DeepSeek V4.1 Flash API
ID модели в запросах:global-1/deepseek/deepseek-v4.1-flash
DeepSeek V4.1 Flash от DeepSeek через один OpenAI-совместимый API Nodul Router: ключ с лимитами, журнал запросов, оплата в рублях.
- Контекст
- 1 048 576
- Макс. ответ
- 943 718
- Выпущена
- 10.09.2026
Цены в PnP за 1 млн токенов
1 PnP = 100 ₽ — розничная цена. При крупных объемах возможны персональные цены.
Описание
DeepSeek V4.1 Flash — мультимодальная модель DeepSeek с открытыми весами на новой архитектуре: из 552 млрд параметров на входе работают 8 млрд, на выходе 16 млрд. Принимает текст и изображения, сильна в агентном программировании и терминальных задачах.
Для чего подходит DeepSeek V4.1 Flash
Это модель для агентов: программирование в связке с инструментами, работа в терминале, длинные многошаговые задачи, разбор больших репозиториев и документов. Архитектура сделана так, чтобы читать длинный вход дешево: по данным разработчика, кэш ключей и значений занимает около четверти памяти по сравнению с предыдущим поколением Flash; разработчик отмечает, что оплата попаданий в кэш часто составляет заметную долю расходов на агентов. Картинки на входе подходят для скриншотов интерфейсов, диаграмм и документов.
Не лучший выбор там, где нужны аудио и видео на входе: в нашем каталоге модель принимает только текст и изображения. Для самых сложных агентных задач старшие закрытые модели, по таблице разработчика, пока впереди (см. ниже).
Сильные стороны
- Агентное программирование. В таблице разработчика на Terminal-Bench 2.1 и DeepSWE v1.1 модель стоит выше всех сравниваемых, включая закрытые флагманы; на DeepSWE отрыв от Opus 5.0 минимален (74,2 против 74,0).
- Рассуждения с регулируемым усилием. Разработчик описывает непрерывную настройку усилия от 1 до 100; в Router доступны параметры
reasoningиreasoning_effort. - Инструменты и структурированный вывод. Вызов функций и ответы по схеме поддерживаются, как и потоковая выдача.
- Дешевая работа с длинным входом. Асимметричная архитектура и сжатый кэш оставляют модели запас для параллельных агентов на одном железе. Artificial Analysis отдельно отмечает, что модель запускается всего на двух GPU.
- Открытые веса под лицензией MIT, поэтому модель можно развернуть у себя.
Ограничения и спорные моменты
- Отставание на самых длинных агентных задачах. На Terminal-Bench 3.0 и 4.0 результаты модели заметно ниже, чем у Opus 5.0 (30,0 против 43,3 и 31,2 против 51,8, по данным разработчика), и ниже, чем у GPT-5.6 Sol на 3.0.
- Знания о мире слабее старшей модели. В сравнении базовых моделей на SimpleQA-Verified V4.1 Flash показывает 42,3 против 55,2 у V4 Pro, а на LongBench-V2 — 45,2 против 51,5. Для фактологических вопросов без поиска и самых длинных документов это стоит учитывать.
- Цифры от самого разработчика. Результаты получены на максимальном усилии рассуждений, при температуре 1,0, в оснастках DeepSeek (для DeepSWE — mini-SWE). В других оснастках результат отличается: по данным разработчика, DeepSWE v1.1 колеблется от 65,5 до 74,2.
- Есть более свежая версия. У модели уже вышло обновление 1017, поэтому проверьте, не нужна ли вам именно она.
Бенчмарки
| Тест | Результат | Источник | Дата |
|---|---|---|---|
| Terminal-Bench 2.1 (Pass@1, максимальное усилие) | 90,6 | по данным разработчика, Hugging Face | сентябрь 2026 |
| DeepSWE v1.1 (решено, максимальное усилие) | 74,2 | по данным разработчика, Hugging Face | сентябрь 2026 |
| Terminal-Bench 4.0 (Pass@1) | 31,2 | по данным разработчика, Hugging Face | сентябрь 2026 |
| GPQA Diamond (Pass@1) | 90,9 | по данным разработчика, Hugging Face | сентябрь 2026 |
| HLE с инструментами (Pass@1) | 63,9 | по данным разработчика, Hugging Face | сентябрь 2026 |
| Индекс интеллекта Artificial Analysis | 39 (у V4 Pro 0813 — 36) | Artificial Analysis | октябрь 2026 |
Для сравнения, по той же таблице разработчика: на Terminal-Bench 2.1 у V4 Pro результат 87,9, у Opus 5.0 — 89,1; на DeepSWE v1.1 у V4 Pro 62,7, у Opus 5.0 — 74,0. Индекс Artificial Analysis приведен по версии методики на момент публикации поста; на более новых версиях индекса цифры другие, поэтому сравнивайте только модели внутри одного замера.
Чем DeepSeek V4.1 Flash отличается от соседей
DeepSeek V4.1 Flash — экономичный уровень семейства V4.1 и первая модель компании на архитектуре Causal Encoder-Decoder. DeepSeek сообщает, что тесты нескольких сторон ставят ее впереди V4 Pro по результатам, скорости и общему времени выполнения задач.
- От DeepSeek V4 Pro 0813. Pro крупнее (1,6 трлн параметров против 552 млрд), но V4.1 Flash набирает больше баллов (по данным DeepSeek и Artificial Analysis), а по данным DeepSeek еще и быстрее. Разработчик сообщает, что сворачивает V4 Pro: с 14 сентября 2026 года в его собственном API запросы к V4 Pro идут на V4.1 Flash до выхода V4.1 Pro. В базовом сравнении Pro остается впереди на фактологии (SimpleQA-Verified) и длинных документах.
- От DeepSeek V4.1 Flash 1017. Это обновление той же модели: по заявлению DeepSeek, у него выше результаты, быстрее выполнение и короче ответы. Если не нужна именно ранняя версия, берите 1017.
- От DeepSeek V4 Flash Vision Exp. Там изображения были добавлены позже как эксперимент; в V4.1 Flash зрение обучается вместе с текстом с начала предобучения.
Альтернативы в каталоге
- DeepSeek V4.1 Flash 1017: обновленная версия той же модели, если нужны короче ответы и свежие улучшения.
- Kimi K3: другая линейка с изображениями и видео на входе, если нужно видео.
- GLM-5.3: текстовая модель для программной инженерии и долгих агентных задач, когда картинки не нужны.
- DeepSeek V4.1 Flash (Россия): модель с тем же названием в российском регионе каталога, если нужен именно он.
Частые вопросы
Подходит ли модель для программирования и агентов?
Да, это ее основное применение. По данным DeepSeek, на Terminal-Bench 2.1 и DeepSWE v1.1 она лидирует в таблице разработчика. На самых длинных терминальных задачах (Terminal-Bench 3.0 и 4.0) старшие закрытые модели пока лучше.
Понимает ли она изображения?
Да, на входе принимаются текст и изображения; ответ всегда текстовый. Аудио и видео модель не принимает.
Чем она лучше DeepSeek V4 Pro?
По сообщению DeepSeek, и по оценке Artificial Analysis, V4.1 Flash набирает больше при меньшем числе параметров. В базовом сравнении Pro остается впереди на фактологических вопросах и длинных документах.
Можно ли запустить ее у себя?
Да, веса открыты под лицензией MIT, а Artificial Analysis сообщает, что в ее тесте AA-AgentPerf модель запускается минимум на двух GPU. Но это 552 млрд параметров плюс память Engram, поэтому развертывание остается серьезной инфраструктурной задачей.
Источники
Результаты в бенчмарках
Независимый замер источника по умолчанию и цифра разработчика, если он ее публиковал.
- Terminal-Bench 4.0Vals AI19,731,2
- SWE Atlas QnA v1.1Scale AI71 ±8,1—
- SWE Atlas Test Writing v1.1Scale AI61,1 ±10,3—
- SWE Atlas Refactoring v1.1Scale AI54,3 ±12—
- Code Arena WebDev 2026Arenaуровень max1 619 ±11—
- Coding Agent Index v2.0Artificial Analysisагент Codex, уровень max47—
Быстрый старт
curl https://router.nodul.ru/api/v1/chat/completions \
-H "Authorization: Bearer $NODUL_ROUTER_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "global-1/deepseek/deepseek-v4.1-flash",
"messages": [{"role":"user","content":"Hello!"}]
}'import os
from openai import OpenAI
client = OpenAI(
base_url="https://router.nodul.ru/api/v1",
api_key=os.environ["NODUL_ROUTER_API_KEY"],
)
response = client.chat.completions.create(
model="global-1/deepseek/deepseek-v4.1-flash",
messages=[{"role": "user", "content": "Hello!"}],
)
print(response.choices[0].message.content)
print("cost, PnP:", response.usage.model_extra.get("cost"))import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://router.nodul.ru/api/v1",
apiKey: process.env.NODUL_ROUTER_API_KEY,
});
const response = await client.chat.completions.create({
model: "global-1/deepseek/deepseek-v4.1-flash",
messages: [{ role: "user", content: "Hello!" }],
});
console.log(response.choices[0].message.content);
console.log("cost, PnP:", response.usage?.cost);package main
import (
"bytes"
"encoding/json"
"fmt"
"net/http"
"os"
)
func main() {
body := []byte(`{"model":"global-1/deepseek/deepseek-v4.1-flash","messages":[{"role":"user","content":"Hello!"}]}`)
req, _ := http.NewRequest("POST", "https://router.nodul.ru/api/v1/chat/completions", bytes.NewReader(body))
req.Header.Set("Authorization", "Bearer "+os.Getenv("NODUL_ROUTER_API_KEY"))
req.Header.Set("Content-Type", "application/json")
resp, err := http.DefaultClient.Do(req)
if err != nil {
panic(err)
}
defer resp.Body.Close()
if resp.StatusCode != http.StatusOK {
var e struct{ Error struct{ Message string } }
_ = json.NewDecoder(resp.Body).Decode(&e)
fmt.Fprintln(os.Stderr, resp.Status, e.Error.Message)
os.Exit(1)
}
var out struct {
Choices []struct{ Message struct{ Content string } }
Usage struct{ Cost json.Number }
}
if err := json.NewDecoder(resp.Body).Decode(&out); err != nil {
panic(err)
}
fmt.Println(out.Choices[0].Message.Content)
fmt.Println("cost, PnP:", out.Usage.Cost)
}<?php
$body = '{"model":"global-1/deepseek/deepseek-v4.1-flash","messages":[{"role":"user","content":"Hello!"}]}';
$ch = curl_init('https://router.nodul.ru/api/v1/chat/completions');
curl_setopt_array($ch, [
CURLOPT_POST => true,
CURLOPT_HTTPHEADER => [
'Authorization: Bearer ' . getenv('NODUL_ROUTER_API_KEY'),
'Content-Type: application/json',
],
CURLOPT_POSTFIELDS => $body,
CURLOPT_RETURNTRANSFER => true,
]);
$response = json_decode(curl_exec($ch), true);
if (curl_getinfo($ch, CURLINFO_HTTP_CODE) !== 200) {
fwrite(STDERR, $response['error']['message'] ?? 'request failed');
exit(1);
}
echo $response['choices'][0]['message']['content'], PHP_EOL;
echo 'cost, PnP: ', $response['usage']['cost'], PHP_EOL;Все параметры API · 24
frequency_penaltyinclude_reasoninglogit_biaslogprobsmax_tokensmin_pnparallel_tool_callspresence_penaltyreasoningreasoning_effortrepetition_penaltyresponse_formatseedstopstreamstructured_outputstemperaturetool_choicetoolstop_atop_ktop_logprobstop_p

