DeepSeek V4.1 Flash nedir?

DeepSeek V4.1 Flash, DeepSeek'in 10 Eylül 2026'da yayımladığı, açık ağırlıklı bir uzman karışımı (MoE) dil modelidir. 17 Ekim'de şirket güncellenmiş bir sürüm olan V4.1 Flash 1017'yi yayımladı; API'deki model adı artık deepseek-flash. Metin ve görsel okur, metin yazar ve yaklaşık bir milyon token bağlamı kabul eder.

Öne çıkan sayı 552 milyar parametre, ama her token için çalışan bu değil. Bu yazı MoE modelinin ne yaptığını, DeepSeek'in V4.1 Flash hakkında yayımladıklarını, maliyetini ve hangi iddiaların bağımsız ölçülmüş, hangilerinin hâlâ yalnızca üreticiden geldiğini anlatıyor. Karşılaştırma ve geçiş hikâyesini önceki yazımızda işlemiştik; bu yazı mimariyle ilgili.

Uzman karışımı (MoE) modeli nasıl çalışır?

Yoğun (dense) bir model her token'ı tüm parametrelerinden geçirir. MoE modeli ise katmanlarının bir kısmını çok sayıda küçük uzman ağa böler ve küçük bir yönlendirici (router) ekler. Her token için yönlendirici birkaç uzman seçer ve yalnızca onlar çalışır; parametrelerin geri kalanı o token için boşta bekler.

Bu yüzden toplam boyut ile çalıştırma maliyeti iki ayrı sayıdır. Tüm ağırlıkları tutacak belleğe yine ihtiyacınız vardır, ama token başına hesap toplam parametreyi değil, aktif parametreyi izler.

"MoE modelinde toplam parametre sayısı modelin ne kadar şey bilebileceğini, aktif parametre sayısı ise bir token'ın kabaca neye mal olduğunu söyler."

DeepSeek V4.1 Flash mimarisi bir bakışta

Aşağıdaki rakamlar, SiliconFlow ve Kie.ai tarafından özetlenen yayımlanmış model tanımından geliyor. DeepSeek'in kendi model kartını açamadık; bu yüzden bunlar doğrulanmış değil, aktarılan bilgidir.

Bu rakamlarla aktif pay, istemi okurken omurganın yaklaşık yüzde 1,4'ü, yanıt yazarken yaklaşık yüzde 2,9'u eder (bu bizim hesabımız, üreticinin rakamı değil). Karşılaştırma için: Alibaba'nın Qwen3.8-Flash-Next önizlemesi 125 milyar parametrede 6 milyar aktif, yani yaklaşık yüzde 4,8; Qwen 4 önizleme yazımıza bakabilirsiniz.

Bir derleyici site uzman düzenini 1 paylaşımlı ve 384 yönlendirilen uzman, token başına 6 aktif olarak veriyor. SiliconFlow sayfası uzman sayısını belirtmiyor ve ikinci bir kaynak bulamadık; bu yüzden o sayıya dayanmıyoruz.

1M tokenlık bağlamda KV önbelleği neden önemli?

Çok uzun bağlamda sınır çoğu zaman hesap değil, KV önbelleğidir; yani modelin okuduğu her şey için tuttuğu bellek. DeepSeek bunu hedefleyen birkaç değişiklik anlatıyor:

Raporlanan sonuç, token başına 890 baytlık global KV önbelleği; önceki V4 Flash'ın yaklaşık dörtte biri. Bu üreticinin iddiası; bağımsız bir ölçümünü görmedik. Doğruysa, milyon tokenlık pencereyi sunmayı ekonomik kılan şey budur.

DeepSeek V4.1 Flash açık kaynak mı?

Ağırlıklar ve depo MIT lisansı altında, Hugging Face ve ModelScope üzerinde yayımlandı. MIT; ticari kullanıma, değiştirmeye ve yeniden dağıtıma izin verir. Ancak eğitim verisi ve bazı geliştirme çıktıları yayımlanmadı; bu yüzden doğru ifade "açık ağırlıklı"dır, katı anlamda "açık kaynak" değildir. Lisans ile veri kaynağı ayrı sorulardır: lisans ağırlıklarla ne yapabileceğinizi söyler, eğitim verisinin nereden geldiğini değil.

DeepSeek V4.1 Flash fiyatı

DeepSeek'in doğrudan API'si pik ve pik dışı fiyat uygular; aşağıdakiler 18 Eylül 2026 itibarıyla Kie.ai ve SiliconFlow sayfalarında listelenen değerlerdir. Pik saatler Pazartesi-Cuma, UTC 01:00-04:00 ve 06:00-10:00 arasıdır.

Diğer sağlayıcılar farklı fiyatlar. Artificial Analysis izlediği uç nokta için milyon girdi tokenı başına $0,29, milyon çıktı tokenı başına $1,20 listeliyor; bu yüzden kullandığınız sağlayıcının güncel fiyatına bakın.

Ne kadar iyi? Üretici rakamları ve bağımsız ölçümler

DeepSeek, aşağıdaki sonuçları en yüksek akıl yürütme çabasında, önceki V4 Flash ile karşılaştırarak raporluyor:

Ekim'deki 1017 sürümü için DeepSeek, DeepSWE v1.1'de 77,0 ve Terminal-Bench 4.0'da 42,3 raporluyor; ilk sürümde bunlar 74,2 ve 31,2 idi. Bu rakamlar henüz bağımsız olarak yeniden üretilmedi.

Bağımsız tarafta, Artificial Analysis modele Zekâ Endeksi'nde 39 veriyor (izlenen 121 modelden 10. sıra; açık ağırlıklı modellerin medyanı 19), saniyede yaklaşık 177 çıktı tokenı ve ilk tokena 1,01 saniye. Başlıca zayıflığı gevezelik: endeksi çalıştırmak için 250 milyon çıktı tokenı kullandı, medyan 140 milyon. Puanlar sürüme ve endeks versiyonuna göre biraz değişir; bu yüzden rakamları yalnızca aynı tarihten geliyorlarsa karşılaştırın. Sayfa ayrıca o sürümü 1017 lehine kullanımdan kalkmış olarak işaretliyor.

DeepSeek V4.1 Flash'ı API'den nasıl çağırırım?

SiliconFlow'un geçiş rehberine göre doğrudan API, https://api.deepseek.com adresinde OpenAI uyumludur; model kimliğini deepseek-flash yaparsınız, düşünmeyi extra_body ile açar ve istekte reasoning_effort belirlersiniz. Eski V4 Flash emekliye ayrıldı ve eski takma adları geçici olarak V4.1 Flash'a yönleniyor. Kimliği değiştirmek yalnızca ilk adım:

Hive de model için barındırılan bir deneme sayfası sunuyor (portal.thehive.ai). İçeriği bizim için yüklenmedi; bu yazıdaki hiçbir bilgi oradan alınmadı.

Sık sorulan sorular

DeepSeek V4.1 Flash kaç parametreli?

Omurgası 552 milyar parametre. Token başına istemi okurken yaklaşık 8 milyar, üretirken yaklaşık 16 milyar parametre aktif. Ayrıca 196 milyar parametrelik ayrı bir bellek bileşeni raporlanıyor.

DeepSeek V4.1 Flash gerçekten MoE mi?

Evet, okuduğumuz tüm kaynaklar onu uzman karışımı modeli olarak tanımlıyor. Kesin uzman sayılarını yalnızca bir derleyici site verdiği için bunları kesin bilgi olarak yazmıyoruz.

Bağlam penceresi ne kadar?

Yaklaşık 1 milyon token (bir sürüm kartında 1.048.576); DeepSeek API'sinde en fazla 384K token çıktı.

Ticari olarak kullanabilir miyim?

Ağırlıklar MIT lisansı altında ve ticari kullanıma izin veriyor. Veri kaynağını ve sağlayıcınızın koşullarını ayrıca değerlendirin.

Sonuç

V4.1 Flash, manşetteki boyuttan çok aktif parametre sayısının ve KV önbelleğinin neden önemli olduğunu gösteriyor. Çalıştırması ucuz, izin veren bir lisansla açık ağırlıklı ve bulduğumuz bağımsız ölçümlerde güçlü; ama en çarpıcı iddialarından bazıları hâlâ üreticiden geliyor. Geçmeden önce kendi görevlerinizde test edin.

Kaynaklar

Rakamlar Eylül-Ekim 2026 arasında yayımlandığı gibi aktarılmıştır ve değişmiş olabilir. Kaynakların bir kısmı ikincil; önemli rakamları DeepSeek'in kendi model kartında doğrulayın.

Kendi çalışma alanınızda çalışırken görün

Bir TotalApp kiracısı oluşturun ve bu yazıda bahsedilen modülleri bağlayın — her departman için ayrı kurulum gerekmez.

TotalApp'i Ücretsiz Deneyin
Daha fazla yazı oku