DeepSeek V4.1 Flash Chat Completions API
deepseek/deepseek-v4.1-flashDeepSeek V4.1 Flash Chat Completions 将文本和图片转化为分析答案与代码建议，结合原生视觉理解百万 token 上下文。通过指令控制回答重点和长度，衔接多轮任务。
DeepSeek V4.1 Flash
DeepSeek · chat-completions
快速开始
向 /v1/chat/completions 发送 POST 请求，使用 deepseek/deepseek-v4.1-flash 获取生成结果与用量；stream 可选择 JSON 或 SSE。
- Endpoint
- POST /v1/chat/completions
- Model ID
- deepseek/deepseek-v4.1-flash
- Protocol
- Chat Completions
请求字段
| 字段 | 要求 | 说明 |
|---|---|---|
| model | 必填 | deepseek/deepseek-v4.1-flash |
| messages | 必填 | 按顺序排列的非空消息数组；content 为文本，或包含 text 和 image_url 的内容块数组。 |
| max_tokens | 可选 | 正整数，控制输出 token 上限；模型最大输出为 384K tokens，体验区范围为 1–65,536，默认 4,096。 |
| temperature | 可选 | 采样温度，范围为 0–2，默认 1。 |
| top_p | 可选 | 核采样概率，范围为 0–1，默认 1；可选择 temperature 或 top_p 调整采样。 |
| frequency_penalty | 可选 | 范围为 -2–2，默认 0；正值减少重复词语。 |
| presence_penalty | 可选 | 范围为 -2–2，默认 0；正值鼓励引入新话题。 |
| stop | 可选 | 停止字符串或最多四个停止字符串组成的数组。 |
| n | 可选 | 生成回复的数量，使用大于等于 1 的整数，默认 1。 |
| stream | 可选 | 默认 false 返回完整 JSON；true 返回 SSE 事件流，体验区使用流式回复。 |
返回与用量
成功响应包含生成内容和 usage。系统按实际输入、输出与缓存 token 结算。
流式响应
设置 stream: true 可读取 SSE；流结束后再从最终用量事件完成统计。
curl --request POST \
--url "https://api.vidgo.ai/v1/chat/completions" \
--header "Authorization: Bearer $VIDGO_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
"model": "deepseek/deepseek-v4.1-flash",
"messages": [
{
"role": "system",
"content": "You are a helpful assistant."
},
{
"role": "user",
"content": "Review this function and explain how to handle empty input: function average(values) { return values.reduce((sum, value) => sum + value, 0) / values.length; }"
}
],
"max_tokens": 4096,
"temperature": 1,
"top_p": 1,
"stream": false
}'图片理解示例
将示例中的图片 URL 替换为可访问的 JPEG、PNG、GIF 或 WebP 图片地址，并在同一条消息中写明分析目标。图片 token 计入输入用量。
curl --request POST \
--url "https://api.vidgo.ai/v1/chat/completions" \
--header "Authorization: Bearer $VIDGO_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
"model": "deepseek/deepseek-v4.1-flash",
"messages": [
{
"role": "user",
"content": [
{
"type": "text",
"text": "Summarize the main trend in this chart."
},
{
"type": "image_url",
"image_url": {
"url": "https://your-cdn.example/chart.png"
}
}
]
}
],
"max_tokens": 4096,
"stream": false
}'在服务端保存 API Key，并通过服务端请求调用模型。
继续体验
相关模型
DeepSeek V4.1 Flash Chat Completions API 常见问题
DeepSeek V4.1 Flash Chat Completions API 是什么？
DeepSeek V4.1 Flash Chat Completions 是 DeepSeek 用于将文本和图片转化为分析答案、解释与代码建议的模型。原生视觉与百万 token 上下文将截图、文档和历史对话联系起来。它采用结合压缩注意力的 Causal Encoder-Decoder 架构处理长上下文，并通过指令和输出预算引导回答。你可以通过 API 进行程序化调用，也可以在上方体验区直接在线试用。
DeepSeek V4.1 Flash 如何分析图片？
在同一条 API 消息中发送文字与图片。Chat Completions 使用 text 和 image_url 内容块，Responses 使用 input_text 和 input_image；提供可访问的 JPEG、PNG、GIF 或 WebP 图片，并点明需要解释的图表、界面状态或文档细节。
DeepSeek V4.1 Flash 的上下文有多长？
DeepSeek V4.1 Flash 提供百万 token 上下文，用于容纳原始材料与历史对话。为文档设置稳定的标题和章节标记，便于围绕长输入中的具体证据提问。
DeepSeek V4.1 Flash 能怎样辅助编程？
提供相关代码、预期行为、实际结果和明确任务，模型可解释函数、查找边界情况、提出修改建议，并在后续对话中协助组织调试步骤。
DeepSeek V4.1 Flash 可以输出多长的回答？
模型最大输出为 384K tokens。文本体验区可设置 1–65,536 输出 tokens，默认 4,096；Chat Completions 使用 max_tokens，Responses 使用 max_output_tokens 控制本次回答的输出预算。
DeepSeek V4.1 Flash 的缓存输入如何计费？
每百万缓存命中输入 tokens 为 $0.006，即 1.2 积分；普通输入为 $0.300，即 60 积分；输出为 $1.20，即 240 积分。用量中的缓存命中数量决定按缓存价格计算的输入部分。
DeepSeek V4.1 Flash 相比 V4 Flash 有哪些变化？
V4.1 Flash 引入原生图片理解，以及结合压缩稀疏注意力的 Causal Encoder-Decoder 架构。它将文本与图片分析结合到百万 token 上下文中，可在代码和文本任务的同一段对话里处理截图与文档图片。
如何为 DeepSeek V4.1 Flash 组织长任务？
先说明目标、约束、材料名称和完成标准，再提出当前需要的分析或步骤建议。检查回答依据后，通过后续消息补充新观察，按顺序保留对话中的决定，为下一次回答提供上下文。