DeepSeek V4 Flash vs DeepSeek V4.1 Flash
Qual usar e quando
Ambos compartilham um contexto de 1,000,000 tokens e uma saída máxima de 393,216 tokens com ferramentas e raciocínio, então a questão da atualização se resume às entradas em relação ao preço: deepseek-v4.1-flash adiciona entrada de imagem e custa $0.3 para entrada (cerca de 2.2x) e $1.2 para saída (cerca de 4.4x), em comparação com $0.138 e $0.275 do deepseek-v4-flash, que aceita apenas texto, embora as leituras de cache sejam mais baratas no deepseek-v4.1-flash, a $0.006 contra $0.0276. Continue com deepseek-v4-flash para chat de texto e código em alto volume, quando as tarifas de entrada e saída mais baixas e a opção de desativar o raciocínio são importantes; mude para deepseek-v4.1-flash quando precisar enviar imagens.
Benchmarks
Publicado pelos provedores: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
Preços
| DeepSeek V4 Flash | DeepSeek V4.1 Flash | Δ | |
|---|---|---|---|
| Entrada / 1M tokens | $0.138 | $0.3 | 0.46× |
| Saída / 1M tokens | $0.275 | $1.2 | 0.23× |
| Leitura de cache / 1M tokens | $0.0276 | $0.006 | 4.6× |
| Escrita de cache | sem cobrança separada | sem cobrança separada | - |
Tarifas do catálogo em tempo real, lidas no momento do build; a página de cada modelo traz a tabela de preços atual.
Onde cada um fica: preço de entrada por 1M tokens entre os 80 modelos de chat com esta unidade de cobrança (escala logarítmica)
Capacidades
| DeepSeek V4 Flash | DeepSeek V4.1 Flash | |
|---|---|---|
| Uso de ferramentas | sim | sim |
| Controle de raciocínio | configurável | sim o provedor não publica o controle |
| Saída estruturada | sim | - |
| Cache de prompts | implícito (automático) | implícito (automático) |
| Tempo de vida do cache | no fixed TTL (evicted when unused) | no fixed TTL (evicted when unused) |
| Prefixo mínimo em cache | não publicado | não publicado |
Especificações
| DeepSeek V4 Flash | DeepSeek V4.1 Flash | |
|---|---|---|
| Modalidades de entrada | texto | texto imagem |
| Modalidades de saída | texto | texto |
| Lançamento | 2026-04-24 | 2026-09-10 |
| Janela de contexto | 1M | 1M |
| Saída máxima | 393K | 393K |
| Parâmetro de raciocínio |
| - |
| Valores aceitos | thinking.type
reasoning_effort
| - |
| Padrão | enabled, with reasoning_effort high some complex agent requests are automatically set to max | - |
As especificações são transcritas da documentação de cada provedor; quando um provedor não publica um dado, a linha é omitida, e não inferida. Fontes completas: DeepSeek V4 Flash · DeepSeek V4.1 Flash
Um prompt, os dois modelos, medidos pelo gateway
DeepSeek V4 Flash passou · 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.
saída 154 tok (+85 raciocínio) latência 3.1 s
DeepSeek V4.1 Flash passou · 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.
saída 423 tok (+327 raciocínio) latência 14.6 s
Se a instrução é seguida (exatamente três frases, dá para contar), a adequação ao público (tom para um CFO) e a diferença de cobrança causada pelo raciocínio oculto, que os medidores de tokens abaixo deixam à mostra.
DeepSeek V4 Flash passou · 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. […]
saída 2494 tok (+2227 raciocínio) latência 19.4 s
DeepSeek V4.1 Flash passou · 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.
saída 918 tok (+733 raciocínio) latência 11.4 s
Se a correção está mesmo certa (dá para executar), a densidade da explicação e a eficiência em tokens em uma tarefa bem delimitada.
DeepSeek V4 Flash passou · 5/5 fields, guidance null
{ "company": "Meridian Robotics", "quarter": "Q3", "revenue_usd_m": 412, "growth_pct": null, "guidance": null }
saída 1101 tok (+1054 raciocínio) latência 10.2 s
DeepSeek V4.1 Flash passou · 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"}
saída 1707 tok (+1667 raciocínio) latência 15.1 s
Aderência ao schema (sem campos inventados), pressão para alucinar (o texto diz explicitamente que o guidance não foi divulgado) e diferenças no caminho de saída estruturada.
DeepSeek V4 Flash passou · 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.
saída 2039 tok (+1887 raciocínio) latência 15.6 s
DeepSeek V4.1 Flash passou · 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.
saída 917 tok (+770 raciocínio) latência 9.0 s
Respeito às restrições (limite de palavras, lista de palavras proibidas, uma única pergunta), a marca de estilo de cada modelo e o controle do tamanho.
Troque de um para o outro mudando uma linha
Os dois ids estão em todas as abas abaixo; o par de linhas destacado é a única alteração. O endpoint, a chave e o formato da requisição são os mesmos.
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",
# model="deepseek-v4.1-flash", # descomente esta linha, comente a linha acima
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",
// model: "deepseek-v4.1-flash", // descomente esta linha, comente a linha acima
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",
# "model": "deepseek-v4.1-flash", # descomente esta linha, comente a linha acima
"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",
// Model: "deepseek-v4.1-flash", // descomente esta linha, comente a linha acima
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")
// .model("deepseek-v4.1-flash") // descomente esta linha, comente a linha acima
.addUserMessage("Summarize this diff")
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));Perguntas frequentes
Qual é mais barato, DeepSeek V4 Flash ou DeepSeek V4.1 Flash?
DeepSeek V4 Flash sai mais barato na linha “Entrada / 1M tokens” ($0.138 contra $0.3, 2.2× de diferença). Outras linhas podem pender para o outro lado: a tabela acima mostra todos os preços, e o custo real depende do seu mix de uso.
Posso fazer um teste A/B de DeepSeek V4 Flash contra DeepSeek V4.1 Flash sem duas integrações?
Sim. Os dois são servidos pelo mesmo endpoint compatível com OpenAI, com uma única chave de API. Para trocar, basta mudar uma linha, a string do modelo; assim você pode direcionar uma parte do tráfego para cada um e comparar as contas diretamente.
DeepSeek V4 Flash e DeepSeek V4.1 Flash suportam cache de prompts?
Sim. Os dois cobram as leituras de cache abaixo da tarifa de entrada, então cargas de trabalho com prefixo já em cache custam menos do que os preços de tabela sugerem. Os valores exatos de leitura de cache estão na tabela de preços acima.