Indlæser kataloget…
Indlæser kataloget…
DeepSeeks vision-kapable sparse MoE-model til tekst og billeder som inddata, med et kontekstvindue på 1 million tokens og åbne vægte under MIT-licens.
Oversigt. DeepSeek-V4.1-Flash-1017 er en opdatering af DeepSeek V4.1 Flash-vægtene, udgivet af DeepSeek den 17. oktober 2026. Den tager tekst og billeder som inddata og genererer tekst over et kontekstvindue på op til 1.048.576 tokens. Arkitekturen er en sparse mixture-of-experts med 384 rutede eksperter, hvoraf seks er aktive per token. DeepSeek oplyser, at arkitekturen, tokenizeren og chat-formatet er uændret fra V4.1 Flash, så et skift kræver blot en ændring af modelnavnet.
Vigtigste styrker. Billed- og tekstinddata i én model, et kontekstvindue på 1 million tokens og åbne vægte under MIT-licensen. Brug af værktøjer, struktureret uddata og ræsonneringsniveauer blev bekræftet på leverandørendepunktet ved Stavs egne test den 19. oktober 2026. DeepSeek rapporterer bedre scorer end V4.1 Flash på agentisk koding og terminal-benchmarks; disse tal stammer fra modelskaberens eget modelkort, ikke fra en uafhængig benchmark.
Anvendelsesområder. Brug den, hvor du ville bruge V4.1 Flash og ønsker den nyere modelversion: lange dokumenter eller samtaler, der ellers ville kræve opdeling, arbejdsopgaver der blander billeder og tekst, samt agentiske opgaver eller opgaver med mange trin, hvor du kun hæver ræsonneringsniveauet, når en forespørgsel kræver det.
Begrænsninger. Uafhængige benchmarks er endnu ikke tilgængelige for denne modelversion, og DeepSeek har ikke oplyst, hvor træningsdataene slutter, det samlede antal parametre eller den maksimale længde på uddata. Stavs test bekræfter, at brug af værktøjer, struktureret uddata og ræsonneringsniveauer fungerer, men ikke hvor godt. Længden på uddata er begrænset af den valgte leverandør.
13 anvendelsesområder klassificeret af redaktøren. Noten forklarer hvorfor.
Det store kontekstvindue gør det muligt at bevare omfattende samtaler eller referencemateriale, men der er ikke angivet egenskaber for verktøjskald, data om svartid eller benchmarks for kundesupport.
En generel sprogmodel kan håndtere tekstklassificering, og kontekstvinduet på 1.048.576 tokens giver plads til store batches eller kontekstuelle inddata; der er ikke oplyst nogen klassificeringsscorer.
Kontekstvinduet på 1.048.576 tokens kan understøtte syntese på tværs af en stor mængde medsendt litteratur; der er ikke oplyst nogen benchmarks for litteraturgennemgang.
Kontekstvinduet på 1.048.576 tokens kan understøtte omfattende kildemateriale og lange skriveopgaver; der findes ingen benchmarks for skrivning eller verificerede kvalitetskrav, der kan retfærdiggøre en højere vurdering.
Modellens profil som sprogmodel og kontekstvinduet på 1.048.576 tokens giver et grundlag for at omskrive forespørgsler med bred kontekst; der er ingen tilgængelige benchmarks for omskrivning af forespørgsler.
Modellen er en generel sprogmodel med et kontekstvindue på 1.048.576 tokens, som kan rumme lange inddata til oversættelse; der er ingen sprogspecifikke benchmarks tilgængelige.
Kontekstvinduet på 1.048.576 tokens kan give en bred kontekst til søgerelaterede opgaver, men da der ikke er markeret egenskaber for hverken embedding eller hentning, er der ikke belæg for at kalde det en dedikeret model til semantisk søgning.
Tal fra eksterne kilder, ikke vores egne vurderinger. Percentiler er målt mod hele Stav-kataloget.
Beregnet ud fra aa-intelligence-index, gpqa-diamond, aa-engineering-index, aa-coding-index, livecodebench, terminal-bench-v4, aa-lcr.
curl https://api.stav.ai/v1/chat/completions \
-H "Authorization: Bearer $STAV_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "deepseek-ai/deepseek-v4-1-flash-1017",
"reasoning_effort": "high",
"messages": [{"role": "user", "content": "Hello!"}]
}'→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level — det niveau, forespørgslen blev betjent på