Model
.ai
vi följer öppna AI-modeller
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.

Guider för denna modell
Alla guider
DeepSeek V4.1 Flash är en 552 miljarder parametrar stor sparsam mixture-of-experts-modell från DeepSeek, byggd på en ny Causal Encoder-Decoder-arkitektur som aktiverar endast 8 miljarder parametrar vid inmatning och 16 miljarder vid utmatning, vilket håller kostnaden per token ovanligt låg för dess storlek. Inbyggt stöd för vision och aggressiv KV-cachekomprimering gör den till ett praktiskt val för flerstegsagenter och arbetsbelastningar med lång kontext. Öppna vikter finns tillgängliga och API-priset ligger i den budgetvänliga delen av frontlinjen.

Känd för

  • Asymmetrisk aktivering (8 miljarder vid förfyllning, 16 miljarder vid avkodning) minskar beräkningskostnaden i förhållande till modellens totala storlek.
  • KV-cacheavtryck på ~890 byte per token, ungefär en fjärdedel av föregående Flash-generation.
  • Inbyggd multimodal arkitektur: vision tränad tillsammans med text från dag ett, inte påklistrad i efterhand.
  • Kontrollerbar resonemangsinsats (heltal 1–100) låter dig byta noggrannhet mot inferenskostnad.
  • Designad för kodning, datoranvändaragenter och långsiktiga flerstegsuppgifter.

Se upp för

  • Med 552 miljarder totala parametrar kräver lokal körning seriös hårdvara; de flesta användare kommer att använda API:et.
  • CED-arkitekturen är ny och till stor del oprövad i produktion utanför DeepSeeks egna benchmarktester.
  • Utgående tokens kostar ungefär 16 gånger mer än inkommande tokens, så utförliga svar kan snabbt bli dyra.

Promptar att prova

Flerstegs terminalagent
Du har tillgång till ett bash-skal. En användare har ett Python-projekt där `pytest` avslutas med kod 1 men utan att skriva ut något användbart felmeddelande. Gå igenom en komplett diagnos: kontrollera pytest-versionen, inspektera conftest-filer, kör med verbose-flaggar och föreslå en lösning. Visa varje kommando och förklara vad du förväntar dig att det ska visa innan du kör det.
Analysera en skärmdump
Jag bifogar en skärmdump av en webbapplikations instrumentpanel. Identifiera eventuella UI-element som ser trasiga eller feljusterade ut, notera vilken data som visas och om layouten gör det lätt att överblicka, och föreslå två specifika förbättringar som en frontendutvecklare kan implementera på under en timme.
Lång kontext kontraktsgranskning
Här är ett avtal om mjukvarutjänster. Identifiera varje klausul som begränsar ansvar eller skadestånd, markera de som är ensidiga till förmån för leverantören, och sammanfatta uppsägningsvillkoren. Presentera dina fynd som en numrerad lista med relevant avsnittsreferens bredvid varje punkt.

Jämför med

Fler textmodeller från deepseek

Vanliga frågor

Är vikterna öppna och kan jag köra DeepSeek V4.1 Flash lokalt?
Ja, vikterna är publicerade på Hugging Face under deepseek-ai/DeepSeek-V4.1-Flash. Med 552 miljarder totala parametrar behöver du betydande hårdvara för att köra den lokalt; de flesta kommer att använda API:et istället.
Vad kostar DeepSeek V4.1 Flash och hur stort är dess kontextfönster?
API-priset är $0,04 per miljon inmatningstokens och $0,63 per miljon utmatningstokens, med ett kontextfönster på 1 048 576 tokens (ungefär en miljon).
Hur skiljer sig V4.1 Flash från resten av V4.1-familjen?
V4.1 Flash är den kostnadseffektiva nivån, som använder den nya CED-arkitekturen för att hålla aktiva parametrar låga och komprimera KV-cachen aggressivt; DeepSeek rapporterar att den överträffar V4 Pro i prestanda, hastighet och uppgiftsutförande trots lägre kostnad per token.
Kaptens omdöme
En genuint ny arkitektur som förtjänar sitt 'Flash'-namn: billig per token, byggd för agenter och öppen om du har hårdvaran.
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
DeepSeek V4.1 Flash på 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?
Popularitetstrend för DeepSeek V4.1 Flash
Värmenpoäng sedan 10 Sep 2026
Värmescore
9,552°
Den här veckan
▲
38.4%
9,509° då, 9,552° nu
Den här månaden
▲
832%
9,260° då, 9,552° nu
Senaste året
n/a
Inte släppt/spårad än
DeepSeek V4.1 Flash: Värmenpoäng sedan 10 Sep 20267,000°7,715°8,429°9,144°9,858°10 Sep18 Sep27 Sep5 Oct14 Oct22 Oct9,552°ModelTrends.ai
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.
+2,124°
OpenRouter-token
119,552,466,382,730 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 11,955,246; token från senaste dagen räknas in i användningstakten. Källa: OpenRouter (openrouter.ai/rankings).
+428°
Adoptionshastighet
Ungefär 516,730 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 9,552°, 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. 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. 2
    Lägg till nedladdningarna.
    11,955,246 nedladdnings-ekvivalenter totalt, från OpenRouter-token. Tio gånger nedladdningarna ger samma 300°, så storlek spelar roll men tar aldrig över poängen.
    +2,124°
    9,124°
    löpande total
  3. 3
    Lägg till adoptionshastigheten.
    Ungefär 516,730 nedladdningar per dag just nu, mätt mellan två mätningar, med en fjärdedels vikt.
    +428°
    9,552°
    löpande total
  4. =
    Heat-poängen.
    Var den här modellen står på varje lista på den här sidan. Ingenting annat ändrar den.
    9,552°
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.