DeepSeek V4 Flash 0731 to oficjalne wydanie DeepSeek po ponownym dotrenowaniu wydajnego modelu mixture-of-experts V4 Flash — 284B całkowitych / 13B aktywnych parametrów, identycznego pod względem architektury i rozmiaru z kwietniowym wydaniem V4 Flash, z treningiem końcowym wykonanym od zera. Udostępnia okno kontekstu 1M tokenów z możliwością wygenerowania do 384K tokenów, obsługuje tryby myślenia i bez myślenia (domyślnie włączony jest tryb myślenia), a także wyjście JSON i wywołania narzędzi, oraz natywnie obsługuje Responses API z ukierunkowaną adaptacją dla agentów kodujących w stylu Codex. Rewizja 0731 to znaczący krok naprzód w możliwościach agentów — w opublikowanych benchmarkach agentowych DeepSeek osiąga wyniki wyższe nawet niż DeepSeek V4 Pro Preview: 82,7 w Terminal Bench 2.1, 76,7 w Cybergym, 70,3 w Toolathlon Verified, 54,4 w DeepSWE i 54,2 w NL2Repo. W autorskim API DeepSeek to właśnie tę rewizję obsługuje obecnie identyfikator modelu deepseek-v4-flash; identyfikator z datą wskazuje tę samą rewizję dla wywołań odwołujących się do niej po dacie. To solidny wybór dla agentów kodujących, obciążeń terminalowych i związanych z użyciem narzędzi oraz wielkoskalowych potoków agentowych w cenie poziomu flash.
DeepSeek V4 Flash 0731 to model językowy obsługujący wyłącznie tekst od dostawcy deepseek, dostępny przez OrcaRouter pod identyfikatorem modelu deepseek/deepseek-v4-flash-0731. Jego główne parametry…
Dane wejściowe są ograniczone do tekstu. Okno kontekstu wynosi 1 048 576 tokenów, a maksymalny wynik to 384 000 tokenów na odpowiedź. To duża przestrzeń robocza: możesz przeczytać około miliona tokenów treści przed wygenerowaniem i możesz zażądać do 384 000 tokenów wyniku w jednym wywołaniu. Karta modelu podaje te dwie wartości jako osobne limity; nie określa łącznego limitu dla żądania wykorzystującego oba limity w pobliżu maksimów. W praktyce, aby zmieścić się w limitach, policz swoje tokeny przed wysłaniem i ustaw max_tokens poniżej limitu wyjściowego. Ograniczenie dotyczące wyłącznie tekstu oznacza również, że musisz najpierw przekonwertować pliki PDF, arkusze kalkulacyjne i inne dokumenty na zwykły tekst. Tokenizacja nie jest określona w dostępnych faktach, więc przetestuj reprezentatywną treść, aby zobaczyć, jak duże staną się Twoje prompty. Jeśli żądanie przekroczy 1 048 576 tokenów wejściowych, wywołanie API zakończy się niepowodzeniem; to samo dotyczy wyników powyżej 384 000 tokenów.
Biorąc pod uwagę wymienione specyfikacje, model najlepiej nadaje się do zadań łączących długie wejścia tekstowe, długie wyjścia tekstowe oraz terminalowe rozumowanie agentowe. Wynik 82.7 w Terminal Bench 2.1 świadczy o sile w wykonywaniu zadań w wierszu poleceń, gdzie model czyta wynik działania powłoki i decyduje o następnym poleceniu. Kontekst 1 048 576 tokenów obsługuje analizę całego repozytorium, przegląd kodu w wielu plikach, długie dokumenty prawne lub techniczne oraz obszerne historie czatów. Wyjście o długości 384 000 tokenów wspiera generowanie długich ustrukturyzowanych dokumentów, syntetycznych zbiorów danych lub analiz krok po kroku w jednym przejściu. Cena za token w wysokości $0.15 za wejście i $0.29 za wyjście na milion tokenów sprawia, że przetwarzanie tekstu o dużej objętości jest przewidywalne finansowo. Model jest mniej odpowiedni, gdy potrzebujesz rozumienia obrazów, transkrypcji audio lub bardzo niskiego opóźnienia, z których żadne nie jest objęte podanymi faktami. Jeśli Twoje zadanie pasuje do profilu tekstowego, z dużym kontekstem i dużym wyjściem, jest to rozsądny kandydat do oceny za pośrednictwem OrcaRouter.
Model nie może przyjmować danych wejściowych nietekstowych; w jego wpisie katalogowym nie ma modalności wizyjnej, audio ani wideo. Nie ma również opublikowanych gwarancji opóźnień ani strumieniowania w dostępnych informacjach. Należy wybrać tańszy model, gdy obciążenie nie wymaga dużego kontekstu ani dużych limitów wyjściowych. Na przykład krótka wymiana z chatbotem wykorzystująca kilka tysięcy tokenów nadal byłaby rozliczana według tej samej stawki za token, ale lepiej mógłby ją obsłużyć model z mniejszym kontekstem i niższą ceną za milion tokenów. Dostępne informacje nie zawierają cen modeli alternatywnych, więc porównaj stawki za 1 milion tokenów w katalogu OrcaRouter. Jeśli zadanie to prosta klasyfikacja lub streszczanie krótkich fragmentów, tańszy model może być wystarczający. Jeśli zadanie wymaga pełnego kontekstu 1M lub wyjścia 384K albo korzysta z przewagi Terminal Bench 2.1 w pracy w wierszu poleceń, to cena tego modelu jest właściwą podstawą oceny.
Każde wejście musi być tekstem. Pliki PDF, obrazy, arkusze kalkulacyjne i pliki audio należy przed wysłaniem przekonwertować na zwykły tekst lub dokonać ich transkrypcji. To niezbędny krok wstępnego przetwarzania, który upraszcza format żądań — wystarczą standardowe pola treści w stylu OpenAI zawierające ciągi znaków. Kontekst o długości 1 048 576 tokenów oznacza, że możesz przekazać długie fragmenty przekonwertowanego tekstu w jednym żądaniu; wyjście o długości 384 000 tokenów pozwala otrzymać bardzo długi tekst w odpowiedzi. Liczba tokenów jest głównym zagadnieniem operacyjnym, ponieważ całkowity koszt zależy od tokenów wejściowych i wyjściowych. OrcaRouter raportuje użycie w odpowiedzi zgodnej z OpenAI, umożliwiając monitorowanie obu wartości. Jeśli pracujesz z językami lub kodem, które tokenizują nieefektywnie, efektywny kontekst się skurczy, ponieważ limit stanowi liczba tokenów, a nie znaków. Nie podano szczegółów tokenizera, więc przeprowadź szybki test z własną treścią, aby poznać typowe długości tokenów.
Terminal Bench 2.1 ocenia zdolność modelu do pracy w środowisku terminala: rozumienie wyników poleceń, poruszanie się po katalogach, wykonywanie poleceń oraz realizację realistycznych zadań z zakresu administracji systemami lub inżynierii oprogramowania za pośrednictwem powłoki. Główny wynik dla DeepSeek V4 Flash 0731 wynosi 82,7, w skali, w której wyższe wartości oznaczają lepszy rezultat. Jest to jedyny wynik benchmarku zawarty w dostępnych faktach. Wynik ten jest użytecznym sygnałem, jeśli planujesz tworzyć pętle agentowe, które wydają polecenia powłoki, ponieważ benchmark został zaprojektowany tak, aby testować dokładnie tego typu zdolności. Nie jest to miara ogólnej wiedzy, pisania kreatywnego, matematyki ani kompetencji wielojęzycznych. Nie podano żadnych linii bazowych do porównań ani innych wyników benchmarków, więc 82,7 należy interpretować w kontekście: mocny dowód w przypadku zadań związanych z terminalem i brak dowodów w obie strony w przypadku innych dziedzin. Wyniki benchmarków zależą od dokładnego rozkładu zadań, dlatego Twoje własne zadania terminalowe mogą uzyskać inne wyniki; przed użyciem produkcyjnym zweryfikuj je za pomocą własnej ewaluacji.
Dostępne fakty dotyczące DeepSeek V4 Flash 0731 nie obejmują tokenów na sekundę, czasu do pierwszego tokenu, opóźnienia p95 ani przepustowości. Nazwa Flash sugeruje lżejszy wariant, ale dostarczone fakty nie określają prędkości. Fakty obejmują natomiast duże okno kontekstowe wynoszące 1 048 576 tokenów oraz duży limit wyjściowy wynoszący 384 000 tokenów. Dłuższe dane wejściowe i wyjściowe w naturalny sposób zużywają więcej mocy obliczeniowej, więc w przypadku żądań z pełnym kontekstem opóźnienie będzie prawdopodobnie większe niż w przypadku krótkich promptów, nawet dla szybkiego modelu. Cennik $0.15/$0.29 za milion tokenów opisuje koszt, a nie szybkość. Aby podjąć świadomą decyzję, przeprowadź własny test obciążeniowy na API OrcaRouter z reprezentatywnymi promptami o rozmiarze, który zamierzasz używać, i porównaj czas do pierwszego tokenu oraz całkowity czas trwania z innymi modelami w katalogu. Nie ekstrapoluj opóźnienia z wyniku benchmarku, który nie mierzy czasu odpowiedzi.
Główne ograniczenia są widoczne z wymienionych faktów. Jest to model obsługujący wyłącznie tekst, więc wszelkie wejście multimodalne jest poza zakresem. Dane z benchmarków ograniczają się do jednego wyniku — 82.7 w Terminal Bench 2.1 — który obejmuje wykonywanie zadań w terminalu, a nie ogólne rozumowanie czy wiedzę. Nie opublikowano wskaźników opóźnienia, dostępności ani współczynnika błędów, więc wydajność pod obciążeniem jest nieznana. Limity kontekstu i wyjścia są duże, ale skończone: 1 048 576 tokenów wejścia i 384 000 tokenów wyjścia na żądanie. Żądania przekraczające te limity nie zakończą się sukcesem. W podanych faktach nie ma udokumentowanego rabatu za buforowanie promptów, więc powtarzające się prefiksy są rozliczane jako zwykłe tokeny wejściowe. Cena jest niska w przeliczeniu na token, ale koszty bezwzględne rosną liniowo wraz z rozmiarem kontekstu. Jeśli Twoja aplikacja wymaga obsługi obrazu, niskiego opóźnienia lub bardzo wysokiej przepustowości, ten model może nie być odpowiednim wyborem — zweryfikuj te wymagania osobno przed podjęciem decyzji.
Koszty są naliczane za token, z osobną stawką dla danych wejściowych i wyjściowych. Tokeny wejściowe kosztują 0,15 USD za 1 000 000 tokenów; tokeny wyjściowe kosztują 0,29 USD za 1 000 000 tokenów. OrcaRouter rozlicza je według stawki dostawcy z zerową marżą, co oznacza, że żadna dodatkowa prowizja platformy nie jest doliczana do stawki deepseek. Koszt pojedynczego żądania to w przybliżeniu liczba tokenów wejściowych razy 0,15 USD podzielone przez 1 000 000, plus liczba tokenów wyjściowych razy 0,29 USD podzielone przez 1 000 000. Na przykład pełne wejście składające się z 1 048 576 tokenów kosztuje około 0,1573 USD, a maksymalne wyjście o długości 384 000 tokenów kosztuje około 0,1114 USD, gdyby oba limity zostały wykorzystane w osobnych transakcjach. Dostępne fakty nie wspominają o zniżce na ceny tokenów z pamięci podręcznej, więc należy przyjąć, że każdy token wejściowy jest rozliczany według standardowej stawki. Ponieważ cennik jest liniowy, szacowanie kosztu partii jest proste, gdy znasz średni rozmiar promptu i długość wyjścia.
Główny kompromis dotyczy rozmiaru kontekstu i ceny. Przy stawce $0.15 za 1 mln tokenów wejściowych prompt wykorzystujący pełny kontekst 1,048,576 tokenów kosztuje około $0.157 samych opłat wejściowych. Jeśli Twoje zadanie potrzebuje tylko kilku tysięcy tokenów kontekstu, płacisz za niewykorzystaną pojemność — model o mniejszym kontekście z niższą ceną za token może być tańszy, w zależności od jego stawek. Stawka $0.29 za 1 mln tokenów wyjściowych oznacza, że długie odpowiedzi nie są szczególnie drogie pojedynczo, ale obciążenie generujące gigabajty tekstu będzie kumulować koszty. W podanych informacjach nie ma zniżki za przetwarzanie wsadowe, rezerwacji ani zniżki za caching. Rozliczanie bez narzutu w OrcaRouter oznacza, że cena, którą widzisz, jest ceną dostawcy; Twój końcowy rachunek jest po prostu funkcją tokenów wysłanych i odebranych. W przypadku zadań wsadowych na dużą skalę oszacuj łączną liczbę tokenów wejściowych i wyjściowych, pomnóż przez obie stawki i porównaj z alternatywami w katalogu.
OrcaRouter wyraźnie rozlicza DeepSeek V4 Flash 0731 według stawki dostawcy, z zerową marżą. 0,15 USD za 1 mln tokenów wejściowych i 0,29 USD za 1 mln tokenów wyjściowych to stawki dostawcy, a nie wersja z narzutem. Dostarczone informacje nie opisują buforowania promptów dla tego modelu. Nie wymieniono żadnego poziomu cenowego dla danych wejściowych z cache, ani nie ma deklaracji, że OrcaRouter automatycznie buforuje prompty w Twoim imieniu. Jeśli podstawowy dostawca oferuje buforowanie, warunki te nie są częścią dostarczonych informacji dla tego wpisu w katalogu, więc przed założeniem zniżki powinieneś sprawdzić aktualną dokumentację OrcaRouter. Odpowiedź API, ponieważ jest zgodna z formatem chat completions OpenAI, zawiera informacje o użyciu, które pozwalają zweryfikować rozliczone tokeny wejściowe i wyjściowe. Do celów audytowych loguj obiekt usage z każdej odpowiedzi i porównuj go z oczekiwanymi liczbami tokenów. Każda kontrola kosztów musi wynikać z Twoich własnych wyborów dotyczących promptów i parametrów.
Wysyłaj standardowe żądania chat completion do API OrcaRouter zgodnego z OpenAI. Bazowy adres URL to https://api.orcarouter.ai/v1, a identyfikator modelu to deepseek/deepseek-v4-flash-0731. Ustaw pole model dokładnie na ten ciąg znaków, a klucz API OrcaRouter umieść w nagłówku Authorization jako token typu Bearer. Zbuduj tablicę messages z treścią tekstową — model nie akceptuje treści obrazowych ani audio. Odpowiedź ma format odpowiedzi OpenAI chat completion i zawiera wygenerowaną wiadomość oraz obiekt usage. Ponieważ identyfikator modelu zawiera prefiks dostawcy, zachowaj go dokładnie w podanej formie. Przedstawione informacje nie wymagają żadnych niestandardowych nagłówków ani specjalnych ustawień transportu. Możesz użyć zestawów SDK OpenAI, curl lub dowolnego klienta HTTP obsługującego JSON. Zacznij od małego żądania, zweryfikuj, czy zwrócone usage zgadza się z oczekiwaną liczbą tokenów wejściowych i wyjściowych, a następnie zwiększaj skalę.
Ponieważ punkt końcowy jest zgodny z OpenAI, dostępne są typowe parametry uzupełniania czatu: model, messages, temperature, top_p, max_tokens lub max_completion_tokens, stop, stream oraz podobne opcje obsługiwane przez używane SDK. Dostępne fakty nie wymieniają, które parametry OrcaRouter respektuje dla tego konkretnego modelu, więc poza model i messages należy przetestować wszystko inne. Kluczowe limity to limity samego modelu: 1 048 576 tokenów wejściowych i 384 000 tokenów wyjściowych. Utrzymuj max_tokens poniżej pułapu wyjściowego, aby uniknąć nieudanych żądań. W przypadku wywoływania narzędzi lub funkcji fakty nie potwierdzają wsparcia; przetestuj minimalną definicję narzędzia przed zbudowaniem agenta. W zakresie kontroli formatu wyjściowego nie ma wzmianki o trybie JSON ani gwarancjach ustrukturyzowanego wyjścia; samodzielnie zweryfikuj wygenerowany tekst, jeśli potrzebujesz niezawodnej struktury. Strumieniowanie jest powszechnie obsługiwane na punktach końcowych zgodnych z OpenAI, ale fakty nie potwierdzają tego dla tego modelu, więc skonsultuj się z dokumentacją API OrcaRouter.
Migracja to w większości kwestia konfiguracji: zmień bazowy URL na https://api.orcarouter.ai/v1, przełącz klucz API na klucz OrcaRouter, a nazwę modelu zastąp wartością deepseek/deepseek-v4-flash-0731. Kod, który już buduje wiadomości, obsługuje odpowiedzi chat completion i odczytuje dane o zużyciu, będzie działał dalej, o ile jest zgodny z konwencją OpenAI. Na dwie różnice trzeba zwrócić uwagę. Po pierwsze, ten model jest tekstowy, więc usuń pola image_url lub audio ze swoich żądań. Po drugie, limity kontekstu i wyjścia są bardzo duże; dostosuj ustawienie max_tokens tak, aby respektować górny limit 384 000 tokenów na wyjściu, i przygotuj się na sporadycznie długie odpowiedzi. Jeśli twój kod zawiera ponawianie prób przy błędach 429 lub 5xx, zachowaj je; to nie zmienia oczekiwań co do obsługi błędów. Przeprowadź test dymny na małym zapytaniu, potwierdź, że na rozliczeniu pojawia się $0.15/$0.29 za milion tokenów, a następnie stopniowo przełączaj ruch.
Podstawowy adres URL API OrcaRouter to https://api.orcarouter.ai/v1. Wszystkie żądania do tego punktu końcowego powinny używać protokołu HTTPS. Uwierzytelnianie odbywa się za pomocą klucza API, wysyłanego jako standardowy token typu bearer w nagłówku Authorization. Dostępne fakty nie wymieniają alternatywnych metod uwierzytelniania. Identyfikator modelu to deepseek/deepseek-v4-flash-0731, który zawiera nazwę dostawcy oraz sufiks zrzutu 0731; przekaż go dokładnie w tej formie. W większości pakietów SDK zgodnych z OpenAI konfigurujesz klienta przy użyciu parametrów base_url i api_key, a następnie ustawiasz nazwę modelu przy każdym wywołaniu. Odpowiedź będzie zawierać liczby tokenów istotne dla rozliczeń w obiekcie usage. Fakty nie określają limitów żądań, zachowania przy ponownych próbach ani zaleceń dotyczących limitów czasu, więc sprawdź dokumentację OrcaRouter, aby poznać te szczegóły operacyjne. Przechowuj klucz API w bezpiecznym miejscu; klucz decyduje o dostępie do każdego konta modelu w Twoim projekcie OrcaRouter. Jeśli używasz serwera pośredniczącego lub bramy, skieruj go na podstawowy adres URL OrcaRouter i zachowaj pełny identyfikator modelu.
Przedstawione fakty obejmują tylko ten konkretny wycinek, więc porównanie liczbowe punkt po punkcie z innymi wpisami DeepSeek nie jest możliwe na podstawie tego, co podano. To, co wiemy o DeepSeek V4 Flash 0731, to jego kontekst 1 048 576 tokenów, limit wyjścia 384 000 tokenów, wejście wyłącznie tekstowe, cena 0,15 USD / 0,29 USD za 1 milion tokenów oraz wynik 82,7 w Terminal Bench 2.1. Inne modele DeepSeek w katalogu OrcaRouter mogą się różnić pod każdym z tych względów. Podejmując decyzję, porównaj specyfikacje, które mają znaczenie: ile tokenów faktycznie wykorzystują Twoje prompty, ile tokenów wymagają Twoje odpowiedzi, czy potrzebujesz wejścia multimodalnego oraz cenę za 1 milion tokenów danego kandydata. Etykieta Flash sugeruje bardziej okrojoną wersję w porównaniu z innymi wydaniami DeepSeek, ale jedynym obiektywnym wskaźnikiem wydajności w faktach jest wynik Terminal Bench. Przed wyborem skorzystaj ze stron z listą katalogu OrcaRouter, aby porównać specyfikacje i aktualne ceny.
Przy kontekście 1 048 576 tokenów ten model znajduje się w warstwie długiego kontekstu. Model o mniejszym kontekście może być ograniczony do kilkuset tysięcy tokenów lub mniej, co zmusza do dzielenia dokumentów, fragmentowania ich na części lub stosowania wyszukiwania. Zaletą tego modelu jest to, że możesz umieścić bardzo duży korpus w jednym poleceniu i pozwolić modelowi przeanalizować go w całości w jednym przebiegu. Wadą jest koszt pojedynczego żądania: każdy token wejściowy jest rozliczany, więc ogromny kontekst zwielokrotnia wydatki na dane wejściowe. Dane nie wymieniają żadnego modelu z jeszcze większym oknem kontekstowym, więc jedyne bezpieczne stwierdzenia dotyczą ograniczeń samego tego modelu. Podejmując decyzję, oszacuj swoje rzeczywiste rozmiary poleceń. Jeśli Twoje zadania zwykle wykorzystują mniej niż 100 tys. tokenów, pełny kontekst może być nieistotny, a tańszy, mniejszy model może być lepszym wyborem. Jeśli regularnie przekraczasz typowe limity kontekstu, okno 1M tokenów w tym modelu jest cechą decydującą.
Wybierz DeepSeek V4 Flash 0731, gdy zadanie jest czysto tekstowe i możesz wykorzystać jego specyfikacje. Kontekst 1,048,576-token uzasadnia wybór, gdy potrzebujesz przeczytać całe repozytorium, zestaw dokumentów lub długi zapis rozmowy w jednym przebiegu. Limit wyjściowy 384,000-token uzasadnia wybór, gdy potrzebujesz bardzo długich generowanych odpowiedzi bez wielokrotnych rund. Wynik 82.7 w Terminal Bench 2.1 uzasadnia wybór do automatyzacji terminala i agentowych przepływów pracy CLI. Cena $0.15/$0.29 za 1 mln tokenów uzasadnia wybór do przetwarzania wsadowego tekstu o dużej objętości, gdzie dominuje koszt pojedynczego tokena. Nie wybieraj go, gdy potrzebujesz obrazów lub dźwięku, gdy Twoje potrzeby kontekstowe są niewielkie i istnieje tańszy model, lub gdy nie możesz zaakceptować nieznanych charakterystyk opóźnień. Dostępne fakty nie dają żadnych gwarancji opóźnień, więc zespoły wrażliwe na wydajność powinny najpierw przeprowadzić benchmark z rzeczywistymi zapytaniami. W każdym przypadku potwierdź identyfikator modelu i rozliczenia na OrcaRouter przed skalowaniem.
Zgodne z OpenAI — zostań przy swoim SDK
https://api.orcarouter.ai/v1https://api.orcarouter.aiimport os
from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key=os.environ["ORCAROUTER_API_KEY"],
)
response = client.chat.completions.create(
model="deepseek/deepseek-v4-flash-0731",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)frequency_penaltyinclude_reasoninglogit_biaslogprobsmax_tokensmin_ppresence_penaltyreasoningreasoning_effortrepetition_penaltyresponse_formatseedstopstructured_outputstemperaturetool_choicetoolstop_ktop_logprobstop_p| Wejście / 1M tokenów · Poza szczytem | $0.220 |
|---|---|
| Wyjście / 1M tokenów · Poza szczytem | $0.660 |
| Odczyt cache / 1M · Poza szczytem | $0.0070 |
| Godziny szczytu | 01:00–04:00, 06:00–10:00 ×2 (UTC) |
| Wejście / 1M tokenów · ×2 | $0.440 |
| Wyjście / 1M tokenów · ×2 | $1.32 |
| Odczyt cache / 1M · ×2 | $0.014 |
| Waluta | USD |
Szacunek na podstawie cennika
Tylko szacunek — rzeczywista liczba tokenów zależy od tokenizatora dostawcy.
O czym mówią programiści w tym tygodniu
GET /api/public/models/deepseek/deepseek-v4-flash-0731Otwórz @misc{orcarouter_deepseek_v4_flash_0731,
title = {DeepSeek V4 Flash 0731 API},
author = {DeepSeek},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/deepseek/deepseek-v4-flash-0731}
}DeepSeek. (2026). DeepSeek V4 Flash 0731 API. OrcaRouter. https://www.orcarouter.ai/models/deepseek/deepseek-v4-flash-0731