DeepSeek V4 Pro API调用服务将不会下架
相关推荐
DeepSeek V4.1 Flash即将上线，官方称全面超过V4 Pro
动察 Beating AI 快讯，DeepSeek 计划在 9 月 10 日前后正式发布 V4.1 Flash。官方称，经过内部和外部测试，新模型在性能、费用、速度和总用时等指标上已经全面超过 V4 Pro。 V4.1 Flash 上线后，在 V4.1 Pro 发布之前，所有发往 V4 Pro 的请求都会自动切到 V4.1 Flash，并按更便宜的 Flash 价格计费。用户不需要修改原来的 V4 Pro 调用方式。
DeepSeek将于明日下调Flash系列API价格
PANews 9月9日消息，据DeepSeek开放平台公告，DeepSeek将于北京时间9月10日12时起下调Flash系列模型调用价格。其中，缓存命中、缓存未命中及输出价格最高降幅分别为60%、33.33%和11.11%。
DeepSeek API毛利率高达82.9%，公司整体毛利率达44.6%
动察 Beating AI 快讯，据 The Information 报道，DeepSeek 正寻求以约 5000 亿元人民币估值进行第二轮融资，计划再融资 500 亿元人民币。数据显示，2026 年 1 月至 7 月，DeepSeek 营收达到 4.75 亿元人民币（约 7070 万美元），约为其 2025 年全年营收的 10 倍；同期净亏损收窄至 7.15 亿元人民币，低于 2025 年全年的 9.35 亿元人民币。 盈利能力方面，DeepSeek 整体毛利率达 44.6%，其中 API 业务毛利率高达 82.9%，主要得益于 AI 基础设施优化，使其能够以更少芯片运行模型并维持较低推理成本。随着 V4 系列，尤其是 V4-Flash 获得全球开发者广泛采用，公司营收增长加速，上月年化营收据称已达到 4 亿至 5 亿美元。 此外，DeepSeek 近期上调 API 价格以强化商业化，V4-Pro 高峰期输出价格从 0.87 美元升至 3.96 美元，非高峰期为 1.98 美元，但仍低于 Kimi K3 的 15 美元和 Claude Opus 5 的 25 美元。与此同时，公司 AI 基础设施投入从 2025 年的 12 亿元人民币大幅增至今年前 7 个月的 110 亿元人民币，主要用于服务器租赁及 AI 芯片、算力设备采购。 DeepSeek 此前今年 6 月完成首轮外部融资，融资规模约 500 亿元人民币，目前已聘请投行筹备明年在上海 IPO。
DeepSeek V4.1 Flash第三方实测：没夺回国模第一，但成本只有Kimi、GLM七分之一
动察 Beating AI 快讯，Artificial Analysis 完成 DeepSeek V4.1 Flash 独立测试，综合智能指数拿到 40 分。它已经超过自家 V4 Pro 0813 的 36 分，但仍低于 Kimi K3 的 44 分和 GLM-5.3 的 45 分。按这套第三方榜单，DeepSeek 还没夺回国产模型第一。 但价格差距非常夸张。V4.1 Flash 跑完一个 Intelligence Index 任务平均只花 0.27 美元，Kimi K3 和 GLM-5.3 都在 2 美元左右，相差约 7 倍。输出速度达到 197 Token/s，也远高于 Kimi K3 的约 36 Token/s 和 GLM-5.3 的约 58 Token/s。 Agent 依然是它最强的部分。AutomationBench-AA 上，V4.1 Flash 拿到 69%，追平 GPT-6 Astra，并超过 GLM-5.3 的 62%；长上下文测试 AA-LCR 也拿到 84%。缺点是它特别能说，AA 测试中单任务平均输出约 8.9 万 Token，比 V4 Pro 多 62%，吃掉了一部分价格优势。
B.AI 宣布 DeepSeek-V4.1-Flash 多模态模型上线
ChainCatcher 消息，B.AI 平台宣布 DeepSeek 原生多模态 MoE 大模型 DeepSeek-V4.1-Flash 正式上线。该模型采用 5520 亿参数主干与 Causal Encoder-Decoder 架构，输入与输出采用非对称计算规模。模型支持 100 万 Token 上下文与 384K Output，面向长周期编程 Agent、多模态工作流与高并发 Agent 系统。目前 Web Chat 与 API 双端接入均已开放。
DeepSeek V4.1 Flash模型正式发布
PANews 9月10日消息，DeepSeek正式发布DeepSeek V4.1 Flash模型。这是公司全新模型结构系列中的最小尺寸的模型，具备原生多模态视觉理解能力。据介绍，新一代模型大幅减少了KV Cache缓存的大小，与上一代模型相比，对HBM的需求减少到1/4，对SSD的需求减少到1/8。在Agent使用场景中，缓存命中的费用往往占比较高，对KV Cache的压缩大幅降低了Agent类任务的使用成本。