Spécifications techniques de DeepSeek-V4-Flash
| Élément | Détails |
|---|---|
| Modèle | DeepSeek-V4-Flash |
| Fournisseur | DeepSeek |
| Famille | série de préversion DeepSeek-V4 |
| Architecture | Mélange d’experts (MoE) |
| Nombre total de paramètres | 284B |
| Paramètres activés | 13B |
| Longueur de contexte | 1,000,000 tokens |
| Précision | FP4 + FP8 mixte |
| Modes de raisonnement | Non-think, Think, Think Max |
| Statut de publication | Modèle en préversion |
| Licence | Licence MIT |
Qu’est-ce que DeepSeek-V4-Flash ?
DeepSeek-V4-Flash est le modèle en préversion de DeepSeek axé sur l’efficacité dans la série V4. Il est conçu comme un modèle de langage en mélange d’experts (MoE) avec une empreinte active relativement petite pour sa taille, ce qui l’aide à rester réactif tout en prenant en charge une très grande fenêtre de contexte de 1M tokens.
Principales fonctionnalités de DeepSeek-V4-Flash
- Contexte à un million de tokens : Le modèle prend en charge une fenêtre de contexte de 1,000,000 tokens, ce qui le rend adapté aux documents très longs, aux grandes bases de code et aux sessions d’agents multi-étapes.
- Conception MoE axée sur l’efficacité : Il utilise 284B de paramètres totaux mais seulement 13B de paramètres activés par requête, une configuration visant une inférence plus rapide et plus efficace.
- Trois modes de raisonnement : Non-think, Think et Think Max vous permettent d’échanger de la vitesse contre un raisonnement plus profond lorsque la tâche devient plus difficile.
- Architecture long-contexte performante : DeepSeek indique que la série V4 combine Compressed Sparse Attention et Heavily Compressed Attention pour améliorer l’efficacité sur les longs contextes.
- Comportement compétitif en codage et agentique: La fiche du modèle rapporte de bons résultats sur les benchmarks de codage et d’agents, notamment HumanEval, SWE Verified, Terminal Bench 2.0 et BrowseComp.
- Poids ouverts et déploiement local : La version inclut les poids du modèle, des conseils d’inférence locale et une Licence MIT, ce qui rend l’auto-hébergement et l’expérimentation pratiques.
Performances sur benchmarks de DeepSeek-V4-Flash
Des résultats sélectionnés de la fiche officielle du modèle montrent que DeepSeek-V4-Flash s’améliore par rapport à DeepSeek-V3.2-Base sur plusieurs benchmarks clés :
| Benchmark | DeepSeek-V3.2-Base | DeepSeek-V4-Flash-Base | DeepSeek-V4-Pro-Base |
|---|---|---|---|
| AGIEval (EM) | 80.1 | 82.6 | 83.1 |
| MMLU (EM) | 87.8 | 88.7 | 90.1 |
| MMLU-Pro (EM) | 65.5 | 68.3 | 73.5 |
| HumanEval (Pass@1) | 62.8 | 69.5 | 76.8 |
| LongBench-V2 (EM) | 40.2 | 44.7 | 51.5 |
Dans le tableau raisonnement et agents, la variante Flash affiche également de solides résultats sur les tâches terminal et logicielles, avec Flash Max atteignant 56.9 sur Terminal Bench 2.0 et 79.0 sur SWE Verified, tout en restant derrière le modèle Pro plus grand sur les tâches les plus exigeantes en connaissances et en agentique.
DeepSeek-V4-Flash vs DeepSeek-V4-Pro vs DeepSeek-V3.2
| Modèle | Meilleure adéquation | Compromis |
|---|---|---|
| DeepSeek-V4-Flash | Travail rapide à long contexte, assistants de codage et flux d’agents à haut débit | Légèrement derrière Pro sur la connaissance pure et les tâches agentiques les plus complexes |
| DeepSeek-V4-Pro | Tâches à capacité maximale, raisonnement plus profond et workflows d’agents plus difficiles | Plus lourd et moins orienté efficacité que Flash |
| DeepSeek-V3.2 | Ancienne base de référence pour la comparaison et la planification de la migration | Performances de benchmark inférieures à V4-Flash sur les tableaux officiels |
Cas d’usage typiques de DeepSeek-V4-Flash
- Analyse de longs documents pour des contrats, des packs de recherche, des bases de connaissances d’assistance et des wikis internes.
- Assistants de codage qui doivent inspecter de grands dépôts, suivre des instructions à travers de nombreux fichiers et maintenir le contexte.
- Workflows d’agents où le modèle doit raisonner, appeler des outils et itérer sans perdre le fil.
- Systèmes de chat d’entreprise qui bénéficient d’une fenêtre de contexte très large et d’un déploiement sans friction.
- Déploiements locaux prototypes pour des équipes qui souhaitent évaluer le comportement de DeepSeek-V4 avant la mise en production.
Comment accéder et utiliser l’API Deepseek v4 Flash
Étape 1 : S’inscrire pour une clé API
Connectez-vous à cometapi.com. Si vous n’êtes pas encore notre utilisateur, veuillez d’abord vous inscrire. Connectez-vous à votre console CometAPI. Obtenez la clé API d’identification d’accès de l’interface. Cliquez sur “Add Token” dans le jeton API du centre personnel, obtenez la clé de jeton : sk-xxxxx et soumettez.
Étape 2 : Envoyer des requêtes à l’API deepseek v4 flash
Sélectionnez l’endpoint “deepseek-v4-flash” pour envoyer la requête API et définir le corps de la requête. La méthode et le corps de la requête sont obtenus à partir de la documentation API de notre site Web. Notre site fournit également des tests Apifox pour votre commodité. Remplacez <YOUR_API_KEY> par votre clé CometAPI réelle de votre compte. Où l’appeler : format [Anthropic Messages] et format [Chat].
Insérez votre question ou votre demande dans le champ content — c’est à cela que le modèle répondra. Traitez la réponse de l’API pour obtenir la réponse générée.
Étape 3 : Récupérer et vérifier les résultats
Traitez la réponse de l’API pour obtenir la réponse générée. Après traitement, l’API renvoie le statut de la tâche et les données de sortie. Activez des fonctionnalités telles que le streaming, la mise en cache des prompts ou la gestion de longs contextes via des paramètres standard.