Início rápido da API DeepSeek-V4-Flash: respostas longas, streaming

Este guia leva você do zero a uma requisição funcional ao DeepSeek-V4-Flash e, em seguida, mostra como pedir respostas longas, transmiti-las e estimar quanto sua carga de trabalho vai custar. Leva cerca de dez minutos.

De qual "DeepSeek Flash" estamos falando?#

É fácil confundir as versões agora. A DeepSeek moveu seu alias oficial deepseek-flash para DeepSeek-V4.1-Flash-1017; o método de chamada não mudou (fonte: DeepSeek API docs, verificado em 21 de outubro de 2026). Cobrimos esse lançamento em DeepSeek-V4.1-Flash-1017 is out.

Este guia trata de um modelo diferente e específico: DeepSeek-V4-Flash, release 0731, disponível na CheapTokens sob o id de gateway deepseek-ai/DeepSeek-V4-Flash-0731. Não é o V4.1-Flash, e nada sobre o V4.1-Flash-1017 (seu comportamento, benchmarks ou limites) se aplica a ele. Use o id exatamente como escrito abaixo.

O que você obtém na CheapTokens com este modelo:

• janela de contexto de 380K;
• até 32.768 tokens de saída por resposta, a resposta mais longa da nossa linha;
• API compatível com OpenAI Chat Completions e Anthropic Messages;
• um saldo para todos os modelos, preços fixos por modelo e sem preço de horário de pico.

Passo 1. Obtenha uma chave#

Crie uma conta, adicione saldo e crie uma chave de API no painel. Se quiser primeiro o passo a passo genérico, veja Your first API request with CheapTokens.

A URL base é https://api.cheaptokens.dev/v1. Mantenha a chave em uma variável de ambiente em vez de colá-la no código:

export CHEAPTOKENS_API_KEY="your-key-here"

Passo 2. Envie sua primeira requisição#

Com 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."}]
  }'

Com o SDK oficial OpenAI para Python, apenas base_url e a chave mudam:

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)

O campo usage mostra quantos tokens de entrada e saída a chamada usou, o que você vai precisar para a estimativa de custo. Novo no termo? Leia What is a token in AI?.

Passo 3. Peça uma resposta longa#

Se uma resposta para no meio da frase, a causa usual é o limite de saída, não o modelo "desistindo". Defina max_tokens explicitamente e verifique finish_reason. O contexto está em Why does an AI answer stop mid-sentence?.

Para este modelo o teto é de 32.768 tokens de saída:

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" significa que o modelo terminou por conta própria; "length" significa que ele atingiu o limite. Lembre-se de que max_tokens apenas limita a resposta: você paga pelos tokens realmente gerados, e seu prompt mais a resposta devem caber no contexto de 380K.

Um limite longo é útil para arquivos de código longos, documentos, relatórios e traduções. Para respostas curtas, um max_tokens pequeno reduz surpresas.

Passo 4. Ative o streaming#

Com stream=True você recebe o texto em partes conforme ele é gerado, então respostas longas aparecem imediatamente em vez de depois de uma longa espera:

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)

Isso usa os parâmetros padrão de streaming da OpenAI. Para tratamento de erros e leitura do finish_reason final de um stream, veja Streaming responses in Python.

Passo 5. Estime o custo#

A cobrança é pay-as-you-go a partir de um saldo pré-pago, com preço por 1M de tokens, separadamente para entrada e saída. Preços atuais do MiniMax-M2.7, o mesmo formato de requisição com o id MiniMaxAI/MiniMax-M2.7: $0.05 por 1M de tokens de entrada e $0.15 por 1M de tokens de saída.

Um exemplo prático: uma requisição com 2.000 tokens de entrada e 8.000 tokens de saída custa $0.0013 no MiniMax-M2.7. A tabela abaixo mostra 1.000 requisições desse tipo entre os modelos, com uma coluna de referência do OpenRouter:

Para usar com sua própria carga de trabalho, pegue usage.prompt_tokens e usage.completion_tokens típicos de algumas chamadas reais e multiplique pelo seu número diário de requisições. Para uma visão mais ampla do planejamento de preços, veja DeepSeek API pricing in 2026.

Quando este modelo se encaixa, e quando outro se encaixa#

O DeepSeek-V4-Flash é uma boa escolha quando as respostas são longas: geração de código, relatórios, documentação, traduções. Na CheapTokens sua saída é mais barata que o preço de referência do OpenRouter, e o preço combinado (3 entrada : 1 saída) também é menor.

Se suas respostas são curtas (classificação, extração, perguntas e respostas curtas), considere o GLM-5.3-Flash: ele tem contexto de 390K e responde até 8.192 tokens; compare os preços dos dois modelos na tabela acima. Trocar é só mudar o id do modelo para zai-org/GLM-5.3-Flash, e um saldo cobre os dois modelos. Não sabe qual escolher? Veja GLM vs DeepSeek vs MiniMax.

Checklist rápido#

• URL base: https://api.cheaptokens.dev/v1; modelo: deepseek-ai/DeepSeek-V4-Flash-0731.
• Defina max_tokens (até 32.768) e verifique finish_reason.
• Use stream=True para respostas longas.
• Leia usage e estime com a tabela de custos antes de escalar.

Pronto para experimentar? Obtenha uma chave, adicione saldo e execute o primeiro trecho acima.