DeepSeek V4.1 Flash
9552°
Ejecutar este modelo
Ofertas / Anuncios
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.
Guías para este modelo
Pesos abiertos vs código abierto vs solo API: lo que realmente puedes hacer
Cómo elegir un modelo de IA en octubre de 2026: las novedades de código cerrado y luego los pesos abiertos que vale la pena descargar
Mejor LLM local según el uso (octubre 2026): el modelo abierto adecuado para cada tarea
¿Cuánta VRAM necesito realmente para IA local?
Cómo instalar Ollama y ejecutar una IA local (Windows, Mac, Linux)
¿Qué es un archivo GGUF? Modelos cuantizados explicados (Q4, Q8, fp8, NF4)
Notas del capitán
Notas del 2026-10-13
DeepSeek V4.1 Flash es un modelo de mezcla de expertos dispersos de 552B de DeepSeek, construido sobre una novedosa arquitectura Causal Encoder-Decoder que activa solo 8B parámetros en la entrada y 16B en la salida, manteniendo los costos por token inusualmente bajos para su escala. El soporte nativo para visión y la compresión agresiva de la caché KV lo hacen una opción práctica para agentes de múltiples pasos y cargas de trabajo con contexto largo. Los pesos abiertos están disponibles y el precio de la API se sitúa en el extremo económico de la frontera.
Conocido por
- Activación asimétrica (8B en prellenado, 16B en decodificación) que reduce el costo computacional relativo al tamaño total del modelo.
- Huella de caché KV de ~890 bytes por token, aproximadamente una cuarta parte de la generación Flash anterior.
- Arquitectura multimodal nativa: visión entrenada conjuntamente con texto desde el primer día, no añadida posteriormente.
- Esfuerzo de razonamiento controlable (entero de 1 a 100) que permite intercambiar precisión por costo de inferencia.
- Diseñado para codificación, agentes de uso informático y tareas de múltiples pasos con horizonte largo.
Cuidado con
- Con 552B parámetros totales, ejecutarlo localmente requiere hardware serio; la mayoría de usuarios usarán la API.
- La arquitectura CED es nueva y en gran medida no probada en producción fuera de los benchmarks propios de DeepSeek.
- Los tokens de salida cuestan aproximadamente 16 veces más que los de entrada, por lo que las respuestas verbosas suman rápido.
Prompts para probar
Agente terminal de múltiples pasos
Tienes acceso a una terminal bash. Un usuario tiene un proyecto Python donde `pytest` termina con código 1 pero no imprime ningún error útil. Realiza un diagnóstico completo: verifica la versión de pytest, inspecciona los archivos conftest, ejecuta con flags verbosos y propone una solución. Muestra cada comando y explica qué esperas revelar antes de ejecutarlo.
Analizar una captura de pantalla
Adjunto una captura de pantalla del panel de una aplicación web. Identifica cualquier elemento de la interfaz que parezca roto o desalineado, anota qué datos se muestran y si el diseño facilita su lectura, y sugiere dos mejoras específicas que un desarrollador front-end podría implementar en menos de una hora.
Revisión de contrato con contexto largo
Aquí tienes un contrato de servicios de software. Identifica cada cláusula que limite responsabilidad o indemnización, señala las que sean unilaterales a favor del proveedor y resume las condiciones de terminación. Presenta tus hallazgos en una lista numerada con la referencia de sección correspondiente al lado de cada punto.
Comparar con
- DeepSeek Flash LatestModelo solo APIContexto 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 Flash 0423Modelo con pesos abiertosContexto de 1,048,576 tokens · $0.09/M entrada, $0.18/M salida
- DeepSeek V4 Pro 0813Modelo con pesos abiertosContexto de 1,048,576 tokens · $1.32/M entrada, $3.96/M salida
Más modelos de texto de deepseek
Preguntas frecuentes
- ¿Los pesos son abiertos y puedo ejecutar DeepSeek V4.1 Flash localmente?
- Sí, los pesos están publicados en Hugging Face bajo deepseek-ai/DeepSeek-V4.1-Flash. Con 552B parámetros totales necesitarás hardware sustancial para ejecutarlo localmente; la mayoría usará la API.
- ¿Cuánto cuesta DeepSeek V4.1 Flash y cuál es su ventana de contexto?
- La API tiene un precio de $0.04 por millón de tokens de entrada y $0.63 por millón de tokens de salida, con una ventana de contexto de 1,048,576 tokens (aproximadamente un millón).
- ¿En qué se diferencia V4.1 Flash del resto de la familia V4.1?
- V4.1 Flash es el nivel eficiente en costos, usando la nueva arquitectura CED para mantener bajos los parámetros activos y comprimir agresivamente la caché KV; DeepSeek reporta que supera a V4 Pro en rendimiento, velocidad y finalización de tareas a pesar del menor costo por token.
Veredicto del capitánUna arquitectura genuinamente novedosa que justifica su etiqueta 'Flash': barata por token, construida para agentes y abierta si tienes el hardware.
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: #1 Hottest Text / LLM model · #1 Hottest Text / LLM text model
Not this creator?
Get your own badge
Tendencia de popularidad de DeepSeek V4.1 Flash
Puntuación de calor desde 10 Sep 2026
Puntuación de popularidad
9,552°
Esta semana
▲
38.4%
9,509° entonces, 9,552° ahora
Este mes
▲
848%
9,256° entonces, 9,552° 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.
+2,124°
Tokens de OpenRouter
119,552,466,382,730 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, 11,955,246 en total; los tokens del último día se suman a la tasa de adopción. Fuente: OpenRouter (openrouter.ai/rankings).
+428°
Tasa de adopción
Unos 516,730 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 9,552°, 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.11,955,246 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.+2,124°9,124°total acumulado
- 3Añade la tasa de adopción.Unos 516,730 descargas al día ahora mismo, medido entre dos lecturas, con un cuarto del peso.+428°9,552°total acumulado
- =La puntuación heat.Dónde está este modelo en cada lista de este sitio. Nada más la ajusta.9,552°
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 V4.1 Flash 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 y consulta su puntuación de calor para ver su tendencia.
Más modelos Text / LLMMás Texto / LLM de Text / LLMllmdeepseekvisiónrazonamientoagentesprogramacióncontexto 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