low · medium · high la surface de paramètres de la passerelle - le mappage fournisseur ci-dessus s'applique |
Modèle
| Modalités | texte → texte |
|---|---|
| Paramètres | 284B au total · 13B actifs MoE |
| Licence | MIT |
- MoE de 284B avec 13B actifs, contexte de 1M, modes Thinking et Non-Thinking
- attention creuse hybride, précision mixte FP4+FP8
- la variante V4 rapide et économique
Un prompt, mesuré via la passerelle
DeepSeek V4 Flash réussi · 3 sentences
When reasoning is enabled, the model generates additional "chain-of-thought" tokens internally before producing the final answer, effectively doubling the total token count per request. Since our billing is based on tokens processed, this directly doubled your usage. Additionally, reasoning often requires more expensive model tiers or higher compute resources, further amplifying the cost increase.
sortie 154 tok (+85 réflexion) latence 3.1 s
Suivi de l'instruction (exactement trois phrases - comptables), adaptation à l'audience (registre CFO), et l'écart de facturation lié à la réflexion cachée que les compteurs de tokens ci-dessous révèlent.
DeepSeek V4 Flash réussi · 8/8 cases
The bug is that the function counts the number of consecutive equal **pairs** (i.e., `cur` increments for each `i` where `xs[i] == xs[i-1]`), but it should return the **length** of the longest run. For a run of length `L`, the number of pairs is `L-1`, so the result is always one less than the correct value. This causes the function to return 0 for a single‑element list (expected 1) and to undercount runs that end at the last index (e.g., `[1,1]` returns 1 instead of 2). Additionally, runs of length 1 that are not part of any pair (such as a single element at the end of a list) are never considered because `best` is only updated when a pair is found. […]
sortie 2494 tok (+2227 réflexion) latence 19.4 s
Si le correctif est réellement juste (exécutable), la densité de l'explication, et l'efficacité en tokens sur une tâche bornée.
DeepSeek V4 Flash réussi · 5/5 fields, guidance null
{ "company": "Meridian Robotics", "quarter": "Q3", "revenue_usd_m": 412, "growth_pct": null, "guidance": null }
sortie 1101 tok (+1054 réflexion) latence 10.2 s
Respect du schéma (aucun champ inventé), pression d'hallucination (guidance est explicitement retenue), et différences de chemin pour la sortie structurée.
DeepSeek V4 Flash réussi · 119 words, 0 banned, 1 question
We're thrilled to introduce Prompt Cache, a new feature for our API Gateway that stores prompt responses from any provider. When a user submits a prompt you've already processed, the system returns the cached result instantly—eliminating redundant API calls and reducing latency. This works across OpenAI, Anthropic, Google, and more, with automatic cache invalidation based on your rules. What does this mean for your budget? Fewer API calls directly lower your monthly spend. Additionally, response times drop by up to 80% for cached prompts, improving user experience. Developers can configure cache duration per provider, set TTLs, and bypass cache when needed. The feature is available now in your gateway dashboard. Start saving time and money with Prompt Cache.
sortie 2039 tok (+1887 réflexion) latence 15.6 s
Respect des contraintes (budget de mots, liste de mots interdits, l'unique question), empreinte stylistique, et contrôle de la longueur.
Utilisez DeepSeek V4 Flash en 30 secondes
Compatible OpenAI : changez la base_url, gardez votre 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-flash",
messages=[{"role": "user", "content": "Summarize this diff"}],
)
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",
messages: [{ role: "user", content: "Summarize this diff" }],
});
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",
"messages": [{"role": "user", "content": "Hello"}]
}'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",
Messages: []openai.ChatCompletionMessageParamUnion{
openai.UserMessage("Summarize this diff"),
},
})
fmt.Println(resp.Choices[0].Message.Content)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
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")
.addUserMessage("Summarize this diff")
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));À propos de DeepSeek V4 Flash
- Il embarque en standard la fenêtre de contexte de 1M de tokens de la série, plafonne à 384K tokens de sortie, et prend en charge les modes sans réflexion et avec réflexion, y compris des réglages d'effort de raisonnement plus élevés.
- DeepSeek met en avant des innovations d'attention creuse hybride qui réduisent fortement le calcul d'inférence en contexte long et le coût du cache KV par rapport à DeepSeek-V3.2, avec des performances de raisonnement approchant celles de V4 Pro à moindre prix et latence ; les notes de version vont plus loin et affirment que Flash fait jeu égal avec Pro sur les tâches d'agent simples, ce qui donne la ligne de partage entre les deux : Pro pour le travail à forte intensité de connaissances et les tâches agentiques difficiles, Flash pour tout ce qui relève du fort volume.
- C'est aussi celui des deux qui accepte la plus forte concurrence.
- Mécaniquement, les deux s'intègrent à l'identique : le même objet thinking et les mêmes niveaux de reasoning_effort, le même champ reasoning_content porteur de la chaîne de raisonnement, la même obligation de renvoyer ce champ sur les tours ayant appelé un outil, le même appel d'outils à 128 fonctions, la même sortie JSON et la même mise en cache automatique des préfixes, et le même conditionnement en précision mixte FP4/FP8.
- Les poids sont sous licence MIT et publiés sur le hub de modèles de DeepSeek.
- Synthorai sert DeepSeek V4 Flash via son endpoint compatible OpenAI, sans aucun changement côté client.
FAQ
Peut-on essayer l'API DeepSeek V4 Flash gratuitement ?
Oui : les nouveaux comptes reçoivent 10 appels d'essai et jusqu'à $1 de crédit gratuit, sans carte bancaire. À $0.138/M de tokens en entrée, ce crédit couvre à lui seul environ 905 requêtes de ~8K tokens sur DeepSeek V4 Flash.
Quels sont les points forts de DeepSeek V4 Flash ?
MoE de 284B de paramètres avec 13B activés ; attention creuse hybride réduisant les coûts en contexte long ; poids sous licence MIT avec contexte de 1M de tokens. Voir la section À propos pour le tableau complet, tiré des notes de version officielles du fournisseur.
Combien coûte DeepSeek V4 Flash ?
Sur Synthorai, DeepSeek V4 Flash coûte $0.138 par million de tokens en entrée et $0.275 par million de tokens en sortie, soit le prix catalogue du fournisseur, sans majoration de plateforme. Les tokens d'entrée en cache sont facturés $0.0028/M.
DeepSeek V4 Flash prend-il en charge la mise en cache des prompts ?
Oui, automatiquement : les prompts servis par DeepSeek sont mis en cache sans modification de code. Les tokens d'entrée en cache sont facturés $0.0028/M contre $0.138/M hors cache (TTL pas de TTL fixe (purgé lorsqu'il n'est plus utilisé)). Guide de mise en cache des prompts →
Comment obtenir l'accès à DeepSeek V4 Flash ?
Pointez votre SDK OpenAI existant vers base_url="https://synthorai.io/v1", définissez model="deepseek-v4-flash", et c'est tout. Une seule clé API couvre tous les modèles de la passerelle.
DeepSeek V4 Flash est-il open source ?
Oui : les poids sont publiés sous MIT (licence). Ou passez-vous des GPU : la version hébergée ici est au paiement à l'usage, sans infrastructure à exploiter. Exécuter des modèles à poids ouverts →
Modèles associés
Comparer
Chaque valeur de cette page est transcrite de la documentation du fournisseur, liée ci-dessus, et porte la date de sa vérification. Les prix sont comparés à l'échelle du catalogue ; les valeurs de spécification que les fournisseurs définissent différemment sont présentées avec la différence indiquée plutôt que mises en graphique. Rien ici n'est mesuré par nous, et rien n'est noté.