DeepSeek V4 Flash 0731
9301°
Voer dit model uit
Aanbiedingen / Advertenties
DeepSeek | 1,048,576 token context | $0.01/M input, $1.28/M output. DeepSeek V4 Flash 0731 is a sparse mixture-of-experts model from DeepSeek, with 13B active parameters out of 284B total. This re-post-trained revision is suited for coding, reasoning, and agent workflows. This is the GA release of DeepSeek V4 Flash.
Gidsen voor dit model
Beste lokale LLM per gebruik (oktober 2026): het juiste open model voor elke klus
Hoeveel VRAM heb ik eigenlijk nodig voor lokale AI?
Open weights vs open source vs alleen API: wat je eigenlijk mag doen
Wat is een GGUF-bestand? Uitleg over gekwantiseerde modellen (Q4, Q8, fp8, NF4)
Aantekeningen van de kapitein
Aantekeningen van 2026-10-13
DeepSeek V4 Flash 0731 is een sparse mixture-of-experts model van DeepSeek met 13B actieve parameters uit een totaal van 284B, gebouwd voor coderen, redeneren en agentworkflows. De GA-release verbetert aanzienlijk ten opzichte van de preview en verslaat DeepSeek V4 Pro op diverse agentbenchmarks ondanks veel minder actieve parameters. Het is geschikt voor ontwikkelaars die voorhoede agent- en codeerprestaties willen tegen een lage API-prijs, of die een serieus MoE-model zelf willen hosten.
Bekend om
- Sterk agentisch coderen: hoge scores op DeepSWE, NL2Repo en terminal benchmarks
- Contextvenster van 1 miljoen tokens voor lange codebases en uitgebreide agentsessies
- Speculatieve decodering ingebouwd via DSpark voor snellere inferentie op vLLM
- Aanpasbare redeneerinspanning: laag, hoog of maximaal per oproep
- Open weights op Hugging Face, te draaien op multi-GPU hardware met vLLM
Let op
- Geen standaard Jinja chattemplate; je moet DeepSeek's eigen encodingscripts gebruiken om prompts correct te formatteren.
- 284B totale parameters betekent dat zelf-hosting serieuze multi-GPU hardware vereist — dit is geen laptopmodel.
- Output tokens kosten 32× meer dan input tokens; lange agentruns met uitgebreide output lopen snel op.
Prompts om te proberen
Autonome repo-taak
Je werkt in een Python-repository met een Flask API en een PostgreSQL-backend. De /users endpoint retourneert alle rijen uit de users-tabel maar heeft geen paginering. Voeg cursor-gebaseerde paginering toe met een created_at timestamp cursor. Toon de bijgewerkte route, eventuele nieuwe helperfuncties en de SQL-query. Leg je redenering uit voordat je code schrijft.
Lastige debugpuzzel
Een Python async functie haalt URL's gelijktijdig op met asyncio.gather. Onder belasting geeft het soms RuntimeError: Session is closed. De sessie wordt één keer op module-niveau aangemaakt. Doorloop elke plausibele oorzaak, rangschik ze op waarschijnlijkheid en schrijf een gecorrigeerde implementatie die de raceconditie elimineert.
Multi-step agent plan
Je hebt toegang tot een bash-terminal, een Python-interpreter en de mogelijkheid om bestanden te lezen en schrijven. Een CSV-bestand sales.csv heeft kolommen: date, region, product, revenue. Plan en voer de stappen uit om een samenvattend rapport te maken met totale omzet per regio en topproduct per regio, en sla het op als report.md.
Vergelijk met
- DeepSeek V4.1 FlashModel met open gewichten1,048,576 token context · $0.04/M invoer, $0.68/M uitvoer
- DeepSeek V4 Flash 0423Model met open gewichten1,048,576 token context · $0.09/M invoer, $0.18/M uitvoer
- DeepSeek V4 Pro 0813Model met open gewichten1,048,576 token context · $1.32/M invoer, $3.96/M uitvoer
- DeepSeek V4 Pro 0423Model met open gewichten1,048,576 token context · $0.96/M invoer, $1.91/M uitvoer
Meer tekstmodellen van deepseek
Veelgestelde vragen
- Zijn de weights open en kan ik dit lokaal draaien?
- Ja — de weights staan op Hugging Face bij deepseek-ai/DeepSeek-V4-Flash-0731. Zelf-hosting vereist multi-GPU hardware die een 284B-parameter MoE-model aankan; DeepSeek's eigen voorbeeld gebruikt een 4×GB300-node met vLLM.
- Wat kost het en hoe groot is de context?
- Via API kost het $0,02 per miljoen input tokens en $0,64 per miljoen output tokens, met een contextvenster van 1.048.576 tokens.
- Hoe verschilt dit van DeepSeek V4 Pro?
- V4 Flash 0731 activeert slechts 13B parameters versus het grotere actieve aantal van V4 Pro, maar presteert beter dan V4 Pro op elke agentbenchmark in DeepSeek's gepubliceerde vergelijking, waardoor het de betere keuze is voor codeer-agent workloads tegen lagere inferentiekosten.
Oordeel van de kapiteinEen zeldzaam geval waarin het 'flash'-niveau de 'pro' verslaat op de belangrijkste taken — agent coderen — en een fractie kost om te draaien.
Modelkaart op Hugging Face
De kapitein schrijft deze aantekeningen op basis van de eigen beschrijving en modelkaart van het model. Prijzen en contextgroottes zijn die van de provider op het moment van schrijven en kunnen veranderen.
Ranking badge
Updated Oct 22, 2026
Made this model? Show this badge on your page.
Paste it into your Hugging Face card or Civitai description.
Also ranked: #5 Hottest Text / LLM model · #5 Hottest Text / LLM text model
Not this creator?
Get your own badge
Populariteitstrend van DeepSeek V4 Flash 0731
Heat score sinds 31 Jul 2026
Heat score
9,301°
Deze week
▲
18.4%
9,278° toen, 9,301° nu
Deze maand
▲
137%
9,185° toen, 9,301° nu
Afgelopen jaar
n.v.t.
Nog niet uitgebracht/getrackt
7,000°
Basis
De schaal loopt van 0° tot 9.999°. Alles onder 7,000° is gereserveerd voor modellen waar nog geen bron over rapporteert, die daar een tijdelijke waarde krijgen zodat de lijsten compleet blijven. 7,000° is waar gemeten data begint: een model met echte data maar bijna geen downloads zit op de basis, en de metingen vullen de graden erboven. De basis zegt niets over het model; alleen de graden erboven doen dat, en die maken het verschil tussen modellen.
+1,938°
OpenRouter tokens
28,896,982,056,080 tokens heeft dit model in de afgelopen 30 dagen verwerkt via OpenRouter, prompts en antwoorden samen. Elke 10,000,000 tokens telt als één download in de downloadterm, in totaal 2,889,698; de tokens van de laatste dag tellen mee voor het adoptiecijfer. Bron: OpenRouter (openrouter.ai/rankings).
+363°
Adoptiesnelheid
Ongeveer 69,105 downloads per dag, gemeten tussen twee metingen van de bronnen, nooit geschat op een levenslange gemiddelde. Snelheid weegt een kwart van de downloadterm, zodat een verse piek zichtbaar is zonder dat een dagpiek jaren gebruik overstemt.
Toon gedetailleerde uitsplitsing
Elk getal op deze site is te controleren. De heat-score van dit model is 9,301°, en hier wordt die stap voor stap opgebouwd, met de tussentijdse totalen na elke stap: de basis, de graden die elke bron toevoegt, de bonus voor het type model en wat de leeftijd van de gewichten eraf haalt. De kleuren zijn de banden van de grafiek hierboven. De woordenlijst achteraan legt elke term uit.
- 1Begin bij de basis.Waarom 7,000° en niet nul: de schaal loopt van 0° tot 9.999°, en het deel onder 7,000° is gereserveerd voor modellen waar nog geen bron over rapporteert, die daar een tijdelijke waarde krijgen zodat de lijsten compleet blijven en nooit hoger staan dan een model met data. 7,000° is waar gemeten data begint. Een model met echte data maar bijna geen downloads zit hier; alles wat volgt is meting, en de ruimte boven de basis bevat tien stappen van tien keer zoveel downloads, elk 300° waard. De basis is voor elk model hetzelfde, dus die zegt niets; de graden erboven wel.7,000°lopende totaal
- 2Voeg de downloads toe.2,889,698 download-equivalenten in totaal, van OpenRouter tokens. Tien keer de downloads voegt dezelfde 300° toe, dus grootte telt mee maar bepaalt niet alles.+1,938°8,938°lopende totaal
- 3Voeg de adoptiesnelheid toe.Ongeveer 69,105 downloads per dag op dit moment, gemeten tussen twee metingen, met een kwart van het gewicht.+363°9,301°lopende totaal
- =De heat-score.Waar dit model staat op elke lijst van deze site. Niets anders beïnvloedt dit.9,301°
Woordenlijst: de gebruikte termen
- Heat-score
- Één getal voor hoe veel een model nu gebruikt en gewenst wordt, van 0° tot 9.999°. Elke lijst op deze site die zegt heetste is gesorteerd op deze score en niets anders.
- Vloer
- De 7.000° waar elk model met echte data mee begint. De schaal loopt van 0° tot 9.999°; het deel onder de vloer is gereserveerd voor plaatsvervangers (modellen zonder data), zodat een model met data altijd hoger scoort dan een zonder. De vloer is voor iedereen gelijk en beslist niets; de graden erboven zijn de meting.
- Download-equivalenten
- Alles wat de score als een download telt, bij elkaar opgeteld: downloads zelf, elke torrent seeder als 1.000, elke AI Horde-afbeelding en elke run op een generatie-site als één.
- Logaritmische schaal
- Tellen per tien, niet per één: van 1.000 naar 10.000 downloads voegt evenveel graden toe als van 10.000 naar 100.000. Zo verdringen grote spelers niet alles.
- Likes
- Duimen omhoog en likes van elke bron, elk de helft van een download waard op de log-schaal.
- Adoptiesnelheid
- Hoeveel downloads een model nu per dag krijgt, uit het verschil tussen twee metingen van een bron. Een kwart van het gewicht van de downloadterm.
- Gemeten en geschat
- Gemeten betekent dat er twee metingen van een bron zijn en het verschil echt is. Geschat betekent dat alleen het totaal van vandaag bekend is en het verleden over de levensduur van het model wordt verdeeld; de site geeft aan welke het toont.
- Seeder
- Iemand die een kopie van de gewichten online houdt zodat anderen die via een torrent kunnen downloaden, of een gehoste mirror die hetzelfde doet. Elk telt als 1.000 downloads.
- AI Horde
- Een vrijwilligersnetwerk dat gratis beelden genereert op gedoneerde computers. Het aantal beelden dat het met een model heeft gemaakt is openbaar, en elk telt als één download.
- Generatiesites
- Sites die hun eigen kopieën van een model hosten en mensen laten genereren, zoals PixAI, SeaArt en Yodayo. Hun downloads tellen net als die van Civitai en elke generatie telt als één download.
- OpenRouter tokens
- Een tekstmodel dat via een API wordt aangeboden, zoals Claude of GPT, heeft geen gewichten om te downloaden, dus het gebruik wordt gemeten in tokens: de tekststukken die het las en schreef via OpenRouter, een gateway die veel apps gebruiken, in de afgelopen 30 dagen. Elke 10,000,000 tokens telt als één download. Bron: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Volledig model (checkpoint)
- De gewichten zelf, het bestand dat zelfstandig genereert. Het krijgt een bonus omdat add-ons ervan afhangen.
- LoRA en embedding
- Kleine add-on bestanden die iemands gewichten sturen naar een stijl, een personage of een concept. Ze kunnen niet zelfstandig draaien.
- Familie en gewichten
- De basis waarop een model is gebouwd, zoals SD 1.5, SDXL, Flux of Wan. Elk model erft de releasedatum van de gewichten van zijn familie.
- Leeftijd
- Graden afgetrokken voor hoe lang geleden de gewichten van de familie uitkwamen: 150° per jaar, tot 750°. Het houdt oude downloads die jaren hadden om op te lopen door de top van de lijst te bevriezen.
- Familie boost
- Een kleine, begrensde duw voor LoRA's van een familie die deze site nu naar voren schuift, altijd vermeld in de uitsplitsing.
- Stand-in score
- Een stabiel getal onder de vloer gegeven aan een model waar nog geen bron over rapporteert, zodat lijsten compleet blijven. Het staat nooit hoger dan een model met data.
- Nieuw! (gratieperiode)
- Een model dat minder dan 7 dagen oud is, toont Nieuw! in plaats van een score en neemt geen plaats in de ranglijst in. De score wordt vanaf dag één berekend, maar een model van één dag oud groeit sneller dan wat dan ook, dus zonder de wachttijd zou de #1 van de week altijd het model zijn dat gisteren uitkwam in plaats van wat een week standhield.
- Trend
- Hoe de groei van een model over een periode zich verhoudt tot de typische groei van een model over dezelfde periode. Sneller dan typisch betekent stijging, langzamer betekent daling.
- Typisch model
- Het midden van de catalogus: de helft van de modellen met een cijfer groeide sneller over de periode, de andere helft langzamer.
Hoe de populariteit van dit model zich verhoudt tot de rest van de catalogus: de groei in downloads, likes en gebruik per periode, gemeten ten opzichte van de typische groei van modellen in dezelfde periode, met de heat score op dat moment. Boven de typische groei betekent stijging, eronder daling. Het verleden wordt herbouwd vanuit de huidige totalen, de eerste dag van het model en de gemeten downloadsnelheid als er twee metingen zijn; een model dat er aan het begin van een periode nog niet was, toont n.v.t.
DeepSeek V4 Flash 0731 is een tekstmodel voor de Text / LLM-familie, vermeld op ModelTrends.ai, een alleen-lezen catalogus van open source AI-modellen voor afbeeldingen, video en tekst. Vergelijk het met andere Text / LLM-modellen en bekijk de populariteitsscore om de trend te zien.
Meer Text / LLM-modellenMeer Text / LLM Tekst / LLMllmdeepseekredenerencoderenagentenlange contextlokaal
Bladeren op modelfamilie
Text / LLM-modellen
434
Anima-modellen
528
Chroma-modellen
19
Fibo-modellen
2
Flux-modellen
1,496
Flux 2 / Klein-modellen
1,239
Flux 3-modellen
3
Moss-modellen
3
Iris-modellen
1
MiniMax H3-modellen
364
Hunyuan-modellen
204
Ideogram-modellen
20
Krea2-modellen
717
Qwen-modellen
20
Qwen2-modellen
47
Ltx2-modellen
153