DeepSeek-V4-Flash API-Schnellstart: lange Antworten, Streaming

Diese Anleitung bringt dich von null zu einer funktionierenden DeepSeek-V4-Flash-Anfrage und zeigt dann, wie du lange Antworten anforderst, sie streamst und abschätzt, was deine Workload kosten wird. Es dauert etwa zehn Minuten.

Von welchem "DeepSeek Flash" sprechen wir?#

Versionen lassen sich gerade leicht verwechseln. DeepSeek hat seinen offiziellen Alias deepseek-flash auf DeepSeek-V4.1-Flash-1017 verschoben; die Aufrufmethode hat sich nicht geändert (Quelle: DeepSeek API docs, geprüft am 21. Oktober 2026). Dieses Release behandeln wir in DeepSeek-V4.1-Flash-1017 is out.

Diese Anleitung handelt von einem anderen, konkreten Modell: DeepSeek-V4-Flash, Release 0731, verfügbar auf CheapTokens unter der Gateway-ID deepseek-ai/DeepSeek-V4-Flash-0731. Es ist nicht V4.1-Flash, und nichts an V4.1-Flash-1017 (sein Verhalten, seine Benchmarks oder Limits) gilt dafür. Verwende die ID genau wie unten geschrieben.

Das bekommst du auf CheapTokens mit diesem Modell:

• 380K Kontextfenster;
• bis zu 32.768 Ausgabe-Tokens pro Antwort, die längste Antwort in unserem Lineup;
• OpenAI Chat Completions und Anthropic Messages kompatible API;
• ein Guthaben für alle Modelle, feste Preise pro Modell und keine Peak-Hour-Preise.

Schritt 1. Hole dir einen Key#

Erstelle ein Konto, lade das Guthaben auf und erstelle einen API-Key im Dashboard. Wenn du zuerst die allgemeine Einführung möchtest, siehe Your first API request with CheapTokens.

Die Base-URL ist https://api.cheaptokens.dev/v1. Bewahre den Key in einer Umgebungsvariable auf, statt ihn in den Code einzufügen:

export CHEAPTOKENS_API_KEY="your-key-here"

Schritt 2. Sende deine erste Anfrage#

Mit curl:

curl https://api.cheaptokens.dev/v1/chat/completions \
  -H "Authorization: Bearer $CHEAPTOKENS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-ai/DeepSeek-V4-Flash-0731",
    "messages": [{"role": "user", "content": "Explain what a token is in two sentences."}]
  }'

Mit dem offiziellen OpenAI Python SDK ändern sich nur base_url und der Key:

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.cheaptokens.dev/v1",
    api_key=os.environ["CHEAPTOKENS_API_KEY"],
)

resp = client.chat.completions.create(
    model="deepseek-ai/DeepSeek-V4-Flash-0731",
    messages=[{"role": "user", "content": "Explain what a token is in two sentences."}],
)

print(resp.choices[0].message.content)
print(resp.usage)

Das Feld usage zeigt, wie viele Input- und Output-Tokens der Aufruf verbraucht hat, was du für die Kostenschätzung brauchst. Neu beim Begriff? Lies What is a token in AI?.

Schritt 3. Fordere eine lange Antwort an#

Wenn eine Antwort mitten im Satz abbricht, ist die übliche Ursache das Output-Limit, nicht das Modell, das "aufgibt". Setze max_tokens explizit und prüfe finish_reason. Der Hintergrund steht in Why does an AI answer stop mid-sentence?.

Für dieses Modell liegt die Obergrenze bei 32.768 Output-Tokens:

resp = client.chat.completions.create(
    model="deepseek-ai/DeepSeek-V4-Flash-0731",
    messages=[{"role": "user", "content": "Write a detailed migration guide from REST to gRPC, with code samples."}],
    max_tokens=32768,
)

choice = resp.choices[0]
print(choice.message.content)

if choice.finish_reason == "length":
    print("Cut off by max_tokens - raise the limit or ask for the next part.")

finish_reason == "stop" bedeutet, dass das Modell von selbst fertig wurde; "length" bedeutet, dass es das Limit erreicht hat. Denk daran, dass max_tokens nur die Antwort begrenzt: Du zahlst für tatsächlich generierte Tokens, und dein Prompt plus die Antwort müssen in den 380K-Kontext passen.

Ein hohes Limit ist nützlich für lange Codedateien, Dokumente, Berichte und Übersetzungen. Bei kurzen Antworten hält ein kleines max_tokens Überraschungen gering.

Schritt 4. Aktiviere Streaming#

Mit stream=True bekommst du den Text in Chunks, während er generiert wird, sodass lange Antworten sofort erscheinen statt nach langer Wartezeit:

stream = client.chat.completions.create(
    model="deepseek-ai/DeepSeek-V4-Flash-0731",
    messages=[{"role": "user", "content": "Write a long README for a small CLI tool."}],
    max_tokens=32768,
    stream=True,
)

for chunk in stream:
    if chunk.choices and chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)

Dies nutzt die Standard-Streaming-Parameter von OpenAI. Für Fehlerbehandlung und das Lesen des finalen finish_reason aus einem Stream siehe Streaming responses in Python.

Schritt 5. Schätze die Kosten#

Die Abrechnung erfolgt pay-as-you-go von einem vorausbezahlten Guthaben, bepreist pro 1M Tokens, getrennt für Input und Output. Aktuelle Preise für MiniMax-M2.7, dasselbe Anfrageformat mit der ID MiniMaxAI/MiniMax-M2.7: $0.05 pro 1M Input-Tokens und $0.15 pro 1M Output-Tokens.

Ein durchgerechnetes Beispiel: Eine Anfrage mit 2.000 Input-Tokens und 8.000 Output-Tokens kostet $0.0013 bei MiniMax-M2.7. Die folgende Tabelle zeigt 1.000 solcher Anfragen über die Modelle hinweg, mit einer OpenRouter-Referenzspalte:

Um sie für deine eigene Workload zu nutzen, nimm typische usage.prompt_tokens und usage.completion_tokens aus ein paar echten Aufrufen und multipliziere sie mit deiner täglichen Anfragezahl. Für einen breiteren Blick auf die Preisplanung siehe DeepSeek API pricing in 2026.

Wann dieses Modell passt und wann ein anderes#

DeepSeek-V4-Flash passt gut, wenn Antworten lang sind: Codegenerierung, Berichte, Dokumentation, Übersetzungen. Auf CheapTokens ist sein Output günstiger als der OpenRouter-Referenzpreis, und auch der Blended-Preis (3 Input : 1 Output) ist niedriger.

Wenn deine Antworten kurz sind (Klassifikation, Extraktion, kurze Q&A), ziehe GLM-5.3-Flash in Betracht: Es hat einen 390K-Kontext und antwortet mit bis zu 8.192 Tokens; vergleiche die Preise beider Modelle in der Tabelle oben. Der Wechsel ist nur eine Änderung der Modell-ID zu zai-org/GLM-5.3-Flash, und ein Guthaben deckt beide Modelle ab. Nicht sicher, welches du wählen sollst? Siehe GLM vs DeepSeek vs MiniMax.

Kurze Checkliste#

• Base-URL: https://api.cheaptokens.dev/v1; Modell: deepseek-ai/DeepSeek-V4-Flash-0731.
• Setze max_tokens (bis zu 32.768) und prüfe finish_reason.
• Verwende stream=True für lange Antworten.
• Lies usage und schätze mit der Kostentabelle, bevor du hochskalierst.

Bereit, es auszuprobieren? Hole dir einen Key, lade dein Guthaben auf und führe das erste Snippet oben aus.