
DeepSeek: DeepSeek V4.1 Flash (batch)
deepseek/deepseek-v4.1-flash:batch
Pesos do 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.
Provedores
Diferentes empresas hospedam o mesmo modelo. O OpenRouter roteia sua solicitação para uma delas com base no modo de roteamento escolhido: Balanced (preço + velocidade), Nitro (mais rápido) ou Floor (mais barato).
| US$ 0,16US$ 0,112 | US$ 0,48US$ 0,336 | US$ 0,0048US$ 0,00336 | -- | -- | ||
| US$ 0,150 | US$ 0,600 | US$ 0,00300 | -- | -- |
Entrada US$ 0,112 / Saída US$ 0,33630% off-- tok/s-- de disponibilidade- Entrada US$ 0,15 / Saída US$ 0,60-- tok/s-- de disponibilidade
Preços
O preço médio que os clientes realmente pagam por este modelo, ao lado dos preços publicados pelos provedores. O cache e os descontos fazem com que o preço efetivamente pago seja frequentemente bem inferior ao preço anunciado.
Média ponderada
DeepSeek V4.1 Flash (batch) — Histórico de preços
| US$ 0,00 | US$ 0,00 | 24,2% | 100,0% | ||
| — | — | — | — |
- Em vigor em US$ 0,00 / Saída efetiva US$ 0,00Participação em tokens100,0%
- Em vigor em — / Saída efetiva —Participação em tokens —
Desempenho
A vazão indica a velocidade com que o modelo escreve (tokens por segundo — quanto maior, melhor). A latência é o tempo total de ida e volta (quanto menor, melhor). TTFT é o tempo até o primeiro token — quanto tempo leva para você ver algo aparecer (quanto menor, melhor).
Disponibilidade
A disponibilidade é a porcentagem dos últimos 3 dias em que pelo menos um provedor estava respondendo às solicitações. A disponibilidade é a porcentagem de tempo em que a inferência foi realizada com sucesso. O OpenRouter monitora continuamente e usa o próximo melhor provedor quando um deles retorna um erro.
Ainda não há dados de disponibilidade suficientes para exibição.
Quando ocorre um erro em um provedor upstream, podemos nos recuperar roteando para outro provedor saudável, se os filtros da sua solicitação permitirem. Você pode acessar os dados de disponibilidade por provedor de forma programática pela API de endpoints. Saiba mais sobre nossas opções de balanceamento de carga e roteamento de provedores.
Avaliações de desempenho
Pontuações em avaliações padronizadas e as próprias saídas deste modelo para prompts compartilhados de testes de desempenho. Porcentagens maiores são melhores — e cada posição mostra onde este modelo fica entre os modelos avaliados naquela fonte.
| Fonte | Avaliação comparativa | Pontuação |
|---|---|---|
| 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% |
Aplicativos
Aplicativos públicos que enviam mais tráfego para este modelo. Um bom indicador de como são as cargas de trabalho reais em produção — e uma pista sobre os casos de uso para os quais este modelo é mais adequado.
Ainda não há dados suficientes sobre aplicativos que usam este modelo.
Atividade
Volume de tokens e tráfego de requisições para este modelo ao longo do tempo.
API
Código pronto para chamar este modelo. A API do OpenRouter é compatível com a OpenAI — a maioria dos SDKs funciona apenas trocando a URL base. A única coisa que muda entre os modelos é o slug do modelo abaixo.
Versões de DeepSeek: DeepSeek Flash
Atualmente indisponível por meio do roteamento intrarregional da UE. Documentação de roteamento na região
Documentação
Guias, receitas práticas, publicações de blog e ferramentas para desenvolver com DeepSeek: DeepSeek V4.1 Flash (batch) na OpenRouter.
- Self-Hosted LLM vs API: When Does Self-Hosting Pay OffPublicação no blog
- How to Benchmark LLMsPublicação no blog
- How to Stop an AI Agent Stuck in an Infinite LoopPublicação no blog
- LLM API Rate Limits: How to Fix OpenAI and Claude 429 ErrorsPublicação no blog
- How to Get Structured Output from Any LLM: JSON Schema, Tool Calls, or a Decision ModelPublicação no blog
- Best OCR Model for Scanned Documents, MeasuredPublicação no blog
- Build an AI Code Reviewer with OpenRouterPublicação no blog
- Open-Weight vs Closed-Weight Models: What's the Difference?Publicação no blog
- How to Extract Tables from a PDF with an LLMPublicação no blog
- Does DeepSeek V4 Have Vision?Publicação no blog
Perguntas frequentes
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.
A documentação de DeepSeek V4.1 Flash (batch) no OpenRouter inclui a publicação Self-Hosted LLM vs API: When Does Self-Hosting Pay Off no blog, a publicação How to Benchmark LLMs no blog, a publicação How to Stop an AI Agent Stuck in an Infinite Loop no blog, a publicação LLM API Rate Limits: How to Fix OpenAI and Claude 429 Errors no blog, a publicação How to Get Structured Output from Any LLM: JSON Schema, Tool Calls, or a Decision Model no blog, a publicação Best OCR Model for Scanned Documents, Measured no blog, a publicação Build an AI Code Reviewer with OpenRouter no blog, a publicação Open-Weight vs Closed-Weight Models: What's the Difference? no blog, a publicação How to Extract Tables from a PDF with an LLM no blog e a publicação Does DeepSeek V4 Have Vision? no blog. O guia de início rápido aborda chaves de API e sua primeira requisição, e a referência da API lista todos os parâmetros.
DeepSeek V4.1 Flash (batch) custa US$ 0,112/M de tokens de entrada e US$ 0,336/M de tokens de saída, com taxas separadas para Cache Read por US$ 0,00336/M tokens.
DeepSeek V4.1 Flash (batch) tem uma janela de contexto de 1.048.576 tokens. Ele aceita até 131.072 tokens de conclusão.
Sim. DeepSeek V4.1 Flash (batch) aceita tools e tool_choice para chamadas de função. Também oferece suporte a saídas estruturadas por meio de um esquema JSON em response_format.
DeepSeek V4.1 Flash (batch) aceita texto e imagens como entrada e retorna texto.
DeepSeek V4.1 Flash (batch) é servido por 2 provedores no OpenRouter: DeepInfra e Together. As solicitações são roteadas para o melhor provedor disponível, com failover automático para os demais, e você pode fixar ou excluir provedores com o roteamento de provedores.
DeepSeek V4.1 Flash (batch) foi lançado em 10 de setembro de 2026.