Comparar

DeepSeek-V4-Flash (0731) vs DeepSeek V4.1 Flash

Coloque dois a quatro modelos lado a lado nos campos que decidem uma implementação: contexto, preço, região, licença, idiomas, alojamento e o que está verificado.

DeepSeek-V4-Flash (0731)DeepSeek V4.1 Flash
Fornecedor DeepSeekDeepSeek
Parâmetros 304.18B763.2B
Janela de contexto 1.0MNão verificado: o fornecedor não documentou esta afirmação.
Licença mitmit
Modalidades texttext, vision
Data de lançamento 31/07/202610/09/2026
Idiomas Forte: en, zh
Adequado: de, fr, es, it, pt, ru, ja, ko, ar
Não verificado: o fornecedor não documentou esta afirmação.
Pesos abertos simsim
Tarefas Raciocínio, Codificação, Sumarização, Recuperação (RAG)Raciocínio, Codificação, Visão

Onde dois modelos diferem, esta tabela mostra a diferença e para. A LLM EU não publica um selo de vencedor sem uma pontuação documentada para essa tarefa, e um valor em falta permanece em falta em vez de se tornar zero.

Quando usar

DeepSeek-V4-Flash (0731)

Pontos fortes

  • MIT licence with no user threshold or field-of-use restriction
  • 1M-token context window
  • three reasoning-effort levels for latency control
  • vendor reports it beats its own larger preview model on published benchmarks

Limitações

  • 304B parameters require a multi-GPU node even at reduced precision
  • all benchmark claims are self-reported by DeepSeek
  • no evaluation has been run by LLM EU

Tarefas

Raciocínio, Codificação, Sumarização, Recuperação (RAG)

DeepSeek V4.1 Flash

Pontos fortes

  • open weights are published on Hugging Face and can be downloaded without a vendor agreement
  • mit licence, so commercial self-hosting is permitted without a separate agreement

Limitações

  • catalogue only — LLM EU does not run this model, and nothing on this card implies an LLM EU endpoint
  • no evaluation has been run by LLM EU
  • the published configuration records no context window, so the card carries none
  • at 763.2B parameters, self-hosting needs a multi-node deployment rather than a single server
  • vision checkpoints are heavier to serve than their parameter count alone suggests, because the image encoder and pre-processing run alongside the language model

Tarefas

Raciocínio, Codificação, Visão

Tarefas: Raciocínio, Codificação

Comparar modelos

Comparar modelos →