DE
DeepSeek R1
模型简介
DeepSeek R1 是 DeepSeek 的推理型模型，常被提到的特点是开放推理过程，以及在数学、逻辑和代码任务上的表现。它与 V3 一代共享大规模 MoE 的基础能力，但训练和产品定位更偏向深度推理，而不是普通对话。适合需要拆解、验证和逐步求解的复杂问题。
规格与价格
- 上下文窗口
- 128K Token
- 最大输出
- 32.8K Token
- 输入价格
- ¥4/M
- 输出价格
- ¥16/M
- 缓存读取
- ¥1.6/M
- 发布日期
- 2025年1月20日
- 输入价格
- ¥4/M
- 输出价格
- ¥16/M
- 缓存读取
- ¥1.6/M
API 能力
- 推理
- 支持
- 工具调用
- 支持
- Temperature 参数
- 支持
- 附件
- 不支持
- 知识库
- 2024-07-01
- Endpoint 协议
- Completions API
模型亮点
DeepSeek R1 是面向数学、代码与通用推理任务的开放推理模型，适合进行长程问题求解。
DeepSeek R1 模型亮点
DeepSeek R1 是面向数学、代码与通用推理任务的开放推理模型，适合进行长程问题求解。
强化学习推理
通过大规模强化学习形成长程推理模式，用于逐步解决高难度问题。
反思与验证
推理过程中可以重新检查中间步骤并验证候选方案，再形成最终答案。
数学与代码推理
评测显示其在数学问题求解、竞赛编程和软件任务中具备针对性的推理能力。
适用场景
DeepSeek R1 适合数学问题求解、算法编程以及需要多步骤推理的研究任务。
DeepSeek R1 使用场景
DeepSeek R1 适合数学问题求解、算法编程以及需要多步骤推理的研究任务。
高阶数学求解
拆解高难度数学问题、评估不同方法，并生成具有推理依据的解答。
算法编程
设计算法、分析正确性与复杂度，并为编程问题生成实现代码。
推理型研究分析
比较不同假设、检查所提供的证据，并为技术研究问题形成结构化结论。
调用示例
from openai import OpenAI
client = OpenAI(
base_url="https://api.tokiway.com/v1",
api_key="YOUR_TOKIWAY_KEY",
)
resp = client.chat.completions.create(
model="deepseek-r1",
messages=[{"role": "user", "content": "你好"}],
)
print(resp.choices[0].message.content)DeepSeek 的其他模型
DE
DeepSeek V3
DeepSeek
DeepSeek V3 是 V3 系列的通用 MoE 基座模型，常见官方资料描述为 671B 总参数、37B 激活参数。技术报告强调 MLA、DeepSeekMoE、高效训练，以及较强的通用语言和代码能力。在模型列表中，它更适合作为 DeepSeek 的通用对话与代码基线模型，而不是单纯的深度推理专用模型。
128K Token 上下文
16K Token 输出
2024年12月26日
输入¥2/M
输出¥8/M
缓存¥0.8/M
DE
DeepSeek V3.1 Terminus
DeepSeek
DeepSeek V3.1 Terminus 是 DeepSeek 对 V3.1 系列的官方升级版本，重点在语言一致性和更稳定的 Agent 行为。官方发布说明中特别提到 Code Agent 和 Search Agent 能力改进，因此它更适合需要推理、工具调用和检索结合的工作流。它不是彻底改变 V3.1 的模型定位，而是让原有能力在实际 Agent 场景中更稳定、更可靠。
128K Token 上下文
64K Token 输出
2025年9月22日
输入¥4/M
输出¥12/M
缓存¥0.6/M
DE
DeepSeek V3.2 Think
DeepSeek
DeepSeek V3.2 通常被介绍为基于 V3.1 系列升级的高效推理与工具调用模型。这里的 Think 可以理解为偏推理的模式，更适合多步骤解题、结构化规划，以及需要中间思考过程的 Agent 任务。相关来源强调稀疏注意力和长上下文效率，因此它的定位不是短回复，而是复杂工作流和需要推理链条的任务。
128K Token 上下文
64K Token 输出
2025年12月1日
输入¥2/M
输出¥3/M
缓存¥0.2/M
DE
DeepSeek V4 Flash
DeepSeek
DeepSeek V4 Flash 保留了 V4 系列的 1M token 长上下文能力，但采用更轻量的 MoE 配置，常见模型卡描述为 284B 总参数、13B 激活参数。它的重点不是最大推理深度，而是更快推理、更低调用成本和更适合生产环境的吞吐量。对于高频请求、批量处理和长上下文但不一定需要最高推理强度的任务，Flash 会比 Pro 更合适。
1M Token 上下文
384K Token 输出
2026年4月24日
输入¥3/M
输出¥9/M
缓存¥0.1/M
DE
DeepSeek V4 Flash Vision Exp
DeepSeek
DeepSeek V4 Flash Vision Exp 是 DeepSeek V4 Flash 0731 的实验性视觉增强版本，在保持基础模型文本性能（包括智能体能力、推理和世界知识）的同时，引入图像理解功能。它基于稀疏混合专家（MoE）架构，总参数为284B，激活参数为13B。
1M Token 上下文
384K Token 输出
2026年8月21日
输入¥3/M
输出¥9/M
缓存¥0.1/M
DE
DeepSeek V4 Pro
DeepSeek
DeepSeek V4 Pro 被描述为大规模 MoE 模型，拥有 1.6T 总参数与 49B 激活参数，并支持 1M token 上下文窗口，适合处理超长输入。官方和三方模型卡更强调它在高级推理、代码任务和长周期 Agent 工作流中的能力，而不是普通聊天。相比 V4 Flash，Pro 更偏能力上限，适合大型代码库分析、复杂研究资料综合、多步骤自动化等需要深度推理的任务。
1M Token 上下文
384K Token 输出
2026年4月24日
输入¥9/M
输出¥27/M
缓存¥0.3/M