> ## Documentation Index > Fetch the complete documentation index at: https://docs.apiyi.com/llms.txt > Use this file to discover all available pages before exploring further. # DeepSeek V4 Flash 正式版上线：附完整实测 > DeepSeek-V4-Flash-0731 正式版登陆 API易，输入 $0.14 / 输出 $0.28 每百万 tokens。实测 32 万 tokens 上下文 14.8 秒返回、隐式缓存二轮命中 99.9%、20 并发零限流，同时也测出了三个必须绕开的坑。 ## 核心要点 * **正式版上线**：`deepseek-v4-flash-ga-260731` 已上架，对应开源版 `DeepSeek-V4-Flash-0731`，2026 年 7 月 31 日转正式版 * **架构未变，后训练重做**：仍是 284B 总参 / 13B 激活的 MoE，官方明确只重做了后训练阶段，agent 类基准大幅提升 * **五项 agent 基准反超 Pro 预览版**：Terminal Bench 2.1 达 82.7（Flash 预览版 61.8 / Pro 预览版 72.1） * **实测长文能力扎实**：32.2 万 tokens 上下文 14.77 秒返回并准确捞出中段信息；上下文硬上限 1,048,570 tokens * **隐式缓存免配置**：同前缀第二轮命中 15616/15634，命中率 99.9%，命中部分按 \$0.028 / 百万 tokens 计费 * **价格**：输入 \$0.14 / 输出 \$0.28 每百万 tokens，与 BytePlus 官方同价，叠加充值活动可再降 * **双端点可用**：Chat Completions 与 Responses 均已开通，Responses 端显式缓存链式调用可整轮命中 * **三个坑要绕开**：结构化输出静默失效、联网搜索后端持续报错、`reasoning_effort` 不是单调档位 本文的性能与兼容性数据来自 API易 在 2026-08-05 的实测，测试脚本与原始日志可复现。 基准分数为厂商自评数据，来源：`huggingface.co/deepseek-ai/DeepSeek-V4-Flash-0731`。 ## 背景介绍 2026 年 4 月，DeepSeek 发布 V4 预览版，一次带来 V4-Pro 和 V4-Flash 两款模型。三个月后的 7 月 31 日，Flash 线率先转正式版，检查点命名为 **DeepSeek-V4-Flash-0731**。 这次更新有个容易被忽略的关键点：**它不是一个新模型**。官方说得很直白——架构、参数量、 上下文长度全部与 4 月的预览版一致（284B 总参 / 13B 激活 MoE、1M 上下文、384K 最大输出）， **改动只发生在后训练阶段**。 但后训练带来的提升幅度相当反直觉。在厂商自评的 agent 类基准上，正式版不仅大幅超过自己的 预览版，还**越过了同代的 V4-Pro 预览版**： | 基准 | Flash-0731 正式版 | Flash 预览版 | Pro 预览版 | | ------------------- | -------------- | --------- | ------- | | Terminal Bench 2.1 | **82.7** | 61.8 | 72.1 | | Cybergym | **76.7** | 38.7 | 52.7 | | Toolathlon-Verified | **70.3** | 49.7 | 55.9 | | DeepSWE | **54.4** | 7.3 | 12.8 | | NL2Repo | **54.2** | 39.4 | 38.5 | DeepSWE 从 7.3 到 54.4，这个跨度已经不是「调优」能解释的量级。不过要提醒一句： 这些是厂商自评数据，目前**没有第三方复现**。Artificial Analysis 给出的通用智能指数是 50， 属于通用能力测量，不是 agent 专项。 ## 详细解析 ### 我们实测了什么 模型能力表是一回事，接到网关上能不能用是另一回事。我们跑了 21 个用例 + 三方对照 + 思考档位专项， 下面是结论。 ### 长上下文：这是它最强的部分 先确认上限——发一个超长请求，网关直接给出硬数字： ``` Input length 1280009 exceeds the maximum length 1048570 ``` **1,048,570 tokens**，1M 名副其实。最大输出同样探到硬上限 **393,216 tokens**（384K）， 与官方说明一致。 然后做大海捞针，在长文中段埋一句暗号，让模型找出来： | prompt tokens | 耗时 | 是否命中 | | ------------- | ---------- | ---- | | 74,031 | 4.85s | ✅ | | 322,055 | **14.77s** | ✅ | 32 万 tokens 上下文、14.8 秒返回、准确捞出中段埋的信息。这个成绩放在同价位段里相当突出。 ### 隐式缓存：免配置，第二轮就命中 用同一段 15.6k tokens 的前缀连发三轮，间隔 5 秒： | 轮次 | prompt\_tokens | cached\_tokens | 命中率 | 耗时 | | -- | -------------- | -------------- | --------- | ----- | | 1 | 15,634 | 0 | — | 2.99s | | 2 | 15,634 | 15,616 | **99.9%** | 2.56s | | 3 | 15,634 | 15,616 | **99.9%** | 2.55s | 不需要任何参数，第二轮几乎全量命中。命中部分按 \$0.028 / 百万 tokens 计费， 相当于重复前缀省 80%。做长文档多轮问答、固定 system prompt 的批量任务，这一项直接决定成本。 吃满隐式缓存的前提是**前缀逐字节一致**。把变动内容（时间戳、随机 ID、用户名） 放到 prompt 末尾，不要混进前缀里。 ### 显式缓存：走 Responses 链式调用 Chat 与 Responses 两个端点都已开通。Responses 端还多一层**显式缓存**，但它的用法 容易搞错——**不是**把同一段长前缀重复发两次（那样 `cached_tokens` 一直是 0）， 而是首轮带 `caching: {"type": "enabled"}` 写入，后续轮用 `previous_response_id` 链下去： | 轮次 | 调用方式 | input\_tokens | cached\_tokens | 耗时 | | ----- | ------------------------ | ------------- | -------------- | ----- | | 1（写入） | `caching: enabled` | 15,629 | 0 | 4.10s | | 2 | + `previous_response_id` | 15,664 | **15,629** | 5.18s | | 3 | + `previous_response_id` | 15,701 | **15,664** | 4.57s | | 4 | + `previous_response_id` | 15,738 | **15,701** | 4.54s | 每一轮把上一轮的全部上下文整体命中。做多轮长上下文会话（如长文档连续追问）， 这个模式比每轮重发全文省得多。 ### 并发：20 路零限流 同一把 Key 无预热直接打并发： | 并发数 | 状态分布 | 墙钟耗时 | 最慢单请求 | | --- | ------ | ----- | ----- | | 5 | 全部 200 | 2.63s | 2.62s | | 10 | 全部 200 | 3.41s | 3.38s | | 20 | 全部 200 | 3.92s | 3.85s | 20 并发全部成功，墙钟只比单发慢 1.3 秒，没有排队感。「高并发 agent 场景」这个定位站得住。 ### 速度对照：不是一边倒 四道题与 `deepseek-v4-flash`（0423 预览版通道）、`deepseek-v4-pro` 对照，均为默认思考档： | 题目 | 模型 | 耗时 | 输出 tokens | 其中思考 | | --- | ------------ | --------- | --------- | ---- | | 数学 | **GA 正式版** | **3.46s** | 201 | 200 | | | v4-flash | 4.75s | 302 | 230 | | | v4-pro | 6.46s | 308 | 306 | | 代码 | **GA 正式版** | **3.06s** | 147 | 47 | | | v4-flash | 4.84s | 227 | 127 | | | v4-pro | 8.00s | 401 | 281 | | 逻辑 | GA 正式版 | 25.74s | 1996 | 1826 | | | **v4-flash** | **9.52s** | 682 | 587 | | | v4-pro | 18.07s | 872 | 754 | | 陷阱题 | GA 正式版 | 4.64s | 269 | 263 | | | **v4-flash** | **2.54s** | 50 | 44 | | | v4-pro | 2.91s | 61 | 54 | 四题答案全部正确（含 9.11 与 9.9 比大小这道经典陷阱题）。但速度结论**不是一边倒**： * **数学、代码这类结构明确的题**，正式版比预览版通道快 30\~37%，且成本更低 * **逻辑题和陷阱题上正式版反而更慢**，因为它默认思考得更多——陷阱题上花了 263 个思考 token， 预览版只花 44 个 这是正式版的一个性格变化：**它默认更"愿意想"**。好处是复杂任务质量更稳， 代价是简单问题也要付思考成本。解决办法很简单，见下面的代码示例。 ## 三个必须绕开的坑 这一节是本文最值得看的部分。以下三项都会**静默失效**——不报错，但也不生效， 只看 HTTP 状态码会误判。 ### 坑一：结构化输出参数收但不约束 官方能力表把结构化输出标为不支持，实测确认，且失效方式很隐蔽： 1. 带 `response_format: json_schema` **不会报错**（HTTP 200） 2. 但 prompt 里不含 "json" 字样时上游会 400 —— 这说明它是 OpenAI 兼容层的提示词式实现，不是原生约束解码 3. prompt 里带 "json" 后，模型**完全无视 schema** 我们用 `{"answer": string}` 加 `strict: true` 在**两个端点各测 3 次**，返回的键是 `name / englishName / country / coordinates / population…`，和 schema 毫无关系； Chat 端 2/3 次、Responses 端 3/3 次被代码围栏包裹，`json.loads()` 直接失败。 **替代方案**：需要结构化输出请走 Function Call。工具参数是**真正被约束**的，实测稳定。 ### 坑二：联网搜索工具接通了，但后端取不到结果 这一项和能力表的差异最微妙：`web_search` 工具本身**已经接通**——响应的 `output` 里能看到 `web_search_call` item，`status` 也是 `completed`，看起来一切正常。 但搜索后端持续失败。6 次独立测试、共 17 次搜索调用，模型每次都回复「搜索服务暂时出现异常」 「多次尝试均报错，未能获取实时信息」；`web_search_call` 的字段只有 `action / id / status / type`，**不含 `results`**。 6/6 全部失败，不是偶发。链路通、后端不可用，当前不建议用于生产。 同一批测试里 **MCP** 稳定返回 `AccessDenied`（`you do not have access to the built in tool`）， 换成合法的公共 MCP server 地址结果相同——这是账号 / 渠道级的内置工具权限问题， 不是模型能力限制。 ### 坑三：reasoning\_effort 不是单调档位 两道题 × 五档 × 5 次采样，思考 token 中位数： | 档位 | river 题中位数 | prob 题中位数 | 说明 | | --------- | ---------- | --------- | ------------------ | | `minimal` | **0** | **0** | 10/10 次恰好为 0，确定性生效 | | `low` | 956 | 367 | 档内从 150 到 1993 | | `medium` | 506 | 193 | | | `high` | **97** | **153** | 两题都是四档里最低 | | `max` | 577 | 173 | | **`high` 的思考量在两道题上都比 `low` 少**，档内方差远大于档间差异。 把它当成本旋钮用会得到不可预期的结果。 **只有 `minimal` 是可靠的**——它等价于关闭思考。要控成本就用它， 不要指望 low → max 线性加深。 ### 附带发现：n>1 静默忽略 传 `n=2` 返回 200，但 `choices` 数组里只有 1 个元素。其余采样参数 （`temperature`、`top_p`、`stop`、`logprobs`、`seed`、双 penalty）实测均正常。 ## 实际应用 ### 推荐场景 * 高并发日常问答与文本处理 * 长文档摘要与问答（32 万 tokens 实测 15 秒） * 需要工具调用的轻量 agent * 固定 system prompt 的批量任务（吃隐式缓存） * 多轮长上下文会话（Responses 链式显式缓存） * 需要 `json_schema` 强约束（改用 Function Call） * 依赖联网搜索或 MCP（后端 / 权限未就绪） * Claude Code 接入（未开 Anthropic 端点） * 任何图片输入场景（纯文本模型） ### 代码示例 简单任务显式关闭思考，避免为一句话答案付出几百 token 的思考开销： ```python theme={null} import os from openai import OpenAI client = OpenAI( api_key=os.environ["APIYI_API_KEY"], base_url="https://api.apiyi.com/v1", ) # 简单任务：显式关思考，实测可省掉 200+ 思考 token resp = client.chat.completions.create( model="deepseek-v4-flash-ga-260731", messages=[{"role": "user", "content": "把这段话改写得更简洁：……"}], extra_body={"thinking": {"type": "disabled"}}, ) print(resp.choices[0].message.content) ``` 复杂任务放开思考，并读取思考链： ```python theme={null} resp = client.chat.completions.create( model="deepseek-v4-flash-ga-260731", messages=[{"role": "user", "content": "分析这段代码的时间复杂度并给出优化方案"}], extra_body={"thinking": {"type": "enabled"}}, ) msg = resp.choices[0].message print("思考过程：", getattr(msg, "reasoning_content", None)) print("最终回答：", msg.content) ``` 需要结构化输出时用 Function Call，而不是 `response_format`： ```python theme={null} tools = [{ "type": "function", "function": { "name": "submit_result", "description": "提交抽取结果", "parameters": { "type": "object", "properties": { "city": {"type": "string"}, "temp_c": {"type": "number"}, }, "required": ["city", "temp_c"], }, }, }] resp = client.chat.completions.create( model="deepseek-v4-flash-ga-260731", messages=[{"role": "user", "content": "北京今天 25 度"}], tools=tools, ) # 工具参数是真正被约束的，可直接解析 import json args = json.loads(resp.choices[0].message.tool_calls[0].function.arguments) print(args) ``` ### 最佳实践 正式版默认思考量偏大，`thinking: {"type": "disabled"}` 或 `reasoning_effort: "minimal"` 都能可靠关闭。 隐式缓存要求前缀逐字节一致。时间戳、随机 ID 混进前缀会让命中率归零。 `response_format` 在这个模型上不生效且不报错，是最容易踩的坑。 首轮带 `caching: {"type": "enabled"}`，后续用 `previous_response_id` 链下去， 上一轮上下文可整轮命中缓存。 `web_search` 工具接通但后端持续报错，MCP 返回 `AccessDenied`，两项当前都取不到结果。 ## 价格与可用性 ### 定价信息 | 模型 | 输入 | 输出 | 缓存命中 | | ----------------------------- | ------------------- | ------------------ | ------------------- | | `deepseek-v4-flash-ga-260731` | \$0.14 / 百万 tokens | \$0.28 / 百万 tokens | \$0.028 / 百万 tokens | | `deepseek-v4-pro` | \$0.435 / 百万 tokens | \$0.87 / 百万 tokens | — | 与 BytePlus 官方标价一致。可用分组：`default`、`svip`。 **关于「不到旗舰十分之一」这个说法**：厂商宣传语对标的是 V4-Pro 预览期的 \$1.74 / \$3.48。按当前 V4-Pro 挂牌价折算，正式版是**约 1/3**，不是 1/10。 我们按实际挂牌价说明，不沿用旧口径。 ### 叠加网站充值活动 在上述价格基础上，还可叠加 API易 的充值加赠活动进一步降低实际成本， 详见 [充值活动说明](/faq/recharge-promotions)。 ## 总结与建议 DeepSeek-V4-Flash-0731 是一次「只改后训练但效果显著」的更新。从我们的实测看， 它的强项非常明确：**长上下文、隐式缓存、并发吞吐**——32 万 tokens 15 秒返回、 二轮缓存命中 99.9%、20 并发零限流，这三项配合 \$0.14 的输入价， 做长文档处理和高并发文本任务的性价比很高。 同时要清楚它现在的边界：**这是一个纯文本模型**，不吃图片，也没开 Anthropic 端点， 接不了 Claude Code。结构化输出在两个端点上都不生效，`reasoning_effort` 不是个可靠旋钮， 联网搜索和 MCP 目前也取不到结果。这些不是缺陷描述，而是接入前需要知道的事实—— 知道了就能绕开，不知道就会在联调时浪费半天。 选型建议：**日常高并发问答、长文档、多轮长会话、轻量工具调用 agent 选正式版**； **需要 Claude Code 接入选 `deepseek-v4-flash`**。 数据来源与获取日期：API易 实测（2026-08-05，21 个用例 + 三方对照 + 思考档位专项 * Responses 端点专项复测）；基准分数为厂商自评，来自 `huggingface.co/deepseek-ai/DeepSeek-V4-Flash-0731`；V4 预览版背景信息来自 `api-docs.deepseek.com/news/news260424`。基准数据目前无第三方复现， 请结合自身场景实测后再做选型决策。 **更正说明**：本文首发时曾记录「Responses 端点未接通」，该现象为渠道侧配置问题， 已于 2026-08-05 当日修正。复测后 Responses 全面可用、显式缓存正常，相关章节已更新。