DeepSeek V4 Flash y V4.1 Flash para programación: benchmarks oficiales, max_tokens, precio y herramientas

Quien busca “deepseek v4 flash benchmark official” normalmente no quiere leer solo que el modelo es rápido o barato. Necesita saber qué resultados publicó realmente DeepSeek, con qué configuración se obtuvieron y cuánto dicen sobre el trabajo diario de programación. La búsqueda “deepseek v4 max_tokens” es aún más concreta: cuál es la ventana de contexto, cuánto puede generar una respuesta y qué valor conviene enviar a la API.

La distinción principal es esta: DeepSeek V4 Flash, V4 Flash 0731 y el actual DeepSeek V4.1 Flash son versiones diferentes. El V4 Flash original empleaba una arquitectura MoE de 284.000 millones de parámetros, con unos 13.000 millones activos por token. V4.1 Flash usa una base MoE de 552.000 millones, con unos 8.000 millones activos durante el prefill y 16.000 millones durante la decodificación. Mezclar la arquitectura antigua, el identificador actual y puntuaciones de varias versiones produce una ficha aparentemente completa, pero imposible de reproducir.

Estado a 18 de septiembre de 2026: el identificador vigente en la API de DeepSeek es deepseek-flash. Los alias antiguos de V4 Flash y Vision están en un periodo de compatibilidad y pueden redirigir temporalmente a V4.1. En una evaluación de producción, guarda el modelo, la fecha, el proveedor, el nivel de razonamiento y los parámetros de la solicitud.

Especificaciones clave

Especificación	DeepSeek V4 Flash / 0731	DeepSeek V4.1 Flash
Estado	Versión histórica; un alias antiguo puede redirigirse	Versión Flash actual
Ventana de contexto	1.000.000 tokens	1.000.000 tokens
Arquitectura	284B MoE, unos 13B activos	552B MoE; unos 8B activos en prefill y 16B en decode
Guía para salida larga	En configuración local high/max se recomendaba una longitud máxima de 384K	La API oficial actual permite hasta 384K; para reproducir evaluaciones locales se recomienda max_tokens >= 256K
Modalidad de entrada	Texto	Texto e imágenes
Control de razonamiento	Configuraciones anteriores high/max	La API admite controles como reasoning_effort
Model ID actual	deepseek-v4-flash es un nombre heredado	deepseek-flash

Ni 384K ni 256K son un límite universal para todas las API alojadas. Son recomendaciones de versiones y entornos de ejecución distintos. El proveedor, el SDK, la pasarela o la política de la cuenta pueden imponer un tope menor. Antes de diseñar un flujo largo, consulta la capacidad actual del endpoint que vas a utilizar.

Qué controla realmente max_tokens

max_tokens limita el número máximo de tokens que puede generar la respuesta. No cambia el tamaño de la ventana de contexto. El presupuesto de contexto suele incluir la entrada, el historial, los resultados de herramientas y el espacio reservado para la salida. Tener contexto de 1M no significa que todas las peticiones necesiten una respuesta de 256K o 384K.

Puntos de partida razonables:

• max_tokens=4096 para explicar código, corregir una función, resolver SQL corto o depurar una configuración.
• max_tokens=16384 para planes de cambio en varios archivos, informes de pruebas más largos o migraciones.
• max_tokens=32768 o más para análisis de repositorios, trayectorias largas de agentes o generación extensa, siempre después de verificar el límite y la utilidad real.

Un valor demasiado bajo puede cortar un parche antes de las pruebas o la conclusión. Uno innecesariamente alto aumenta el coste y la latencia del peor caso. Para un agente de programación suele ser más seguro limitar cada salida y repetir el ciclo leer–editar–probar que pedir la solución completa del repositorio en una sola respuesta.

Además, los tokens visibles, los de razonamiento y los facturables pueden contabilizarse de forma distinta. Para calcular el coste, usa los campos de usage y la factura del endpoint real.

Benchmarks oficiales: versión, modo y harness

Una puntuación oficial responde a una pregunta limitada: qué consiguió el modelo bajo un entorno documentado. No garantiza el mismo resultado en tu repositorio. Las tablas siguientes separan las versiones y mantienen los nombres originales para no fundir pruebas o niveles de razonamiento distintos en un único número.

Resultados representativos de la ficha del V4 Flash original

Benchmark	Puntuación	Cómo interpretarlo
GPQA Diamond (Pass@1)	88.1	Resultado con razonamiento high/max
LiveCodeBench (Pass@1)	91.6	Generación de código
SWE-bench Verified (Resolved)	79.0	Resolución de incidencias en repositorios reales
Terminal-Bench 2.0 (Acc)	56.9	Tareas de agente en terminal
HumanEval Base (Pass@1)	69.5	Modelo Base; no es comparable directamente con Max

Estos datos proceden de la ficha oficial de DeepSeek, no de una repetición independiente y uniforme. HumanEval Base, en particular, usa condiciones distintas de las filas con razonamiento alto. Restar 69.5 de 91.6 no mediría una diferencia válida entre capacidades; la tabla sirve para ver qué áreas se evaluaron.

Comparación oficial de la familia: 0731, V4 Pro y V4.1 Flash

Benchmark	V4 Flash 0731	V4 Pro	V4.1 Flash
GPQA Diamond	89.9	92.4	90.9
Terminal-Bench 2.1	82.7	87.9	90.6
Terminal-Bench 4.0	7.0	12.4	31.2
DeepSWE v1.1	54.4	62.7	74.2
NL2Repo-Bench	54.2	61.5	64.0

La conclusión útil no es que todas las métricas mejoren sin excepción, sino que V4.1 Flash avanza con claridad en agentes de terminal, ingeniería de software a escala de repositorio y creación de proyectos a partir de lenguaje natural. Terminal-Bench 4.0 también es mucho más difícil que 2.1; sus puntuaciones no deben tratarse como dos versiones equivalentes de una misma escala.

V4.1 Flash frente a modelos de frontera en la tabla oficial

Benchmark	V4.1 Flash	GPT-5.6 Sol	Opus-5.0	GLM-5.3
GPQA Diamond	90.9	94.1	93.4	88.1
Terminal-Bench 2.1	90.6	88.8	89.1	88.2
Terminal-Bench 4.0	31.2	39.9	51.8	37.9
DeepSWE v1.1	74.2	73.0	74.0	66.9
NL2Repo-Bench	64.0	56.8	75.3	58.0

DeepSeek publicó esta comparación en la ficha de V4.1, de modo que debe leerse como datos comunicados por el fabricante, no como una clasificación totalmente neutral. Compara dentro de la misma fila y el mismo harness, y valida después con fuentes independientes y tareas propias. V4.1 destaca en Terminal-Bench 2.1 y DeepSWE v1.1, pero no lidera todas las filas, especialmente Terminal-Bench 4.0 y NL2Repo-Bench.

HumanEval aún resulta útil para una comprobación rápida de generación de funciones, pero se queda corto para agentes modernos. SWE-bench, DeepSWE, Terminal-Bench y NL2Repo se parecen más al trabajo real: inspeccionar un repositorio, usar herramientas, editar archivos, ejecutar pruebas y recuperarse de fallos.

Cómo leer bien un benchmark

1. Comprueba la versión del harness. Terminal-Bench 2.0, 2.1 y 4.0 contienen tareas y dificultades diferentes.
2. Registra el nivel de razonamiento y el presupuesto de salida. low, high y max pueden cambiar mucho la tasa de éxito, la latencia y el consumo.
3. Convierte el precio por petición en coste por tarea aceptada. Un modelo barato que necesita tres intentos puede salir más caro que otro que acierta a la primera.
4. Repite la evaluación en tu repositorio. La instalación de dependencias, el tiempo de pruebas, los permisos, el número de archivos y las convenciones influyen en el agente.

Los benchmarks oficiales sirven para reducir candidatos. No sustituyen una prueba de aceptación para producción, compras o enrutamiento.

Precio: un token barato no garantiza una tarea barata

A 18 de septiembre de 2026, las tarifas base oficiales de DeepSeek para deepseek-flash eran:

Concepto	Precio en hora punta	Precio fuera de punta
Entrada con acierto de caché	$0.006 / 1M tokens	$0.003 / 1M tokens
Entrada sin acierto de caché	$0.30 / 1M tokens	$0.15 / 1M tokens
Salida	$1.20 / 1M tokens	$0.60 / 1M tokens

Son tarifas base oficiales de DeepSeek, no un precio garantizado de BetterToken. El catálogo de BetterToken se actualiza mediante su API de precios en vivo; los grupos de acceso, caché, mínimos y reintentos pueden variar. Comprueba la tarifa vigente, guarda la fecha y calcula con el uso real:

request_cost =
  cache_hit_input / 1_000_000 * cache_hit_rate
+ cache_miss_input / 1_000_000 * cache_miss_rate
+ output_tokens / 1_000_000 * output_rate

cost_per_accepted_task = sum(request_costs) / accepted_tasks

En programación suelen importar más la tasa de pruebas aprobadas al primer intento, los reintentos medios, los tokens totales por parche aceptado, el tiempo hasta tener las pruebas en verde y los minutos de retrabajo humano. El precio por millón es solo una parte.

Artificial Analysis ofrece otra perspectiva al combinar el tamaño de su batería, el volumen de salida, la velocidad y el coste estimado. Su metodología no coincide exactamente con una factura de proveedor, pero es más útil que comparar únicamente tarifas nominales.

Ejemplo con la API de Python

El siguiente ejemplo usa un SDK compatible con OpenAI, la Base URL de BetterToken y el model ID actual. Un presupuesto de 4K basta para comprobar la conexión y la calidad básica. No envíes todo el repositorio solo para “aprovechar” el contexto de 1M.

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["BETTERTOKEN_API_KEY"],
    base_url="https://www.bettertoken.ai/v1",
)

response = client.chat.completions.create(
    model="deepseek-flash",
    messages=[
        {"role": "user", "content": "Revisa esta función de Python, identifica por qué falla la prueba y propone el cambio mínimo. No refactorices código no relacionado."}
    ],
    max_tokens=4096,
    reasoning_effort="low",
)

print(response.choices[0].message.content)

reasoning_effort="low" es un valor inicial práctico. Compara high o max cuando haya una regresión difícil, dependencias entre archivos o varias rondas de herramientas. Si tu versión del SDK no expone ese campo, pásalo mediante parámetros adicionales o sigue la documentación vigente de la pasarela.

Cursor, Cline, Aider, OpenCode y otras herramientas

• Cursor / Cline / Aider / OpenCode: elige un proveedor compatible con OpenAI, configura https://www.bettertoken.ai/v1 como Base URL, usa deepseek-flash y guarda la clave en una variable de entorno o almacén seguro.
• Codex y agentes externos: solo funcionará si la herramienta admite un endpoint OpenAI personalizado. Comprueba si añade /v1 automáticamente para no duplicar la ruta.
• Claude Code: utiliza de forma nativa el protocolo Anthropic. La Base URL compatible de BetterToken es https://bettertoken.ai y los campos cambian. No copies sin más la configuración Python de OpenAI.
• Agentes de larga duración: define presupuesto, timeout, máximo de reintentos y condición de parada. La capacidad de usar herramientas no justifica permisos ilimitados.

Después de configurar, realiza tres pruebas pequeñas: listar modelos, enviar un mensaje breve y corregir un único archivo con una prueba. Amplía a tareas de repositorio solo cuando las tres funcionen. Así separas fallos de autenticación, model ID y protocolo de problemas de calidad.

Una prueba reproducible con tu propio trabajo

Selecciona entre 20 y 50 tareas cuyo resultado correcto ya conozcas. Deben representar el trabajo real, no ejemplos escogidos después de observar qué modelo los resuelve mejor.

1. Fija el commit, el runtime, la caché de dependencias y los permisos.
2. Usa el mismo prompt, timeout y política de reintentos para todos.
3. Evalúa low, high y max por separado.
4. Registra entrada, cache hit/miss, salida visible, reintentos y tiempo total.
5. Cuenta como éxito solo un parche que pase las pruebas y una revisión humana breve.

Campo	Registro recomendado
Model ID	deepseek-flash
reasoning_effort	low, high o max
max_tokens	4K / 16K / 32K fijos según el tipo de tarea
Regla de aceptación	Pruebas aprobadas, sin cambios ajenos, requisitos cumplidos
Uso de tokens	input, cache hit/miss, output, retries
Tiempo	primera respuesta, pruebas en verde, minutos de retrabajo

Ejecuta al menos dos rondas para que una caché fría, un fallo temporal de herramienta o una oscilación del servicio no determine el resultado. Publica conjuntamente tasa de éxito, coste por tarea aceptada y tiempo de finalización.

Elegir low, high o max

• low: preguntas diarias, explicaciones, parches pequeños y automatización de volumen. Debería ser el valor predeterminado.
• high: depuración compleja, cambios entre archivos y trabajo que requiere más planificación. Manténlo si el aumento de éxito compensa el coste.
• max: tareas de agente muy difíciles, migraciones de arquitectura o trabajos poco frecuentes y valiosos. Aplica presupuesto y timeout claros.
• Estrategia de escalado: empieza con low; si falla, conserva logs y pruebas y pasa a high; usa max solo cuando la evidencia señale falta de razonamiento y no un entorno roto.

Si no se instala una dependencia, el comando de pruebas es incorrecto, faltan archivos o no hay permiso de escritura, aumentar el razonamiento suele elevar la factura sin resolver la causa.

Conclusión

La ventaja de la familia DeepSeek V4 Flash no reside en una sola puntuación llamativa, sino en combinar contexto largo, precio bajo por token y capacidades de ingeniería de software cada vez mayores. Para integraciones nuevas, céntrate en V4.1 Flash y deepseek-flash; conserva V4 y 0731 como referencia histórica.

El orden fiable es: verificar versión y parámetros, comparar resultados oficiales bajo condiciones equivalentes y medir después en tu repositorio la tasa de éxito, el tiempo y el coste por tarea aceptada. Esa respuesta es más útil que elegir por el millón de tokens más barato o por el primer puesto en una prueba.

Preguntas frecuentes

¿Cuál es la ventana de contexto de DeepSeek V4 Flash?

Las fichas oficiales de V4 Flash, 0731 y V4.1 Flash indican 1.000.000 de tokens. Un endpoint alojado puede imponer menos, y la entrada, el historial, las herramientas y la salida reservada comparten ese presupuesto.

¿Qué valor de max_tokens debo usar?

Empieza con 4K para tareas cortas, 16K para cambios largos y considera 32K o más para repositorios, tras comprobar el límite. La API oficial actual de DeepSeek indica una salida de hasta 384K, mientras que la ficha V4.1 recomienda max_tokens >= 256K para reproducir benchmarks localmente. No son límites universales para todas las pasarelas o cuentas.

¿Qué model ID se debe usar ahora?

La API actual de DeepSeek utiliza deepseek-flash. Un alias antiguo puede dirigir temporalmente a V4.1, pero producción debería usar el identificador vigente y registrar proveedor y fecha.

¿Los benchmarks oficiales predicen el resultado en Cursor o Aider?

No directamente. También influyen el prompt, la implementación de herramientas, la estructura del repositorio, la red, los permisos, la duración de las pruebas y los reintentos. Evalúa con tus propias tareas.

¿DeepSeek V4.1 Flash es bueno para programar?

Sus resultados oficiales en Terminal-Bench 2.1, DeepSWE v1.1 y NL2Repo-Bench muestran una capacidad sólida de ingeniería de software. También ofrece contexto de 1M y controles de razonamiento. La decisión final depende de éxito, latencia, coste y revisión de código en tu entorno.

Fuentes

• Ficha oficial de DeepSeek V4 Flash
• Ficha oficial de DeepSeek V4 Flash 0731
• Ficha oficial de DeepSeek V4.1 Flash
• Anuncio oficial de DeepSeek V4.1 Flash
• Documentación de DeepSeek sobre thinking mode
• Precios oficiales de DeepSeek
• Artificial Analysis: DeepSeek V4.1 Flash
• Documentación de la API de BetterToken
• Precios de BetterToken