DeepSeek: DeepSeek V4.1 Flash

{"about":"DeepSeek V4.1 Flash est un modèle de DeepSeek destiné au traitement de longs contextes, à la programmation et aux tâches exigeant plusieurs étapes de raisonnement liées entre elles. Il repose sur une architecture Mixture of Experts comportant 552 milliards de paramètres dans le bloc principal et un encodeur-décodeur causal asymétrique. 8 milliards de paramètres sont activés pour le traitement de l’entrée, et 16 milliards pour la production de la réponse. Cette organisation sépare la lecture des contenus de la génération du résultat ; le concepteur la développe notamment pour les tâches portant sur de grands volumes de données en entrée.\n\n### À quels usages se prête le modèle ?\n\n- Analyser une description technique, des échanges ou un ensemble de documents pour produire une conclusion cohérente répondant à des questions précises.\n- Expliquer du code, proposer une modification, préparer des scénarios de test et comparer plusieurs solutions techniques.\n- Transformer un cahier des charges détaillé en une séquence d’actions avec des résultats intermédiaires.\n- Confronter les exigences de plusieurs sources textuelles, relever les contradictions et élaborer une spécification de travail.\n\n### Comment construire la requête\n\nCommencez par le résultat attendu, par exemple : « relève les divergences et propose une version unifiée des exigences ». Ajoutez ensuite les contenus, les critères de comparaison et la structure souhaitée pour la réponse. Pour du code, fournissez le passage pertinent, le comportement observé et les contraintes à préserver. Vous pouvez demander séparément une explication de la cause, un correctif proposé et un moyen de le vérifier : le résultat sera ainsi plus facile à exploiter.\n\nLe modèle prend en charge les tâches de raisonnement et les usages agentiques dans le cadre de ses capacités. Dans une requête textuelle ordinaire, le résultat exploitable est un plan, une analyse ou du code ; l’exécution du programme et l’application des modifications sont organisées par l’application dans laquelle vous travaillez.\n\n### Entrée, résultat et contenus longs\n\nDans Ailoot, cette fiche utilise une entrée textuelle et fournit une réponse textuelle. La requête peut inclure des instructions, l’historique d’une conversation, des extraits de documents et du code source. Vous pouvez demander une explication, une liste, un tableau comparatif ou un passage de texte prêt à l’emploi.\n\nLa fenêtre de contexte annoncée atteint 1 048 576 tokens. Il s’agit de la capacité du contexte de travail, et non d’un nombre de caractères : la requête elle-même, les contenus ajoutés et l’historique doivent tous y être comptés. Pour un grand ensemble de documents, précisez la priorité des sources, les questions à traiter et la forme du résultat. Vous orientez ainsi l’analyse vers les contenus utiles et obtenez un résultat vérifiable à partir des textes d’origine.","alias_of":null,"aliases":[],"author":"DeepSeek","canonical_model":"deepseek/deepseek-v4.1-flash","ctx":null,"formats":["chat","gemini","messages","responses"],"id":"deepseek/deepseek-v4.1-flash","input":["text"],"kind":"text","max_out":null,"methods":[{"cache_read":0.0084,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"anthropic","fast_multiplier":1,"flex_multiplier":1,"fmt":"messages","http":"POST","img_in":null,"img_out":null,"in":0.28,"input":["text"],"label":"Anthropic Messages","max_out":null,"max_tool_calls":null,"out":0.84,"output":["text"],"path":"/v1/messages","request_model_id":"deepseek/deepseek-v4.1-flash","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.0084,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"responses","http":"POST","img_in":null,"img_out":null,"in":0.28,"input":["text"],"label":"OpenAI Responses","max_out":null,"max_tool_calls":null,"out":0.84,"output":["text"],"path":"/v1/responses","request_model_id":"deepseek/deepseek-v4.1-flash","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.0084,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"chat","http":"POST","img_in":null,"img_out":null,"in":0.28,"input":["text"],"label":"OpenAI Chat","max_out":null,"max_tool_calls":null,"out":0.84,"output":["text"],"path":"/v1/chat/completions","request_model_id":"deepseek/deepseek-v4.1-flash","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.0084,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"gemini","fast_multiplier":1,"flex_multiplier":1,"fmt":"gemini","http":"POST","img_in":null,"img_out":null,"in":0.28,"input":["text"],"label":"Gemini generateContent","max_out":null,"max_tool_calls":null,"out":0.84,"output":["text"],"path":"/v1beta/models/deepseek/deepseek-v4.1-flash:generateContent","request_model_id":"deepseek/deepseek-v4.1-flash","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"deepseek/deepseek-v4.1-flash","request_model_id":"deepseek/deepseek-v4.1-flash","route_label":"Ultra"}],"name":"DeepSeek: DeepSeek V4.1 Flash","price":{"in":0.28,"in_label":null,"out":0.84,"out_label":null,"sort_in":0.28,"sort_out":0.84,"varies":false},"public_id":"deepseek/deepseek-v4.1-flash","short":"DeepSeek V4.1 Flash aide à analyser de longs textes, à écrire du code et à résoudre des tâches en plusieurs étapes à partir du contexte fourni."}