DeepSeek v4.1 Flash
DeepSeekÉquilibré
RaisonnementOutilsVisionSortie structurée
À propos de ce modèle
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...
Catégorie de performance
Équilibré
DeepSeek v4.1 Flash est un modèle équilibré de DeepSeek : un bon compromis entre bonnes performances à un prix raisonnable.
Bon rapport coût-performance. Fiable pour la plupart des usages professionnels sans tarification premium.
Tarification
Ce modèle est inclus dans les plans ElosiaAbordable
Coût réduit. Adapté à un usage soutenu et aux interactions volumineuses.
| Type | par 1M tokens |
|---|---|
| Entrée (prompt) | $0.030 |
| Sortie (complétion) | $0.500 |
| Lecture cache | $0.010 |
Capacités
Taille du contexte1.0M
Tokens de sortie max944K
TokenizerDeepSeek
Entréetext, image
Sortietext
Date de sortie10 septembre 2026
Benchmarks
Intelligence générale
MMLU
Non reporté
GPQA Diamond
90.9%
Mathématiques
MATH-500
Non reporté
Programmation
HumanEval
Non reporté
Raisonnement
Humanity's Last Exam
39.2%
Multimodalité
MMMU-Pro
77%
Agentique
Terminal-Bench 2.1
90.6%
Où se situe DeepSeek v4.1 Flash ?
Comparez son indice de performance à tous les autres modèles.
Usages recommandés
ProgrammationAnalyseRechercheMathématiquesExtraction de données
Points forts
- Conception MoE encodeur-décodeur causal qui n'active que 8B de paramètres par token au prefill et 16B au décodage, ce qui rend économiques les charges agentiques riches en entrée
- Compression agressive du cache KV (réutilisation inter-couches et cache FP4) qui garde un contexte de 1M tokens léger en mémoire
- Compréhension d'image native, entraînée conjointement avec le texte dès le début du pré-entraînement
- Effort de raisonnement réglable en continu sur une échelle de 1 à 100 pour arbitrer entre précision et coût d'inférence
- Poids ouverts MIT avec rapport technique publié et contexte de 1M tokens
Limites
- Rappel factuel faible : des tests indépendants montrent qu'il répond presque toujours aux questions dont il ignore la réponse au lieu de s'abstenir
- Scores agentiques très dépendants du harnais : la table du constructeur lui-même montre Terminal-Bench 2.1 variant de plusieurs points selon le scaffold d'agent
- Raisonnement verbeux en effort maximum, ce qui pèse sur la latence et le budget de tokens
- Les scores Humanity's Last Exam et MMMU-Pro affichés proviennent de tests tiers ; le constructeur ne publie MMMU-Pro que pour le modèle de base
Questions fréquentes
Ressources
Ce modèle peut utiliser vos données pour l'entraînement
