DeepSeek V4 Flash API 成本：思考模式會破壞嚴格 JSON

DeepSeek V4 Flash 每百萬個輸入 token 收費 $0.14、每百萬個輸出 token 收費 $0.28，快取命中則是 $0.0028。現在以這個名稱提供的 0731 重新訓練版本有一項必須繞開的缺陷：開啟思考模式（預設值）並使用嚴格 json_schema 時，透過兩條獨立請求路徑執行的 13 次預設思考測試中，有 8 次回傳了損毀的整數欄位。關閉思考模式後，每次執行都恢復正常，擷取所用的 token 也降至七分之一。我們在上線首日實測了 deepseek-v4-flash-0731：包括資料損毀、重新訓練後更明顯的關閉思考效能斷崖、可挽救正確率的最低預算、1,024-token 快取頁面，以及它與預覽版本和 V4 Pro 之間仍有哪些差異。

TL;DR

• deepseek-v4-flash-0731 在預設思考模式搭配嚴格 json_schema 時，透過兩條請求路徑執行的 13 次測試中，有 8 次整數欄位損毀；V4 Pro 為 4 次中 2 次，只有預覽版本完全正常。
• 0731 重新訓練版本的關閉思考效能斷崖更明顯：二步驟數學題從 6/6 降至 0/6。
• 快取從約 1.1K token 的門檻開始，以 1,024-token 頁面提供資料；預熱後 0.3 秒即可命中，項目可保留超過 45 分鐘。
• enable_thinking: false 讓所有結構化輸出測試恢復正常，token 用量降至七分之一；二步驟數學題的安全思考預算為 256。

三個 V4 版本的規格與實測用量有何差異？

三者使用相同的 tokenizer、快取與思考機制，但價格和失敗模式不同。以下所有數據都來自對三個版本執行的相同探測（破折號表示該項未測）；首日分析討論串主要著重 benchmark，本文則比較實際運作特性：

V4 Flash 的思考模式會破壞結構化輸出嗎？

0731 版本會，而且這種失敗很隱晦，足以一路進入正式環境。我們以嚴格 json_schema 擷取發票的四個欄位（供應商、日期、總額、明細項目數），在預設思考模式下取得了符合 schema 的有效 JSON，但數值是錯的。文件明明列出三個項目，line_items 卻分別回傳 -1、1、-1 和 -19；透過我們的閘道執行 5 次，沒有一次正確。限制預算也避不開這個問題：64-token 預算的測試出現同樣的損毀；即使預算提高到 256 個 token，3 次中仍有 1 次把明細項目數回傳為 670。損毀取決於是否出現思考內容，而不是思考內容的長度。透過第二條獨立請求路徑執行相同探測時，分兩批共 8 次測試，其中 3 次損毀：一次把文件中的 $520.00 總額回傳為 519.95，另一次把明細項目數回傳為 22。該路徑即使收到停用思考的要求，仍會維持推理，因此下述修正只在主要路徑完成驗證。所有 JSON 都能成功解析，也都通過 schema 驗證，只有值是錯的。對信任驗證結果的資料管線來說，這是最糟的失敗模式。

修正只需要一行：設定 enable_thinking: false 後，每次都回傳正確且有效的 JSON，completion 約使用 44 個 token，預設模式則為 328 個。三個版本的差異很明顯：在相同探測下，預覽版本開啟思考模式仍維持 4/4 正常；V4 Pro 則有 4 次中 2 次損毀。這個問題橫跨 V4 思考系列，其中重新訓練的 Flash 版本最嚴重。它也不是先前已有紀錄的思考模式搭配 schema 問題。vLLM 去年 4 月修正過一個資料傳遞問題：DeepSeek JSON 被放進 reasoning 欄位，而 content 留空；這次資料傳遞正常，但值本身錯誤，問題嚴重得多。在 DeepSeek 修正前，這些模型不應同時使用思考模式與嚴格結構化輸出。這項取捨沒有額外成本：單步擷取正適合關閉思考模式，而且便宜 7 倍。

API 接受哪些思考控制參數？

它提供兩種關閉方式、精確的預算，以及一個無法關閉思考的 effort 設定。我們測試的介面接受 reasoning_effort 值 low、medium、high、xhigh 和 max；不同於 Qwen 3.8 Max，none 和 minimal 會遭到拒絕，因此只靠這個設定無法讓模型停止思考。若要關閉思考模式，可使用 enable_thinking: false 或 thinking: {"type": "disabled"}，兩者行為完全相同（簡單問題都使用 9 個 token 作答）。thinking_budget 會精準套用到指定的 token 數，與我們對 Qwen 3.8 的實測完全一致：要求 16，計量結果就是 16。完整思考鏈會透過 reasoning_content 回傳，每次呼叫固定增加的 prompt 用量僅 5 個 token。

另一方面，effort 設定沒有產生任何可測得的效果。在深度質數計數任務中，low 和 high 分別使用 31,374 與 31,370 個推理 token，預設值則為 26,897，三者答案都正確。這只是一般波動，看不出任何上限。Qwen 3.8 的層級是隱藏的預算上限，會在深度工作中實際限制用量；V4 Flash 的層級則在我們測試的所有深度下都沒有差異。對這個模型而言，真正有用的控制項只有關閉開關和 thinking_budget；effort 設定可以視為裝飾。有趣的是，DeepSeek 自己的 model card將 agent benchmark 固定為「max reasoning effort」，但在我們測試的介面上，這個設定與預設值沒有可辨識的差異。

二步驟數學題實際需要多少思考預算？

需要的預算比重新訓練前更多，與我們針對其他模型提出的低成本模式建議正好相反。在可重現的二步驟算術測試中（1850 箱乘以每箱 24 個零件，75% 已出貨，最終抵達 3,120 個），三個 V4 版本的表現像是三個不同模型：

這裡有兩個結論。第一，agent 重新訓練把算術能力移進了思考通道：預覽版本關閉思考後還能勉強作答，0731 則完全失效，Pro 毫無影響。第二，最低預算取決於模型：Qwen 3.8 Max 在同一批題目上只需 16 個思考 token 就能完全恢復，0731 則需要 256。達到 256 後不但全數答對，也比預設模式便宜（completion 總量為 53 至 188，預設模式則為 100 至 200）。將思考預算設定移植到其他模型時，必須重新執行正確率測試；這個控制手段普遍適用，但門檻並不通用。

隱式快取能提供什麼？

它會在很低的門檻後，以 1,024-token 頁面快速提供資料，而且保留時間很長。隨著 prompt 增長，加入 salt 的前綴配對分別命中恰好 1,024、2,048、4,096 和 7,168 個 token，顯示快取以 1,024 為單位進行頁面對齊量化。門檻略高於一頁：704-token prompt 從未命中，1,166-token prompt 則命中 1,024 個。預熱後 0.3 秒就能命中，不需要特別處理建置延遲；項目在 +45 分鐘時仍可提供資料，是我們在這個價格級距測過保留時間最長的隱式快取。Qwen 3.8 Max 的項目會在 15 至 45 分鐘之間失效，最低門檻也接近 4.3K 個 token。DeepSeek 列出的快取命中輸入價格為每百萬個 token $0.0028，是未命中價格的 2%，且寫入不加價。仍應遵循一般的分層原則：穩定前綴放前面，易變內容放後面。

1M context 與 384K 輸出上限是真的嗎？

在所有測試範圍內，context window 都能正常運作：我們把覆寫碼埋在 137,638、465,238 和 838,198 個 prompt token 中，模型都能逐字回傳，耗時 7 至 20 秒。這是我們在此價格級距測過最快的長 context 召回。輸出限制則比文件寬鬆：DeepSeek 公布的最大輸出為 384K 個 token，但 max_tokens 設為 393,217，甚至 524,288 的請求，在思考與非思考模式下都會被接受。這表示 API 不會在收到請求時強制執行該上限，過大的預算也不會明確報錯。若系統依賴輸出上限，請自行設定。

預覽版、0731 與 Pro：實際由哪個版本回應請求？

DeepSeek 的定價頁面現在只列出一個 SKU：deepseek-v4-flash，模型版本為 DeepSeek-V4-Flash-0731，價格維持不變。實務上，部分路由仍會以原本的名稱提供預覽版本。雖然兩者共用 tokenizer，在英文、中文與程式碼語料上的 token 數完全相同，因此預算可以沿用，但仍可從外部行為輕易區分。最明確的指紋是關閉思考探測：在我們的批次中，關閉思考後的二步驟數學題，預覽版約為 2/6，0731 則為 0/6；預覽版也是唯一完整通過結構化輸出探測的版本，成績為 4/4，0731 則是 5/5 損毀，Pro 為 2/4 損毀。如果流量依賴其中任何一種行為，應直接探測實際呼叫的端點，不要只相信名稱。V4 Pro（$0.435/$0.87）不受數學能力斷崖影響，但仍有結構化輸出問題。

容量規劃還需注意：三個版本共用的 tokenizer 在相同語料上會比 Qwen 3.8 多產生約 6% 至 9% 的 token。因此，比較不同供應商的預算時，不能只看價目表，還需要參考各語言的 token 密度數據。

常見問題

DeepSeek V4 Flash 的結構化輸出安全嗎？

關閉思考模式後是安全的：嚴格 json_schema 會確實執行，我們批次中的每次擷取也都正確。0731 版本使用預設思考模式時，透過兩條請求路徑執行的 13 次測試中，有 8 次整數欄位損毀，但仍通過 schema 驗證。V4 Pro 在相同探測中有 4 次中 2 次損毀，只有預覽版本完全正常。在缺陷修正前，結構化輸出路由應固定設定 enable_thinking: false。

可以關閉 DeepSeek V4 Flash 的思考模式嗎？

可以，有兩種寫法：enable_thinking: false 或 thinking: {"type": "disabled"}。但 0731 重新訓練版本在關閉思考後，處理多步驟工作時很不穩定，二步驟數學題只有 0/6。單步查詢以外的工作，建議將 thinking_budget 的最低值設為 256；實測不但全數答對，也比預設模式便宜。

V4 Flash 快取的最低 prompt 大小是多少？

略高於 1,024 個 token：704-token prompt 從未進入快取，1,166-token prompt 則恰好命中 1,024 個。命中量會以 1,024-token 頁面為單位量化，預熱後 0.3 秒即可命中，並可保留超過 45 分鐘。快取命中輸入的定價為每百萬個 token $0.0028，是未命中價格的 2%。

0731 釋出後有調整價格嗎？

沒有。DeepSeek 維持每百萬個輸入 token（快取未命中）$0.14、快取命中 $0.0028，以及輸出 $0.28，並把 0731 納入現有 deepseek-v4-flash 名稱，作為目前的模型版本。改變的是行為，不是價格：模型更依賴思考模式，也出現上述結構化輸出缺陷。

測量日期為 2026-08-04，透過 Synthorai 閘道對 deepseek-v4-flash-0731 執行（對照組為 deepseek-v4-flash 預覽版與 deepseek-v4-pro）：逐次記錄 payload 的嚴格 schema 擷取批次，並透過第二條獨立請求路徑驗證；effort 設定接受度與無效值探測；加入 salt、每組 n=4 至 6 的二步驟正確率批次，以及逐步增加思考預算的恢復測試；以 2.5 秒間隔執行加入 salt 的快取配對，探測門檻、頁面、延遲與時間間隔；在兩種模式下探測 max_tokens 邊界；比較三個版本與 Qwen 3.8 Max 在三套相同語料上的 tokenizer 計數。金額採用文章發布時 DeepSeek 公布的定價；請以自身供應商的計量結果核對。隨著 DeepSeek 持續調整 0731 版本，模型行為可能改變。

← 返回部落格