DeepSeek V4.1 Flash 是 DeepSeek 快速、经济的 V4 Flash 系列的新一代，最大的变化是它原生支持多模态：模型卡说明它原生处理图像与文本并以自回归方式生成文本，因此视觉输入不再需要另外搭配一个视觉模型。
- 输入
- 文本 图像 $0.3/M
- 输出
- 文本 $1.2/M
- 缓存读取
- $0.006/M
- 上下文
- 1M
- 对比 GPT-4o
- 便宜约 94%
Benchmark 成绩
供应商公布： Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
价格在同类中的位置
价格在 76 个同类模型中的位置
这条线标出该模型的价格在 Synthorai 同类模型中的位置，两端分别是最便宜和最贵的模型。这里是基础价，批量、区域和缓存写入的折扣见价格页。
规格与限制
Token
| 上下文窗口（供应商规格） | 1,000,000 |
|---|---|
| 最大输出（供应商规格） | 393,216 |
提示词缓存
| 缓存方式 | 自动 |
|---|---|
| 有效期 | 无固定 TTL（长期未使用即自动清理） |
思考
| 参数 | reasoning_effort |
|---|---|
| 取值 | minimal · low · medium · high 具体接受哪些值由供应商决定 |
模型
| 模态 | 文本 + 图像 → 文本 |
|---|---|
| 参数量 | 总参数 552B · 激活 8B prefill / 16B decode MoE, Causal Encoder-Decoder |
| 许可证 | 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.
一条提示词，经网关实测
DeepSeek V4.1 Flash 通过 · 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.
输出 423 tok (+327 思考) 延迟 14.6 s
指令遵循（恰好三句，数得出来）、受众适配（对 CFO 说话的口吻），以及下方 token 计数暴露出的隐藏思考计费差额。
DeepSeek V4.1 Flash 通过 · 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.
输出 918 tok (+733 思考) 延迟 11.4 s
修复是否真的正确（能运行）、解释的信息密度，以及在一个范围明确的任务上的 token 效率。
DeepSeek V4.1 Flash 通过 · 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"}
输出 1707 tok (+1667 思考) 延迟 15.1 s
是否严守 schema（不臆造字段）、能否顶住幻觉压力（原文明说暂不给出 guidance），以及结构化输出路径的差异。
DeepSeek V4.1 Flash 通过 · 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.
输出 917 tok (+770 思考) 延迟 9.0 s
是否守住约束（字数预算、禁用词表、只能有一个问句）、文风特征，以及长度控制。
30 秒用上 DeepSeek V4.1 Flash
兼容 OpenAI：换掉 base_url，SDK 不用改。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(""));关于 DeepSeek V4.1 Flash
- 这一代是真正的架构更替，而不是重新调参。
- DeepSeek 描述的是 Causal Encoder-Decoder 架构，即由 20 层因果编码器接 20 层解码器构成的 40 层 Transformer，建立在 552B 参数的 Mixture-of-Experts 主干之上；每个 token 在 prefill 阶段只激活 8B 参数、decode 阶段激活 16B，这一划分正是针对输入量大的智能体式负载。
- 显存方面延续同一思路：Compressed Sparse Attention 2 配合 FP4 主 KV 缓存，把全局 KV 缓存占用降到每 token 890 字节，约为 DeepSeek V4 Flash 的四分之一；SWA Bounded Replay 则把常驻 KV 占用压到约八分之一。
- 上下文窗口可达 1M token，权重以 MIT 许可发布，并支持工具调用。
- 真正需要预留预算的是推理：思维轨迹与答案分开返回，在短提示下它可能占去几乎全部的输出 token，因此 max_tokens 给得太紧会拿到空的正文，而思考所消耗的 token 仍会全额计费。
- 推理强度可调，模型卡把它记为一个连续的控制量，而不是若干个具名档位。
- Synthorai 通过 OpenAI 兼容的 chat completions 端点提供该模型。
常见问题
DeepSeek V4.1 Flash API 可以免费试用吗？
可以。新账号有 10 次试用调用，免费额度最高 $1，无需绑卡。按输入 $0.3/M 计算，光这笔额度就够向 DeepSeek V4.1 Flash 发约 416 次请求，每次 ~8K token。
DeepSeek V4.1 Flash 最擅长什么？
原生多模态 —— 图像与文本输入、552B MoE，prefill 阶段激活 8B、1M 上下文，MIT 许可权重。完整介绍见「关于」部分，内容取自供应商的官方发布说明。
DeepSeek V4.1 Flash 的价格是多少？
在 Synthorai 上，DeepSeek V4.1 Flash 的输入价为 $0.3/百万 token，输出价为 $1.2/百万 token。这就是供应商官网价，平台不加价。缓存命中的输入 token 按 $0.006/M 计费。
DeepSeek V4.1 Flash 的上下文长度是多少？
DeepSeek V4.1 Flash 的上下文长度（上下文窗口）是 1M token。单次回复最多输出 393,216 个 token。
DeepSeek V4.1 Flash 支持提示词缓存（prompt caching）吗？
支持，而且全自动：经 DeepSeek 处理的提示词会自动缓存，不用改代码。缓存命中的输入 token 按 $0.006/M 计费（未命中为 $0.3/M）（TTL 无固定 TTL（长期未使用即自动清理））。 提示词缓存指南 →
如何开通 DeepSeek V4.1 Flash？
把现有 OpenAI SDK 的 base_url 指向 "https://synthorai.io/v1"，model 设为 "deepseek-v4.1-flash" 即可。一个 API key 就能调用网关上的全部模型。
DeepSeek V4.1 Flash 开源吗？
开源：权重以 MIT 许可证发布（官方仓库链接见「关于」部分）。不想自己备 GPU 也行：这里的托管版本按量付费，不需要自建基础设施。 运行开源权重模型 →
相关模型
对比
本页的每个数值都照录自供应商自己的文档（链接见上），并标有核对日期。价格是在整个目录范围内比较的；各家供应商定义不一样的规格项，只说明差异，不画图对比。这里没有任何一项是我们自己测的，也不打分。