DeepSeek V4 Flash 0423
9192°
<deepseek-v4-flash>
Las apps que soportan etiquetas de ModelTrends te permiten ejecutar/instalar modelos copiando este código en tu prompt sin configuración. Busca nuestro ícono en apps que lo soporten, como Prism (abajo).
Ejecutar este modelo
Ofertas / Anuncios
Easy Creator (Prism) Web
Ilimitado · tarifa fija
Ideal para principiantes. Flujos de trabajo potentes, curva de aprendizaje baja.
PirateDiffusion Telegram
Ilimitado · tarifa fija
Crea videos, imágenes, personajes de chat personalizados y más.
Pro studio (SpyGlass) Web
Ilimitado · tarifa fija
Explora modelos, renderiza y mejora desde cualquier navegador o teléfono.
Discord bot (Vector)
Ilimitado · tarifa fija
Agrega Vector a tu servidor o únete al Discord de Vector. ¡Crea lo que quieras!
Unified Editor Web
Ilimitado · tarifa fija
Editor para imágenes y video: renderiza, edita, mejora y más en una sola página.
OpenRouter Terminal / API
Pago por token
Chatea con este modelo en el navegador o llámalo desde tu código con una clave API.
Apps locales
Requiere configuración
Instala programas locales si tu computadora tiene buen hardware.
ModelDuel Web
Paga por uso
Genera el mismo prompt en hasta 50 modelos checkpoint/base a la vez.
Guías para este modelo
Mejor LLM local según el uso (octubre 2026): el modelo abierto adecuado para cada tarea
¿Cuánta VRAM necesito realmente para IA local?
¿Qué es un archivo GGUF? Modelos cuantizados explicados (Q4, Q8, fp8, NF4)
DeepSeek | contexto de 1,048,576 tokens | $0.09/M entrada, $0.18/M salida. DeepSeek V4 Flash es un modelo de mezcla de expertos optimizado para eficiencia de DeepSeek con 284B parámetros totales y 13B parámetros activados, soportando una ventana de contexto de 1M tokens. Está diseñado para inferencia rápida y cargas de trabajo de alto rendimiento, manteniendo un fuerte rendimiento en razonamiento y codificación. El modelo incluye atención híbrida para procesamiento eficiente de contexto largo. Se soportan esfuerzos de razonamiento altos y xhigh; xhigh corresponde al razonamiento máximo. Es ideal para aplicaciones como asistentes de codificación, sistemas de chat y flujos de trabajo agenticos donde la capacidad de respuesta y la eficiencia de costos son importantes.
Notas del capitán
Notas del 2026-10-13
DeepSeek V4 Flash es un modelo Mixture-of-Experts de 284B parámetros de DeepSeek, con solo 13B parámetros activados por token, construido para inferencia rápida y cargas de alto rendimiento a un precio muy bajo. Su arquitectura de atención híbrida maneja eficientemente una ventana de contexto real de un millón de tokens. Es adecuado para desarrolladores que necesitan un modelo capaz de razonamiento y codificación sin pagar tarifas de modelos de frontera.
Conocido por
- Ventana de contexto de 1M tokens con atención híbrida eficiente, no solo un límite nominal.
- Solo 13B parámetros activados por inferencia — rápido y barato de ejecutar.
- Esfuerzo de razonamiento ajustable: modos estándar, alto o máximo (xhigh).
- Rendimiento fuerte en codificación y razonamiento relativo a su costo de inferencia.
- Pesos abiertos disponibles en Hugging Face para autoalojamiento.
Cuidado con
- En tareas puras de conocimiento y los flujos agenticos más complejos, queda detrás de su hermano DeepSeek V4 Pro.
- 284B parámetros totales significa que el autoalojamiento requiere hardware serio; verifica los requisitos de VRAM antes de comprometerte.
- Los pesos usan FP4 para expertos MoE y FP8 en otras partes — no todos los stacks de inferencia manejan bien la precisión mixta.
Prompts para probar
Depurar un bug async complicado
Aquí hay una función async de Python que ocasionalmente lanza un RuntimeError: 'Task attached to a different loop'. La función obtiene URLs concurrentemente usando asyncio.gather dentro de una clase que crea su propio event loop en __init__. Explica exactamente por qué sucede esto y reescribe la clase para que funcione correctamente desde contextos síncronos y asíncronos.
Planificar un agente multi-paso
Diseña un bucle mínimo de agente en Python que use llamadas a herramientas para responder: ¿cuál de los últimos cinco presidentes de EE.UU. tuvo el promedio más alto de aprobación? Define las herramientas que el agente necesita, muestra la lógica del bucle y explica cómo decide cuándo tiene suficiente información para dejar de llamar herramientas y devolver una respuesta final.
Razonar un acertijo lógico
Cinco ingenieros se unen a una empresa en cinco años consecutivos. Alex se unió antes que la persona que usa Rust. El desarrollador Go se unió tercero. Morgan se unió inmediatamente después del desarrollador Python. El desarrollador C++ se unió último. Jamie se unió segundo. ¿Quién usa qué lenguaje y en qué orden se unieron? Muestra tu razonamiento paso a paso.
Comparar con
- DeepSeek V4.1 FlashModelo con pesos abiertosContexto de 1,048,576 tokens · $0.04/M entrada, $0.68/M salida
- DeepSeek V4 Flash 0731Modelo con pesos abiertosContexto de 1,048,576 tokens · $0.01/M entrada, $1.28/M salida
- DeepSeek V4 Pro 0813Modelo con pesos abiertosContexto de 1,048,576 tokens · $1.32/M entrada, $3.96/M salida
- DeepSeek V4 Pro 0423Modelo con pesos abiertosContexto de 1,048,576 tokens · $0.96/M entrada, $1.91/M salida
Más modelos de texto de deepseek
Preguntas frecuentes
- ¿Los pesos son abiertos y puedo ejecutar DeepSeek V4 Flash localmente?
- Sí, los pesos están publicados en Hugging Face bajo deepseek-ai/DeepSeek-V4-Flash. Con 284B parámetros totales en precisión mixta FP4/FP8 necesitarás mucha memoria GPU para ejecutarlo localmente — revisa la guía de VRAM antes de descargar.
- ¿Cuánto cuesta DeepSeek V4 Flash y cuál es su ventana de contexto?
- Por API cuesta $0.09 por millón de tokens de entrada y $0.18 por millón de tokens de salida, con una ventana de contexto de 1,048,576 tokens.
- ¿En qué se diferencia DeepSeek V4 Flash de DeepSeek V4 Pro?
- Flash activa 13B parámetros por token frente a 49B de Pro, haciéndolo más rápido y barato; Pro tiene 1.6T parámetros totales y es superior en tareas de conocimiento y flujos agenticos exigentes, mientras que Flash-Max (modo máximo de razonamiento) puede acercarse al nivel Pro con mayor presupuesto de pensamiento.
Veredicto del capitánUn modelo de razonamiento genuinamente barato y de contexto largo — los pesos abiertos lo hacen valer la pena antes de optar por una alternativa cerrada.
Ficha del modelo en Hugging Face
El capitán escribe estas notas a partir de la descripción y ficha del modelo. Los precios y tamaños de contexto son los del proveedor al momento de escribir y pueden cambiar.
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: #12 Hottest Text / LLM model · #12 Hottest Text / LLM text model
Not this creator?
Get your own badge
Tendencia de popularidad de DeepSeek V4 Flash 0423
Puntuación de calor desde 24 Apr 2026
Puntuación de popularidad
9,192°
Esta semana
▲
24.0%
9,163° entonces, 9,192° ahora
Este mes
▲
169%
9,060° entonces, 9,192° ahora
Último año
n/a
No fue lanzado/seguido
7,000°
Piso
La escala va de 0° a 9,999°. Todo lo que está por debajo de 7,000° se reserva para modelos que ninguna fuente reporta aún, que llevan un número provisional ahí para que las listas se mantengan completas. 7,000° es donde empiezan los datos medidos: un modelo con datos reales pero casi sin descargas se sitúa en el piso, y las mediciones llenan los grados por encima. El piso no dice nada sobre el modelo; solo los grados por encima lo hacen, y son los que separan un modelo de otro.
+1,844°
Tokens de OpenRouter
14,026,338,867,497 tokens procesados por este modelo a través de OpenRouter en los últimos 30 días, sumando prompts y respuestas. Cada 10,000,000 tokens cuentan como una descarga en el periodo de descargas, 1,402,633 en total; los tokens del último día se suman a la tasa de adopción. Fuente: OpenRouter (openrouter.ai/rankings).
+348°
Tasa de adopción
Unos 43,432 descargas al día, medidos entre dos lecturas de las fuentes, nunca estimados a partir de un promedio de toda la vida. La velocidad pesa un cuarto del término de descargas, así que un aumento reciente se nota sin que un pico de un día supere años de uso.
Mostrar desglose detallado
Cada número en este sitio se puede verificar. La puntuación de popularidad de este modelo es 9,192°, y aquí se construye un ingrediente a la vez, con el total acumulado después de cada uno: el piso, los grados que añade cada fuente, el bono por el tipo de modelo y lo que la antigüedad de sus pesos resta. Los colores son las bandas del gráfico de arriba. El glosario al final define cada término.
- 1Empieza en el piso.Por qué 7,000° y no cero: la escala va de 0° a 9,999°, y la parte por debajo de 7,000° está reservada para modelos que ninguna fuente reporta aún, que llevan un número provisional ahí para que las listas se mantengan completas y nunca superen a un modelo con datos. 7,000° es donde empiezan los datos medidos. Un modelo con datos reales pero casi sin descargas está aquí; todo lo que sigue es medición, y el espacio sobre el piso tiene diez pasos de diez veces más descargas a 300° cada uno. El piso es igual para todos los modelos, así que no decide nada; los grados por encima sí.7,000°total acumulado
- 2Suma las descargas.1,402,633 equivalentes a descargas en total, de Tokens de OpenRouter. Diez veces las descargas suman el mismo 300°, así que el tamaño importa pero nunca domina la puntuación.+1,844°8,844°total acumulado
- 3Añade la tasa de adopción.Unos 43,432 descargas al día ahora mismo, medido entre dos lecturas, con un cuarto del peso.+348°9,192°total acumulado
- =La puntuación heat.Dónde está este modelo en cada lista de este sitio. Nada más la ajusta.9,192°
Glosario: los términos usados aquí
- Puntuación heat
- Un número que muestra cuánto se usa y quiere un modelo ahora mismo, de 0° a 9,999°. Cada lista en este sitio que dice más popular está ordenada por esto y nada más.
- Piso
- Los 7,000° con los que empieza todo modelo con datos reales. La escala va de 0° a 9,999°; la parte bajo el piso está reservada para sustitutos (modelos sin datos), para que un modelo con datos siempre esté por encima de uno sin. El piso es igual para todos y no decide nada; los grados sobre él son la medida.
- Equivalentes a descargas
- Todo lo que la puntuación trata como una descarga, sumado: las descargas mismas, cada seeder de torrent como 1,000, cada imagen de AI Horde y cada ejecución en un sitio de generación como uno.
- Escala logarítmica
- Cuenta de a decenas, no de a uno: pasar de 1,000 a 10,000 descargas suma los mismos grados que pasar de 10,000 a 100,000. Evita que los gigantes opaquen todo lo demás.
- Likes
- Pulgares arriba y likes de todas las fuentes, valen la mitad de una descarga cada uno en la escala logarítmica.
- Tasa de adopción
- Cuántas descargas al día recibe un modelo ahora mismo, según la diferencia entre dos lecturas de una fuente. Un cuarto del peso del término de descarga.
- Medido y estimado
- Medido significa que hay dos lecturas de una fuente y la diferencia es real. Estimado significa que solo se conoce el total de hoy y el pasado se distribuye a lo largo de la vida del modelo; el sitio indica cuál está mostrando.
- Seeder
- Alguien que mantiene una copia de los pesos en línea para que otros la descarguen por torrent, o un espejo alojado que hace lo mismo. Cada uno cuenta como 1,000 descargas.
- AI Horde
- Una red de voluntarios que genera imágenes gratis en computadoras donadas. El número de imágenes que ha hecho con un modelo es público, y cada una cuenta como una descarga.
- Sitios de generación
- Sitios que alojan sus propias copias de un modelo y permiten que la gente genere con él, como PixAI, SeaArt y Yodayo. Sus descargas cuentan igual que las de Civitai y cada generación cuenta como una descarga.
- Tokens de OpenRouter
- Un modelo de texto servido mediante una API, como Claude o GPT, no tiene pesos para descargar, por lo que su uso se mide en tokens: fragmentos de texto que leyó y escribió a través de OpenRouter, una puerta de acceso que usan muchas apps, durante los últimos 30 días. Cada 10,000,000 tokens cuentan como una descarga. Fuente: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Modelo completo (checkpoint)
- Los pesos en sí, el archivo que genera por sí solo. Tiene un bono porque los complementos dependen de él.
- LoRA y embedding
- Archivos pequeños que dirigen los pesos de otro hacia un estilo, personaje o concepto. No pueden funcionar solos.
- Familia y pesos
- La base sobre la que se construye un modelo, como SD 1.5, SDXL, Flux o Wan. Cada modelo hereda la fecha de lanzamiento de los pesos de su familia.
- Antigüedad
- Grados descontados según hace cuánto salieron los pesos de la familia: 150° por año, hasta 750°. Mantiene las descargas antiguas que tuvieron años para acumularse congelando la cima de la lista.
- Impulso de familia
- Un pequeño empujón limitado para LoRAs de una familia que este sitio está promoviendo ahora, siempre listado en el desglose.
- Puntaje provisional
- Un número estable por debajo del mínimo dado a un modelo que aún no tiene reportes de fuentes, para que las listas estén completas. Nunca se posiciona por encima de un modelo con datos.
- ¡Nuevo! (periodo de gracia)
- Un modelo con menos de 7 días muestra ¡Nuevo! en lugar de una puntuación y no ocupa lugar en los rankings. Su puntuación se calcula desde el primer día, pero un modelo de un día crece más rápido que cualquier otro, así que sin este periodo el #1 de la semana siempre sería el que salió ayer en vez del que se mantuvo una semana.
- Tendencia
- Cómo el crecimiento de un modelo en un período se compara con el crecimiento típico de modelos en ese mismo período. Más rápido que lo típico se lee como subida, más lento como bajada.
- Modelo típico
- El punto medio del catálogo: la mitad de los modelos con cifras crecieron más rápido en el período, la otra mitad más lento.
Cómo se ha movido la popularidad de este modelo frente al resto del catálogo: su crecimiento en descargas, likes y uso en cada periodo, medido contra el crecimiento típico de un modelo en el mismo periodo, con su puntuación de calor en ese momento. Por encima del crecimiento típico se lee como un aumento, por debajo como una caída. El pasado se reconstruye a partir de los totales de hoy, el primer día del modelo y su velocidad de descarga medida cuando hay dos lecturas; un modelo que no existía al inicio de un periodo muestra n/a.
DeepSeek V4 Flash 0423 es un modelo de texto para la familia Text / LLM listado en ModelTrends.ai, un catálogo de solo lectura de modelos de IA de imagen, vídeo y texto de código abierto. Compáralo con otros modelos Text / LLM, consulta su puntuación de calor para ver su tendencia y ábrelo en PirateDiffusion o BitVector para probarlo.
Más modelos Text / LLMMás Texto / LLM de Text / LLMllmdeepseekrazonamientoprogramaciónagentescontexto largolocal
Explorar por familia de modelos
Modelos Text / LLM
434
Modelos Anima
528
Modelos Chroma
19
Modelos Fibo
2
Modelos Flux
1,496
Modelos Flux 2 / Klein
1,239
Modelos Flux 3
3
Modelos Moss
3
Modelos Iris
1
Modelos MiniMax H3
364
Modelos Hunyuan
204
Modelos Ideogram
20
Modelos Krea2
717
Modelos Qwen
20
Modelos Qwen2
47
Modelos Ltx2
153