DeepSeek V4.1 Flash は、DeepSeek の高速かつ経済的な V4 Flash 系列の次のリリースであり、最大の変更点はネイティブにマルチモーダルであることです。
- 入力
- テキスト 画像 $0.3/M
- 出力
- テキスト $1.2/M
- キャッシュ読み取り
- $0.03/M
- コンテキスト
- 1M
- GPT-4o 比
- 約 94% 割安
ベンチマーク
ベンダー公表: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
価格の位置づけ
同種 65 モデル中の料金の位置
このバーは、Synthorai 上の同種モデルの中でこのモデルの価格がどこに位置するかを示します。両端には最も安いモデルと最も高いモデルの名前が入ります。表示は基本料金で、バッチ・リージョン・キャッシュ書き込みの割引は料金ページにあります。
スペックと制限
トークン
| コンテキストウィンドウ(ベンダー仕様) | 1,000,000 |
|---|---|
| 最大出力(ベンダー仕様) | 393,216 |
プロンプトキャッシュ
| キャッシュ方式 | 自動 |
|---|---|
| 保持時間 | 固定 TTL なし(未使用のまま一定期間で自動削除) |
思考
| パラメータ | reasoning_effort |
|---|---|
| 値 | minimal · low · medium · high 受け付ける範囲はプロバイダー次第 |
モデル
| モダリティ | テキスト + 画像 → テキスト |
|---|---|
| パラメータ数 | 合計 552B · アクティブ 8B prefill / 16B decode MoE, Causal Encoder-Decoder |
| ライセンス | 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.
1つのプロンプト — ゲートウェイ経由で測定
DeepSeek V4.1 Flash パス · 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.
出力 423 tok (+327 思考) レイテンシ 14.6 s
指示追従（ちょうど三文 — 数えられる）、読み手に合わせた調整（CFO 向けの語り口）、そして下のトークン計から見える隠れた思考の課金ギャップ。
DeepSeek V4.1 Flash パス · 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.
出力 918 tok (+733 思考) レイテンシ 11.4 s
修正が実際に正しいか（実行可能か）、説明の密度、そして範囲の限られたタスクでのトークン効率。
DeepSeek V4.1 Flash パス · 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"}
出力 1707 tok (+1667 思考) レイテンシ 15.1 s
スキーマ遵守（フィールドをでっち上げない）、ハルシネーション圧（guidance は明示的に保留されている）、そして構造化出力の経路の違い。
DeepSeek V4.1 Flash パス · 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.
出力 917 tok (+770 思考) レイテンシ 9.0 s
制約の遵守（語数の上限、禁止語リスト、唯一の疑問文）、文体の指紋、そして長さの制御。
30 秒で DeepSeek V4.1 Flash を使う
OpenAI 互換。base_url を差し替えるだけで、SDK はそのまま。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(""));DeepSeek V4.1 Flash について
- モデルカードは、画像とテキストをネイティブに処理しテキストを自己回帰的に生成すると説明しており、視覚入力のために別途ビジョンモデルを併用する必要がなくなりました。
- 設計は微調整ではなく本質的な転換です。
- DeepSeek は Causal Encoder-Decoder アーキテクチャ、すなわち 20 層の因果エンコーダに 20 層のデコーダが続く 40 層の Transformer を、総パラメータ 552B の Mixture-of-Experts バックボーン上に構成すると述べています。
- トークンあたりの活性化はプリフィル時 8B、デコード時 16B にとどまり、この配分は入力の重いエージェント的ワークロードをまさに狙ったものです。
- メモリも同じ方向です。
- Compressed Sparse Attention 2 と FP4 の主 KV キャッシュにより、グローバルな KV キャッシュ使用量はトークンあたり 890 バイト、DeepSeek V4 Flash のおよそ 4 分の 1 となり、SWA Bounded Replay は永続 KV の使用量を約 8 分の 1 に削減します。
- コンテキストウィンドウは 1M トークンまで、ウェイトは MIT ライセンスで、ツール呼び出しに対応します。
- 見込んでおくべきは推論部分です。
- トレースは回答とは別に返り、短いプロンプトでは出力トークンのほぼ全部を占めることがあります。
- そのため max_tokens の予算が厳しいと本文が空のまま返り、思考に費やしたトークンは全額課金されます。
- 推論の強度は調整可能で、モデルカードはそれを名前付きの数段階ではなく連続的な制御として記載しています。
- Synthorai は OpenAI 互換の chat completions エンドポイント経由で提供します。
よくある質問
DeepSeek V4.1 Flash API は無料で試せますか?
はい。新規アカウントには 10 回のトライアル呼び出しと最大 $1 の無料クレジットが付与され、カード登録は不要です。入力 $0.3/M で計算すると、このクレジットだけで DeepSeek V4.1 Flash に対して約 416 回の ~8K トークンのリクエストを送れます。
DeepSeek V4.1 Flash は何が得意ですか?
ネイティブにマルチモーダル - 画像とテキストを入力、552B MoE、プリフィル時 8B 活性化、1M コンテキストと MIT ライセンスウェイト。全体像はベンダー公式のリリースノートに基づく「このモデルについて」セクションをご覧ください。
DeepSeek V4.1 Flash の料金はいくらですか?
Synthorai 上の DeepSeek V4.1 Flash は入力 100 万トークンあたり $0.3、出力 100 万トークンあたり $1.2 です。ベンダー定価のままで、プラットフォーム手数料はありません。キャッシュ済み入力トークンは $0.03/M で課金されます。
DeepSeek V4.1 Flash はプロンプトキャッシュに対応していますか?
はい、自動で有効です。DeepSeek 経由のプロンプトはコード変更なしでキャッシュされます。キャッシュ済み入力トークンは $0.03/M(未キャッシュは $0.3/M)で課金されます(TTL 固定 TTL なし(未使用のまま一定期間で自動削除))。 プロンプトキャッシュガイド →
DeepSeek V4.1 Flash を利用するには?
お使いの OpenAI SDK の base_url を "https://synthorai.io/v1" に向け、model="deepseek-v4.1-flash" を設定すれば完了です。API キー 1 本でゲートウェイ上のすべてのモデルを利用できます。
DeepSeek V4.1 Flash はオープンソースですか?
はい。ウェイトは MIT ライセンス(公式リポジトリへのリンクは「このモデルについて」セクション参照) で公開されています。GPU を用意する必要もありません。ここでホストされる版は従量課金で、自前のインフラ運用は不要です。 オープンウェイトモデルの実行について →
関連モデル
比較
このページの値はすべてベンダー自身のドキュメント(上部にリンク)から転記し、確認した日付を付しています。価格はカタログ全体で比較しますが、ベンダーごとに定義が異なる仕様値は差異を明記するにとどめ、図表で比較はしません。当社が測定した数値はなく、スコアも付けていません。