NEW · V4.1-Flash-1017（10-17 发布）
DeepSeek-V4.1-Flash-1017 采用 RLSF 自反馈强化学习训练，主打"Wish-Driven Programming"——一句愿望式描述直接产出完整项目。DeepSWE v1.1 Pass@1 77.0%，平均单任务成本仅约 $0.20（低档 $0.10），较前代 74.2% / $0.50 大幅优化。API 调用名 deepseek-flash：1M 上下文、384K 最大输出、原生视觉输入，思考模式默认开启。
V4.1-Flash（09-10）
552B 总参数 MoE、原生多模态（图像输入），多项评测逼近甚至超越 V4-Pro（0813）；输出价格较 V4-Flash 下调约 70%，缓存命中输入低至 $0.003/百万 tokens。
V4 系列（04-24）
V4-Pro（1.6T 总参 / 49B 激活）与 V4-Flash（284B / 13B）以 MIT 许可开放权重，1M 上下文 + 384K 输出，长上下文算力开销仅为 V3.2 的 27% FLOPs / 10% KV。
DeepSeek V4 家族将前沿能力与极低推理成本合而为一：V4.1-Flash-1017 以 RLSF 强化学习把智能体编码成本压到约 $0.20/任务；V4-Pro 在 SWE-Bench Verified 拿下 80.6%、LiveCodeBench 93.5%；全部权重以 MIT 许可开放，1M token 上下文、384K 最大输出。下方即可免费体验 — 或先看基准数据。
无需注册、无需账号。输入提示词即可获得流式回答。
回复将在此处流式输出…
本体验场由免费的 GLM-4.7-Flash / GLM-4-Flash 驱动，输入提示词即可获得实时流式回答。
四项能力定义了当前 DeepSeek 世代 — 官方报告成绩，可从 MIT 开放权重复现。
1M token 上下文 + 384K 最大输出。混合注意力让 1M 负载仅消耗 V3.2 约 27% FLOPs 与 10% KV 缓存——长上下文不再等于高账单。
V4.1-Flash-1017 用自反馈强化学习（RLSF）端到端训练项目开发能力：模型以自身置信度与自我批评作为奖励信号，DeepSWE v1.1 达 77.0%。
V4.1-Flash 系列原生接受图像输入，无需外挂视觉模块——截图、界面、文档图片直接进入同一上下文与工具调用循环。
V4-Pro 与 V4-Flash 权重在 Hugging Face 以 MIT 许可开放（Flash 约 160GB），可自托管、可商用、无地区限制，API 兼容 OpenAI / Anthropic SDK。
数据引自 DeepSeek 官方发布与公开评测（截至 2026 年 10 月）。
| 评测 | 模型 | 成绩 | 说明 |
|---|---|---|---|
| DeepSWE v1.1（Pass@1） | V4.1-Flash-1017 | 77.0% | 平均单任务成本约 $0.20，低档 $0.10 |
| SWE-Bench Verified | V4-Pro | 80.6% | 真实仓库级问题修复 |
| LiveCodeBench | V4-Pro | 93.5% | 实时竞赛级编程 |
| Terminal-Bench 2.0 | V4-Pro | 67.9% | 终端智能体任务 |
| Codeforces（Rating） | V4-Pro | 3,206 | 竞赛编程 Elo |
| Putnam-200（Pass@8） | V4-Flash | 81.0% | 数学竞赛 |
与 GLM-5.3、GPT-5.6、Claude 等模型的 16 项交叉对比见 基准测试 / DeepSeek vs GLM。
两级 MoE + 压缩稀疏注意力，把 1M 上下文的算力账算到最低。
V4-Pro 总参数 1.6T、每 token 激活 49B；V4-Flash 总参数 284B、激活 13B；V4.1-Flash 552B 全新编码器设计。同一 API 按档位切换成本。
压缩稀疏注意力（CSA）+ 重度压缩注意力（HCA）组合：1M 上下文下 FLOPs 仅约 V3.2 的 27%、KV 缓存约 10%，长上下文检索质量与成本同时优化。
FP4+FP8 混合精度下完成 32T+ token 预训练；V4.1-Flash-1017 追加 RLSF 后训练：以模型自身置信度/自我批评为奖励信号，不再依赖人工评估器。
整仓代码、数百页合同、完整智能体轨迹可一次装入；384K 最大输出足够生成完整项目与长报告。思考模式默认开启。
deepseek-flash 并发上限 2500、deepseek-v4-pro 500；API 兼容 OpenAI 与 Anthropic SDK，支持 JSON 输出与工具调用。详见 百万上下文详解。
当前 API 在售主力 — 完整目录见 所有模型。
新 · 推荐
552B MoE · 原生视觉 · RLSF · 1M/384K
调用名 deepseek-flash
$0.15 / $0.60 每百万 tokens（错峰）
1.6T/49B 旗舰 · MIT · 1M/384K
调用名 deepseek-v4-pro
$0.66 / $1.98 每百万 tokens（错峰）
552B · 原生视觉 · 09-10 发布
输出价较 V4-Flash 降约 70%
缓存命中输入 $0.003
284B/13B · MIT · 约 160GB 权重
Putnam-200 81.0% · SWE-Bench 79.0%
$0.14 / $0.28 每百万 tokens
"Wish-Driven Programming"：一句描述产出完整项目——官方演示含故宫 3D 建模、网页赛车游戏、Godot 复刻 Portal 2 与 3D 场景"Valley of Ages"。
1M 上下文装入整个代码仓库或数百页文档；缓存命中 $0.003/百万 tokens，让反复检索同一语料的 RAG 管线成本趋近于零。
MIT 开放权重 + OpenAI/Anthropic 兼容 API：数据不出内网也能获得前沿编码与推理能力，迁移成本一行 base_url。
来自本站十大频道的最新文章，每篇中英双语。
重推理与多文件复杂编码选 V4-Pro；高并发、长文档、成本敏感场景选 deepseek-flash（现指向 V4.1-Flash-1017，支持视觉、并发 2500）。
API 按量计费，无免费额度；权重 MIT 开放可自行部署。本站体验场免费提供流式演示。
v4-pro 调用自 2026-09-14 起路由至 V4.1-Flash；官方建议新项目直接使用 deepseek-flash。详见 常见问题。
大模型网摘