Перейти к содержимому
RouterNodul

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.

ГлобальныйРоссияИзображенияИнструментыСтруктурированный выводРассужденияБез хранения данных (ZDR)
Контекст
1 048 576
Макс. ответ
943 718
Выпущена
10.09.2026

Цены в PnP за 1 млн токенов

РегионВходВыходЧтение кэшаЗа запросID модели в запросахПопробовать
Глобальный · global-10,06 PnP0,63 PnP0,02 PnP—global-1/deepseek/deepseek-v4.1-flash
Глобальный · global-20,32 PnP1,26 PnP0,0063 PnP—global-2/deepseek-v4.1-flash
Россия · ru-23,30 PnP5,50 PnP0,83 PnP—ru-2/deepseek-v4.1-flash

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 reasoning и reasoning_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

ТестРезультатИсточникДата
Terminal-Bench 2.1 (Pass@1, максимальное усилие)90,6по данным разработчика, Hugging Faceсентябрь 2026
DeepSWE v1.1 (решено, максимальное усилие)74,2по данным разработчика, Hugging Faceсентябрь 2026
Terminal-Bench 4.0 (Pass@1)31,2по данным разработчика, Hugging Faceсентябрь 2026
GPQA Diamond (Pass@1)90,9по данным разработчика, Hugging Faceсентябрь 2026
HLE с инструментами (Pass@1)63,9по данным разработчика, Hugging Faceсентябрь 2026
Индекс интеллекта Artificial Analysis39 (у V4 Pro 0813 — 36)Artificial Analysisоктябрь 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.

Независимое измерениеПо данным разработчика
Сравнить с другими моделями

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_penalty
  • include_reasoning
  • logit_bias
  • logprobs
  • max_tokens
  • min_p
  • n
  • parallel_tool_calls
  • presence_penalty
  • reasoning
  • reasoning_effort
  • repetition_penalty
  • response_format
  • seed
  • stop
  • stream
  • structured_outputs
  • temperature
  • tool_choice
  • tools
  • top_a
  • top_k
  • top_logprobs
  • top_p

Все модели DeepSeek