deepseek
DeepSeek: DeepSeek V4 Flash 0423
deepseek/deepseek-v4-flash
Nuestro análisis
Análisis asistido por IA basado en las fuentes siguientes. La idoneidad es una valoración editorial; compruébala con tus propias tareas.
DeepSeek V4 Flash (catalogado como deepseek/deepseek-v4-flash) es un modelo de texto tipo Mixture-of-Experts orientado a la eficiencia, desarrollado por DeepSeek, con 284B de parámetros totales, unos 13B activados por token y una ventana de contexto de aproximadamente un millón de tokens. El proveedor describe un diseño de atención híbrida pensado para reducir el coste de inferencia en contextos largos, además de modos de esfuerzo de razonamiento seleccionables. Solo admite texto como entrada y salida, y el proveedor publica los pesos bajo licencia MIT. Las evaluaciones del fabricante parecen competitivas para su categoría, pero la evidencia aquí se limita a la ficha del proveedor y a un catálogo agregador, por lo que conviene validar el modelo de forma independiente con tu propia carga de trabajo.[1][2]
Puntos fuertes
- Ventana de contexto de alrededor de un millón de tokens, algo inusual en un modelo orientado a la eficiencia, según la ficha del proveedor y el catálogo.[1][2]
- El diseño MoE disperso activa solo una pequeña fracción de los parámetros por token, lo que el proveedor plantea como inferencia rápida y de bajo coste.[1][2]
- Los modos de esfuerzo de razonamiento seleccionables permiten equilibrar velocidad y análisis más profundo; el fabricante afirma que el modo de mayor esfuerzo se acerca a la variante Pro, más grande, en tareas de razonamiento.[2]
Limitaciones
- Solo texto como entrada y salida; el catálogo no lista otras modalidades.[1]
- El propio fabricante indica que esta variante más pequeña queda por detrás de la versión Pro en tareas de conocimiento puro y en los flujos de trabajo agénticos más complejos.[2]
- La evidencia se limita a la ficha del proveedor y a un catálogo agregador; los benchmarks y resultados de arena reportados provienen de la fuente o de mediciones de terceros que deben validarse con tu carga de trabajo antes de adoptarlo.[1][2]
Dónde utilizarlo
- Resumen, búsqueda y análisis de documentos largos que puedan aprovechar la ventana de contexto de aproximadamente un millón de tokens.[1][2]
- Asistentes de programación y razonamiento donde el esfuerzo de pensamiento ajustable podría equilibrar la velocidad de respuesta con la precisión.[1][2]
- Pipelines de texto de alto rendimiento donde los pesos con licencia MIT y la pequeña fracción de parámetros activados pueden favorecer un despliegue eficiente o autogestionado.[2]
Fuentes
- [1] OpenRouter catalog · DeepSeek: DeepSeek V4 Flash 0423Fuentes consultadas: 13 nov 2026
- [2] Model documentation · DeepSeek: DeepSeek V4 Flash 0423Fuentes consultadas: 13 nov 2026
Sobre este modelo
La descripción siguiente es el texto original aportado por OpenRouter, en el idioma de la fuente.
DeepSeek V4 Flash is an efficiency-optimized Mixture-of-Experts model from DeepSeek with 284B total parameters and 13B activated parameters, supporting a 1M-token context window. It is designed for fast inference and...
Especificaciones
- ID del modelo
- deepseek/deepseek-v4-flash
- ID canónico
- deepseek/deepseek-v4-flash-20260423
- Creador
- deepseek
- Añadido a OpenRouter
- 24.04.2026
- Longitud de contexto
- 1,048,576
- Modalidad
- text->text
- Modalidades de entrada
- text
- Modalidades de salida
- text
- Precio por token
- USD por 1M de tokens: entrada $0.090 / salida $0.180
- Corte de conocimiento
- —
- Fecha de expiración
- —
Tareas y capacidades
Una nota aparece solo cuando la fuente aporta una medición correspondiente para esa tarea, el modelo está activo y la cohorte tiene al menos 10 modelos comparables. La columna de capacidad muestra hechos declarados por la fuente — formatos compatibles, razonamiento y parámetros de herramientas — que no son calidad medida.
| Tarea | Nota | Capacidad declarada por la fuente |
|---|---|---|
| Calidad general | Sin medición | razonamiento: opcional · predeterminado high · esfuerzos: xhigh, high, none · parámetros: include_reasoning, reasoning, reasoning_effort |
| Programación | BB — siguiente 30% de la cohorte | — |
| Agentes | BB — siguiente 30% de la cohorte | parámetros: structured_outputs, tool_choice, tools |
| Escritura | Sin medición | salida: text |
| Razonamiento | Sin medición | razonamiento: opcional · predeterminado high · esfuerzos: xhigh, high, none · parámetros: include_reasoning, reasoning, reasoning_effort |
| Análisis de documentos | Sin medición | — |
| Visión | Sin medición | — |
| Generación de imágenes | Sin medición | — |
| Audio | Sin medición | — |
| Vídeo | Sin medición | — |
| Embeddings | Sin medición | — |
Evaluaciones
| Fuente | Benchmark | Valor | Nota | Datos obtenidos |
|---|---|---|---|---|
| Artificial Analysis | Coding index | 56.2 | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Artificial Analysis | Agentic index | 22.2 | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · 3dtasa de victoria 49.3% · posición 62 | 1,171Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · asciiarttasa de victoria 42.7% · posición 61 | 1,105Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · codecategoriestasa de victoria 48.9% · posición 65 | 1,196Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · dataviztasa de victoria 40.7% · posición 94 | 1,125Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · gamedevtasa de victoria 50.2% · posición 62 | 1,187Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · svgtasa de victoria 48.4% · posición 49 | 1,147Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · uicomponenttasa de victoria 44.7% · posición 80 | 1,155Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · websitetasa de victoria 49.1% · posición 66 | 1,200Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
Cómo funcionan las notas
Cada nota compara un modelo solo con otros modelos evaluados por la misma fuente y métrica en la instantánea actual. S es el 10% superior, A el siguiente 20%, B el siguiente 30% y C el resto. Los modelos sin medición publicada aparecen como no evaluados: un formato compatible nunca implica calidad medida.
- S — S — 10% superior de la cohorte
- A — A — siguiente 20% de la cohorte
- B — B — siguiente 30% de la cohorte
- C — C — por debajo de la franja B
Proveedores
Estadísticas opcionales de proveedores en vivo desde OpenRouter. Los valores ausentes son desconocidos, no cero.
| Proveedor | Longitud de contexto | Precio entrada /1M | Precio salida /1M | Latencia p50 (30m, s) | Rendimiento p50 (30m, tok/s) | Disponibilidad (30m) |
|---|---|---|---|---|---|---|
| Relacefp4 | 1,048,576 | $0.050 | $0.450 | — | — | 100% |
| StreamLakefp8 | 1,024,000 | $0.084 | $0.168 | — | — | 100% |
| DeepInfrafp8 | 1,048,576 | $0.090 | $0.180 | — | — | 100% |
| GMICloudfp8 | 1,048,575 | $0.091 | $0.182 | — | — | 100% |
| Venice | 1,000,000 | $0.097 | $0.193 | — | — | 100% |
| Fireworks | 1,048,576 | $0.105 | $0.210 | — | — | 80% |
| Wafermxfp4 | 1,048,576 | $0.120 | $0.170 | — | — | 100% |
| SiliconFlowfp8 | 1,048,576 | $0.130 | $0.280 | — | — | 100% |
| Baidufp8 | 1,048,576 | $0.140 | $0.280 | — | — | 0% |
| AtlasCloudfp4 | 1,048,576 | $0.140 | $0.280 | — | — | 100% |
| Parasailfp8 | 1,048,576 | $0.140 | $0.280 | — | — | 75% |
| Mancer 2fp8 | 1,048,576 | $0.150 | $0.500 | — | — | 100% |
| Azure | 1,048,576 | $0.210 | $0.560 | — | — | 100% |
Datos de proveedores obtenidos: 13.11.2026
Artículos relacionados
Ningún artículo publicado identifica aún este modelo.