Spesifikasi teknis DeepSeek-V4-Flash
| Item | Rincian |
|---|---|
| Model | DeepSeek-V4-Flash |
| Provider | DeepSeek |
| Family | Seri pratinjau DeepSeek-V4 |
| Architecture | Mixture-of-Experts (MoE) |
| Total parameters | 284B |
| Activated parameters | 13B |
| Context length | 1,000,000 tokens |
| Precision | FP4 + FP8 campuran |
| Reasoning modes | Non-think, Think, Think Max |
| Release status | Model pratinjau |
| License | Lisensi MIT |
Apa itu DeepSeek-V4-Flash?
DeepSeek-V4-Flash adalah model pratinjau berfokus pada efisiensi dalam seri V4 milik DeepSeek. Model ini dibangun sebagai model bahasa Mixture-of-Experts dengan jejak aktif yang relatif kecil untuk ukurannya, yang membantu tetap responsif sambil tetap mendukung jendela konteks 1M-token yang sangat besar.
Fitur utama DeepSeek-V4-Flash
- Konteks sejuta token: Model ini mendukung jendela konteks 1,000,000 token, sehingga cocok untuk dokumen sangat panjang, basis kode besar, dan sesi agen multi-langkah.
- Desain MoE yang mengutamakan efisiensi: Menggunakan total 284B parameter namun hanya 13B parameter yang diaktifkan per permintaan, sebuah pengaturan yang ditujukan untuk inferensi lebih cepat dan efisien.
- Tiga mode penalaran: Non-think, Think, dan Think Max memungkinkan Anda menukar kecepatan dengan penalaran lebih mendalam saat tugas makin sulit.
- Arsitektur konteks panjang yang kuat: DeepSeek menyatakan seri V4 menggabungkan Compressed Sparse Attention dan Heavily Compressed Attention untuk meningkatkan efisiensi konteks panjang.
- Kemampuan pengodean dan perilaku agen yang kompetitif: Kartu model melaporkan hasil kuat pada tolok ukur pengodean dan agentik, termasuk HumanEval, SWE Verified, Terminal Bench 2.0, dan BrowseComp.
- Bobot terbuka dan penerapan lokal: Rilis mencakup bobot model, panduan inferensi lokal, dan Lisensi MIT, yang membuat penempatan mandiri dan eksperimen menjadi praktis.
Kinerja benchmark DeepSeek-V4-Flash
Hasil terpilih dari kartu model resmi menunjukkan bahwa DeepSeek-V4-Flash meningkat dibanding DeepSeek-V3.2-Base pada beberapa benchmark inti:
| 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 |
Dalam tabel penalaran-dan-agen, varian Flash juga mencatat hasil solid pada tugas terminal dan perangkat lunak, dengan Flash Max mencapai 56.9 pada Terminal Bench 2.0 dan 79.0 pada SWE Verified, meski masih di bawah model Pro yang lebih besar pada tugas tersulit yang sarat pengetahuan dan agentik.
DeepSeek-V4-Flash vs DeepSeek-V4-Pro vs DeepSeek-V3.2
| Model | Kecocokan terbaik | Kompromi |
|---|---|---|
| DeepSeek-V4-Flash | Pekerjaan cepat dengan konteks panjang, asisten coding, dan alur agen ber-throughput tinggi | Sedikit di belakang Pro pada pengetahuan murni dan tugas agentik paling kompleks |
| DeepSeek-V4-Pro | Tugas berkapabilitas tertinggi, penalaran lebih mendalam, dan alur kerja agen yang lebih sulit | Lebih berat dan kurang berorientasi efisiensi dibanding Flash |
| DeepSeek-V3.2 | Baseline lama untuk perbandingan dan perencanaan migrasi | Kinerja benchmark lebih rendah daripada V4-Flash pada tabel resmi |
Kasus penggunaan khas untuk DeepSeek-V4-Flash
- Analisis dokumen panjang untuk kontrak, paket riset, basis pengetahuan dukungan, dan wiki internal.
- Asisten coding yang perlu memeriksa repo besar, mengikuti instruksi di banyak file, dan menjaga konteks tetap aktif.
- Alur kerja agen di mana model perlu menalar, memanggil alat, dan beriterasi tanpa kehilangan benang merah.
- Sistem chat enterprise yang diuntungkan dengan jendela konteks sangat besar dan penerapan berfriksi rendah.
- Prototipe penerapan lokal bagi tim yang ingin mengevaluasi perilaku DeepSeek-V4 sebelum penguatan produksi.
Cara mengakses dan menggunakan Deepseek v4 Flash API
Langkah 1: Daftar untuk kunci API
Masuk ke cometapi.com. Jika Anda belum menjadi pengguna kami, harap daftar terlebih dahulu. Masuk ke konsol CometAPI. Dapatkan kredensial akses kunci API dari antarmuka. Klik “Add Token” pada token API di pusat personal, dapatkan kunci token: sk-xxxxx dan kirimkan.
Langkah 2: Kirim permintaan ke deepseek v4 flash API
Pilih endpoint “deepseek-v4-flash” untuk mengirim permintaan API dan atur badan permintaan. Metode permintaan dan badan permintaan diperoleh dari dokumen API situs web kami. Situs kami juga menyediakan pengujian Apifox untuk kenyamanan Anda. Ganti <YOUR_API_KEY> dengan kunci CometAPI Anda yang sebenarnya dari akun Anda. Di mana memanggilnya: format Anthropic Messages dan format Chat.
Masukkan pertanyaan atau permintaan Anda ke bidang content—itulah yang akan direspons oleh model. Proses respons API untuk mendapatkan jawaban yang dihasilkan.
Langkah 3: Ambil dan verifikasi hasil
Proses respons API untuk mendapatkan jawaban yang dihasilkan. Setelah diproses, API merespons dengan status tugas dan data keluaran. Aktifkan fitur seperti streaming, prompt caching, atau penanganan konteks panjang melalui parameter standar.