Är vikterna öppna och kan jag köra DeepSeek V4 Flash lokalt?

Ja, vikterna är publicerade på Hugging Face under deepseek-ai/DeepSeek-V4-Flash. Med 284 miljarder totala parametrar i FP4/FP8 blandad precision behöver du betydande GPU-minne för att köra lokalt — kontrollera VRAM-guiden innan du laddar ner.

Vad kostar DeepSeek V4 Flash och hur stort är kontextfönstret?

Via API kostar det 0,09 USD per miljon ingångstokens och 0,18 USD per miljon utgångstokens, med ett kontextfönster på 1 048 576 tokens.

Hur skiljer sig DeepSeek V4 Flash från DeepSeek V4 Pro?

Flash aktiverar 13 miljarder parametrar per token jämfört med Pros 49 miljarder, vilket gör den snabbare och billigare; Pro har 1,6 biljoner totala parametrar och är bättre på kunskapsintensiva uppgifter och de mest krävande agentarbetsflödena, medan Flash-Max (maximalt resonemangsläge) kan närma sig Pro-nivå vid större tankebudget.

▲

24.0%

den här veckan

DeepSeek V4 Flash 0423

9192°

#llm #deepseek #resonemang #kodning #agenter #lång kontext

Körs på Graydient

Kör modellen

Erbjudanden / annonser

Easy Creator (Prism) Webb

Obegränsat · fast avgift

Bäst för nybörjare. Kraftfulla arbetsflöden, låg inlärningströskel.

PirateDiffusion Telegram

Obegränsat · fast avgift

Skapa videor, bilder, anpassade chattpersonligheter med mera.

Pro studio (SpyGlass) Webb

Obegränsat · fast avgift

Bläddra bland modeller, rendera och förbättra från vilken webbläsare eller telefon som helst.

Discord bot (Vector)

Obegränsat · fast avgift

Lägg till Vector till din server eller gå med i Vector Discord. Skapa vad som helst!

Unified Editor Webb

Obegränsat · fast avgift

Redigerare för bilder och video: rendera, redigera, förstora och mer på en sida.

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

Lokala appar

Kräver installation

Installera lokala program om din dator har tillräcklig prestanda.

ModelDuel Webb

Betala per användning

Generera samma prompt på upp till 50 checkpoint-/basmodeller samtidigt.

Hyra GPU i molnet

Graydient Cloud GPU

Obegränsat · fast avgift

Fast avgift, obegränsad användning. Denna modell installeras med ett klick.

RunPod Cloud GPU

Debiteras per minut

Hyra GPU per minut och installera modellen själv.

Guider för denna modell

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

DeepSeek | 1 048 576 tokens kontext | $0.09/M input, $0.18/M output. DeepSeek V4 Flash är en effektivitetoptimerad Mixture-of-Experts-modell från DeepSeek med totalt 284 miljarder parametrar och 13 miljarder aktiverade parametrar, som stödjer ett kontextfönster på 1 miljon tokens. Den är designad för snabb inferens och hög genomströmning, samtidigt som den bibehåller stark prestanda inom resonemang och kodning. Modellen inkluderar hybrid uppmärksamhet för effektiv långkontextbearbetning. Resonemangsnivåer high och xhigh stöds; xhigh motsvarar max resonemang. Den är väl lämpad för applikationer som kodningsassistenter, chatt-system och agentarbetsflöden där responsivitet och kostnadseffektivitet är viktiga.

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

DeepSeek V4 Flash är en Mixture-of-Experts-modell med 284 miljarder parametrar från DeepSeek, med endast 13 miljarder parametrar aktiva per token, byggd för snabb inferens och hög genomströmning till mycket låg kostnad. Dess hybrida uppmärksamhetsarkitektur hanterar ett verkligt miljon-token kontextfönster effektivt. Den passar utvecklare som behöver en kapabel resonemangs- och kodningsmodell utan att betala frontier-modellpriser.

Känd för

1M-token kontextfönster med effektiv hybriduppmärksamhet, inte bara en nominell gräns.
Endast 13 miljarder parametrar aktiverade per inferens — snabbt och billigt att köra.
Justering av resonemangsnivå: standard, hög eller maximal (xhigh) läge.
Stark kodnings- och resonemangsprestanda i förhållande till inferenskostnad.
Öppna vikter tillgängliga på Hugging Face för självhostning.

Se upp för

Vid rena kunskapsuppgifter och de mest komplexa agentarbetsflödena halkar den efter sin syskonmodell DeepSeek V4 Pro.
284 miljarder totala parametrar innebär att självhostning kräver seriös hårdvara; kontrollera VRAM-kraven innan du bestämmer dig.
Vikterna använder FP4 för MoE-experter och FP8 på andra ställen — inte alla inferensstackar hanterar blandad precision smidigt.

Bäst för

Kodning

Agenter och verktygsanvändning

Resonemang

Lång kontext

Kör lokalt

Promptar att prova

Debugga en knepig async-bugg

Här är en Python async-funktion som ibland kastar ett RuntimeError: 'Task attached to a different loop'. Funktionen hämtar URL:er parallellt med asyncio.gather inuti en klass som skapar sin egen event loop i __init__. Förklara exakt varför detta händer och skriv om klassen så att den fungerar korrekt från både synkrona och asynkrona anropskontexter.

Planera en flerstegsagent

Designa en minimal agentloop i Python som använder verktygsanrop för att svara på frågan: vilken av de senaste fem amerikanska presidenterna hade högst genomsnittligt godkännande? Definiera vilka verktyg agenten behöver, visa loop-logiken och förklara hur agenten avgör när den har tillräckligt med information för att sluta anropa verktyg och ge ett slutgiltigt svar.

Resonera kring ett logikpussel

Fem ingenjörer börjar på ett företag under fem på varandra följande år. Alex började före personen som använder Rust. Go-utvecklaren började som tredje. Morgan började direkt efter Python-utvecklaren. C++-utvecklaren började sist. Jamie började som andra. Vem använder vilket språk och i vilken ordning började de? Visa ditt resonemang steg för steg.

Jämför med

DeepSeek V4.1 Flash
Öppen vikt-modell
1,048,576 tokens kontext · $0.04/M indata, $0.68/M utdata
DeepSeek V4 Flash 0731
Öppen vikt-modell
1,048,576 tokens kontext · $0.01/M indata, $1.28/M utdata
DeepSeek V4 Pro 0813
Öppen vikt-modell
1,048,576 tokens kontext · $1.32/M indata, $3.96/M utdata
DeepSeek V4 Pro 0423
Öppen vikt-modell
1,048,576 tokens kontext · $0.96/M indata, $1.91/M utdata

Fler textmodeller från deepseek

Vanliga frågor

Är vikterna öppna och kan jag köra DeepSeek V4 Flash lokalt?: Ja, vikterna är publicerade på Hugging Face under deepseek-ai/DeepSeek-V4-Flash. Med 284 miljarder totala parametrar i FP4/FP8 blandad precision behöver du betydande GPU-minne för att köra lokalt — kontrollera VRAM-guiden innan du laddar ner.
Vad kostar DeepSeek V4 Flash och hur stort är kontextfönstret?: Via API kostar det 0,09 USD per miljon ingångstokens och 0,18 USD per miljon utgångstokens, med ett kontextfönster på 1 048 576 tokens.
Hur skiljer sig DeepSeek V4 Flash från DeepSeek V4 Pro?: Flash aktiverar 13 miljarder parametrar per token jämfört med Pros 49 miljarder, vilket gör den snabbare och billigare; Pro har 1,6 biljoner totala parametrar och är bättre på kunskapsintensiva uppgifter och de mest krävande agentarbetsflödena, medan Flash-Max (maximalt resonemangsläge) kan närma sig Pro-nivå vid större tankebudget.

Kaptens omdöme
En verkligt billig och långkontextig resonemangsmodell — de öppna vikterna gör den värd att prova innan du väljer en stängd modell.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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.

Change colors / personalize / get code

Also ranked: #12 Hottest Text / LLM model · #12 Hottest Text / LLM text model

Not this creator?

Get your own badge

Popularitetstrend för DeepSeek V4 Flash 0423

Värmenpoäng sedan 24 Apr 2026

Värmescore

9,192°

Den här veckan

▲

24.0%

9,163° då, 9,192° nu

Den här månaden

▲

169%

9,060° då, 9,192° nu

Senaste året

n/a

Inte släppt/spårad än

7,000°

Golvet

Skalan går från 0° till 9 999°. Allt under 7,000° är reserverat för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta. 7,000° är där mätta data börjar: en modell med riktiga data men nästan inga nedladdningar ligger på golvet, och mätningarna fyller graderna ovanför. Golvet säger inget om modellen; det gör bara graderna ovanför, och det är de som skiljer en modell från en annan.

+1,844°

OpenRouter-token

14,026,338,867,497 token som denna modell bearbetat via OpenRouter de senaste 30 dagarna, både prompts och svar. Varje 10,000,000 token räknas som en nedladdning i nedladdningsterm, totalt 1,402,633; token från senaste dagen räknas in i användningstakten. Källa: OpenRouter (openrouter.ai/rankings).

+348°

Adoptionshastighet

Ungefär 43,432 nedladdningar per dag, mätt mellan två avläsningar av källorna, aldrig uppskattat från ett livstidsgenomsnitt. Hastigheten väger en fjärdedel av nedladdningstermen, så en ny våg syns utan att en dags toppar slår ut år av användning.

Visa detaljerad uppdelning

Varje siffra på den här sidan kan kontrolleras. Den här modellens heat-poäng är 9,192°, och här byggs den upp en ingrediens i taget, med löpande total efter varje: golvet, graderna varje källa lägger till, bonusen för modelltypen och vad vikternas ålder drar bort. Färgerna är banden i diagrammet ovan. Ordlistan i slutet förklarar varje term.

1
Börja vid golvet.
Varför 7,000° och inte noll: skalan går från 0° till 9 999°, och delen under 7,000° är reserverad för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta och aldrig rankas högre än en modell med data. 7,000° är där mätta data börjar. En modell med riktiga data men nästan inga nedladdningar ligger här; allt som följer är mätning, och utrymmet ovanför golvet rymmer tio tiofaldiga steg i nedladdningar på 300° vardera. Golvet är detsamma för varje modell, så det avgör inget; det gör graderna ovanför.
7,000°
löpande total
2
Lägg till nedladdningarna.
1,402,633 nedladdnings-ekvivalenter totalt, från OpenRouter-token. Tio gånger nedladdningarna ger samma 300°, så storlek spelar roll men tar aldrig över poängen.
+1,844°
8,844°
löpande total
3
Lägg till adoptionshastigheten.
Ungefär 43,432 nedladdningar per dag just nu, mätt mellan två mätningar, med en fjärdedels vikt.
+348°
9,192°
löpande total
=
Heat-poängen.
Var den här modellen står på varje lista på den här sidan. Ingenting annat ändrar den.
9,192°

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Hur den här modellens popularitet har rört sig jämfört med resten av katalogen: dess tillväxt i nedladdningar, gillningar och användning under varje period, mätt mot en typisk modells tillväxt under samma period, med dess heat-poäng vid den tiden. Över den typiska tillväxten ses som en uppgång, under som en nedgång. Det förflutna rekonstrueras från dagens totalsummor, modellens första dag och dess uppmätta nedladdningshastighet där två mätningar finns; en modell som inte fanns i början av en period visar n/a.

Liknande modeller

DeepSeek V4 Flash Vision Exp

TEXT / LLM

GLM 5.3 Prime

TEXT / LLM

AI-modeller för bild-, video- och textgenerering

DeepSeek V4 Flash 0423 är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller, se dess hettapoäng och prova den på PirateDiffusion eller BitVector.

Fler Text / LLM-modeller llm deepseek resonemang kodning agenter lång kontext lokal

Bläddra efter modellfamilj