Introdução
DeepSeek V4.1 Flash é o modelo de contexto longo e alta vazão da DeepSeek, disponível aqui como um endpoint compatível com OpenAI em /v1/chat/completions. Ele lê até 1.048.576 tokens em no máximo 256 mensagens e pode devolver até 384.000 numa resposta, com o esforço de raciocínio em high por padrão.
As mensagens carregam texto e imagens. Até 128 tools com tool_choice, saída JSON via response_format e streaming SSE vão na mesma chamada, e a cobrança separa entrada, entrada em cache e saída.
Recursos e destaques
Saídas longas de um modelo Flash
O teto da resposta é de 384.000 tokens para uma janela de 1.048.576. Uma extração completa de um conjunto grande de documentos, uma tradução longa ou uma suíte de testes inteira podem voltar numa só resposta, em vez de serem montadas a partir de várias chamadas que nunca viram a saída umas das outras.
O raciocínio divide o orçamento de saída
Este modelo raciocina antes de responder, e o raciocínio sai de max_tokens. Um teto pequeno demais pode ser gasto inteiro pensando: medido em 120 tokens, a resposta voltou sem conteúdo e a requisição foi dada como falha e reembolsada em vez de cobrada como resposta.
Dois níveis de esforço no mesmo corpo
reasoning_effort vem em high por padrão, e low é o ajuste mais leve para passadas em massa. Trocar é uma string na mesma requisição, então uma varredura em massa e uma repetição cuidadosa das falhas dela dividem uma única integração.
Parâmetros da requisição
| Parâmetro | Obrigatório | Descrição |
|---|---|---|
messages | Sim | Turnos ordenados, do mais antigo para o mais novo, no máximo 256. O conteúdo é uma string ou um array de partes text e |
reasoning_effort | Não | none, low ou high, high por padrão. |
stop | Não | Até 4 sequências, como string ou array. A resposta termina assim que o modelo escreve uma delas, e o texto correspondente não é devolvido. pelo menos 1 caracteres · pelo menos 1 itens · no máximo 4 itens |
max_tokens | Não | Limita a resposta a 384.000. O padrão é 32.768, que corta um entregável longo em silêncio. |
tools | Não | Até 128 definições de função numa requisição. no máximo 128 itens |
tool_choice | Não | auto, none, required ou um objeto nomeando uma função. |
response_format | Não | Peça um objeto JSON quando a resposta alimenta um parser, não uma pessoa. |
Preços
Entrada $0.30 / Saída $1.20 por 1 milhão de tokens
Casos de uso
Extração de documentos inteiros
Envie um conjunto inteiro de contratos ou um arquivo de políticas com response_format em json_object e peça cada obrigação ou cláusula como linhas estruturadas. Com espaço para 384.000 tokens de saída, a tabela completa volta de uma vez.
Revisão de código com um relatório longo
Coloque um serviço inteiro — handlers, migrações, testes — numa requisição e peça os defeitos com arquivo e linha. Nada foi picado antes, então um bug que atravessa um controller e uma migração continua visível numa só passada, e o relatório tem espaço para cada achado.
Agentes que chamam funções
Declare até 128 tools numa requisição e deixe o tool_choice decidir se o modelo pode chamá-las. Os resultados voltam como mensagens com papel tool, e reasoning_content no turno de assistant leva adiante o raciocínio do passo anterior em vez de recomeçar o plano.
Guia de prompt e dicas práticas
Uma chamada estruturada para adaptar
POST https://api.spicyapi.ai/v1/chat/completions com {"model": "deepseek/v4.1-flash", "messages": [{"role": "system", "content": "Extract every obligation as JSON with keys party, duty, deadline and clause."}, {"role": "user", "content": "<the contract set>"}], "reasoning_effort": "low", "max_tokens": 60000, "response_format": {"type": "json_object"}}. Em saídas longas, adicione "stream": true para que os tokens cheguem enquanto o resto ainda está sendo escrito. Uma extração como esta roda bem em low; suba para high só nos registros que falharem na sua validação.
Deixe alguns milhares de tokens de folga
O padrão de 32.768 corta em silêncio uma entrega longa, e o raciocínio sai do mesmo orçamento. Defina max_tokens no tamanho da entrega mais espaço para pensar; o teto é 384.000.
O que o esquema rejeita
Partes de arquivo são rejeitadas antes de a requisição ser precificada, reasoning_content só é aceito em mensagens de assistant e a janela de 1.048.576 tokens conta cada mensagem enviada, incluindo o prompt de sistema e resultados anteriores de tools.
Início rápido da API
curl --fail-with-body -sN https://api.spicyapi.ai/v1/chat/completions \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $(uuidgen)" \
-d '{
"model": "deepseek/v4.1-flash/chat",
"messages": [
{
"role": "user",
"content": "Summarise the following release notes into three bullet points."
}
],
"stream": true
}' \
| jq --unbuffered -Rrj 'select(startswith("data: ")) | .[6:] | select(. != "[DONE]") | fromjson | if .error then "\n[error] \(.error.message)\n" else (.choices[0].delta.content? // empty) end'
Consulte a referência da API para autenticação, esquema completo, polling e tratamento de erros.
