Spesifikasi teknis DeepSeek-V4-Flash
| Item | Detail |
|---|---|
| Model | DeepSeek-V4-Flash |
| Penyedia | DeepSeek |
| Keluarga | DeepSeek-V4 preview series |
| Arsitektur | Mixture-of-Experts (MoE) |
| Total parameter | 284B |
| Parameter yang diaktifkan | 13B |
| Panjang konteks | 1,000,000 tokens |
| Presisi | FP4 + FP8 mixed |
| Mode penalaran | Non-think, Think, Think Max |
| Status rilis | Preview model |
| Lisensi | MIT License |
Apa itu DeepSeek-V4-Flash?
DeepSeek-V4-Flash adalah model pratinjau berfokus efisiensi dalam seri V4 dari DeepSeek. Model ini dibangun sebagai model bahasa Mixture-of-Experts dengan jejak aktif yang relatif kecil untuk ukurannya, yang membantu tetap responsif sekaligus mendukung jendela konteks sangat besar 1M token.
Fitur utama DeepSeek-V4-Flash
- Konteks sejuta token: Model ini mendukung jendela konteks 1,000,000 token, menjadikannya cocok untuk dokumen sangat panjang, basis kode besar, dan sesi agen multi-langkah.
- Desain MoE yang mengutamakan efisiensi: Menggunakan total 284B parameter tetapi 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 dalam saat tugas semakin sulit.
- Arsitektur konteks panjang yang kuat: DeepSeek menyatakan seri V4 menggabungkan Compressed Sparse Attention dan Heavily Compressed Attention untuk meningkatkan efisiensi konteks panjang.
- Kemampuan kompetitif dalam pengodean dan perilaku agen: Kartu model melaporkan hasil kuat pada tolok ukur pengodean dan agen, termasuk HumanEval, SWE Verified, Terminal Bench 2.0, dan BrowseComp.
- Bobot terbuka dan penerapan lokal: Rilis mencakup bobot model, panduan inferensi lokal, dan MIT License, yang membuat hosting mandiri dan eksperimen menjadi praktis.
Performa benchmark DeepSeek-V4-Flash
Hasil terpilih dari kartu model resmi menunjukkan bahwa DeepSeek-V4-Flash meningkat dibanding DeepSeek-V3.2-Base pada beberapa tolok ukur 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 menunjukkan 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 paling berat berbasis pengetahuan dan agen.
DeepSeek-V4-Flash vs DeepSeek-V4-Pro vs DeepSeek-V3.2
| Model | Paling cocok | Trade-off |
|---|---|---|
| DeepSeek-V4-Flash | Pekerjaan cepat dengan konteks panjang, asisten pengodean, dan alur agen ber-throughput tinggi | Sedikit di belakang Pro pada pengetahuan murni dan tugas agen paling kompleks |
| DeepSeek-V4-Pro | Tugas dengan kapabilitas tertinggi, penalaran lebih dalam, 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 | Performa benchmark lebih rendah dibanding V4-Flash pada tabel resmi |
Kasus penggunaan umum untuk DeepSeek-V4-Flash
- Analisis dokumen panjang untuk kontrak, paket riset, basis pengetahuan dukungan, dan wiki internal.
- Asisten pengodean yang perlu memeriksa repo besar, mengikuti instruksi di banyak file, dan menjaga konteks tetap terjaga.
- Alur kerja agen di mana model perlu bernalar, memanggil tool, dan beriterasi tanpa kehilangan benang merah.
- Sistem chat perusahaan yang mendapat manfaat dari jendela konteks sangat besar dan penerapan yang minim friksi.
- Prototipe penerapan lokal bagi tim yang ingin mengevaluasi perilaku DeepSeek-V4 sebelum hardening 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, silakan daftar terlebih dahulu. Masuk ke konsol CometAPI. Dapatkan kredensial akses kunci API 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 body permintaan. Metode permintaan dan body permintaan diperoleh dari dokumentasi API situs kami. Situs kami juga menyediakan tes Apifox untuk kemudahan 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 dalam kolom content—ini 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.