deepseek
DeepSeek: DeepSeek V4.1 Flash
deepseek/deepseek-v4.1-flash
Nuestro análisis
Análisis asistido por IA basado en las fuentes siguientes. La idoneidad es una valoración editorial; compruébala con tus propias tareas.
DeepSeek V4.1 Flash es un modelo multimodal de mezcla de expertos dispersa de DeepSeek que acepta texto e imágenes y genera texto con una ventana de contexto de hasta un millón de tokens. Según su ficha técnica, es el primer modelo basado en la arquitectura Causal Encoder-Decoder de la empresa, activando 8B parámetros durante el prefill y 16B durante el decode para mejorar la eficiencia de costo en cargas con mucha entrada. Las evaluaciones reportadas por el proveedor enfatizan resultados agénticos y de programación, y admite un nivel de esfuerzo de razonamiento ajustable, aunque no había verificación independiente en este paquete de fuentes.[1][2]
Puntos fuertes
- La documentación del proveedor reporta una ventana de contexto de aproximadamente un millón de tokens junto con una compresión agresiva de la caché KV, lo que lo posiciona para entradas muy largas con menor costo de servicio.[1][2]
- La ficha técnica reporta puntuaciones sólidas en benchmarks agénticos y de ingeniería de software ejecutados por el proveedor, incluidos resultados líderes dentro de su propia tabla comparativa; son mediciones del proveedor, no pruebas independientes.[2]
- Acepta imágenes además de texto y, según el listado de OpenRouter y la ficha técnica, admite llamadas a herramientas, salidas estructuradas y un nivel de esfuerzo de razonamiento ajustable.[1][2]
Limitaciones
- Casi toda la evidencia de rendimiento proviene del proveedor y los campos de benchmarks de OpenRouter estaban vacíos en este paquete, por lo que los resultados deben validarse en la carga de trabajo propia antes de adoptarlo.[1][2]
- En la propia tabla comparativa del proveedor queda por detrás del mejor modelo de frontera listado en varios benchmarks agénticos y de razonamiento más difíciles, por lo que el liderazgo declarado no es uniforme.[2]
- La versión no incluye una plantilla de chat Jinja estándar y requiere un kit de codificación propio, lo que añade trabajo de integración; las fuentes no indican la fecha de corte de conocimiento.[1][2]
Dónde utilizarlo
- Tareas agénticas de programación y de software en terminal, sugeridas por el énfasis de los benchmarks del proveedor y el soporte reportado de llamadas a herramientas.[1][2]
- Análisis de documentos largos o a escala de repositorio donde el contexto reportado de un millón de tokens y la eficiencia de la caché KV podrían reducir costos.[2]
- Aplicaciones de imagen más texto como la comprensión de documentos, dadas las entradas de visión reportadas y las evaluaciones multimodales del proveedor.[1][2]
Fuentes
- [1] OpenRouter catalog · DeepSeek: DeepSeek V4.1 FlashFuentes consultadas: 13 nov 2026
- [2] Model documentation · DeepSeek: DeepSeek V4.1 FlashFuentes consultadas: 13 nov 2026
Sobre este modelo
La descripción siguiente es el texto original aportado por OpenRouter, en el idioma de la fuente.
DeepSeek V4.1 Flash is a sparse mixture-of-experts model from DeepSeek, and the first built on the company's Causal Encoder-Decoder (CED) architecture. It activates 8B parameters on input and 16B on...
Especificaciones
- ID del modelo
- deepseek/deepseek-v4.1-flash
- ID canónico
- deepseek/deepseek-v4.1-flash-20260910
- Creador
- deepseek
- Añadido a OpenRouter
- 10.09.2026
- Longitud de contexto
- 1,048,576
- Modalidad
- text+image->text
- Modalidades de entrada
- text, image
- Modalidades de salida
- text
- Precio por token
- USD por 1M de tokens: entrada $0.300 / salida $1.2
- 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: max, high, low, none · parámetros: include_reasoning, reasoning, reasoning_effort |
| Programación | Sin medición | — |
| Agentes | Sin medición | parámetros: structured_outputs, tool_choice, tools |
| Escritura | Sin medición | salida: text |
| Razonamiento | Sin medición | razonamiento: opcional · predeterminado high · esfuerzos: max, high, low, none · parámetros: include_reasoning, reasoning, reasoning_effort |
| Análisis de documentos | Sin medición | — |
| Visión | Sin medición | entrada: image |
| Generación de imágenes | Sin medición | — |
| Audio | Sin medición | — |
| Vídeo | Sin medición | — |
| Embeddings | Sin medición | — |
Evaluaciones
No hay evaluaciones aportadas para este modelo.
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) |
|---|---|---|---|---|---|---|
| Baidufp8 | 1,048,576 | $0.051 | $0.203 | — | — | 100% |
| Wafermxfp4 | 1,048,576 | $0.051 | $0.567 | — | — | 100% |
| OpenInferencefp4 | 1,048,576 | $0.070 | $0.800 | — | — | 100% |
| InferenceNetfp8 | 1,040,000 | $0.103 | $0.600 | — | — | 100% |
| InferenceNetfp8 | 1,040,000 | $0.103 | $0.600 | — | — | 100% |
| Morphfp8 | 1,048,576 | $0.104 | $0.583 | — | — | 100% |
| Alibaba | 1,000,000 | $0.105 | $0.420 | — | — | 100% |
| DeepInfrafp8 | 1,048,576 | $0.112 | $0.336 | — | — | 100% |
| River | 1,048,576 | $0.120 | $0.480 | — | — | 100% |
| Relacefp4 | 1,048,576 | $0.120 | $0.500 | — | — | 100% |
| Reka | 1,048,576 | $0.120 | $0.640 | — | — | 100% |
| CoreWeavefp8 | 1,048,576 | $0.130 | $0.650 | — | — | 100% |
| AtlasCloudfp8 | 1,048,576 | $0.135 | $0.540 | — | — | 100% |
| DeepInfrafp8 | 1,048,576 | $0.140 | $0.420 | — | — | 100% |
| StreamLakefp8 | 1,024,000 | $0.147 | $0.588 | — | — | 100% |
| GMICloudfp8 | 1,048,575 | $0.180 | $0.720 | — | — | 100% |
| Wafermxfp4 | 1,048,576 | $0.190 | $0.650 | — | — | 100% |
| Coherefp8 | 1,048,576 | $0.195 | $0.660 | — | — | 100% |
| Novitafp8 | 1,048,576 | $0.195 | $0.780 | — | — | 100% |
| DeepInfrafp8 | 1,048,576 | $0.210 | $0.630 | — | — | 100% |
| Fireworks | 1,048,576 | $0.210 | $0.840 | — | — | 100% |
| Mancer 2fp8 | 1,048,576 | $0.212 | $0.750 | — | — | 100% |
| DigitalOcean | 1,048,576 | $0.225 | $0.900 | — | — | 100% |
| Makorafp8 | 1,048,576 | $0.260 | $1.17 | — | — | 100% |
| Crusoefp8 | 1,048,576 | $0.290 | $1.2 | — | — | 100% |
| 1,048,576 | $0.300 | $1.2 | — | — | 100% | |
| BaseTen | 1,048,576 | $0.300 | $1.2 | — | — | 100% |
| Together | 1,048,576 | $0.300 | $1.2 | — | — | 100% |
| SiliconFlowfp8 | 1,048,576 | $0.300 | $1.2 | — | — | 100% |
| Modal | 1,048,576 | $0.300 | $1.2 | — | — | 100% |
| BaseTen | 1,048,576 | $0.300 | $1.2 | — | — | 100% |
| Parasailfp8 | 1,048,576 | $0.300 | $1.2 | — | — | 100% |
| Fireworks | 1,048,576 | $0.300 | $1.2 | — | — | 100% |
| Venicefp8 | 1,000,000 | $0.300 | $1.2 | — | — | 100% |
| Parasailfp8 | 1,048,576 | $0.450 | $1.8 | — | — | 100% |
| Fireworks | 1,048,576 | $0.450 | $1.8 | — | — | 100% |
| Venicefp8 | 1,000,000 | $3 | $12 | — | — | — |
Datos de proveedores obtenidos: 13.11.2026