Zum Hauptinhalt springen

DeepSeek-V4.1-Flash-1017

Beschreibung​

„DeepSeek-V4.1-Flash-1017“ ist ein multimodales Reasoning-Modell von DeepSeek. Es ist ein Mixture-of-Experts-Modell mit 552 Milliarden Parametern. Beim Lesen des Prompts rechnen pro Token 8 Milliarden davon mit, beim Schreiben der Antwort 16 Milliarden. Dadurch sind lange Eingaben günstig zu verarbeiten, und genau die brauchen Coding-Agenten und die Arbeit mit Dokumenten. Das Kontextfenster fasst rund eine Million Token. Es ist das größte Modell in unserem Angebot und unsere Empfehlung für Coding-Agenten und lang laufende agentische Aufgaben.

Dieses Modell ist in der Testphase‍. Wir können es kurzfristig abschalten, und Verhalten und Funktionsumfang können sich noch ändern. Für den produktiven Einsatz empfehlen wir Modelle mit dem Status Stable oder LTS.

Es eignet sich für und unterstützt:

  • Textgenerierung innerhalb einer Chat-Completion (Text zu Text)
  • Thinking / Reasoning für schrittweises Problemlösen, mit einer Reasoning-Tiefe von 1 bis 100
  • Tool-Calling für Coding-Agenten und agentische Workflows
  • Bildverständnis (Vision), auch mit mehreren Bildern pro Anfrage
  • Ganze Codebasen, Dokumentsammlungen und lange Agentenverläufe in einer einzigen Anfrage

Folgende Limitierungen gelten:

  • Maximale Context-Länge: 1.048.576 Token, Eingabe und Ausgabe zusammen
  • Maximale Ausgabelänge: 262.144 Token pro Anfrage
  • Keine Videoeingabe
  • Bilder müssen als Base64-kodierte Data-URLs übermittelt werden

Der Thinking-Modus ist standardmäßig in der Reasoning-Tiefe high aktiv. Das Modell denkt auch vor kurzen Antworten nach. Die günstigeren Stufen und das Abschalten findest du unter Reasoning-Tiefe steuern‍. Die Parameter gehören in chat_template_kwargs.

Reasoning-Tiefe steuern​

Das Modell nimmt seine Reasoning-Tiefe als Zahl von 1 bis 100. Gib sie als reasoning_effort in chat_template_kwargs mit, entweder als Zahl oder als einen dieser Namen:

WertTiefeWofür
max100Schwere Analysen, kniffliges Debugging, lange Agentenläufe
high (Standard)75Code mit mehreren Schritten, Tool-Loops, Planung
low50Alltäglicher Chat, Entwürfe, Übersetzung, Zusammenfassungen
noneausKlassifizierung, Routing, Extraktion, kurze Standardantworten

none schaltet den Thinking-Modus ab, "thinking": false bewirkt dasselbe. xhigh wird angenommen und bedeutet dasselbe wie high. Jeder andere Wert in chat_template_kwargs kommt als 400 zurück.

Viele OpenAI-Clients schicken reasoning_effort auf der obersten Ebene der Anfrage mit, neben model, und zwar standardmäßig als medium oder minimal. Diese beiden Werte kennt das Modell nicht. Auf der obersten Ebene behandeln wir medium deshalb wie high und minimal wie low. Solche Clients funktionieren also ohne Änderung. In chat_template_kwargs nimm nur die Werte aus der Tabelle.

from openai import OpenAI

client = OpenAI(
base_url="https://llm.aihosting.mittwald.de/v1",
api_key="sk-your-api-key-here",
)

response = client.chat.completions.create(
model="DeepSeek-V4.1-Flash-1017",
messages=[{"role": "user", "content": "Fasse diesen Changelog-Eintrag in einem Satz zusammen."}],
temperature=1.0,
top_p=1.0,
max_tokens=32768,
extra_body={
"chat_template_kwargs": {"reasoning_effort": "low"},
},
)

print(response.choices[0].message.content)
import OpenAI from "openai";

const client = new OpenAI({
baseURL: "https://llm.aihosting.mittwald.de/v1",
apiKey: "sk-your-api-key-here",
});

const response = await client.chat.completions.create({
model: "DeepSeek-V4.1-Flash-1017",
messages: [
{
role: "user",
content: "Fasse diesen Changelog-Eintrag in einem Satz zusammen.",
},
],
temperature: 1.0,
top_p: 1.0,
max_tokens: 32768,
// @ts-ignore – vLLM-Erweiterung
chat_template_kwargs: { reasoning_effort: "low" },
} as any);

console.log(response.choices[0].message.content);
<?php
// composer require openai-php/client guzzlehttp/guzzle

$client = OpenAI::factory()
->withBaseUri('https://llm.aihosting.mittwald.de/v1')
->withApiKey('sk-your-api-key-here')
->make();

$response = $client->chat()->create([
'model' => 'DeepSeek-V4.1-Flash-1017',
'messages' => [
['role' => 'user', 'content' => 'Fasse diesen Changelog-Eintrag in einem Satz zusammen.'],
],
'temperature' => 1.0,
'top_p' => 1.0,
'max_tokens' => 32768,
'chat_template_kwargs' => ['reasoning_effort' => 'low'],
]);

echo $response->choices[0]->message->content;

Reasoning über mehrere Runden​

Ohne Tools verwirft das Modell das Reasoning früherer Runden und behält nur das zur letzten Nutzernachricht. In einem Tool-Loop bleibt das Reasoning bis zur nächsten Nutzernachricht im Verlauf, ein Agent behält seinen Plan also über die Tool-Calls hinweg. Willst du das gesamte Reasoning behalten, schick "drop_thinking": false in chat_template_kwargs. Behaltenes Reasoning zählt zum Kontextfenster.

Antwort auslesen​

Mit Thinking liefert das Modell zwei getrennte Felder:

FeldInhalt
choices[0].message.reasoningInterne Gedankenkette (kann sehr lang sein)
choices[0].message.contentDie eigentliche Antwort

Das sind die Empfehlungen von DeepSeek und gleichzeitig die Standardwerte, wenn du nichts mitschickst:

ParameterWert
temperature1,0
top_p1,0

Ausgabelänge​

DeepSeek hat seine Benchmarks mit bis zu 256.000 Ausgabe-Token gemacht. So viel brauchst du für alltägliche Anfragen nicht, plane aber mehr Luft ein als bei einem Modell ohne Reasoning:

AufgabeEmpfohlenes max_tokens
Thinking aus (reasoning_effort: "none")1.024–4.096
Normale Anfragen mit Thinking32.768
Coding-Agenten, reasoning_effort: "max"131.072–262.144

Tipps für bestimmte Aufgaben​

Coding-Agenten​

DeepSeek hat dieses Release in mehreren Agenten-Harnesses gemessen, darunter Claude Code und mini-SWE-agent. Gegenüber DeepSeek-V4.1-Flash erledigt es Agentenaufgaben schneller und mit kürzerer Ausgabe. Für Agenten gilt:

  • Lass Thinking an. high ist ein guter Start, max lohnt sich bei schwerem Debugging.
  • Behalte den Standard für drop_thinking. Innerhalb eines Tool-Loops bleibt das Reasoning so oder so erhalten.
  • Setz im Agenten ein Schrittlimit. Sampling-Parameter beenden keine Schleife, ein Schrittlimit schon.

Vision (Bild zu Text)​

Schick Bilder als Base64-kodierte Data-URLs. Das Modell liest viele Bilder pro Anfrage. In unseren Tests waren Aufgaben, die über mehrere Bilder hinweg vergleichen oder zählen, bis etwa 16 Bilder pro Anfrage zuverlässig.

Verkleinere Bilder vor dem Kodieren auf höchstens 1024 px an der längsten Kante. Größere Bilder liefern keine Details, die das Modell nutzt, machen die Anfrage aber langsamer. Eine fertige Hilfsfunktion findest du in den Python-Beispielen‍ und den JavaScript-Beispielen‍.

Lange Kontexte​

Der volle Kontext von rund einer Million Token steht in jeder Anfrage zur Verfügung. Einen langen Prompt einzulesen dauert: Rechne mit Minuten statt Sekunden, sobald du mehrere hunderttausend Token schickst. Ein wiederholter Anfang, etwa dieselbe Codebasis in jeder Runde eines Agentenlaufs, kann im Cache landen und ist bei Folgeanfragen dann deutlich schneller eingelesen.

Nutzungsbedingungen und Lizenz​

DeepSeek stellt das Modell unter der MIT-Lizenz‍ bereit. Für die Weiterverwendung der erzeugten Inhalte gelten keine zusätzlichen Einschränkungen.

Auf dieser Seite