DeepSeek V4 Flash 0423
9192°
<deepseek-v4-flash>
Các ứng dụng hỗ trợ thẻ ModelTrends cho phép bạn chạy/cài đặt mô hình bằng cách sao chép mã này vào lệnh nhắc mà không cần thiết lập. Tìm biểu tượng của chúng tôi trong các ứng dụng hỗ trợ, như Prism (bên dưới).
Chạy mô hình này
Ưu đãi / Quảng cáo
Easy Creator (Prism) Web
Không giới hạn · phí cố định
Tốt nhất cho người mới bắt đầu. Quy trình làm việc mạnh mẽ, dễ học.
PirateDiffusion Telegram
Không giới hạn · phí cố định
Tạo video, hình ảnh, nhân vật chat tùy chỉnh và nhiều hơn nữa.
Pro studio (SpyGlass) Web
Không giới hạn · phí cố định
Duyệt mô hình, render và chỉnh sửa từ bất kỳ trình duyệt hay điện thoại nào.
Discord bot (Vector)
Không giới hạn · phí cố định
Thêm Vector vào máy chủ của bạn hoặc tham gia Discord của Vector. Tạo mọi thứ!
Unified Editor Web
Không giới hạn · phí cố định
Trình chỉnh sửa cho hình ảnh và video: render, chỉnh sửa, nâng cấp và nhiều hơn nữa trên một trang.
OpenRouter Terminal / API
Trả theo token
Trò chuyện với mô hình này trên trình duyệt hoặc gọi nó từ mã của bạn với một khóa API.
Ứng dụng cục bộ
Cần thiết lập
Cài đặt các chương trình local nếu máy tính của bạn có phần cứng đủ mạnh.
ModelDuel Web
Trả theo lượt dùng
Tạo cùng một lệnh trên tối đa 50 mô hình checkpoint/cơ sở cùng lúc.
Hướng dẫn cho mô hình này
LLM cục bộ tốt nhất theo từng trường hợp sử dụng (Tháng 10 năm 2026): mô hình mở phù hợp cho mọi công việc
Mình thực sự cần bao nhiêu VRAM cho AI cục bộ?
Tệp GGUF là gì? Giải thích về các mô hình lượng tử hóa (Q4, Q8, fp8, NF4)
DeepSeek | ngữ cảnh 1.048.576 token | $0.09/M đầu vào, $0.18/M đầu ra. DeepSeek V4 Flash là một mô hình Mixture-of-Experts tối ưu hiệu quả từ DeepSeek với tổng số 284 tỷ tham số và 13 tỷ tham số kích hoạt, hỗ trợ cửa sổ ngữ cảnh 1 triệu token. Nó được thiết kế cho suy luận nhanh và các khối lượng công việc thông lượng cao, đồng thời duy trì hiệu suất suy luận và lập trình mạnh mẽ. Mô hình bao gồm chú ý kết hợp để xử lý ngữ cảnh dài hiệu quả. Hỗ trợ các mức nỗ lực suy luận cao và xhigh; xhigh tương ứng với suy luận tối đa. Nó phù hợp cho các ứng dụng như trợ lý lập trình, hệ thống chat và quy trình agent nơi độ phản hồi và hiệu quả chi phí quan trọng.
Ghi chú của thuyền trưởng
Ghi chú từ 2026-10-13
DeepSeek V4 Flash là mô hình Mixture-of-Experts 284 tỷ tham số của DeepSeek, với chỉ 13 tỷ tham số được kích hoạt mỗi token, xây dựng cho suy luận nhanh và workload thông lượng cao với giá rất thấp. Kiến trúc chú ý lai của nó xử lý hiệu quả cửa sổ ngữ cảnh một triệu token thực sự. Nó phù hợp cho các nhà phát triển cần mô hình suy luận và mã hóa có năng lực mà không phải trả giá mô hình tiên phong.
Nổi tiếng với
- Cửa sổ ngữ cảnh 1 triệu token với chú ý lai hiệu quả, không chỉ giới hạn danh nghĩa.
- Chỉ 13 tỷ tham số được kích hoạt mỗi lần suy luận — chạy nhanh và rẻ.
- Nỗ lực suy luận có thể điều chỉnh: chế độ tiêu chuẩn, cao hoặc tối đa (xhigh).
- Hiệu suất mã hóa và suy luận mạnh so với chi phí suy luận.
- Trọng số mở có sẵn trên Hugging Face để tự lưu trữ.
Cẩn thận với
- Trong các tác vụ kiến thức thuần túy và workflow tác nhân phức tạp nhất, nó thua kém người anh em DeepSeek V4 Pro.
- 284 tỷ tham số tổng nghĩa là tự lưu trữ cần phần cứng mạnh; kiểm tra yêu cầu VRAM trước khi cam kết.
- Trọng số dùng FP4 cho các chuyên gia MoE và FP8 ở phần còn lại — không phải tất cả các stack suy luận đều xử lý tốt độ chính xác hỗn hợp.
Lời nhắc để thử
Gỡ lỗi lỗi async khó nhằn
Đây là một hàm async Python thỉnh thoảng gây lỗi RuntimeError: 'Task attached to a different loop'. Hàm này lấy URL đồng thời dùng asyncio.gather bên trong một lớp tạo vòng lặp sự kiện riêng trong __init__. Giải thích chính xác tại sao lỗi xảy ra và viết lại lớp sao cho hoạt động đúng cả trong ngữ cảnh gọi đồng bộ và bất đồng bộ.
Lập kế hoạch tác nhân đa bước
Thiết kế vòng lặp tác nhân tối giản trong Python dùng gọi công cụ để trả lời câu hỏi: trong năm tổng thống Mỹ gần đây nhất, ai có tỷ lệ ủng hộ trung bình cao nhất? Định nghĩa các công cụ cần thiết, trình bày logic vòng lặp, và giải thích cách tác nhân quyết định khi nào đủ thông tin để dừng gọi công cụ và trả lời cuối cùng.
Suy luận qua câu đố logic
Năm kỹ sư gia nhập công ty trong năm năm liên tiếp. Alex gia nhập trước người dùng Rust. Nhà phát triển Go gia nhập thứ ba. Morgan gia nhập ngay sau nhà phát triển Python. Nhà phát triển C++ gia nhập cuối cùng. Jamie gia nhập thứ hai. Ai dùng ngôn ngữ nào và thứ tự gia nhập ra sao? Trình bày suy luận từng bước.
So sánh với
- DeepSeek V4.1 FlashMô hình mở trọng sốngữ cảnh 1,048,576 token · Đầu vào $0.04/M, đầu ra $0.68/M
- DeepSeek V4 Flash 0731Mô hình mở trọng sốngữ cảnh 1,048,576 token · Đầu vào $0.01/M, đầu ra $1.28/M
- DeepSeek V4 Pro 0813Mô hình mở trọng sốngữ cảnh 1,048,576 token · Đầu vào $1.32/M, đầu ra $3.96/M
- DeepSeek V4 Pro 0423Mô hình mở trọng sốngữ cảnh 1,048,576 token · Đầu vào $0.96/M, đầu ra $1.91/M
Thêm mô hình văn bản từ deepseek
Câu hỏi thường gặp
- Trọng số có mở và tôi có thể chạy DeepSeek V4 Flash cục bộ không?
- Có, trọng số được công bố trên Hugging Face dưới tên deepseek-ai/DeepSeek-V4-Flash. Với 284 tỷ tham số tổng ở độ chính xác hỗn hợp FP4/FP8, bạn sẽ cần bộ nhớ GPU lớn để chạy cục bộ — kiểm tra hướng dẫn VRAM trước khi tải xuống.
- DeepSeek V4 Flash có giá bao nhiêu và cửa sổ ngữ cảnh thế nào?
- Qua API, giá là $0,09 cho mỗi triệu token đầu vào và $0,18 cho mỗi triệu token đầu ra, với cửa sổ ngữ cảnh 1.048.576 token.
- DeepSeek V4 Flash khác gì so với DeepSeek V4 Pro?
- Flash kích hoạt 13 tỷ tham số mỗi token so với 49 tỷ của Pro, làm nó nhanh hơn và rẻ hơn; Pro có 1,6 nghìn tỷ tham số tổng và vượt trội trong các tác vụ nặng về kiến thức và workflow tác nhân đòi hỏi cao nhất, trong khi Flash-Max (chế độ suy luận tối đa) có thể tiếp cận mức suy luận của Pro khi được cấp ngân sách suy nghĩ lớn hơn.
Phán quyết của thuyền trưởngMô hình suy luận thực sự rẻ và có ngữ cảnh dài — trọng số mở khiến nó đáng xem xét trước khi bạn chọn mô hình đóng.
Thẻ mô hình trên Hugging Face
Thuyền trưởng viết những ghi chú này dựa trên mô tả và thẻ mô hình của mô hình. Giá cả và kích thước ngữ cảnh là của nhà cung cấp tại thời điểm viết và có thể thay đổi.
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
Xu hướng phổ biến của DeepSeek V4 Flash 0423
Điểm nhiệt từ 24 Apr 2026
Điểm nhiệt
9,192°
Tuần này
▲
24.0%
9,163° lúc đó, 9,192° bây giờ
Tháng này
▲
169%
9,060° lúc đó, 9,192° bây giờ
Năm qua
n/a
Chưa phát hành/được theo dõi
7,000°
Điểm sàn
Thang điểm chạy từ 0° đến 9.999°. Mọi thứ dưới 7,000° dành cho các mô hình chưa có nguồn nào báo cáo, chúng mang một số thay thế ở đó để danh sách luôn đầy đủ. 7,000° là nơi bắt đầu dữ liệu đo được: một mô hình có dữ liệu thật nhưng gần như không có lượt tải sẽ đứng ở điểm sàn, và các số đo sẽ cộng dồn trên đó. Điểm sàn không nói gì về mô hình; chỉ có các độ trên nó mới phân biệt được các mô hình với nhau.
+1,844°
Token OpenRouter
14,026,338,867,497 token mô hình này xử lý qua OpenRouter trong 30 ngày qua, bao gồm cả lời nhắc và câu trả lời. Mỗi 10,000,000 token tính là một lượt tải trong điều kiện tải xuống, tổng cộng 1,402,633; token của ngày cuối cùng được tính vào tỷ lệ sử dụng. Nguồn: OpenRouter (openrouter.ai/rankings).
+348°
Tỷ lệ áp dụng
Khoảng 43,432 lượt tải mỗi ngày, đo giữa hai lần đọc nguồn, không đoán dựa trên trung bình cả đời. Tốc độ chiếm một phần tư thành phần lượt tải, nên một đợt tăng mới sẽ hiện rõ mà không để một đỉnh một ngày vượt qua nhiều năm sử dụng.
Hiển thị phân tích chi tiết
Mọi con số trên trang này đều có thể kiểm tra được. Điểm nhiệt của mô hình này là 9,192°, và đây là cách nó được xây dựng từng thành phần một, với tổng điểm chạy sau mỗi bước: điểm sàn, số độ mà mỗi nguồn đóng góp, điểm thưởng cho loại mô hình và điểm trừ theo tuổi của trọng số. Màu sắc tương ứng với các dải trên biểu đồ phía trên. Phần chú giải ở cuối định nghĩa mọi thuật ngữ.
- 1Bắt đầu từ điểm sàn.Tại sao là 7,000° chứ không phải 0: thang điểm chạy từ 0° đến 9.999°, và phần dưới 7,000° dành cho các mô hình chưa có nguồn báo cáo, mang số thay thế để danh sách đầy đủ và không bao giờ vượt trên mô hình có dữ liệu. 7,000° là nơi bắt đầu dữ liệu đo được. Một mô hình có dữ liệu thật nhưng gần như không có lượt tải đứng ở đây; mọi thứ tiếp theo là đo lường, và phần trên điểm sàn có mười bước tăng gấp mười lần lượt tải, mỗi bước 300°. Điểm sàn giống nhau cho mọi mô hình, nên nó không quyết định gì; chỉ có các độ trên nó mới quyết định.7,000°tổng đang chạy
- 2Thêm lượt tải về.1,402,633 lượt tải tương đương tổng cộng, từ Token OpenRouter. Mười lần lượt tải thêm cùng 300°, nên kích thước quan trọng nhưng không bao giờ chiếm hết điểm.+1,844°8,844°tổng đang chạy
- 3Thêm tỷ lệ áp dụng.Khoảng 43,432 lượt tải mỗi ngày hiện tại, đo giữa hai lần đọc, bằng một phần tư trọng số.+348°9,192°tổng đang chạy
- =Điểm nhiệt.Mô hình này đứng ở đâu trên mọi danh sách của trang này. Không có gì khác điều chỉnh nó.9,192°
Thuật ngữ: các từ dùng ở đây
- Điểm nhiệt
- Một số duy nhất cho biết mô hình được dùng và mong muốn thế nào hiện tại, từ 0° đến 9.999°. Mọi danh sách trên trang này nói về độ hot đều sắp xếp theo nó và không theo gì khác.
- Sàn điểm
- 7.000° là điểm bắt đầu cho mọi mô hình có dữ liệu thật. Thang điểm chạy từ 0° đến 9.999°; phần dưới sàn dành cho mô hình thay thế (mô hình không có dữ liệu), để mô hình có dữ liệu luôn xếp trên mô hình không có. Sàn điểm giống nhau cho tất cả và không quyết định gì; điểm trên sàn mới là thước đo.
- Tương đương lượt tải
- Tất cả những gì điểm số coi là lượt tải, cộng lại: lượt tải thật, mỗi người chia sẻ torrent tính 1.000, mỗi ảnh AI Horde và mỗi lượt chạy trên trang tạo ảnh tính một.
- Thang log
- Đếm theo chục, không phải theo đơn vị: từ 1.000 lên 10.000 lượt tải thêm cùng số điểm như từ 10.000 lên 100.000. Giúp tránh việc các mô hình lớn lấn át hết mọi thứ khác.
- Lượt thích
- Giơ ngón tay cái và lượt thích từ mọi nguồn, mỗi lượt bằng một nửa lượt tải trên thang log.
- Tỷ lệ áp dụng
- Bao nhiêu lượt tải mỗi ngày mà mô hình nhận được hiện tại, tính từ chênh lệch giữa hai lần đọc nguồn. Bằng một phần tư trọng số của lượt tải.
- Đã đo và ước tính
- Đã đo nghĩa là có hai lần đọc từ một nguồn và sự khác biệt là thật. Ước tính nghĩa là chỉ biết tổng số hôm nay và quá khứ được phân bổ trong suốt thời gian tồn tại của mô hình; trang web sẽ nói rõ đang hiển thị loại nào.
- Seeder
- Người giữ bản sao trọng số trực tuyến để người khác tải qua torrent, hoặc một bản sao lưu trữ làm điều tương tự. Mỗi người được tính là 1.000 lượt tải.
- AI Horde
- Một mạng lưới tình nguyện tạo ảnh miễn phí trên máy tính được hiến tặng. Số ảnh nó đã tạo với một mô hình được công khai, và mỗi ảnh được tính là một lượt tải.
- Trang tạo ảnh
- Các trang lưu trữ bản sao mô hình riêng và cho phép người dùng tạo ảnh, như PixAI, SeaArt và Yodayo. Lượt tải của họ được tính giống như Civitai và mỗi lần tạo ảnh được tính là một lượt tải.
- Token OpenRouter
- Mô hình văn bản phục vụ qua API, như Claude hoặc GPT, không có trọng số để tải xuống, nên sử dụng token để đo lường: các đoạn văn bản nó đọc và viết qua OpenRouter, một cổng kết nối nhiều ứng dụng sử dụng, trong 30 ngày qua. Mỗi 10,000,000 token tính là một lượt tải. Nguồn: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Mô hình đầy đủ (checkpoint)
- Chính là trọng số, file tự tạo ảnh. Nó được cộng thêm điểm vì các add-on phụ thuộc vào nó.
- LoRA và embedding
- Các file add-on nhỏ giúp điều chỉnh trọng số của người khác theo phong cách, nhân vật hoặc ý tưởng. Chúng không thể chạy riêng.
- Gia đình và trọng số
- Nền tảng mà mô hình xây dựng trên đó, như SD 1.5, SDXL, Flux hoặc Wan. Mỗi mô hình kế thừa ngày phát hành của trọng số gia đình nó.
- Tuổi
- Điểm trừ dựa trên thời gian trọng số gia đình được phát hành: 150° mỗi năm, tối đa 750°. Nó giữ lại lượt tải cũ đã tích tụ nhiều năm bằng cách đóng băng đầu danh sách.
- Tăng gia đình
- Một đẩy nhỏ có giới hạn cho LoRA của một gia đình mà trang này đang ưu tiên, luôn được liệt kê trong phần phân tích.
- Điểm thay thế
- Một số ổn định dưới mức tối thiểu dành cho mô hình chưa có báo cáo nguồn, để danh sách luôn đầy đủ. Nó không bao giờ xếp trên mô hình có dữ liệu.
- Mới! (giai đoạn thử nghiệm)
- Mô hình dưới 7 ngày tuổi hiển thị Mới! thay vì điểm số và không được xếp hạng. Điểm số được tính từ ngày đầu tiên, nhưng mô hình mới một ngày tăng trưởng nhanh nhất, nên nếu không chờ đợi thì #1 tuần này sẽ luôn là mô hình mới ra hôm qua thay vì mô hình giữ vững trong tuần.
- Xu hướng
- Tốc độ tăng trưởng của mô hình trong một khoảng thời gian so với tốc độ tăng trưởng trung bình của mô hình khác trong cùng khoảng thời gian. Nhanh hơn trung bình là tăng, chậm hơn là giảm.
- Mô hình điển hình
- Giữa danh mục: một nửa mô hình có số liệu tăng nhanh hơn trong khoảng thời gian, một nửa tăng chậm hơn.
Cách mà độ phổ biến của mô hình này thay đổi so với phần còn lại của danh mục: sự tăng trưởng về lượt tải xuống, lượt thích và sử dụng qua từng giai đoạn, so với sự tăng trưởng điển hình của mô hình trong cùng giai đoạn, cùng với điểm nhiệt của nó lúc đó. Cao hơn mức tăng trưởng điển hình là tăng, thấp hơn là giảm. Quá khứ được tái tạo từ tổng số hiện tại, ngày đầu tiên của mô hình và tốc độ tải xuống đo được khi có hai lần đọc; mô hình không tồn tại vào đầu giai đoạn sẽ hiển thị n/a.
DeepSeek V4 Flash 0423 là một mô hình văn bản thuộc họ Text / LLM được liệt kê trên ModelTrends.ai, danh mục chỉ đọc về các mô hình AI hình ảnh, video và văn bản mã nguồn mở. So sánh nó với các mô hình Text / LLM khác, xem điểm độ hot để biết xu hướng và mở trên PirateDiffusion hoặc BitVector để dùng thử.
Thêm mô hình Text / LLMThêm Văn bản / LLM Text / LLMllmdeepseeklý luậnlập trìnhtác nhânngữ cảnh dàicục bộ
Duyệt theo họ mô hình
Mô hình Text / LLM
434
Mô hình Anima
528
Mô hình Chroma
19
Mô hình Fibo
2
Mô hình Flux
1,496
Mô hình Flux 2 / Klein
1,239
Mô hình Flux 3
3
Mô hình Moss
3
Mô hình Iris
1
Mô hình MiniMax H3
364
Mô hình Hunyuan
204
Mô hình Ideogram
20
Mô hình Krea2
717
Mô hình Qwen
20
Mô hình Qwen2
47
Mô hình Ltx2
153