
DeepSeek: DeepSeek V4.1 Flash (batch)
deepseek/deepseek-v4.1-flash:batch
Pesos del modeloDeepSeek 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 output from a 552B-parameter backbone, an asymmetric split that keeps per-token compute low relative to the model's total size. Image understanding is native to the architecture, with visual and text embeddings trained jointly from the start of pre-training rather than added afterward as in the earlier experimental V4 Flash Vision ExpOpens in new tab.
It is suited for coding, terminal, and computer-use agents, along with long-horizon tasks that must run to completion across many steps and long-context analysis. Compressed KV caching cuts cache memory to roughly a quarter of the previous Flash generation, significantly reducing costs on agentic workloads. DeepSeek positions it as the cost-efficient tier of the V4.1 family and reports that it exceeds V4 ProOpens in new tab on performance, speed, and task completion time.
Proveedores
Distintas empresas alojan el mismo modelo. OpenRouter enruta su solicitud a una de ellas según el modo de enrutamiento que elija: Balanced (precio + velocidad), Nitro (el más rápido) o Floor (el más económico).
| 0,16 US$0,112 US$ | 0,48 US$0,336 US$ | 0,0048 US$0,00336 US$ | -- | -- | ||
| 0,150 US$ | 0,600 US$ | 0,00300 US$ | -- | -- |
Entrada 0,112 US$ / Salida 0,336 US$30% off-- tok/s-- de tiempo de actividad- Entrada 0,15 US$ / Salida 0,60 US$-- tok/s-- de tiempo de actividad
Precios
El precio medio que los clientes pagan realmente por este modelo, junto a los precios que publican los proveedores. El uso de caché y los descuentos hacen que el precio realmente pagado a menudo sea muy inferior al publicado.
Media ponderada
DeepSeek V4.1 Flash (batch) — Historial de precios
| 0,00 US$ | 0,00 US$ | 23,6 % | 100,0 % | ||
| — | — | — | — |
- En vigor en 0,00 US$ / Salida efectiva 0,00 US$Proporción de tókenes100,0 %
- En vigor en — / Salida efectiva —Proporción de tókenes —
Rendimiento
La velocidad de generación indica lo rápido que escribe el modelo (tokens por segundo: cuanto mayor, mejor). La latencia es el tiempo total de ida y vuelta (cuanto menor, mejor). TTFT es el tiempo hasta el primer token: cuánto tarda en aparecer algo en pantalla (cuanto menor, mejor).
Tiempo de actividad
El tiempo de actividad es el porcentaje de los últimos 3 días en que al menos un proveedor respondía a las solicitudes. La disponibilidad es el porcentaje de tiempo en que la inferencia se sirvió correctamente. OpenRouter supervisa continuamente y utiliza el siguiente mejor proveedor cuando uno devuelve un error.
Aún no hay suficientes datos de tiempo de actividad para mostrar.
Cuando se produce un error en un proveedor ascendente, podemos recuperarnos enrutando la solicitud a otro proveedor que funcione correctamente, si los filtros de su solicitud lo permiten. Puede acceder mediante programación a los datos de tiempo de actividad de cada proveedor a través de la API de endpoints. Obtenga más información sobre nuestras opciones de equilibrio de carga y enrutamiento de proveedores.
Pruebas de rendimiento
Puntuaciones en evaluaciones estandarizadas y respuestas de este modelo a instrucciones compartidas de las pruebas de referencia. Los porcentajes más altos son mejores, y cada posición indica dónde se sitúa este modelo entre los modelos evaluados en esa fuente.
| Fuente | Prueba de rendimiento | Puntuación |
|---|---|---|
| Artificial Analysis | DeepSeek V4.1 Flash (Non-reasoning) HLE | 10.8% |
| Artificial Analysis | DeepSeek V4.1 Flash (Non-reasoning) AA-LCR | 55.3% |
| Artificial Analysis | DeepSeek V4.1 Flash (Non-reasoning) GDPval-AA | 42.4% |
| Artificial Analysis | DeepSeek V4.1 Flash (Non-reasoning) CritPt | 0.3% |
| Artificial Analysis | DeepSeek V4.1 Flash (Non-reasoning) SciCode | 35.5% |
| Artificial Analysis | DeepSeek V4.1 Flash (Non-reasoning) Terminal-Bench 4.0 | 5.6% |
| Vals AI | DeepSeek V4.1 Flash Access to Justice Benchmark | 72.9% |
| Vals AI | DeepSeek V4.1 Flash BioMysteryBench | 67.8% |
| Vals AI | DeepSeek V4.1 Flash Code Migration v1.1 | 58.9% |
| Vals AI | DeepSeek V4.1 Flash CyberBench v1.1 | 73.7% |
| Vals AI | DeepSeek V4.1 Flash EMB v1.1 | 67.8% |
| Vals AI | DeepSeek V4.1 Flash Finance Agent v2.1 | 65.4% |
| Vals AI | DeepSeek V4.1 Flash Vals Finance Index | 57.1% |
| Vals AI | DeepSeek V4.1 Flash Financial Coaching Bench | 72.8% |
| Vals AI | DeepSeek V4.1 Flash Harvey's Legal Agent Benchmark v1 | 6.7% |
| Vals AI | DeepSeek V4.1 Flash Immigration | 65.6% |
| Vals AI | DeepSeek V4.1 Flash Vals Inference Provider Index | 66.6% |
| Vals AI | DeepSeek V4.1 Flash IOI | 40.3% |
| Vals AI | DeepSeek V4.1 Flash LegalBench | 83.3% |
| Vals AI | DeepSeek V4.1 Flash Legal Research Bench | 41.3% |
| Vals AI | DeepSeek V4.1 Flash MedCode | 41.2% |
| Vals AI | DeepSeek V4.1 Flash MedScribe | 85.5% |
| Vals AI | DeepSeek V4.1 Flash MysteryMechanism | 21.2% |
| Vals AI | DeepSeek V4.1 Flash ProgramBench | 0.5% |
| Vals AI | DeepSeek V4.1 Flash ProofBench v1.1 | 54.0% |
| Vals AI | DeepSeek V4.1 Flash Public Benefits Bench v1.1 | 64.3% |
| Vals AI | DeepSeek V4.1 Flash SAGE | 85.4% |
| Vals AI | DeepSeek V4.1 Flash Vals Science Index | 29.6% |
| Vals AI | DeepSeek V4.1 Flash SkillsBench | 69.8% |
| Vals AI | DeepSeek V4.1 Flash SRE Bench | 0.8% |
| Vals AI | DeepSeek V4.1 Flash SWE-bench Multimodal | 46.5% |
| Vals AI | DeepSeek V4.1 Flash Tax Agent Bench | 26.6% |
| Vals AI | DeepSeek V4.1 Flash Terminal-Bench 4.0 | 19.7% |
| Vals AI | DeepSeek V4.1 Flash Terminal-Bench-Science | 0.0% |
| Vals AI | DeepSeek V4.1 Flash Vals Index | 51.3% |
| Vals AI | DeepSeek V4.1 Flash Vibe Code Bench 1-100 | 16.4% |
| Vals AI | DeepSeek V4.1 Flash Vibe Code Bench v1.1 | 84.7% |
Aplicaciones
Aplicaciones públicas que envían más tráfico a este modelo. Una buena señal de cómo son las cargas de trabajo reales en producción, y una pista sobre los casos de uso para los que este modelo es más adecuado.
Aún no hay suficientes datos sobre las aplicaciones que usan este modelo.
Actividad
Volumen de tokens y tráfico de solicitudes a este modelo a lo largo del tiempo.
API
Código listo para usar para llamar a este modelo. La API de OpenRouter es compatible con OpenAI: la mayoría de los SDK funcionan con solo cambiar la URL base. Lo único que cambia entre modelos es el identificador del modelo que aparece a continuación.
Versiones de DeepSeek: DeepSeek Flash
Actualmente no está disponible mediante el enrutamiento dentro de la región de la UE. Documentación de enrutamiento dentro de la región
Documentación
Guías, recetarios, artículos de blog y herramientas para desarrollar con DeepSeek: DeepSeek V4.1 Flash (batch) en OpenRouter.
- Self-Hosted LLM vs API: When Does Self-Hosting Pay OffPublicación del blog
- How to Benchmark LLMsPublicación del blog
- How to Stop an AI Agent Stuck in an Infinite LoopPublicación del blog
- LLM API Rate Limits: How to Fix OpenAI and Claude 429 ErrorsPublicación del blog
- How to Get Structured Output from Any LLM: JSON Schema, Tool Calls, or a Decision ModelPublicación del blog
- Best OCR Model for Scanned Documents, MeasuredPublicación del blog
- Build an AI Code Reviewer with OpenRouterPublicación del blog
- Open-Weight vs Closed-Weight Models: What's the Difference?Publicación del blog
- How to Extract Tables from a PDF with an LLMPublicación del blog
- Does DeepSeek V4 Have Vision?Publicación del blog
Preguntas frecuentes
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 output from a 552B-parameter backbone, an asymmetric split that keeps per-token compute low relative to the model's total size.
La documentación de DeepSeek V4.1 Flash (batch) en OpenRouter incluye la publicación del blog Self-Hosted LLM vs API: When Does Self-Hosting Pay Off, la publicación del blog How to Benchmark LLMs, la publicación del blog How to Stop an AI Agent Stuck in an Infinite Loop, la publicación del blog LLM API Rate Limits: How to Fix OpenAI and Claude 429 Errors, la publicación del blog How to Get Structured Output from Any LLM: JSON Schema, Tool Calls, or a Decision Model, la publicación del blog Best OCR Model for Scanned Documents, Measured, la publicación del blog Build an AI Code Reviewer with OpenRouter, la publicación del blog Open-Weight vs Closed-Weight Models: What's the Difference?, la publicación del blog How to Extract Tables from a PDF with an LLM y la publicación del blog Does DeepSeek V4 Have Vision?. La guía de inicio rápido cubre las claves de API y su primera solicitud, y la referencia de la API enumera todos los parámetros.
DeepSeek V4.1 Flash (batch) cuesta 0,112 US$/M de tokens de entrada y 0,336 US$/M de tókenes de salida, con tarifas independientes para Cache Read a 0,00336 US$/M tokens.
DeepSeek V4.1 Flash (batch) tiene una ventana de contexto de 1.048.576 tókenes. Admite hasta 131.072 tókenes de respuesta.
Sí. DeepSeek V4.1 Flash (batch) admite tools y tool_choice para llamadas a funciones. También admite salidas estructuradas mediante un esquema JSON en response_format.
DeepSeek V4.1 Flash (batch) acepta texto e imágenes como entrada y devuelve texto.
DeepSeek V4.1 Flash (batch) está disponible a través de 2 proveedores en OpenRouter: DeepInfra y Together. Las solicitudes se enrutan al mejor proveedor disponible, con conmutación automática a los demás en caso de fallo, y puede fijar o excluir proveedores mediante el enrutamiento de proveedores.
DeepSeek V4.1 Flash (batch) se lanzó el 10 de septiembre de 2026.