DeepSeek-V4-Flash API 快速入门：长回答与流式输出

本指南将带你从零开始，完成一次可用的 DeepSeek-V4-Flash 请求，然后展示如何请求长回答、流式输出，并估算你的工作负载成本。大约需要十分钟。

我们说的是哪个“DeepSeek Flash”？#

目前版本很容易混淆。DeepSeek 已将其官方 deepseek-flash 别名迁移到 DeepSeek-V4.1-Flash-1017；调用方式没有变化（来源：DeepSeek API 文档，2026 年 10 月 21 日核查）。我们在 DeepSeek-V4.1-Flash-1017 已发布 中介绍了该版本。

本指南讨论的是另一个具体模型：DeepSeek-V4-Flash，版本 0731，在 CheapTokens 上以网关 ID deepseek-ai/DeepSeek-V4-Flash-0731 提供。它不是 V4.1-Flash，V4.1-Flash-1017 的任何信息（行为、基准或限制）都不适用于它。请完全按下面写出的 ID 使用。

在 CheapTokens 上使用此模型可获得：

• 380K 上下文窗口；
• 每次回答最多 32,768 个输出 token，是我们产品线中最长的回答；
• 兼容 OpenAI Chat Completions 和 Anthropic Messages 的 API；
• 所有模型共用一个余额，按模型固定价格，无高峰时段定价。

第 1 步：获取密钥#

创建账户、充值余额，并在控制台中创建 API 密钥。如果你想先看通用入门指南，请参阅 你的第一个 CheapTokens API 请求。

基础 URL 是 https://api.cheaptokens.dev/v1。请将密钥保存在环境变量中，而不是粘贴到代码里：

export CHEAPTOKENS_API_KEY="your-key-here"

第 2 步：发送第一个请求#

使用 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."}]
  }'

使用官方 OpenAI Python SDK 时，只需更改 base_url 和密钥：

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)

usage 字段显示该调用使用了多少输入和输出 token，成本估算会用到它。不熟悉这个术语？请阅读 AI 中的 token 是什么？。

第 3 步：请求长回答#

如果回答在句子中间停止，通常原因是输出限制，而不是模型“放弃”。请显式设置 max_tokens 并检查 finish_reason。背景信息见 为什么 AI 回答会在句子中间停止？。

此模型的上限是 32,768 个输出 token：

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" 表示模型自行完成；"length" 表示它达到了限制。请记住，max_tokens 只限制回答长度：你只为实际生成的 token 付费，并且你的提示词加上回答必须能放入 380K 上下文。

长限制适用于长代码文件、文档、报告和翻译。对于简短回复，较小的 max_tokens 可以减少意外。

第 4 步：开启流式输出#

使用 stream=True 时，文本会在生成时以块的形式返回，因此长回答会立即出现，而不是等待很久之后才出现：

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)

这使用标准的 OpenAI 流式参数。有关错误处理以及从流中读取最终 finish_reason，请参阅 Python 中的流式响应。

第 5 步：估算成本#

计费方式为从预付余额中按需付费，按每 1M token 计价，输入和输出分别计费。MiniMax-M2.7 的当前价格（请求格式相同，ID 为 MiniMaxAI/MiniMax-M2.7）：每 1M 输入 token $0.05，每 1M 输出 token $0.15。

一个示例：在 MiniMax-M2.7 上，一个包含 2,000 个输入 token 和 8,000 个输出 token 的请求成本为 $0.0013。下表展示了各模型上 1,000 个此类请求的成本，并附有 OpenRouter 参考列：

要用于你自己的工作负载，请从几次真实调用中取典型的 usage.prompt_tokens 和 usage.completion_tokens，然后乘以你的每日请求数。有关价格规划的更全面视角，请参阅 2026 年 DeepSeek API 定价。

此模型适合的场景，以及何时选择其他模型#

当回答较长时，DeepSeek-V4-Flash 很合适：代码生成、报告、文档、翻译。在 CheapTokens 上，其输出价格低于 OpenRouter 参考价，混合价格（3 输入 : 1 输出）也更低。

如果你的回答较短（分类、提取、简短问答），可以考虑 GLM-5.3-Flash：它有 390K 上下文，回答最多 8,192 个 token；在上表中比较两个模型的价格。切换只需将模型 ID 改为 zai-org/GLM-5.3-Flash，一个余额即可覆盖两个模型。不确定选哪个？请参阅 GLM vs DeepSeek vs MiniMax。

快速检查清单#

• 基础 URL：https://api.cheaptokens.dev/v1；模型：deepseek-ai/DeepSeek-V4-Flash-0731。
• 设置 max_tokens（最高 32,768）并检查 finish_reason。
• 对长回答使用 stream=True。
• 阅读 usage，并在扩大规模前用成本表估算。

准备好尝试了吗？获取密钥、充值余额，然后运行上面的第一个代码片段。