DeepSeek V4.1 Flash 1017 API

DeepSeek V4.1 Flash 1017 — це мультимодальна модель із архітектурою суміші експертів, яка приймає текстові та графічні вхідні дані й повертає текст. Вона підтримує вхідний контекст до одного мільйона токенів і може генерувати відповіді обсягом до 384 000 токенів. Модель має безперервно регульовану глибину міркування, що дозволяє налаштовувати інтенсивність обробки залежно від складності завдання. Вона поширюється за ліцензією MIT, тому її можна використовувати комерційно та розгортати на власному обладнанні. Доступні відкриті ваги для завантаження й запуску на власних потужностях. Модель добре підходить для довгоконтекстного мультимодального міркування, програмування, розуміння документів, аналізу діаграм і візуальних запитань-відповідей. Вона також орієнтована на агентні застосунки, які використовують інструменти та працюють із текстом і зображеннями. За наявними даними, модель перевершує DeepSeek V4 Pro за продуктивністю, швидкістю та часом виконання завдань, а також покращує майже всі показники порівняно з попередньою версією DeepSeek V4.1 Flash. Вона позиціонується як економічно ефективний рівень родини V4.1 і просуває межу співвідношення продуктивності та вартості в різних агентних середовищах. Модель не містить шаблону чату у форматі Jinja, натомість надає самодостатню реалізацію мовою Python для кодування запитів. Також постачається deepseek-recipe — набір бібліотек Rust із прив’язками до Python, що пропонують той самий формат запитів. За різними джерелами, кількість параметрів відрізняється: 763,2 млрд загалом проти 552 млрд параметрів основної частини, що може бути зумовлено різними методами підрахунку. Модель навчено на 45 трлн токенів, а межа знань станом на травень 2025 року.

Рахунок залежить від обраного постачальника, його цін і вашого використання. Довші вхідні дані або інші умови можуть мати інші ціни.

Модель приймає текст і зображення та генерує текст.

Вхідний контекст становить до одного мільйона токенів, а ліміт вихідних даних — 384 000 токенів.

Вона підходить для довгоконтекстного мультимодального міркування, програмування, розуміння документів, аналізу діаграм, візуальних запитань-відповідей і агентних застосунків, що використовують інструменти.

Вона покращує майже всі показники порівняно з попередньою версією. Наприклад, на HLE (без інструментів) результат зріс із 36,8 до 42,6, а на Terminal-Bench 4.0 — із 31,2 до 42,3.

Так, модель має відкриті ваги та поширюється за ліцензією MIT, що дозволяє комерційне використання й самостійне розгортання.

Ні, шаблон чату у форматі Jinja відсутній. Натомість надається самодостатня реалізація мовою Python для кодування запитів, а також deepseek-recipe — бібліотеки Rust із прив’язками до Python.