Каталог всей линейки DeepSeek: актуальные основные модели, доступные через API, и классика прошлых поколений — все совместимы с OpenAI / Anthropic SDK.
Данные обновлены в октябре 2026 года · Официальная рекомендация: для новых проектов сразу использовать deepseek-flash
Самая свежая быстрая модель в API (имя для вызова: deepseek-flash): RLSF — обучение с подкреплением с самостоятельной обратной связью, DeepSWE v1.1 77.0%, около $0.20 за задачу; режим размышлений включён по умолчанию, параллелизм 2500.
Флагман с 1.6T общих параметров / 49B активных параметров: SWE-Bench Verified 80.6%, LiveCodeBench 93.5%, Terminal-Bench 2.0 67.9%, Codeforces 3206; параллелизм 500, визуальные возможности не поддерживаются.
552B MoE, релиз 09-10: нативный ввод изображений, по ряду бенчмарков приближается к V4-Pro (0813); цена вывода снижена примерно на 70% по сравнению с V4-Flash, попадание в кэш — $0.003.
284B / 13B активных параметров: Putnam-200 Pass@8 81.0%, SWE-Bench 79.0%; веса — около 160GB, открытая лицензия MIT.
Рабочая лошадка до V4: первопроходец направления разреженного внимания; экономичность V4 на контексте 1M оценивается именно относительно него (27% FLOPs / 10% KV).
Открытая модель рассуждений, всколыхнувшая индустрию в 2025 году; отправная точка пути обучения на чистом RL; её парадигма рассуждений уже вошла в режим размышлений серии V4.
Представитель эпохи специализированных код-моделей, ушедший в отставку с появлением у V4 универсальных способностей к программированию (LiveCodeBench 93.5%).
deepseek-flash (V4.1-Flash-1017): зрение + контекст 1M + агентные возможности RLSF, в непиковые часы $0.15/$0.60, параллелизм 2500 — оптимальное соотношение цены и качества для большинства приложений.
deepseek-v4-pro: флагман на 1.6T для сложного многофайлового кодинга и глубоких рассуждений; без поддержки зрения, параллелизм 500 — подходит для офлайн-пакетной обработки и задач высокой сложности.
Веса V4-Pro / V4-Flash / V4.1-Flash открыты на Hugging Face под лицензией MIT — их можно использовать в коммерческих целях и разворачивать во внутренней сети.
大模型网摘