Model
.ai
śledzimy otwarte modele AI
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.

Poradniki do tego modelu
Wszystkie poradniki
DeepSeek V4.1 Flash to model sparse mixture-of-experts o rozmiarze 552B od DeepSeek, oparty na nowatorskiej architekturze Causal Encoder-Decoder, która aktywuje tylko 8B parametrów na wejściu i 16B na wyjściu, utrzymując koszty na token niezwykle niskie jak na tę skalę. Wbudowane wsparcie dla wizji i agresywna kompresja pamięci KV cache czynią go praktycznym wyborem dla agentów wieloetapowych i zadań z długim kontekstem. Wagi są otwarte, a cena API plasuje się na budżetowym końcu frontu.

Znany z

  • Asymetryczna aktywacja (8B prefill, 16B decode) obniża koszt obliczeń względem całkowitego rozmiaru modelu.
  • Ślad pamięci KV cache około 890 bajtów na token, czyli około jednej czwartej w porównaniu do poprzedniej generacji Flash.
  • Natywna architektura multimodalna: wizja trenowana wspólnie z tekstem od samego początku, a nie doklejona.
  • Kontrolowany wysiłek rozumowania (liczba całkowita 1–100) pozwala wymieniać dokładność na koszt inferencji.
  • Zaprojektowany do kodowania, agentów komputerowych i realizacji zadań wieloetapowych o długim horyzoncie.

Uważaj na

  • Przy 552B całkowitych parametrów uruchomienie lokalne wymaga poważnego sprzętu; większość użytkowników będzie korzystać z API.
  • Architektura CED jest nowa i w dużej mierze nieprzetestowana w produkcji poza własnymi benchmarkami DeepSeek.
  • Tokeny wyjściowe kosztują około 16 razy więcej niż tokeny wejściowe, więc rozbudowane odpowiedzi szybko się sumują.

Podpowiedzi do wypróbowania

Agent terminalowy wieloetapowy
Masz dostęp do powłoki bash. Użytkownik ma projekt w Pythonie, gdzie `pytest` kończy się kodem 1, ale nie wyświetla żadnego użytecznego błędu. Przeprowadź pełną diagnozę: sprawdź wersję pytest, przejrzyj pliki conftest, uruchom z flagami verbose i zaproponuj naprawę. Pokaż każdą komendę i wyjaśnij, co spodziewasz się zobaczyć przed jej wykonaniem.
Analiza zrzutu ekranu
Dołączam zrzut ekranu pulpitu aplikacji webowej. Zidentyfikuj elementy UI, które wyglądają na uszkodzone lub źle wyrównane, zanotuj jakie dane są wyświetlane i czy układ ułatwia ich przeglądanie, oraz zaproponuj dwie konkretne poprawki, które front-end developer mógłby wdrożyć w mniej niż godzinę.
Przegląd umowy z długim kontekstem
Oto umowa na usługi programistyczne. Zidentyfikuj wszystkie klauzule ograniczające odpowiedzialność lub odszkodowanie, zaznacz te jednostronne na korzyść dostawcy oraz podsumuj warunki rozwiązania umowy. Przedstaw wyniki w formie numerowanej listy z odniesieniami do odpowiednich sekcji.

Porównaj z

  • DeepSeek Flash Latest
    Model tylko z API
    Kontekst 1,048,576 tokenów · $0.04/M wejście, $0.68/M wyjście
  • DeepSeek V4 Flash 0731
    Model z otwartymi wagami
    Kontekst 1,048,576 tokenów · $0.01/M wejście, $1.28/M wyjście
  • DeepSeek V4 Flash 0423
    Model z otwartymi wagami
    Kontekst 1,048,576 tokenów · $0.09/M wejście, $0.18/M wyjście
  • DeepSeek V4 Pro 0813
    Model z otwartymi wagami
    Kontekst 1,048,576 tokenów · $1.32/M wejście, $3.96/M wyjście
Więcej modeli tekstowych od deepseek

Pytania, które ludzie zadają

Czy wagi są otwarte i czy mogę uruchomić DeepSeek V4.1 Flash lokalnie?
Tak, wagi są opublikowane na Hugging Face pod deepseek-ai/DeepSeek-V4.1-Flash. Przy 552B całkowitych parametrach potrzebujesz znacznego sprzętu do uruchomienia lokalnego; większość osób będzie korzystać z API.
Ile kosztuje DeepSeek V4.1 Flash i jaki ma rozmiar okna kontekstu?
API kosztuje 0,04 USD za milion tokenów wejściowych i 0,63 USD za milion tokenów wyjściowych, z oknem kontekstu 1 048 576 tokenów (około miliona).
Czym V4.1 Flash różni się od reszty rodziny V4.1?
V4.1 Flash to warstwa kosztowo efektywna, wykorzystująca nową architekturę CED do utrzymania niskiej liczby aktywnych parametrów i agresywnej kompresji KV cache; DeepSeek raportuje, że przewyższa V4 Pro pod względem wydajności, szybkości i realizacji zadań mimo niższego kosztu na token.
Wyrok kapitana
Naprawdę nowatorska architektura zasługująca na nazwę 'Flash': tania na token, stworzona dla agentów i otwarta, jeśli masz odpowiedni sprzęt.
Karta modelu na Hugging Face
Kapitan pisze te notatki na podstawie opisu modelu i karty modelu. Ceny i rozmiary kontekstu pochodzą od dostawcy w momencie pisania i mogą się zmieniać.
Ranking badge
Updated Oct 22, 2026
DeepSeek V4.1 Flash na 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?
Trend popularności: DeepSeek V4.1 Flash
Wynik heat od 10 Sep 2026
Wskaźnik popularności
9,552°
Ten tydzień
▲
38.4%
9,509° wtedy, 9,552° teraz
Ten miesiąc
▲
848%
9,256° wtedy, 9,552° teraz
Ostatni rok
n/a
Jeszcze nie wydano/śledzono
DeepSeek V4.1 Flash: Wynik heat od 10 Sep 20267,000°7,715°8,429°9,144°9,858°10 Sep18 Sep27 Sep5 Oct14 Oct22 Oct9,552°ModelTrends.ai
7,000°
Podstawa
Skala idzie od 0° do 9 999°. Wszystko poniżej 7,000° jest zarezerwowane dla modeli, o których żadne źródło jeszcze nie raportuje, które mają tam zastępczą wartość, by listy były kompletne. 7,000° to punkt startowy dla danych pomiarowych: model z prawdziwymi danymi, ale prawie bez pobrań, stoi na tej podstawie, a pomiary wypełniają stopnie powyżej niej. Podstawa nic nie mówi o modelu; to stopnie powyżej niej robią różnicę i to one rozróżniają modele.
+2,124°
Tokeny OpenRouter
119,552,466,382,730 tokenów przetworzonych przez ten model przez OpenRouter w ciągu ostatnich 30 dni, razem zapytania i odpowiedzi. Każde 10,000,000 tokenów liczy się jako jedno pobranie w terminie pobrań, łącznie 11,955,246; tokeny z ostatniego dnia wchodzą do wskaźnika adopcji. Źródło: OpenRouter (openrouter.ai/rankings).
+428°
Tempo adopcji
Około 516,730 pobrań dziennie, mierzone między dwoma odczytami źródeł, nigdy nie szacowane na podstawie średniej z całego czasu. Prędkość waży ćwierć składnika pobrań, więc świeży wzrost jest widoczny, ale jednodniowy skok nie przebije lat użycia.
Pokaż szczegóły
Każdą liczbę na tej stronie można sprawdzić. Wynik popularności tego modelu to 9,552°, a tutaj jest zbudowany krok po kroku, z bieżącym sumowaniem po każdym składniku: podstawa, stopnie dodawane przez każde źródło, bonus za rodzaj modelu oraz odejmowanie za wiek wag. Kolory odpowiadają zakresom na wykresie powyżej. Na końcu znajduje się słownik, który wyjaśnia każde pojęcie.
  1. 1
    Zacznij od podstawy.
    Dlaczego 7,000°, a nie zero: skala idzie od 0° do 9 999°, a część poniżej 7,000° jest zarezerwowana dla modeli, o których żadne źródło jeszcze nie raportuje, które mają tam zastępczą wartość, by listy były kompletne i nigdy nie wyprzedzały modeli z danymi. 7,000° to punkt startowy dla danych pomiarowych. Model z prawdziwymi danymi, ale prawie bez pobrań, stoi tutaj; wszystko co dalej to pomiary, a przestrzeń powyżej podstawy mieści dziesięć dziesięciokrotnych kroków w pobraniach po 300° każdy. Podstawa jest taka sama dla każdego modelu, więc nic nie decyduje; decydują stopnie powyżej niej.
    7,000°
    bieżąca suma
  2. 2
    Dodaj pobrania.
    11,955,246 równoważników pobrań łącznie, z Tokeny OpenRouter. Dziesięć razy więcej pobrań dodaje ten sam 300°, więc rozmiar ma znaczenie, ale nigdy nie dominuje wyniku.
    +2,124°
    9,124°
    bieżąca suma
  3. 3
    Dodaj tempo adopcji.
    Około 516,730 pobrań dziennie teraz, mierzone między dwoma odczytami, z wagą ćwierć pobrania.
    +428°
    9,552°
    bieżąca suma
  4. =
    Wynik heat.
    Pozycja tego modelu na każdej liście na tej stronie. Nic innego tego nie zmienia.
    9,552°
Słowniczek: używane tu terminy
Wynik heat
Jedna liczba pokazująca, jak bardzo model jest używany i pożądany teraz, od 0° do 9,999°. Każda lista na tej stronie z napisem hottest jest sortowana według tego i niczego innego.
Podstawa
7,000° to punkt startowy dla każdego modelu z prawdziwymi danymi. Skala idzie od 0° do 9,999°; część poniżej podstawy jest zarezerwowana dla zastępczych modeli (bez danych), żeby model z danymi zawsze był wyżej. Podstawa jest taka sama dla wszystkich i nic nie decyduje; stopnie powyżej niej to właściwy pomiar.
Równoważniki pobrań
Wszystko, co wynik traktuje jak pobranie, zsumowane: same pobrania, każdy seeder torrenta jako 1,000, każde AI Horde zdjęcie i każde uruchomienie na stronie generującej jako jedno.
Skala logarytmiczna
Liczenie co dziesięć, nie co jeden: przejście z 1,000 do 10,000 pobrań dodaje tyle samo stopni, co z 10,000 do 100,000. Zapobiega to dominacji gigantów nad resztą.
Polubienia
Kciuki w górę i polubienia ze wszystkich źródeł, warte połowę pobrania na skali logarytmicznej.
Tempo adopcji
Ile pobrań dziennie model ma teraz, na podstawie różnicy między dwoma odczytami źródła. Ćwierć wagi terminu pobrania.
Zmierzony i szacowany
Zmierzony oznacza, że istnieją dwa odczyty źródła i różnica jest rzeczywista. Szacowany oznacza, że znana jest tylko dzisiejsza suma, a przeszłość jest rozłożona na czas życia modelu; strona mówi, który z nich pokazuje.
Seeder
Ktoś, kto trzyma kopię wag online, aby inni mogli je pobrać przez torrent, albo hostowany mirror robiący to samo. Każdy taki liczy się jako 1 000 pobrań.
AI Horde
Sieć wolontariuszy, która generuje obrazy za darmo na komputerach darczyńców. Liczba obrazów wygenerowanych z modelem jest publiczna i każde liczy się jako jedno pobranie.
Strony generujące
Strony, które mają własne kopie modelu i pozwalają ludziom generować z nim obrazy, takie jak PixAI, SeaArt i Yodayo. Ich pobrania liczą się jak na Civitai, a każde uruchomienie generowania to jedno pobranie.
Tokeny OpenRouter
Model tekstowy obsługiwany przez API, taki jak Claude czy GPT, nie ma wag do pobrania, więc jego użycie mierzy się tokenami: fragmentami tekstu, które przeczytał i napisał przez OpenRouter, bramkę używaną przez wiele aplikacji, w ciągu ostatnich 30 dni. Każde 10,000,000 tokenów liczy się jako jedno pobranie. Źródło: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Pełny model (checkpoint)
Same wagi, plik, który generuje samodzielnie. Dostaje bonus, bo dodatki od niego zależą.
LoRA i embedding
Małe pliki dodatków, które kierują czyjeś wagi w stronę stylu, postaci lub koncepcji. Nie mogą działać samodzielnie.
Rodzina i wagi
Podstawa, na której zbudowano model, np. SD 1.5, SDXL, Flux lub Wan. Każdy model dziedziczy datę wydania wag swojej rodziny.
Wiek
Stopnie odejmowane za to, jak dawno wyszły wagi rodziny: 150° za rok, do 750°. Zachowuje stare pobrania, które miały lata na narastanie, zamrażając szczyt listy.
Wzmocnienie rodziny
Małe, ograniczone wsparcie dla LoRA z rodziny, którą ta strona teraz promuje, zawsze podane w rozbiciu.
Wynik zastępczy
Stabilna liczba poniżej minimum, przyznawana modelowi, o którym jeszcze nie ma danych źródłowych, żeby listy były kompletne. Nigdy nie jest wyżej niż model z danymi.
Nowy! (okres karencji)
Model młodszy niż 7 dni pokazuje Nowy! zamiast wyniku i nie zajmuje miejsca w rankingu. Jego wynik jest liczony od pierwszego dnia, ale model jednodniowy rośnie najszybciej, więc bez oczekiwania #1 tygodnia byłby zawsze tym, który pojawił się wczoraj, a nie tym, który utrzymał się przez tydzień.
Trend
Jak wzrost modelu w danym okresie wypada na tle typowego wzrostu modelu w tym samym czasie. Szybszy niż zwykle to wzrost, wolniejszy to spadek.
Typowy model
Środek katalogu: połowa modeli z danymi rosła szybciej w tym okresie, połowa wolniej.
Jak popularność tego modelu zmieniała się w porównaniu do reszty katalogu: jego wzrost w pobraniach, polubieniach i użyciu w każdym okresie, mierzony względem typowego wzrostu modelu w tym samym czasie, wraz z jego wynikiem heat score. Powyżej typowego wzrostu oznacza wzrost, poniżej spadek. Przeszłość jest odtwarzana na podstawie dzisiejszych sum, pierwszego dnia modelu i zmierzonej prędkości pobrań, jeśli są dwa odczyty; model, który nie istniał na początku okresu, pokazuje n/d.