Model
.ai
offene KI-Modelle im Blick
DeepSeek V4.1 Flash

DeepSeek | 1,048,576 token context | $0.04/M input, $0.68/M output. DeepSeek V4.1 Flash is a sparse mixture-of-experts model from DeepSeek, and the first built on the company's Causal Encoder-Decoder (CED) architecture. It activates 8B parameters on input and 16B on output from a 552B-parameter backbone, an asymmetric split that keeps per-token compute low relative to the model's total size. Image understanding is native to the architecture, with visual and text embeddings trained jointly from the start of pre-training rather than added afterward as in the earlier experimental V4 Flash Vision…DeepSeek | 1,048,576 token context | $0.04/M input, $0.68/M output. DeepSeek V4.1 Flash is a sparse mixture-of-experts model from DeepSeek, and the first built on the company's Causal Encoder-Decoder (CED) architecture. It activates 8B parameters on input and 16B on output from a 552B-parameter backbone, an asymmetric split that keeps per-token compute low relative to the model's total size. Image understanding is native to the architecture, with visual and text embeddings trained jointly from the start of pre-training rather than added afterward as in the earlier experimental V4 Flash Vision ExpOpens in new tab. It is suited for coding, terminal, and computer-use agents, along with long-horizon tasks that must run to completion across many steps and long-context analysis. Compressed KV caching cuts cache memory to roughly a quarter of the previous Flash generation, significantly reducing costs on agentic workloads. DeepSeek positions it as the cost-efficient tier of the V4.1 family and reports that it exceeds V4 ProOpens in new tab on performance, speed, and task completion time.

Anleitungen zu diesem Modell
Alle Anleitungen
DeepSeek V4.1 Flash ist ein 552B sparsames Mixture-of-Experts-Modell von DeepSeek, aufgebaut auf einer neuartigen Causal Encoder-Decoder-Architektur, die nur 8B Parameter beim Input und 16B beim Output aktiviert und so die Kosten pro Token ungewöhnlich niedrig für seine Größe hält. Native Vision-Unterstützung und aggressive KV-Cache-Kompression machen es zu einer praktischen Wahl für mehrstufige Agenten und Aufgaben mit langem Kontext. Offene Gewichte sind verfügbar, und der API-Preis liegt am unteren Ende der Preisspanne.

Bekannt für

  • Asymmetrische Aktivierung (8B Prefill, 16B Decode) senkt die Rechenkosten im Verhältnis zur Gesamtmodellgröße.
  • KV-Cache-Fußabdruck von ca. 890 Bytes pro Token, etwa ein Viertel der vorherigen Flash-Generation.
  • Native multimodale Architektur: Vision wurde von Anfang an gemeinsam mit Text trainiert, nicht nachträglich hinzugefügt.
  • Kontrollierbarer Denkaufwand (1–100 Ganzzahl) erlaubt den Tausch von Genauigkeit gegen Inferenzkosten.
  • Entwickelt für Codierung, Computer-Agenten und Aufgaben mit mehrstufiger, langfristiger Ausführung.

Achte auf

  • Mit 552B Gesamtparametern erfordert der lokale Betrieb ernsthafte Hardware; die meisten Nutzer werden die API verwenden.
  • Die CED-Architektur ist neu und außerhalb der eigenen Benchmarks von DeepSeek kaum in der Produktion getestet.
  • Ausgabetoken kosten etwa das 16-fache der Eingabetoken, daher summieren sich ausführliche Ausgaben schnell.

Prompts zum Ausprobieren

Mehrstufiger Terminal-Agent
Du hast Zugriff auf eine Bash-Shell. Ein Nutzer hat ein Python-Projekt, bei dem `pytest` mit Code 1 beendet, aber keine nützlichen Fehlermeldungen ausgibt. Führe eine vollständige Diagnose durch: Prüfe die pytest-Version, untersuche conftest-Dateien, führe mit verbose-Flags aus und schlage eine Lösung vor. Zeige jeden Befehl und erkläre, was du erwartest, bevor du ihn ausführst.
Screenshot analysieren
Ich füge einen Screenshot eines Dashboards einer Webanwendung bei. Identifiziere UI-Elemente, die kaputt oder falsch ausgerichtet aussehen, notiere, welche Daten angezeigt werden und ob das Layout das Scannen erleichtert, und schlage zwei konkrete Verbesserungen vor, die ein Frontend-Entwickler in unter einer Stunde umsetzen könnte.
Langfristige Vertragsprüfung
Hier ist ein Software-Dienstleistungsvertrag. Identifiziere jede Klausel, die Haftungsbeschränkungen oder Entschädigungen regelt, markiere einseitige Klauseln zugunsten des Anbieters und fasse die Kündigungsbedingungen zusammen. Präsentiere deine Ergebnisse als nummerierte Liste mit den entsprechenden Abschnittsverweisen.

Vergleichen mit

Mehr Textmodelle von deepseek

Häufig gestellte Fragen

Sind die Gewichte offen und kann ich DeepSeek V4.1 Flash lokal ausführen?
Ja, die Gewichte sind auf Hugging Face unter deepseek-ai/DeepSeek-V4.1-Flash veröffentlicht. Mit 552B Gesamtparametern benötigst du erhebliche Hardware für den lokalen Betrieb; die meisten werden stattdessen die API nutzen.
Was kostet DeepSeek V4.1 Flash und wie groß ist das Kontextfenster?
Die API kostet $0,04 pro Million Eingabetoken und $0,63 pro Million Ausgabetoken, mit einem Kontextfenster von 1.048.576 Token (etwa eine Million).
Worin unterscheidet sich V4.1 Flash vom Rest der V4.1-Familie?
V4.1 Flash ist die kosteneffiziente Variante, nutzt die neue CED-Architektur, um aktive Parameter niedrig zu halten und den KV-Cache aggressiv zu komprimieren; DeepSeek berichtet, dass es V4 Pro in Leistung, Geschwindigkeit und Aufgabenabschluss trotz niedrigerer Kosten pro Token übertrifft.
Captain's Urteil
Eine wirklich neuartige Architektur, die ihr 'Flash'-Label verdient: günstig pro Token, für Agenten gebaut und offen, wenn man die Hardware hat.
Model Card auf Hugging Face
Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.
Ranking badge
Updated Oct 22, 2026
DeepSeek V4.1 Flash auf ModelTrends.ai: #6 Hottest AI model
Made this model? Show this badge on your page.
Paste it into your Hugging Face card or Civitai description.
Also ranked: #1 Hottest Text / LLM model · #1 Hottest Text / LLM text model
Not this creator?
Beliebtheitstrend von DeepSeek V4.1 Flash
Heat-Score seit 10 Sep 2026
Heat-Score
9,552°
Diese Woche
▲
38.4%
9,509° damals, 9,552° jetzt
Diesen Monat
▲
847%
9,256° damals, 9,552° jetzt
Vergangenes Jahr
n/a
Noch nicht veröffentlicht/erfasst
DeepSeek V4.1 Flash: Heat-Score seit 10 Sep 20267,000°7,715°8,429°9,144°9,858°10 Sep18 Sep27 Sep5 Oct14 Oct22 Oct9,552°ModelTrends.ai
7,000°
Grundwert
Die Skala reicht von 0° bis 9.999°. Alles unterhalb von 7,000° ist für Modelle reserviert, über die noch keine Quelle berichtet hat. Diese tragen dort eine Platzhalterzahl, damit die Listen vollständig bleiben. 7,000° ist der Punkt, an dem gemessene Daten beginnen: Ein Modell mit echten Daten, aber fast keinen Downloads, sitzt auf dem Grundwert, und die Messungen füllen die Grade darüber. Der Grundwert sagt nichts über das Modell aus; nur die Grade darüber tun das und trennen ein Modell vom anderen.
+2,124°
OpenRouter Tokens
119,552,466,382,730 Tokens hat dieses Modell in den letzten 30 Tagen über OpenRouter verarbeitet, Eingaben und Antworten zusammen. Je 10,000,000 Tokens zählen als ein Download im Download-Zeitraum, insgesamt 11,955,246; die Tokens des letzten Tages fließen in die Adoptionsrate ein. Quelle: OpenRouter (openrouter.ai/rankings).
+428°
Verbreitungsrate
Etwa 516,730 Downloads pro Tag, gemessen zwischen zwei Abfragen der Quellen, nie geschätzt aus einem Durchschnitt über die gesamte Lebenszeit. Die Geschwindigkeit zählt ein Viertel des Download-Werts, sodass ein frischer Anstieg sichtbar wird, ohne dass ein eintägiger Spitzenwert jahrelange Nutzung übertrumpft.
Detaillierte Aufschlüsselung anzeigen
Jede Zahl auf dieser Seite kann überprüft werden. Der Heat-Score dieses Modells beträgt 9,552°, und hier wird er Schritt für Schritt aufgebaut, mit dem laufenden Gesamtwert nach jedem Schritt: der Grundwert, die Grad, die jede Quelle hinzufügt, der Bonus für die Art des Modells und was das Alter seiner Gewichte abzieht. Die Farben entsprechen den Bereichen der obigen Grafik. Das Glossar am Ende erklärt jeden Begriff.
  1. 1
    Starte beim Grundwert.
    Warum 7,000° und nicht null: Die Skala reicht von 0° bis 9.999°, und der Bereich unter 7,000° ist für Modelle reserviert, über die noch keine Quelle berichtet hat. Diese tragen dort eine Platzhalterzahl, damit die Listen vollständig bleiben und niemals über einem Modell mit Daten stehen. 7,000° ist der Punkt, an dem gemessene Daten beginnen. Ein Modell mit echten Daten, aber fast keinen Downloads, sitzt hier; alles, was folgt, ist Messung, und der Bereich über dem Grundwert enthält zehn zehnfache Schritte bei Downloads zu je 300°. Der Grundwert ist für jedes Modell gleich, er entscheidet also nichts; die Grade darüber tun das.
    7,000°
    laufende Summe
  2. 2
    Füge die Downloads hinzu.
    11,955,246 Download-Äquivalente insgesamt, von OpenRouter Tokens. Zehnmal die Downloads ergeben denselben 300°, also zählt die Größe, aber sie dominiert die Bewertung nie.
    +2,124°
    9,124°
    laufende Summe
  3. 3
    Füge die Verbreitungsrate hinzu.
    Momentan etwa 516,730 Downloads pro Tag, gemessen zwischen zwei Messungen, mit einem Viertel der Gewichtung.
    +428°
    9,552°
    laufende Summe
  4. =
    Der Heat-Score.
    Wo dieses Modell auf jeder Liste dieser Seite steht. Nichts anderes beeinflusst ihn.
    9,552°
Glossar: die hier verwendeten Begriffe
Heat-Score
Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert
Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente
Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala
Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes
Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate
Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt
Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder
Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde
Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten
Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens
Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint)
Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding
Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte
Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter
Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost
Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert
Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist)
Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend
Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell
Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.
Wie sich die Beliebtheit dieses Modells im Vergleich zum Rest des Katalogs entwickelt hat: sein Wachstum bei Downloads, Likes und Nutzung in jedem Zeitraum, gemessen am typischen Wachstum eines Modells im gleichen Zeitraum, mit dem Heat-Score zu diesem Zeitpunkt. Über dem typischen Wachstum bedeutet ein Anstieg, darunter ein Rückgang. Die Vergangenheit wird aus den heutigen Gesamtzahlen, dem ersten Tag des Modells und seiner gemessenen Download-Geschwindigkeit rekonstruiert, wenn zwei Messungen vorliegen; ein Modell, das zu Beginn eines Zeitraums nicht existierte, zeigt n/a an.