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 ElosiaÉco
Coût minimal. Idéal pour le très haut volume ou les tâches simples.
| Type | par 1M tokens |
|---|---|
| Entrée (prompt) | $0.040 |
| Sortie (complétion) | $0.144 |
| Lecture cache | $0.0016 |
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
