DeepSeek V4.1 Flash 1017 API

DeepSeek V4.1 Flash 1017 to multimodalny model typu mixture-of-experts od DeepSeek, wydany w październiku 2026 roku. Przyjmuje tekst i obrazy, a generuje tekst, obsługując kontekst wejściowy do miliona tokenów i limit wyjścia wynoszący384 000 tokenów. Model udostępniono na licencji MIT, co pozwala na użycie komercyjne i self-hosting; jest dostępny jako model open-weight do pobrania i uruchomienia na własnym sprzęcie. Rozumowanie można płynnie kontrolować, regulując głębokość przetwarzania. Model sprawdza się w rozumowaniu multimodalnym na długim kontekście, kodowaniu, rozumieniu dokumentów, analizie dokumentów, interpretacji wykresów i odpowiadaniu na pytania wizualne. Znajduje też zastosowanie w aplikacjach agentowych korzystających z narzędzi, które przyjmują tekst i obrazy oraz generują tekst. Według doniesień przewyższa DeepSeek V4 Pro pod względem wydajności, szybkości i czasu realizacji zadań, a w wielu przypadkach wypada lepiej niż K3, GLM-5.3 i GPT-5.6 Sol. Pozycjonowany jest jako opłacalna kosztowo warstwa rodziny V4.1. W porównaniu z poprzednią wersją DeepSeek V4.1 Flash model poprawia niemal wszystkie benchmarki, skraca czas wykonywania zadań i długość odpowiedzi oraz przesuwa granicę Pareto wydajności i kosztu w różnych środowiskach agentowych. Model ustępuje Opus 5 w kilku benchmarkach. Podawane liczby parametrów różnią się między źródłami: 763,2 mld parametrów łącznie wobec 552 mld parametrów szkieletu. Trening objął 45 bilionów tokenów, a wiedza modelu sięga maja 2025 roku. Model nie zawiera szablonu czatu w formacie Jinja; zamiast tego udostępnia samodzielną implementację referencyjną w Pythonie do kodowania promptów oraz deepseek-recipe, zestaw bibliotek Rust z wiązaniami Python oferujących ten sam format promptów.

Rachunek zależy od wybranego dostawcy, jego cen i faktycznego zużycia. Dłuższe dane wejściowe lub inne warunki mogą mieć inne ceny.

Model przyjmuje tekst i obrazy, a generuje tekst.

Kontekst wejściowy wynosi do miliona tokenów, a limit wyjścia to 384 000 tokenów.

Sprawdza się w rozumowaniu multimodalnym na długim kontekście, kodowaniu, rozumieniu i analizie dokumentów, interpretacji wykresów, odpowiadaniu na pytania wizualne oraz w aplikacjach agentowych korzystających z narzędzi.

Poprawia niemal wszystkie benchmarki, skraca czas wykonywania zadań i długość odpowiedzi oraz zwiększa wynik HLE bez narzędzi z 36,8 do 42,6, a Terminal-Bench 4.0 z 31,2 do 42,3.

Model jest dostępny jako open-weight na licencji MIT, można go pobrać i uruchomić na własnym sprzęcie lub korzystać z niego przez DeepSeek, NVIDIA NIM i inne platformy, m.in. z Transformers, vLLM, SGLang i Docker Model Runner.