进阶 api-docs.deepseek.com 2026-10-13 22:45:35 · 52 阅读
第43章 DeepSeek V4.1-Flash 发布日志与 API 更新说明
更新日志
2026年9月10日
发布 DeepSeek-V4.1-Flash
今日正式发布 DeepSeek-V4.1-Flash 模型。这是新一代架构家族中最小的模型，具备原生多模态视觉理解能力。新架构旨在突破更高的能力上限，实现更快的推理速度、更高的吞吐量，并支持向更大规模的模型扩展。
GPQA Diamond: 90.9
HLE: 36.8 (39.1*)
Codeforces (Rating): 3471
MathArena Apex: 65.6
Terminal-Bench 2.1: 90.6
Terminal-Bench 3.0: 30.0
Terminal-Bench 4.0: 31.2
DeepSWE v1.1: 74.2
ProgramBench: 20.3
NL2Repo-Bench: 65.4
CyberGym: 88.1
SEC-Bench Pro: 62.8
ExploitGym: 15.3
HLE (w/tools): 63.9
Automation-Bench: 54.8
Agents' Last Exam: 31.8
Chartography (w/tools): 78.9
BabyVision (w/tools): 89.6
ZeroBench-main (w/tools): 49.0
* 仅在 HLE 基准测试集的纯文本子集上进行测试。
API 变更
DeepSeek V4.1 Flash 现已在 DeepSeek API 上线，支持原生多模态。将模型名称改为 `deepseek-flash` 即可调用最新的 V4.1 Flash 模型。上一代模型 V4 Flash 和 V4 Flash Vision Exp 已停止服务；为了兼容现有工作流，模型名称 `deepseek-v4-flash` 和 `deepseek-v4-flash-vision-exp` 将暂时路由至 V4.1 Flash。
应广大用户要求，我们决定在 2026年9月14日 之后继续提供 DeepSeek V4 Pro 的 API 服务，计费方式保持不变。如有变更，我们将另行通知。感谢您的理解与支持！
API 价格调整
随着 DeepSeek-V4.1-Flash 的发布，API 价格已相应下调。详情请参阅《模型与价格》。
更多详情，请参阅此文档。
2026年8月21日
发布 DeepSeek-V4-Flash-Vision-Exp
今日，全新的多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp 已在 DeepSeek API 平台上线。这是一个实验性模型，通过设置 `model='deepseek-v4-flash-vision-exp'` 即可访问。
Terminal Bench 2.1: 83.9
NL2Repo: 57.7
DeepSWE: 59.3
DSBench-Hard: 63.6
AutomationBench (Public): 25.7
ApexBench (Pass@1): 36.5
Agents' Last Exam: 27.3
Chartography: 64.3
ZeroBench (Pass@5): 35.0
* 在公开基准测试集的 Code Agent 文本任务中，DeepSeek 系列模型使用 DeepSeek Harness 极简模式作为框架，采用最大努力等级，topp=0.95，temperature=1.0；在 ApexBench 和 Agents' Last Exam 评估中，文本模型 DeepSeek-V4-Flash 会忽略其中的多模态元素。
在纯文本能力（agent、推理、世界知识等）方面，DeepSeek-V4-Flash-Vision-Exp 与官方 DeepSeek-V4-Flash 持平。
在需要视觉理解的 agent 基准测试中，DeepSeek-V4-Flash-Vision-Exp 相比 DeepSeek-V4-Flash 实现了显著提升，使其多模态 agent 能力接近 Opus-4.8。
使用详情，请参阅视觉指南。
2026年8月13日
更新 DeepSeek-V4-Pro
DeepSeek-V4-Pro 正式版已在 APP、Web 和 API 端全面推出。API 调用方式保持不变——只需将模型名称设置为 `deepseek-v4-pro` 即可使用最新版本。
Agent 能力显著增强
DeepSeek V4 Pro 正式版大幅增强了 agent 能力，在生产环境中的性能提升尤为显著。
HLE (wo / w tools): 42.7/60.0
Terminal Bench 2.1: 87.9
NL2Repo: 61.5
Cybergym: 83.3
DeepSWE: 62.7
Toolathlon-Verified: 74.1
Agents' Last Exam: 25.7
AutomationBench (Public): 31.8
DSBench-FullStack: 71.1
DSBench-Hard: 67.2
原生支持 Responses API
DeepSeek API 现已原生支持 OpenAI Responses API 格式，并针对 Codex 进行了专门适配。用户可参考官方文档，通过一键配置脚本完成 Codex 设置。
更灵活的思考力度控制
V4-Pro 和 V4-Flash 的思考模式现已支持低 / 高 / 最大 三种思考力度等级。在实际使用中，用户可根据任务复杂度灵活选择：简单任务使用低等级，日常 Agent 任务使用高等级，复杂场景使用最大等级。设置说明请参阅官方 API 文档：思考模式。
API 价格调整
随着 DeepSeek V4 模型家族的正式发布，我们将更新并调整 API 价格。为更合理地分配资源，我们将采用峰谷计价，非高峰时段价格设为高峰时段的 50%，鼓励用户根据实际使用情况安排任务。新价格将于 2026年8月16日 16:00 (UTC) 生效。
更多详情，请参阅此文档。
2026年7月31日
更新 DeepSeek-V4-Flash
DeepSeek-V4-Flash API 正式版的公开测试现已开放。API 调用方式保持不变——只需将模型名称设置为 `deepseek-v4-flash` 即可使用最新版本。
Agent 能力显著增强，基准测试结果远超 V4-Pro-Preview：
Terminal Bench 2.1: 82.7
NL2Repo: 54.2
Cybergym: 76.7
DeepSWE: 54.4
Toolathlon verified: 70.3
Agent Last Exam: 25.2
Automation Bench (Public): 25.1
DSBench-FullStack: 68.7
DSBench-Hard: 59.6
注 1：在公开基准测试集的 Code Agent 任务中，官方 DeepSeek-V4-Flash 使用 DeepSeek Harness 极简模式（即将发布）作为框架，采用最大努力等级，topp=0.95，temperature=1.0
备注 2：DSBench-FullStack 是内部全栈开发测试集，DSBench-Hard 是内部 Coding Agent 高难度问题测试集 官方 V4-Flash 原生支持 Responses API 格式，并针对 Codex 进行了专门适配。具体配置请参阅文档。
DeepSeek-V4-Flash-0731 与 DeepSeek-V4-Flash-Preview 保持相同的模型架构和规模，仅经过重新后训练。
注意：本次更新仅升级 DeepSeek-V4-Flash API。DeepSeek-V4-Pro API 以及 APP/WEB 模型保持不变。
DeepSeek-V4-Pro 的正式发布即将跟进。
日期：2026-04-24 DeepSeek-V4 DeepSeek API 现已支持 V4-Pro 和 V4-Flash，同时可通过 OpenAI ChatCompletions 接口和 Anthropic 接口调用。使用新模型时 base_url 保持不变，只需将 model 参数设为 deepseek-v4-pro 或 deepseek-v4-flash。 原有的两个模型名称 deepseek-chat 和 deepseek-reasoner 将在三个月后（2026-07-24）停用。在此之前，这两个名称分别指向 deepseek-v4-flash 的非思考模式和思考模式。 详情请参阅相关文档。 日期：2025-12-01 DeepSeek-V3.2 deepseek-chat 和 deepseek-reasoner 均已升级至 DeepSeek-V3.2。 deepseek-chat 对应 DeepSeek-V3.2 的非思考模式 deepseek-reasoner 对应 DeepSeek-V3.2 的思考模式 DeepSeek-V3.2-Speciale DeepSeek-V3.2-Speciale 通过临时端点提供服务：base_url="https://api.deepseek.com/v3.2_speciale_expires_on_20251215"。价格与 V3.2 相同，不支持工具调用，可用至 2025 年 12 月 15 日 15:59（UTC）。 详情请参阅相关文档。 日期：2025-09-29 DeepSeek-V3.2-Exp deepseek-chat 和 deepseek-reasoner 均已升级至 DeepSeek-V3.2-Exp。 deepseek-chat 对应 DeepSeek-V3.2-Exp 的非思考模式 deepseek-reasoner 对应 DeepSeek-V3.2-Exp 的思考模式 详情请参阅相关文档。 日期：2025-09-22 DeepSeek-V3.1-Terminus deepseek-chat 和 deepseek-reasoner 均已升级至 DeepSeek-V3.1-Terminus。deepseek-chat 对应其非思考模式，deepseek-reasoner 对应其思考模式。 本次更新在保持原有能力的同时，修复了用户反馈的以下问题： 语言一致性：减少了中英文混杂和偶发异常字符的情况； Agent 能力：进一步优化了 Code Agent 和 Search Agent 的表现。 日期：2025-08-21 DeepSeek-V3.1 deepseek-chat 和 deepseek-reasoner 均已升级至 DeepSeek-V3.1。deepseek-chat 对应 DeepSeek-V3.1 的非思考模式，deepseek-reasoner 对应其思考模式。 DeepSeek-V3.1 主要更新： 混合推理架构：单个模型同时支持思考模式和非思考模式 推理效率提升：相比 DeepSeek-R1-0528，DeepSeek-V3.1-Think 的响应时间显著缩短 Agent 能力增强：经过后训练优化，新模型在工具调用和智能体任务上有大幅提升 SWE-bench Verified：66.0 SWE-bench Multilingual：54.5 Terminal-bench：31.3 日期：2025-05-28 deepseek-reasoner deepseek-reasoner 模型已升级至 DeepSeek-R1-0528： 推理能力增强 基准测试（Pass@1）显著提升 AIME 2025：70.0 → 87.5（+17.5） GPQA：71.5 → 81.0（+9.5） LCB_v6：63.5 → 73.3（+9.8） Aider：57.0 → 71.6（+14.6） 注意：复杂推理任务相比旧版 R1 可能消耗更多 token。 前端开发优化 生成的网页和游戏在美观度上有明显提升。 幻觉减少 显著抑制了旧版 R1 存在的幻觉问题。 支持 JSON 输出与 Function Calling Function Call 表现： Tau-bench 得分：53.5（Airline）/ 63.9（Retail） 日期：2025-03-24 deepseek-chat deepseek-chat 模型已升级至 DeepSeek-V3-0324： 推理能力增强 基准测试成绩显著提升： MMLU-Pro：75.9 → 81.2（+5.3） GPQA：59.1 → 68.4（+9.3） AIME：39.6 → 59.4（+19.8） LiveCodeBench：39.2 → 49.2（+10.0） 前端网页开发优化 代码生成准确度提升 网页和游戏前端更加美观 中文写作能力升级 风格和内容质量均有提升： 写作风格向 R1 看齐 中长篇写作质量更好 功能增强 多轮交互改写能力提升 翻译质量和书信写作优化 中文搜索能力改进 报告分析类请求的输出更加详尽 Function Calling 改进 Function Calling 准确率提升，修复了此前 V3 版本的相关问题 日期：2025-01-20 deepseek-reasoner deepseek-reasoner 是我们的新模型 DeepSeek-R1。指定 model='deepseek-reasoner' 即可调用 DeepSeek-V3。 详情请参阅：DeepSeek-R1 发布 使用指南请参阅：思考模式 日期：2024-12-26 deepseek-chat deepseek-chat 模型已升级至 DeepSeek-V3。API 保持不变，指定 model='deepseek-chat' 即可调用 DeepSeek-V3。 详情请参阅：DeepSeek-V3 发布介绍 日期：2024-12-10 deepseek-chat deepseek-chat 模型已升级至 DeepSeek-V2.5-1210，多项能力均有提升，相关评测结果包括： 数学：MATH-500 基准成绩从 74.8% 提升至 82.8%。 编程：LiveCodebench（08.01 - 12.01）基准准确率从 29.2% 提升至 34.38%。 写作与推理：内部测试集上也有相应提升。 此外，新版模型还优化了文件上传和网页摘要功能的用户体验。 日期：2024-09-05 deepseek-coder 与 deepseek-chat 升级至 DeepSeek V2.5 模型 DeepSeek V2 Chat 和 DeepSeek Coder V2 两个模型合并升级为新模型 DeepSeek V2.5。 为保持向后兼容，API 用户通过 deepseek-coder 或 deepseek-chat 均可访问新模型。 新模型在通用能力和代码能力上都远超前代版本。 新模型更符合人类偏好，并在写作任务、指令遵循等方面做了多项优化： ArenaHard 胜率从 68.3% 提升至 76.3% AlpacaEval 2.0 LC 胜率从 46.61% 提升至 50.52% MT-Bench 得分从 8.84 提升至 9.02 AlignBench 得分从 7.88 提升至 8.04 新模型在原 Coder 模型基础上进一步增强代码生成能力，针对常见编程场景做了优化，在标准测试集上取得如下成绩： HumanEval：89% LiveCodeBench（1 月-9 月）：41% 日期：2024-08-02 API 推出硬盘缓存技术 DeepSeek API 创新性地采用硬盘缓存，价格再度下降一个数量级。 详情请参阅文档：Context Caching is Available 2024/08/02。 日期：2024-07-25 API 新功能 更新 API /chat/completions JSON Mode Function Calling Chat Prefix Completion（Beta） 8K max_tokens（Beta） 新增 API /completions FIM Completion（Beta） 详情请查阅文档：New API Features 2024/07/25 日期：2024-07-24 deepseek-coder deepseek-coder 模型已升级至 DeepSeek-Coder-V2-0724。 日期：2024-06-28 deepseek-chat deepseek-chat 模型已升级至 DeepSeek-V2-0628。 模型推理能力有所提升，相关基准测试如下： 编程：HumanEval Pass@1 79.88% -> 84.76% 数学：MATH ACC@1 55.02% -> 71.02% 推理：BBH 78.56% -> 83.40% 在 Arena-Hard 评测中，对 GPT-4-0314 的胜率从 41.6% 提升至 68.3%。 模型的角色扮演能力显著增强，可以在对话中按要求扮演不同角色。 日期：2024-06-14 deepseek-coder deepseek-coder 模型已升级至 DeepSeek-Coder-V2-0614，代码能力显著增强，在代码生成、代码理解、代码调试和代码补全方面已达到 GPT-4-Turbo-0409 的水平。此外，模型还具备出色的数学和推理能力，通用能力与 DeepSeek-V2-0517 相当。 日期：2024-05-17 deepseek-chat deepseek-chat 模型已升级至 DeepSeek-V2-0517。模型指令遵循能力大幅提升，IFEval 基准 Prompt-Level 准确率从 63.9% 跃升至 77.6%。此外，API 端还优化了模型对 system 部分指令的遵循能力，显著改善了沉浸式翻译、检索增强生成（RAG）等多种任务的用户体验。 模型输出 JSON 格式的准确率也有所提高：内部测试集中 JSON 解析成功率从 78% 提升至 85%，配合合适的正则表达式后可进一步提升至 97%。
备注 2：DSBench-FullStack 是内部全栈开发测试集，DSBench-Hard 是内部 Coding Agent 高难度问题测试集 官方 V4-Flash 原生支持 Responses API 格式，并针对 Codex 进行了专门适配。具体配置请参阅文档。
DeepSeek-V4-Flash-0731 与 DeepSeek-V4-Flash-Preview 保持相同的模型架构和规模，仅经过重新后训练。
注意：本次更新仅升级 DeepSeek-V4-Flash API。DeepSeek-V4-Pro API 以及 APP/WEB 模型保持不变。
DeepSeek-V4-Pro 的正式发布即将跟进。
日期：2026-04-24 DeepSeek-V4 DeepSeek API 现已支持 V4-Pro 和 V4-Flash，同时可通过 OpenAI ChatCompletions 接口和 Anthropic 接口调用。使用新模型时 base_url 保持不变，只需将 model 参数设为 deepseek-v4-pro 或 deepseek-v4-flash。 原有的两个模型名称 deepseek-chat 和 deepseek-reasoner 将在三个月后（2026-07-24）停用。在此之前，这两个名称分别指向 deepseek-v4-flash 的非思考模式和思考模式。 详情请参阅相关文档。 日期：2025-12-01 DeepSeek-V3.2 deepseek-chat 和 deepseek-reasoner 均已升级至 DeepSeek-V3.2。 deepseek-chat 对应 DeepSeek-V3.2 的非思考模式 deepseek-reasoner 对应 DeepSeek-V3.2 的思考模式 DeepSeek-V3.2-Speciale DeepSeek-V3.2-Speciale 通过临时端点提供服务：base_url="https://api.deepseek.com/v3.2_speciale_expires_on_20251215"。价格与 V3.2 相同，不支持工具调用，可用至 2025 年 12 月 15 日 15:59（UTC）。 详情请参阅相关文档。 日期：2025-09-29 DeepSeek-V3.2-Exp deepseek-chat 和 deepseek-reasoner 均已升级至 DeepSeek-V3.2-Exp。 deepseek-chat 对应 DeepSeek-V3.2-Exp 的非思考模式 deepseek-reasoner 对应 DeepSeek-V3.2-Exp 的思考模式 详情请参阅相关文档。 日期：2025-09-22 DeepSeek-V3.1-Terminus deepseek-chat 和 deepseek-reasoner 均已升级至 DeepSeek-V3.1-Terminus。deepseek-chat 对应其非思考模式，deepseek-reasoner 对应其思考模式。 本次更新在保持原有能力的同时，修复了用户反馈的以下问题： 语言一致性：减少了中英文混杂和偶发异常字符的情况； Agent 能力：进一步优化了 Code Agent 和 Search Agent 的表现。 日期：2025-08-21 DeepSeek-V3.1 deepseek-chat 和 deepseek-reasoner 均已升级至 DeepSeek-V3.1。deepseek-chat 对应 DeepSeek-V3.1 的非思考模式，deepseek-reasoner 对应其思考模式。 DeepSeek-V3.1 主要更新： 混合推理架构：单个模型同时支持思考模式和非思考模式 推理效率提升：相比 DeepSeek-R1-0528，DeepSeek-V3.1-Think 的响应时间显著缩短 Agent 能力增强：经过后训练优化，新模型在工具调用和智能体任务上有大幅提升 SWE-bench Verified：66.0 SWE-bench Multilingual：54.5 Terminal-bench：31.3 日期：2025-05-28 deepseek-reasoner deepseek-reasoner 模型已升级至 DeepSeek-R1-0528： 推理能力增强 基准测试（Pass@1）显著提升 AIME 2025：70.0 → 87.5（+17.5） GPQA：71.5 → 81.0（+9.5） LCB_v6：63.5 → 73.3（+9.8） Aider：57.0 → 71.6（+14.6） 注意：复杂推理任务相比旧版 R1 可能消耗更多 token。 前端开发优化 生成的网页和游戏在美观度上有明显提升。 幻觉减少 显著抑制了旧版 R1 存在的幻觉问题。 支持 JSON 输出与 Function Calling Function Call 表现： Tau-bench 得分：53.5（Airline）/ 63.9（Retail） 日期：2025-03-24 deepseek-chat deepseek-chat 模型已升级至 DeepSeek-V3-0324： 推理能力增强 基准测试成绩显著提升： MMLU-Pro：75.9 → 81.2（+5.3） GPQA：59.1 → 68.4（+9.3） AIME：39.6 → 59.4（+19.8） LiveCodeBench：39.2 → 49.2（+10.0） 前端网页开发优化 代码生成准确度提升 网页和游戏前端更加美观 中文写作能力升级 风格和内容质量均有提升： 写作风格向 R1 看齐 中长篇写作质量更好 功能增强 多轮交互改写能力提升 翻译质量和书信写作优化 中文搜索能力改进 报告分析类请求的输出更加详尽 Function Calling 改进 Function Calling 准确率提升，修复了此前 V3 版本的相关问题 日期：2025-01-20 deepseek-reasoner deepseek-reasoner 是我们的新模型 DeepSeek-R1。指定 model='deepseek-reasoner' 即可调用 DeepSeek-V3。 详情请参阅：DeepSeek-R1 发布 使用指南请参阅：思考模式 日期：2024-12-26 deepseek-chat deepseek-chat 模型已升级至 DeepSeek-V3。API 保持不变，指定 model='deepseek-chat' 即可调用 DeepSeek-V3。 详情请参阅：DeepSeek-V3 发布介绍 日期：2024-12-10 deepseek-chat deepseek-chat 模型已升级至 DeepSeek-V2.5-1210，多项能力均有提升，相关评测结果包括： 数学：MATH-500 基准成绩从 74.8% 提升至 82.8%。 编程：LiveCodebench（08.01 - 12.01）基准准确率从 29.2% 提升至 34.38%。 写作与推理：内部测试集上也有相应提升。 此外，新版模型还优化了文件上传和网页摘要功能的用户体验。 日期：2024-09-05 deepseek-coder 与 deepseek-chat 升级至 DeepSeek V2.5 模型 DeepSeek V2 Chat 和 DeepSeek Coder V2 两个模型合并升级为新模型 DeepSeek V2.5。 为保持向后兼容，API 用户通过 deepseek-coder 或 deepseek-chat 均可访问新模型。 新模型在通用能力和代码能力上都远超前代版本。 新模型更符合人类偏好，并在写作任务、指令遵循等方面做了多项优化： ArenaHard 胜率从 68.3% 提升至 76.3% AlpacaEval 2.0 LC 胜率从 46.61% 提升至 50.52% MT-Bench 得分从 8.84 提升至 9.02 AlignBench 得分从 7.88 提升至 8.04 新模型在原 Coder 模型基础上进一步增强代码生成能力，针对常见编程场景做了优化，在标准测试集上取得如下成绩： HumanEval：89% LiveCodeBench（1 月-9 月）：41% 日期：2024-08-02 API 推出硬盘缓存技术 DeepSeek API 创新性地采用硬盘缓存，价格再度下降一个数量级。 详情请参阅文档：Context Caching is Available 2024/08/02。 日期：2024-07-25 API 新功能 更新 API /chat/completions JSON Mode Function Calling Chat Prefix Completion（Beta） 8K max_tokens（Beta） 新增 API /completions FIM Completion（Beta） 详情请查阅文档：New API Features 2024/07/25 日期：2024-07-24 deepseek-coder deepseek-coder 模型已升级至 DeepSeek-Coder-V2-0724。 日期：2024-06-28 deepseek-chat deepseek-chat 模型已升级至 DeepSeek-V2-0628。 模型推理能力有所提升，相关基准测试如下： 编程：HumanEval Pass@1 79.88% -> 84.76% 数学：MATH ACC@1 55.02% -> 71.02% 推理：BBH 78.56% -> 83.40% 在 Arena-Hard 评测中，对 GPT-4-0314 的胜率从 41.6% 提升至 68.3%。 模型的角色扮演能力显著增强，可以在对话中按要求扮演不同角色。 日期：2024-06-14 deepseek-coder deepseek-coder 模型已升级至 DeepSeek-Coder-V2-0614，代码能力显著增强，在代码生成、代码理解、代码调试和代码补全方面已达到 GPT-4-Turbo-0409 的水平。此外，模型还具备出色的数学和推理能力，通用能力与 DeepSeek-V2-0517 相当。 日期：2024-05-17 deepseek-chat deepseek-chat 模型已升级至 DeepSeek-V2-0517。模型指令遵循能力大幅提升，IFEval 基准 Prompt-Level 准确率从 63.9% 跃升至 77.6%。此外，API 端还优化了模型对 system 部分指令的遵循能力，显著改善了沉浸式翻译、检索增强生成（RAG）等多种任务的用户体验。 模型输出 JSON 格式的准确率也有所提高：内部测试集中 JSON 解析成功率从 78% 提升至 85%，配合合适的正则表达式后可进一步提升至 97%。
