O DeepSeek V4.1 Flash é a próxima versão da linha V4 Flash da DeepSeek, rápida e econômica, e a mudança principal é que ele é nativamente multimodal: o cartão do modelo descreve que processa imagens e texto de forma nativa e gera texto autorregressivamente, de modo que a entrada visual já não exige colocá-lo ao lado de um modelo de visão separado.
- Entrada
- texto imagem $0.3/M
- Saída
- texto $1.2/M
- Leitura de cache
- $0.03/M
- Contexto
- 1M
- vs GPT-4o
- ~94% mais barato
Benchmarks
Publicado pelos fornecedores: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
O preço em contexto
Posição do preço entre 65 modelos comparáveis
A barra mostra onde fica o preço deste modelo entre todos os modelos do mesmo tipo na Synthorai. Em cada extremidade está o mais barato e o mais caro. São tarifas base; os descontos de lote, região e escrita em cache estão na página de preços.
Especificações e limites
Tokens
| Janela de contexto (especificação do fornecedor) | 1.000.000 |
|---|---|
| Saída máxima (especificação do fornecedor) | 393.216 |
Cache de prompts
| Modo | automático |
|---|---|
| Duração | sem TTL fixo (limpo quando deixa de ser usado) |
Raciocínio
| Parâmetro | reasoning_effort |
|---|---|
| Valores | minimal · low · medium · high o conjunto aceite é do provedor |
Modelo
| Modalidades | texto + imagem → texto |
|---|---|
| Parâmetros | 552B no total · 8B prefill / 16B decode ativos MoE, Causal Encoder-Decoder |
| Licença | 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.
conforme documentação oficial da DeepSeek ↗
Um prompt, medido pelo gateway
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 pensamento) latência 14.6 s
Cumprimento da instrução (exatamente três frases - contáveis), ajuste ao público (registro de CFO), e a lacuna de cobrança do pensamento oculto que os medidores de tokens abaixo expõem.
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 pensamento) latência 11.4 s
Se a correção é de fato certa (executável), a densidade da explicação, e a eficiência em tokens numa tarefa delimitada.
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 pensamento) latência 15.1 s
Obediência ao esquema (sem campos inventados), pressão de alucinação (guidance é explicitamente retida), e diferenças no caminho de saída estruturada.
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 pensamento) latência 9.0 s
Obediência às restrições (orçamento de palavras, lista de palavras proibidas, a única pergunta), impressão digital de estilo, e controle de comprimento.
Use o DeepSeek V4.1 Flash em 30 segundos
Compatível com OpenAI: troque a base_url, mantenha seu 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(""));Sobre o DeepSeek V4.1 Flash
- O projeto é uma ruptura real, e não um reajuste.
- A DeepSeek descreve uma arquitetura Causal Encoder-Decoder - um Transformer de 40 camadas organizado como um codificador causal de 20 camadas seguido de um decodificador de 20 camadas - sobre um backbone Mixture-of-Experts de 552B parâmetros que ativa apenas 8B parâmetros por token durante o prefill e 16B durante o decode, uma divisão voltada diretamente para cargas agênticas intensivas em entrada.
- A memória segue a mesma linha: Compressed Sparse Attention 2 em conjunto com o cache KV principal em FP4 reduz a pegada global de cache KV para 890 bytes por token, cerca de um quarto do DeepSeek V4 Flash, enquanto o SWA Bounded Replay corta a pegada KV persistente para aproximadamente um oitavo.
- A janela de contexto vai até 1M tokens, os pesos são licenciados sob MIT e há suporte a chamadas de ferramentas.
- O que convém orçar é o raciocínio: o rastro volta separado da resposta e, em prompts curtos, pode representar quase todos os tokens de saída, de modo que um max_tokens apertado devolverá uma resposta vazia que ainda assim é cobrada integralmente pelos tokens gastos pensando.
- O esforço de raciocínio é ajustável, e o cartão do modelo o documenta como um controle contínuo, e não como um punhado de níveis nomeados.
- A Synthorai o disponibiliza pelo endpoint de chat completions compatível com OpenAI.
Perguntas frequentes
A API do DeepSeek V4.1 Flash é gratuita para testar?
Sim. Contas novas recebem 10 chamadas de teste e até $1 em créditos gratuitos, sem precisar de cartão. A $0.3/M de tokens de entrada, só esse crédito já cobre cerca de 416 requisições de ~8K tokens ao DeepSeek V4.1 Flash.
Em que o DeepSeek V4.1 Flash é melhor?
Multimodal nativo - entrada de imagens e texto; MoE de 552B, 8B ativos no prefill; contexto de 1M com pesos sob licença MIT. Veja a seção Sobre para o quadro completo, extraído das notas de lançamento do próprio fornecedor.
Quanto custa o DeepSeek V4.1 Flash?
Na Synthorai, o DeepSeek V4.1 Flash custa $0.3 por milhão de tokens de entrada e $1.2 por milhão de tokens de saída. É o preço de tabela do provedor, sem margem da plataforma. Tokens de entrada em cache são cobrados a $0.03/M.
O DeepSeek V4.1 Flash suporta cache de prompts?
Sim, automaticamente: prompts servidos pela DeepSeek entram em cache sem nenhuma mudança no código. Tokens de entrada em cache são cobrados a $0.03/M, contra $0.3/M sem cache (TTL sem TTL fixo (limpo quando deixa de ser usado)). Guia de cache de prompts →
Como obtenho acesso ao DeepSeek V4.1 Flash?
Aponte seu SDK da OpenAI existente para base_url="https://synthorai.io/v1", defina model="deepseek-v4.1-flash" e pronto. Uma única chave de API cobre todos os modelos do gateway.
O DeepSeek V4.1 Flash é open source?
Sim, os pesos são publicados sob a MIT License (repositório oficial com link na seção Sobre). Ou dispense as GPUs: a versão hospedada aqui é pagamento por uso, sem infraestrutura para operar. Como rodar modelos de pesos abertos →
Modelos relacionados
Comparar
Cada valor desta página é transcrito da documentação do fornecedor, ligada acima, e traz a data em que foi verificado. Os preços são comparados em todo o catálogo; os valores de especificação que os fornecedores definem de forma diferente são apresentados com a diferença indicada em vez de representados num gráfico. Nada aqui é medido por nós, e nada é pontuado.