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.
캡틴의 노트
알려진 점
- 비대칭 활성화(입력 80억, 디코드 160억)로 전체 모델 크기에 비해 계산 비용 절감.
- 토큰당 약 890바이트의 KV 캐시 크기로 이전 Flash 세대의 약 4분의 1 수준.
- 네이티브 멀티모달 아키텍처: 텍스트와 비전을 처음부터 함께 학습, 나중에 추가한 것이 아님.
- 1~100 정수로 조절 가능한 추론 노력으로 정확도와 추론 비용 간의 균형 조절 가능.
- 코딩, 컴퓨터 사용 에이전트, 장기 다단계 작업 완료에 최적화됨.
주의할 점
- 총 5520억 파라미터로 로컬 실행 시 매우 강력한 하드웨어 필요; 대부분 사용자는 API 이용.
- CED 아키텍처는 새롭고 DeepSeek 자체 벤치마크 외에는 실사용 검증이 부족함.
- 출력 토큰 비용이 입력 토큰 대비 약 16배 높아, 긴 출력은 비용이 빠르게 증가함.
시도해볼 프롬프트
비교하기
- DeepSeek Flash LatestAPI 전용 모델1,048,576 토큰 컨텍스트 · $0.04/M 입력, $0.68/M 출력
- DeepSeek V4 Flash 0731오픈 가중치 모델1,048,576 토큰 컨텍스트 · $0.01/M 입력, $1.28/M 출력
- DeepSeek V4 Flash 0423오픈 가중치 모델1,048,576 토큰 컨텍스트 · $0.09/M 입력, $0.18/M 출력
- DeepSeek V4 Pro 0813오픈 가중치 모델1,048,576 토큰 컨텍스트 · $1.32/M 입력, $3.96/M 출력
사람들이 묻는 질문
- 가중치가 공개되어 있고 DeepSeek V4.1 Flash를 로컬에서 실행할 수 있나요?
- 네, 가중치는 Hugging Face의 deepseek-ai/DeepSeek-V4.1-Flash에 공개되어 있습니다. 총 5520억 파라미터로 로컬 실행 시 상당한 하드웨어가 필요하며, 대부분은 API를 이용할 것입니다.
- DeepSeek V4.1 Flash의 비용과 컨텍스트 윈도우 크기는 어떻게 되나요?
- API 가격은 입력 토큰당 0.04달러, 출력 토큰당 0.63달러이며, 컨텍스트 윈도우는 약 104만 8576 토큰입니다.
- V4.1 Flash는 V4.1 시리즈의 다른 모델과 어떻게 다른가요?
- V4.1 Flash는 비용 효율적인 티어로, 새로운 CED 아키텍처를 사용해 활성 파라미터를 낮게 유지하고 KV 캐시를 공격적으로 압축합니다. DeepSeek에 따르면 토큰당 비용이 낮음에도 V4 Pro보다 성능, 속도, 작업 완료 능력에서 우수합니다.
캡틴의 평가토큰당 비용이 저렴하고 에이전트용으로 설계되었으며, 하드웨어만 갖추면 오픈되어 있어 진정으로 혁신적인 아키텍처입니다.
상세 내역 보기
- 1기준점부터 시작해.왜 7,000°이고 0이 아닌지: 점수는 0°부터 9,999°까지 있고, 7,000° 아래는 아직 출처가 보고하지 않은 모델을 위해 남겨둔 영역이야. 그 모델들은 목록 완성을 위해 임시 점수를 받고, 데이터가 있는 모델보다 순위가 높지 않아. 7,000°가 실제 측정 데이터가 시작되는 지점이야. 실제 데이터가 있지만 다운로드가 거의 없는 모델은 여기 있고, 그 뒤로는 모두 측정된 점수야. 기준점 위에는 다운로드가 10배씩 늘어날 때마다 300°씩 10단계가 있어. 기준점은 모든 모델에 같아서 아무것도 결정하지 않고, 위 점수가 모델을 구분해.7,000°누적 합계
- 2다운로드 수를 더해.총 11,955,246개의 다운로드 동등치, OpenRouter 토큰에서 나왔어. 다운로드가 10배 늘어나면 같은 300°가 더해지니까, 크기가 중요하지만 점수를 독차지하지는 않아.+2,124°9,124°누적 합계
- 3채택률을 추가하세요.지금 하루 약 516,730개의 다운로드가 있어, 두 번 측정한 차이로 계산하고 무게는 4분의 1이야.+428°9,552°누적 합계
- =히트 점수.이 모델이 이 사이트 모든 목록에서 어디에 있는지 보여줘. 다른 건 조정하지 않아.9,552°
- 히트 점수
- 모델이 지금 얼마나 쓰이고 원하는지 한 숫자로 나타낸 거야, 0°부터 9,999°까지. 이 사이트에서 가장 인기 있는 목록은 모두 이 점수로 정렬돼.
- 기본 점수
- 실제 데이터가 있는 모든 모델이 시작하는 7,000°야. 점수는 0°부터 9,999°까지인데, 기본 점수 아래는 데이터 없는 모델(대체 모델)용으로 남겨둬서 데이터 있는 모델이 항상 위에 오도록 해. 기본 점수는 모두 같고 아무것도 결정하지 않아; 그 위 점수가 실제 측정치야.
- 다운로드 동등치
- 점수가 다운로드로 취급하는 모든 걸 합친 거야: 실제 다운로드, 토렌트 시더 1,000개씩, AI Horde 이미지와 생성 사이트 실행 1개씩.
- 로그 스케일
- 1씩이 아니라 10씩 세는 거야: 1,000에서 10,000 다운로드가 늘면 10,000에서 100,000 늘어난 것과 같은 점수가 더해져. 큰 모델이 다 차지하는 걸 막아줘.
- 좋아요
- 모든 출처의 좋아요와 엄지척, 로그 스케일에서 다운로드 절반 가치야.
- 채택률
- 두 번 측정한 차이로 계산한 지금 하루 다운로드 수야. 다운로드 항목 무게의 4분의 1이야.
- 측정 및 추정
- 측정은 두 번의 소스 읽기가 존재하고 그 차이가 실제라는 뜻이야. 추정은 오늘의 총합만 알고 과거는 모델의 전체 기간에 나눠서 보여주는 거야; 사이트에서 어떤 걸 보여주는지 알려줘.
- 시더
- 토렌트를 통해 다른 사람이 다운로드할 수 있도록 가중치 파일을 온라인에 보관하는 사람이나 호스팅 미러를 말해. 각각 1,000번 다운로드로 계산돼.
- AI 호드
- 기부받은 컴퓨터에서 무료로 이미지를 생성하는 자원봉사 네트워크야. 모델로 만든 이미지 수가 공개되고, 각각이 한 번의 다운로드로 계산돼.
- 생성 사이트
- PixAI, SeaArt, Yodayo 같은 모델 복사본을 직접 호스팅하고 사람들이 생성할 수 있게 하는 사이트들이야. 이들의 다운로드는 Civitai와 같고, 생성 한 번이 한 번의 다운로드로 계산돼.
- OpenRouter 토큰
- Claude나 GPT 같은 API를 통해 제공되는 텍스트 모델은 다운로드할 가중치가 없으므로, 지난 30일간 OpenRouter를 통해 읽고 쓴 텍스트 조각인 토큰 수로 사용량을 측정합니다. 10,000,000 토큰마다 다운로드 1회로 계산합니다. 출처: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- 전체 모델 (체크포인트)
- 가중치 자체, 혼자서 생성하는 파일이야. 애드온이 이걸 기반으로 하기 때문에 보너스 점수를 받아.
- LoRA와 임베딩
- 다른 사람의 가중치를 특정 스타일, 캐릭터, 개념 쪽으로 조정하는 작은 추가 파일이야. 혼자 실행할 수 없어.
- 패밀리와 가중치
- 모델이 기반으로 하는 것, 예를 들어 SD 1.5, SDXL, Flux, Wan 같은 거야. 모든 모델은 패밀리 가중치의 출시일을 물려받아.
- 연령
- 패밀리 가중치가 나온 지 얼마나 됐는지에 따라 점수를 깎아: 1년에 150°, 최대 750°까지. 오래된 다운로드는 리스트 상단 고정을 풀어 쌓이도록 해.
- 패밀리 부스트
- 이 사이트가 지금 밀고 있는 패밀리의 LoRA에 주는 작고 제한된 점수 조정으로, 항상 세부 내역에 표시돼.
- 대체 점수
- 아직 소스 보고가 없는 모델에 안정적으로 주는 최저 점수로, 리스트가 완전하게 유지되도록 해. 데이터가 있는 모델보다 절대 높게 평가되지 않아.
- 신규! (유예 기간)
- 7일 미만의 신규 모델은 점수 대신 '신규!' 표시가 나오며 순위에 포함되지 않습니다. 점수는 첫날부터 계산되지만, 하루 된 모델은 매우 빠르게 성장하므로 유예 기간 없이는 항상 어제 나온 모델이 이번 주 #1이 되어버립니다.
- 추세
- 한 기간 동안 모델의 성장 속도가 같은 기간의 일반 모델 성장 속도와 비교해서 어떤지 보여줘. 일반보다 빠르면 상승, 느리면 하락으로 봐.
- 일반 모델
- 카탈로그의 중간값: 수치가 있는 모델 중 절반은 기간 동안 더 빨리 성장했고, 절반은 더 느리게 성장했어.
