DeepSeek V4 Flash 0731
9301°
Patakbuhin ang modelong ito
Alok / Ads
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.
Mga gabay para sa model na ito
Pinakamahusay na lokal na LLM ayon sa gamit (Oktubre 2026): ang tamang open model para sa bawat trabaho
Gaano ba talaga kalaki ang VRAM na kailangan ko para sa local AI?
Open weights vs open source vs API-only: ano talaga ang pwede mong gawin
Ano ang GGUF file? Ipinaliwanag ang mga quantized na modelo (Q4, Q8, fp8, NF4)
Mga tala ng Kapitan
Mga tala mula sa 2026-10-13
Ang DeepSeek V4 Flash 0731 ay isang sparse mixture-of-experts na modelo mula sa DeepSeek na may 13B aktibong parameters mula sa 284B kabuuang pool, na ginawa para sa coding, reasoning, at agent workflows. Ang GA release ay malaki ang pagbuti mula sa preview, nalalampasan ang DeepSeek V4 Pro sa ilang agentic benchmarks kahit mas kaunti ang na-activate na parameters. Angkop ito para sa mga developer na nais ng frontier-class na agent at coding performance sa mababang presyo ng API, o nais mag-self-host ng seryosong MoE na modelo.
Kilalang-kilala sa
- Malakas sa agentic coding: mataas ang scores sa DeepSWE, NL2Repo, at terminal benchmarks
- 1M-token na context window para sa mahahabang codebase at extended agent sessions
- Speculative decoding na built-in gamit ang DSpark para sa mas mabilis na inference sa vLLM
- Naaayos ang reasoning effort: mababa, mataas, o max deliberation kada tawag
- Bukás ang mga timbang sa Hugging Face, maaaring patakbuhin sa multi-GPU hardware gamit ang vLLM
Mag-ingat sa
- Walang standard na Jinja chat template; kailangan gamitin ang custom encoding scripts ng DeepSeek para maayos ang prompt formatting.
- Ang 284B kabuuang parameters ay nangangahulugan na ang self-hosting ay nangangailangan ng seryosong multi-GPU hardware — hindi ito laptop model.
- Ang mga output token ay nagkakahalaga ng 32× kaysa input tokens; mabilis dumami ang gastos sa mahahabang agentic runs na may verbose output.
Pinakamainam para sa
Mga prompt na subukan
Autonomous repo task
Nagtatrabaho ka sa isang Python repository na may Flask API at PostgreSQL backend. Ang /users endpoint ay nagbabalik ng lahat ng rows mula sa users table pero walang pagination. Magdagdag ng cursor-based pagination gamit ang created_at timestamp bilang cursor. Ipakita ang updated route, anumang bagong helper functions, at ang SQL query. Ipaliwanag ang iyong dahilan bago magsulat ng code.
Hard debugging puzzle
Isang Python async function ang sabay-sabay na kumukuha ng URLs gamit ang asyncio.gather. Sa ilalim ng load, paminsan-minsan ay nagkakaroon ng RuntimeError: Session is closed. Ang session ay ginawa isang beses lang sa module level. Isagawa ang bawat posibleng sanhi, i-rank ayon sa posibilidad, at isulat ang tamang implementasyon na nag-aalis ng race condition.
Multi-step agent plan
May access ka sa bash terminal, Python interpreter, at kakayahang magbasa at magsulat ng mga file. May CSV file na tinatawag na sales.csv na may mga column: date, region, product, revenue. Planuhin at isagawa ang mga hakbang para gumawa ng summary report na nagpapakita ng total revenue bawat region at top product bawat region, pagkatapos i-save ito bilang report.md.
Ihambing sa
- DeepSeek V4.1 FlashModelong bukas ang timbang1,048,576 token na konteksto · $0.04/M input, $0.68/M output
- DeepSeek V4 Flash 0423Modelong bukas ang timbang1,048,576 token na konteksto · $0.09/M input, $0.18/M output
- DeepSeek V4 Pro 0813Modelong bukas ang timbang1,048,576 token na konteksto · $1.32/M input, $3.96/M output
- DeepSeek V4 Pro 0423Modelong bukas ang timbang1,048,576 token na konteksto · $0.96/M input, $1.91/M output
Higit pang mga text model mula sa deepseek
Mga tanong na madalas itanong
- Bukás ba ang mga timbang at maaari ko bang patakbuhin ito nang lokal?
- Oo — ang mga timbang ay nasa Hugging Face sa deepseek-ai/DeepSeek-V4-Flash-0731. Ang self-hosting ay nangangailangan ng multi-GPU hardware na kayang magpatakbo ng 284B-parameter MoE model; ang sariling halimbawa ng DeepSeek ay gumagamit ng 4×GB300 node gamit ang vLLM.
- Magkano ang presyo at gaano kalaki ang konteksto?
- Sa API, $0.02 kada milyong input tokens at $0.64 kada milyong output tokens, na may context window na 1,048,576 tokens.
- Paano ito naiiba sa DeepSeek V4 Pro?
- Ang V4 Flash 0731 ay nag-a-activate lamang ng 13B parameters kumpara sa mas malaking active count ng V4 Pro, pero nalalampasan nito ang V4 Pro sa bawat agentic benchmark sa inilathalang paghahambing ng DeepSeek, kaya mas magandang piliin para sa coding-agent workloads sa mas mababang gastos sa inference.
Hatol ng KapitanIsang bihirang kaso kung saan ang 'flash' tier ay talagang nalalampasan ang 'pro' sa mga pinakamahalagang gawain — agent coding — at mas mura ang pagpapatakbo.
Model card sa Hugging Face
Isinusulat ng Kapitan ang mga tala na ito mula sa sariling paglalarawan at model card ng modelo. Ang mga presyo at laki ng konteksto ay mula sa provider sa oras ng pagsulat at maaaring magbago.
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
Trend ng kasikatan ng DeepSeek V4 Flash 0731
Heat score mula 31 Jul 2026
Iskor ng init
9,301°
Ngayong linggo
▲
18.4%
9,278° noon, 9,301° ngayon
Ngayong buwan
▲
137%
9,185° noon, 9,301° ngayon
Nakaraang taon
n/a
Hindi pa nailalabas/natatrack
7,000°
Floor
Ang sukat ay mula 0° hanggang 9,999°. Lahat ng nasa ibaba ng 7,000° ay para sa mga modelong wala pang ulat mula sa pinanggalingan, kaya may stand-in na numero doon para kumpleto ang mga listahan. Sa 7,000° nagsisimula ang nasusukat na datos: ang modelong may totoong datos pero halos walang downloads ay nasa floor, at ang mga sukat ay pumupuno sa mga degree sa itaas nito. Ang floor ay hindi nagsasabi ng anuman tungkol sa modelo; ang mga degree sa itaas nito ang nagkakaiba-iba at siyang naghihiwalay ng mga modelo.
+1,938°
OpenRouter tokens
28,896,982,056,080 tokens ang naproseso ng modelong ito sa pamamagitan ng OpenRouter sa nakaraang 30 araw, kasama ang mga prompt at sagot. Bawat 10,000,000 tokens ay katumbas ng isang download sa termino ng download, 2,889,698 lahat-lahat; ang mga tokens ng huling araw ay kasama sa adoption rate. Pinagmulan: OpenRouter (openrouter.ai/rankings).
+363°
Bilis ng pagtanggap
Mga humigit-kumulang 69,105 downloads bawat araw, sinusukat sa pagitan ng dalawang pagbabasa ng mga pinanggalingan, hindi hinuhulaan mula sa average ng buong buhay. Ang bilis ay katumbas ng isang-kapat ng term ng downloads, kaya ang bagong pagtaas ay nakikita nang hindi pinapantayan ng isang araw na spike ang mga taon ng paggamit.
Ipakita ang detalyadong paghahati
Pwedeng suriin ang bawat numero sa site na ito. Ang heat score ng modelong ito ay 9,301°, at dito ito binubuo ng paisa-isang sangkap, kasama ang tumatakbong kabuuan pagkatapos ng bawat isa: ang floor, ang mga degree na idinadagdag ng bawat pinanggalingan, ang bonus para sa uri ng modelo at ang binabawas ng edad ng mga weights nito. Ang mga kulay ay ang mga banda ng tsart sa itaas. Ang glossary sa dulo ay naglilinaw ng bawat termino.
- 1Magsimula sa floor.Bakit 7,000° at hindi zero: ang sukat ay mula 0° hanggang 9,999°, at ang bahagi sa ibaba ng 7,000° ay nakalaan para sa mga modelong wala pang ulat mula sa pinanggalingan, kaya may stand-in na numero doon para kumpleto ang mga listahan at hindi mauuna sa modelong may datos. Sa 7,000° nagsisimula ang nasusukat na datos. Ang modelong may totoong datos pero halos walang downloads ay nandito; ang lahat ng susunod ay sukat, at ang espasyo sa itaas ng floor ay may sampung hakbang na sampung beses na pagtaas sa downloads na may 300° bawat isa. Pareho ang floor para sa lahat ng modelo, kaya hindi ito nagdedesisyon; ang mga degree sa itaas nito ang nagdedesisyon.7,000°patuloy na kabuuan
- 2Idagdag ang mga download.2,889,698 na katumbas ng download sa lahat, mula sa OpenRouter tokens. Sampung beses na pagdagdag ng downloads ay nagdadagdag ng parehong 300°, kaya mahalaga ang laki pero hindi ito sobra sa puntos.+1,938°8,938°patuloy na kabuuan
- 3Idagdag ang bilis ng pagtanggap.Mga 69,105 downloads kada araw ngayon, sinusukat sa pagitan ng dalawang readings, na may isang-kapat na bigat.+363°9,301°patuloy na kabuuan
- =Ang heat score.Kung saan nakatayo ang modelong ito sa bawat listahan ng site na ito. Wala nang ibang nagbabago nito.9,301°
Talahulugan: ang mga terminong ginagamit dito
- Heat score
- Isang numero kung gaano kadalas gamitin at gusto ang isang modelo ngayon, mula 0° hanggang 9,999°. Bawat listahan sa site na ito na nagsasabing pinakamainit ay nakaayos base dito at wala nang iba pa.
- Floor
- Ang 7,000° na panimulang puntos ng bawat modelong may totoong datos. Ang sukatan ay mula 0° hanggang 9,999°; ang bahagi sa ilalim ng floor ay para sa mga stand-in (mga modelong walang datos), para laging mas mataas ang ranggo ng may datos kaysa wala. Pareho ang floor para sa lahat at hindi ito nagpapasya; ang mga degree sa itaas nito ang totoong sukat.
- Katumbas ng download
- Lahat ng tinatrato ng score bilang download, pinagsama-sama: mga download mismo, bawat torrent seeder bilang 1,000, bawat AI Horde na larawan at bawat takbo sa isang generation site bilang isa.
- Log scale
- Bilang ng sampu, hindi isa-isa: ang pagtaas mula 1,000 hanggang 10,000 downloads ay nagdadagdag ng parehong degree tulad ng mula 10,000 hanggang 100,000. Pinipigilan nito ang mga higante na mauna sa lahat.
- Likes
- Thumbs up at likes mula sa lahat ng pinanggalingan, na katumbas ng kalahati ng download sa log scale.
- Bilis ng pagtanggap
- Ilang downloads kada araw ang nakukuha ng modelo ngayon, mula sa pagkakaiba ng dalawang readings ng isang pinanggalingan. Isang-kapat ng bigat ng term na download.
- Nasukat at tinantya
- Ang nasukat ay ibig sabihin may dalawang pagbabasa mula sa isang pinagmulan at tunay ang pagkakaiba. Ang tinantya naman ay alam lang ang kabuuan ngayon at hinahati ang nakaraan sa buong buhay ng modelo; sinasabi ng site kung alin ang ipinapakita.
- Seeder
- Isang tao na nag-iimbak ng kopya ng weights online para ma-download ng iba gamit ang torrent, o isang naka-host na mirror na gumagawa rin nito. Bawat isa ay katumbas ng 1,000 downloads.
- AI Horde
- Isang volunteer network na gumagawa ng mga larawan nang libre gamit ang mga donadong computer. Pampubliko kung ilang larawan ang nagawa gamit ang isang modelo, at bawat isa ay katumbas ng isang download.
- Mga generation site
- Mga site na may sariling kopya ng modelo at pinapayagan ang mga tao na gumawa gamit ito, tulad ng PixAI, SeaArt at Yodayo. Ang kanilang mga downloads ay binibilang tulad ng sa Civitai at bawat generation run ay isang download.
- OpenRouter tokens
- Ang isang text model na pinagsisilbihan sa pamamagitan ng API, tulad ng Claude o GPT, ay walang weights na ida-download, kaya ang paggamit nito ay sinusukat sa tokens: mga piraso ng teksto na binasa at isinulat nito sa pamamagitan ng OpenRouter, isang gateway na ginagamit ng maraming apps, sa nakaraang 30 araw. Bawat 10,000,000 tokens ay katumbas ng isang download. Pinagmulan: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Buong modelo (checkpoint)
- Ang weights mismo, ang file na kayang mag-generate mag-isa. May bonus ito dahil nakadepende dito ang mga add-on.
- LoRA at embedding
- Maliit na add-on files na nagtutulak sa weights ng iba papunta sa isang estilo, karakter o konsepto. Hindi sila kayang tumakbo mag-isa.
- Pamilya at weights
- Ang base na pinagbuo ng modelo, tulad ng SD 1.5, SDXL, Flux o Wan. Lahat ng modelo ay namamana ang petsa ng release ng weights ng pamilya nito.
- Edad
- Mga degree na ibinabawas base sa gaano katagal nang lumabas ang weights ng pamilya: 150° kada taon, hanggang 750°. Pinananatili nito ang mga lumang downloads na may taon para mag-ipon mula sa pag-freeze sa taas ng listahan.
- Pampasigla ng pamilya
- Isang maliit at limitadong tulak para sa mga LoRA ng pamilyang itinataguyod ng site ngayon, palaging nakalista sa breakdown.
- Stand-in score
- Isang matatag na numero sa ibaba ng floor na ibinibigay sa modelong wala pang ulat mula sa pinagmulan, para kumpleto ang listahan. Hindi ito nangunguna sa modelong may datos.
- Bago! (panahon ng grace)
- Ang isang model na mas mababa sa 7 araw ang tanda ay nagpapakita ng Bago! sa halip na score at walang puwesto sa mga ranggo. Ang score nito ay kinakalkula mula unang araw, pero ang modelong isang araw pa lang ang tanda ay lumalago nang mas mabilis kaysa sa iba, kaya kung walang paghihintay, ang #1 ng linggo ay palaging yung lumabas kahapon kaysa sa tumagal nang isang linggo.
- Uso
- Paano ang paglago ng modelo sa isang panahon kumpara sa karaniwang paglago ng modelo sa parehong panahon. Mas mabilis kaysa karaniwan ay pagtaas, mas mabagal ay pagbaba.
- Karaniwang modelo
- Gitna ng katalogo: kalahati ng mga modelo na may numero ay mas mabilis ang paglago sa panahon, kalahati ay mas mabagal.
Paano gumalaw ang kasikatan ng modelong ito kumpara sa ibang mga nasa katalogo: ang paglago nito sa downloads, likes, at paggamit sa bawat panahon, sinusukat laban sa karaniwang paglago ng modelo sa parehong panahon, kasama ang heat score nito sa panahong iyon. Kapag mas mataas kaysa sa karaniwan, ibig sabihin ay pagtaas, kapag mas mababa ay pagbaba. Binubuo ang nakaraan mula sa mga kabuuan ngayon, unang araw ng modelo at sukat na bilis ng pag-download kung may dalawang sukat; ang modelong hindi pa umiiral sa simula ng panahon ay nagpapakita ng n/a.
Ang DeepSeek V4 Flash 0731 ay isang text model para sa pamilyang Text / LLM na nakalista sa ModelTrends.ai, isang read-only na catalog ng mga open source AI model para sa larawan, video at teksto. Ikumpara ito sa ibang Text / LLM model at tingnan ang heat score nito para makita kung gaano ito kasikat.
Higit pang Text / LLM modelHigit pang Text / LLM Teksto / LLMllmdeepseekpangangatwiranpag-codingmga ahentemahabang kontekstolokal
Mag-browse ayon sa pamilya ng model
Mga Text / LLM model
434
Mga Anima model
528
Mga Chroma model
19
Mga Fibo model
2
Mga Flux model
1,496
Mga Flux 2 / Klein model
1,239
Mga Flux 3 model
3
Mga Moss model
3
Mga Iris model
1
Mga MiniMax H3 model
364
Mga Hunyuan model
204
Mga Ideogram model
20
Mga Krea2 model
717
Mga Qwen model
20
Mga Qwen2 model
47
Mga Ltx2 model
153