Démarrage rapide de l'API DeepSeek-V4-Flash : réponses longues, streaming

Ce guide vous mène de zéro à une requête DeepSeek-V4-Flash fonctionnelle, puis montre comment demander des réponses longues, les diffuser en streaming et estimer le coût de votre charge de travail. Cela prend environ dix minutes.

De quel « DeepSeek Flash » parlons-nous ?#

Les versions sont faciles à confondre en ce moment. DeepSeek a déplacé son alias officiel deepseek-flash vers DeepSeek-V4.1-Flash-1017 ; la méthode d'appel n'a pas changé (source : DeepSeek API docs, vérifié le 21 octobre 2026). Nous couvrons cette version dans DeepSeek-V4.1-Flash-1017 is out.

Ce guide porte sur un modèle différent et précis : DeepSeek-V4-Flash, version 0731, disponible sur CheapTokens sous l'id de passerelle deepseek-ai/DeepSeek-V4-Flash-0731. Ce n'est pas V4.1-Flash, et rien de ce qui concerne V4.1-Flash-1017 (son comportement, ses benchmarks ou ses limites) ne s'y applique. Utilisez l'id exactement tel qu'écrit ci-dessous.

Ce que vous obtenez sur CheapTokens avec ce modèle :

• une fenêtre de contexte de 380K ;
• jusqu'à 32 768 tokens de sortie par réponse, la réponse la plus longue de notre offre ;
• une API compatible OpenAI Chat Completions et Anthropic Messages ;
• un solde unique pour tous les modèles, des prix fixes par modèle et pas de tarification aux heures de pointe.

Étape 1. Obtenir une clé#

Créez un compte, rechargez le solde et créez une clé API dans le tableau de bord. Si vous voulez d'abord le parcours générique, voir Your first API request with CheapTokens.

L'URL de base est https://api.cheaptokens.dev/v1. Gardez la clé dans une variable d'environnement au lieu de la coller dans le code :

export CHEAPTOKENS_API_KEY="your-key-here"

Étape 2. Envoyer votre première requête#

Avec 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."}]
  }'

Avec le SDK Python officiel OpenAI, seuls base_url et la clé changent :

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)

Le champ usage indique combien de tokens d'entrée et de sortie l'appel a utilisés, ce dont vous aurez besoin pour l'estimation du coût. Nouveau sur le terme ? Lisez What is a token in AI?.

Étape 3. Demander une réponse longue#

Si une réponse s'arrête au milieu d'une phrase, la cause habituelle est la limite de sortie, pas le modèle qui « abandonne ». Définissez max_tokens explicitement et vérifiez finish_reason. Le contexte est dans Why does an AI answer stop mid-sentence?.

Pour ce modèle, le plafond est de 32 768 tokens de sortie :

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" signifie que le modèle a terminé de lui-même ; "length" signifie qu'il a atteint la limite. Rappelez-vous que max_tokens ne plafonne que la réponse : vous payez pour les tokens réellement générés, et votre prompt plus la réponse doivent tenir dans le contexte de 380K.

Une limite longue est utile pour les longs fichiers de code, les documents, les rapports et les traductions. Pour les réponses courtes, un petit max_tokens limite les surprises.

Étape 4. Activer le streaming#

Avec stream=True, vous recevez le texte par morceaux au fur et à mesure de sa génération, de sorte que les réponses longues apparaissent immédiatement au lieu d'attendre longtemps :

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)

Cela utilise les paramètres de streaming standard d'OpenAI. Pour la gestion des erreurs et la lecture du finish_reason final depuis un flux, voir Streaming responses in Python.

Étape 5. Estimer le coût#

La facturation est à l'usage depuis un solde prépayé, facturée par 1M de tokens, séparément pour l'entrée et la sortie. Prix actuels pour MiniMax-M2.7, même format de requête avec l'id MiniMaxAI/MiniMax-M2.7 : $0.05 par 1M de tokens d'entrée et $0.15 par 1M de tokens de sortie.

Un exemple concret : une requête avec 2 000 tokens d'entrée et 8 000 tokens de sortie coûte $0.0013 sur MiniMax-M2.7. Le tableau ci-dessous montre 1 000 requêtes de ce type à travers les modèles, avec une colonne de référence OpenRouter :

Pour l'utiliser avec votre propre charge de travail, prenez des usage.prompt_tokens et usage.completion_tokens typiques sur quelques appels réels, puis multipliez par votre nombre de requêtes quotidiennes. Pour une vue plus large de la planification des prix, voir DeepSeek API pricing in 2026.

Quand ce modèle convient, et quand un autre convient#

DeepSeek-V4-Flash convient bien lorsque les réponses sont longues : génération de code, rapports, documentation, traductions. Sur CheapTokens, sa sortie est moins chère que le prix de référence OpenRouter, et le prix combiné (3 entrée : 1 sortie) est également plus bas.

Si vos réponses sont courtes (classification, extraction, questions-réponses courtes), envisagez GLM-5.3-Flash : il a un contexte de 390K et répond jusqu'à 8 192 tokens ; comparez les prix des deux modèles dans le tableau ci-dessus. Changer revient simplement à modifier l'id du modèle en zai-org/GLM-5.3-Flash, et un seul solde couvre les deux modèles. Vous hésitez ? Voir GLM vs DeepSeek vs MiniMax.

Liste de vérification rapide#

• URL de base : https://api.cheaptokens.dev/v1 ; modèle : deepseek-ai/DeepSeek-V4-Flash-0731.
• Définissez max_tokens (jusqu'à 32 768) et vérifiez finish_reason.
• Utilisez stream=True pour les réponses longues.
• Lisez usage et estimez avec le tableau des coûts avant de monter en charge.

Prêt à essayer ? Obtenez une clé, rechargez votre solde et exécutez le premier extrait ci-dessus.