Model
.ai
theo dõi các mô hình AI mở
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.

Hướng dẫn cho mô hình này
Tất cả hướng dẫn
DeepSeek V4.1 Flash là một mô hình mixture-of-experts thưa thớt 552 tỷ tham số từ DeepSeek, được xây dựng trên kiến trúc Causal Encoder-Decoder mới lạ, chỉ kích hoạt 8 tỷ tham số khi nhận đầu vào và 16 tỷ khi xuất đầu ra, giữ chi phí tính toán trên mỗi token ở mức rất thấp so với quy mô của nó. Hỗ trợ thị giác gốc và nén bộ nhớ đệm KV mạnh mẽ khiến nó trở thành lựa chọn thực tế cho các tác vụ đa bước và khối lượng công việc ngữ cảnh dài. Trọng số mở có sẵn, và giá API nằm ở mức tiết kiệm trong phân khúc tiên phong.

Nổi tiếng với

  • Kích hoạt bất đối xứng (8 tỷ prefill, 16 tỷ decode) giảm chi phí tính toán so với tổng kích thước mô hình.
  • Dung lượng bộ nhớ đệm KV khoảng 890 byte mỗi token, chỉ bằng khoảng một phần tư thế hệ Flash trước đó.
  • Kiến trúc đa phương thức gốc: thị giác được huấn luyện đồng thời với văn bản từ ngày đầu, không phải gắn thêm sau.
  • Nỗ lực suy luận có thể điều chỉnh (số nguyên 1–100) cho phép bạn đánh đổi độ chính xác lấy chi phí suy luận.
  • Thiết kế cho lập trình, các tác nhân sử dụng máy tính và hoàn thành tác vụ đa bước với tầm nhìn dài hạn.

Cẩn thận với

  • Với 552 tỷ tham số tổng, chạy mô hình này tại chỗ đòi hỏi phần cứng rất mạnh; hầu hết người dùng sẽ sử dụng API.
  • Kiến trúc CED mới và chưa được kiểm chứng rộng rãi trong môi trường sản xuất ngoài các điểm chuẩn của DeepSeek.
  • Token đầu ra có chi phí cao gấp khoảng 16 lần token đầu vào, nên các kết quả đầu ra dài sẽ tốn kém nhanh chóng.

Lời nhắc để thử

Tác nhân đa bước trên terminal
Bạn có quyền truy cập vào shell bash. Người dùng có một dự án Python mà `pytest` thoát với mã 1 nhưng không in ra lỗi hữu ích nào. Hãy đi qua quy trình chẩn đoán đầy đủ: kiểm tra phiên bản pytest, xem xét các file conftest, chạy với các cờ verbose, và đề xuất cách sửa. Hiển thị từng lệnh và giải thích bạn mong đợi điều gì sẽ được tiết lộ trước khi chạy.
Phân tích ảnh chụp màn hình
Tôi đính kèm một ảnh chụp màn hình bảng điều khiển của một ứng dụng web. Hãy xác định bất kỳ phần tử giao diện người dùng nào trông bị hỏng hoặc lệch, ghi chú dữ liệu đang được hiển thị và liệu bố cục có dễ dàng để quét hay không, và đề xuất hai cải tiến cụ thể mà một nhà phát triển front-end có thể thực hiện trong chưa đầy một giờ.
Đánh giá hợp đồng ngữ cảnh dài
Đây là một hợp đồng dịch vụ phần mềm. Hãy xác định mọi điều khoản giới hạn trách nhiệm hoặc bồi thường, đánh dấu bất kỳ điều khoản nào nghiêng về phía nhà cung cấp, và tóm tắt các điều kiện chấm dứt hợp đồng. Trình bày kết quả dưới dạng danh sách đánh số kèm tham chiếu phần liên quan bên cạnh mỗi điểm.

So sánh với

  • DeepSeek Flash Latest
    Mô hình chỉ API
    ngữ cảnh 1,048,576 token · Đầu vào $0.04/M, đầu ra $0.68/M
  • DeepSeek V4 Flash 0731
    Mô hình mở trọng số
    ngữ cảnh 1,048,576 token · Đầu vào $0.01/M, đầu ra $1.28/M
  • DeepSeek V4 Flash 0423
    Mô hình mở trọng số
    ngữ cảnh 1,048,576 token · Đầu vào $0.09/M, đầu ra $0.18/M
  • DeepSeek V4 Pro 0813
    Mô hình mở trọng số
    ngữ cảnh 1,048,576 token · Đầu vào $1.32/M, đầu ra $3.96/M
Thêm mô hình văn bản từ deepseek

Câu hỏi thường gặp

Trọng số có mở và tôi có thể chạy DeepSeek V4.1 Flash tại chỗ không?
Có, trọng số được công bố trên Hugging Face tại deepseek-ai/DeepSeek-V4.1-Flash. Với 552 tỷ tham số tổng, bạn sẽ cần phần cứng mạnh để chạy tại chỗ; hầu hết mọi người sẽ dùng API thay vì vậy.
DeepSeek V4.1 Flash có giá bao nhiêu và cửa sổ ngữ cảnh là bao nhiêu?
API có giá 0,04 USD cho mỗi triệu token đầu vào và 0,63 USD cho mỗi triệu token đầu ra, với cửa sổ ngữ cảnh 1.048.576 token (khoảng một triệu).
V4.1 Flash khác gì so với các phiên bản khác trong gia đình V4.1?
V4.1 Flash là cấp độ tiết kiệm chi phí, sử dụng kiến trúc CED mới để giữ số tham số kích hoạt thấp và nén bộ nhớ đệm KV mạnh mẽ; DeepSeek báo cáo nó vượt trội V4 Pro về hiệu suất, tốc độ và hoàn thành tác vụ mặc dù chi phí trên mỗi token thấp hơn.
Phán quyết của thuyền trưởng
Một kiến trúc thực sự mới mẻ xứng đáng với nhãn 'Flash': chi phí trên mỗi token thấp, xây dựng cho các tác nhân, và mở nếu bạn có phần cứng.
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
DeepSeek V4.1 Flash trên 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?
Xu hướng phổ biến của DeepSeek V4.1 Flash
Điểm nhiệt từ 10 Sep 2026
Điểm nhiệt
9,552°
Tuần này
▲
38.4%
9,509° lúc đó, 9,552° bây giờ
Tháng này
▲
847%
9,256° lúc đó, 9,552° bây giờ
Năm qua
n/a
Chưa phát hành/được theo dõi
DeepSeek V4.1 Flash: Điểm nhiệt từ 10 Sep 20267,000°7,715°8,429°9,144°9,858°10 Sep18 Sep27 Sep5 Oct14 Oct22 Oct9,552°ModelTrends.ai
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.
+2,124°
Token OpenRouter
119,552,466,382,730 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 11,955,246; token của ngày cuối cùng được tính vào tỷ lệ sử dụng. Nguồn: OpenRouter (openrouter.ai/rankings).
+428°
Tỷ lệ áp dụng
Khoảng 516,730 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 9,552°, 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.
  1. 1
    Bắt 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
  2. 2
    Thêm lượt tải về.
    11,955,246 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.
    +2,124°
    9,124°
    tổng đang chạy
  3. 3
    Thêm tỷ lệ áp dụng.
    Khoảng 516,730 lượt tải mỗi ngày hiện tại, đo giữa hai lần đọc, bằng một phần tư trọng số.
    +428°
    9,552°
    tổng đang chạy
  4. =
    Điểm nhiệt.
    Mô hình này đứng ở đâu trên mọi danh sách của trang này. Không có gì khác điều chỉnh nó.
    9,552°
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.