<div class="key-takeaways"><ul><li>DeepSeek-V4-Flash 0731 มาพร้อมโมดูล DSpark speculative decoding ในตัว</li><li>ราคา API ขาออกถูกว่ารุ่น Pro ถึงราวสามเท่า อยู่ที่ $0.28 ต่อ 1 ล้านโทเค็น</li><li>สเปกโมเดลเป็น MoE ขนาด 284B พารามิเตอร์ ทำงาน 13B ต่อโทเค็น รองรับ context window 1 ล้านโทเค็น</li><li>การโฮสต์เองต้องใช้ทรัพยากรสูง แม้พารามิเตอร์ทำงานน้อยแต่โมเดลทั้งหมดต้องอยู่ในหน่วยความจำ</li></ul></div><p>DeepSeek ได้ทำการอัปเดตเวอร์ชันใหม่ให้กับโมเดล DeepSeek-V4-Flash 0731 โดยเช็คพอยต์นี้มาพร้อมกับการติดตั้งโมดูล DSpark speculative decoding เพิ่มเข้ามา ทำให้โครงสร้างตรงกับ DeepSeek-V4-Flash-DSpark ทาง Hugging Face ระบุว่าที่เก็บโค้ดมีขนาดพารามิเตอร์รวม 304B ซึ่งรวมโมดูลดราฟต์ดังกล่าวที่อยู่บนพื้นฐานโมเดลหลักขนาด 284B เอาไว้เรียบร้อยแล้ว</p><p>สำหรับการใช้งานผ่าน API นั้น ตอนนี้ deepseek-v4-flash รองรับรูปแบบ Responses API และปรับแต่งให้เข้ากับ Codex เรียบร้อยแล้ว ในขณะที่ API ของ V4-Pro รวมถึงแอปพลิเคชันและโมเดลบนเว็บยังไม่ได้รับการอัปเดตในรอบนี้ โครงสร้างการเรียกใช้งานผ่าน API เปิดกว้างให้ทุกคนเข้าถึงได้ง่ายขึ้นด้วยราคาจากหน้าเว็บไซต์ DeepSeek ที่กำหนดไว้ $0.14 ต่อ 1 ล้านโทเค็นเมื่อเกิด cache miss, $0.0028 เมื่อ cache hit และ $0.28 ต่อ 1 ล้านโทเค็นสำหรับ output โดยจำกัด concurrency ไว้ที่ 2,500 ซึ่งถือว่าถูกกว่าค่าใช้จ่ายด้าน output ของ deepseek-v4-pro ที่คิดราคา $0.87 อยู่ประมาณหนึ่งในสาม ทำให้สตาร์ทอัพยุคเริ่มต้น นักพัฒนาอิสระ และทีมภายในองค์กรสามารถรัน agent loops ได้โดยไม่ต้องกังวลเรื่องงบประมาณ GPU</p><div class="ai-insight"><p>การเปิดตัวโมเดลรุ่น Flash ที่มีราคาประหยัดควบคู่ไปกับความสามารถระดับสูง ถือเป็นกลยุทธ์สำคัญในการแย่งชิงส่วนแบ่งตลาดนักพัฒนาซอฟต์แวร์และองค์กรขนาดเล็ก การที่ DeepSeek เปิดราคาค่าบริการ API ในระดับที่เข้าถึงง่าย ช่วยลดอุปสรรคในการทดลองสร้างแอปพลิเคชัน AI เชิงเอเจนต์ (Agentic AI) ได้อย่างมหาศาล ขณะเดียวกันก็เป็นการกดดันคู่แข่งเจ้าอื่นในตลาดให้ต้องปรับลดราคาตามไปด้วย</p></div><p>ในฝั่งของการนำไปโฮสต์ใช้งานเอง (Self-hosting) จะมีข้อกำหนดและอุปสรรคที่สูงกว่า แม้ว่าน้ำหนักโมเดลจะใช้งานภายใต้สัญญาอนุญาต MIT และเปิดกว้าง แต่อยู่ในเงื่อนไขที่ผู้เชี่ยวชาญทุกส่วนต้องอยู่ในหน่วยความจำตลอดเวลา แม้ว่าจะมีพารามิเตอร์เพียง 13B ที่ถูกใช้งานจริงต่อหนึ่งโทเค็นก็ตาม ตัวอย่างการใช้งาน vLLM ของ DeepSeek แนะนำให้รันบนโหนด 4×GB300 เดี่ยว ขณะที่ Unsloth ระบุว่าการทำ dynamic GGUFs สำหรับรุ่น 8-bit แบบไม่สูญเสียความแม่นยำจะมีขนาด 162 GB และรุ่น 3-bit จะมีขนาด 103 GB ซึ่งต้องใช้หน่วยความจำ RAM รวมกับ VRAM ประมาณ 110 GB แนวทางการโฮสต์เองนี้จึงเหมาะกับองค์กรขนาดกลางและขนาดใหญ่ที่มีคลัสเตอร์เซิร์ฟเวอร์ หรือเวิร์กสเตชันสเปกสูงที่ผ่านการควอนไทเซไทส์อย่างเหมาะสม</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/deepseek_v4_flash_0731_coding_agentic_ms9k5uzw_inline_1_4f6e7c1804.jpg" alt="coding development workstation computer screen" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">284B</span><span class="stat-label">พารามิเตอร์ MoE ทั้งหมด</span></div><div class="stat-item"><span class="stat-number">13B</span><span class="stat-label">พารามิเตอร์ที่ทำงานต่อโทเค็น</span></div><div class="stat-item"><span class="stat-number">1M</span><span class="stat-label">รองรับ Context Window</span></div></div><p>อ้างอิงจากรายงานทางเทคนิคของ DeepSeek-V4 ระบุว่า V4-Flash เป็นโมเดล Mixture-of-Experts (MoE) ขนาด 284B พารามิเตอร์ มีการใช้งาน 13B พารามิเตอร์ต่อโทเค็น และรองรับ context window ยาว 1 ล้านโทเค็น แต่ละชั้น MoE ประกอบด้วย 1 shared expert และ 256 routed experts โดยมีมิติภายใน (intermediate dimension) อยู่ที่ 2048 และมี routed experts ทำงาน 6 ตัวต่อหนึ่งโทเค็น ในส่วนของชั้น MoE สามชั้นแรกจะใช้ระบบ hash routing และมีความลึกในการทำนายหลายโทเค็น (multi-token prediction depth) เท่ากับ 1</p><p>สถาปัตยกรรมความสนใจหรือ Attention เป็นแบบไฮบริด ผสมผสานระหว่าง Compressed Sparse Attention (CSA) และ Heavily Compressed Attention (HCA) พร้อมใช้ Manifold-Constrained Hyper-Connections (mHC) มาแทนที่ residual connections แบบดั้งเดิม ด้วยอัตราการขยายตัว 4 และผ่านการทำ Sinkhorn-Knopp จำนวน 20 รอบ กระบวนการ pre-training ใช้โทเค็นมากกว่า 32T และใช้ตัวเพิ่มประสิทธิภาพ Muon อย่างไรก็ตาม ตัวเลขประสิทธิภาพเด่นในรายงานที่ระบุว่าประหยัด FLOPs สำหรับการอนุมานแบบ single-token ได้ 27% และประหยัด KV cache ได้ 10% เมื่อเทียบกับ DeepSeek-V3.2 ที่ context 1 ล้านโทเค็นนั้น เป็นตัวเลขของรุ่น V4-Pro ไม่ใช่รุ่น Flash โดยตัวเลขทั้งหมดอ้างอิงตามการรายงานของ DeepSeek จากการ์ดโมเดลวันที่ 0731</p><p>สำหรับการเปิดใช้งาน DSpark สามารถทำได้ผ่านแฟล็ก vLLM เพียงตัวเดียวคือ <br><code>--speculative-config '{"method":"dspark","num_speculative_tokens":7,"draft_sample_method":"greedy"}'</code> <br>โดยรายงานของ DSpark ระบุว่าความเร็วในการสร้างข้อความต่อผู้ใช้บน V4-Flash เร็วขึ้น 60–85% เมื่อเทียบกับเบสไลน์ MTP-1 ภายใต้ปริมาณงานรวมที่เท่ากัน</p><p>ในด้านการใช้งาน ไม่มีเทมเพลตแชท Jinja มาให้ แต่ DeepSeek ได้เตรียมโฟลเดอร์ encoding/ ที่มีฟังก์ชัน encode_messages และ parse_message_from_completion_text มาแทนที่ พารามิเตอร์ reasoning_effort สามารถกำหนดค่าเป็น low, high หรือ max โดย DeepSeek แนะนำให้ตั้งค่า temperature = 1.0 และ top_p = 0.95 สำหรับการใช้งานแบบเอเจนต์ และตั้งค่าเป็น 1.0 สำหรับกรณีอื่น พร้อมรองรับ output ยาวสูงสุด 384K โทเค็นเมื่อตั้งค่าเป็น high และ max</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/07/31/deepseek-upgrades-deepseek-v4-flash-0731-with-major-agentic-and-coding-gains/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>DeepSeek-V4-Flash 0731 now integrates the DSpark speculative decoding module out of the box.</li><li>API output pricing is roughly a third of the Pro model, listed at $0.28 per 1 million tokens.</li><li>The architecture features a 284B MoE model activating 13B parameters per token with a 1M-token context window.</li><li>Self-hosting demands substantial memory infrastructure as all experts must remain resident in RAM.</li></ul></div><p>DeepSeek has rolled out an update for the DeepSeek-V4-Flash model, designated as checkpoint 0731. This release ships with the DSpark speculative decoding module attached, matching the structural setup of DeepSeek-V4-Flash-DSpark. According to Hugging Face reports, the repository contains 304B parameters in total, which accounts for the draft module stacked on top of the 284B base model.</p><p>On the API front, deepseek-v4-flash now natively supports the Responses API format and has been adapted for Codex, while the V4-Pro API alongside app and web models remain unupdated in this cycle. Deployment via API is remarkably accessible: DeepSeek’s pricing page lists deepseek-v4-flash at $0.14 per 1M input tokens on a cache miss, $0.0028 on a cache hit, and $0.28 per 1M output tokens, with a concurrency limit set at 2,500. This pricing sits at roughly a third of the deepseek-v4-pro output pricing which stands at $0.87, allowing seed-stage startups, indie developers, and internal platform teams to execute agent loops without requiring a heavy GPU budget.</p><div class="ai-insight"><p>Releasing a cost-efficient Flash model equipped with advanced capabilities highlights a strategic push to capture the developer and small-organization ecosystem. By pricing the API access aggressively, DeepSeek lowers the barrier of entry for experimenting with complex Agentic AI workflows, simultaneously challenging competitors to match these economic thresholds.</p></div><p>For self-hosting scenarios, the technical requirements are significantly higher. Although the model weights are MIT-licensed and ungated, every expert must stay resident in memory even though only 13B parameters activate per token. DeepSeek’s vLLM reference example serves the model on a single 4×GB300 node, whereas Unsloth’s dynamic GGUFs require approximately 110 GB of combined RAM and VRAM for the lossless 8-bit build at 162 GB and the 3-bit build at 103 GB. Consequently, self-hosting is best suited for mid-size and large enterprises equipped with dedicated serving clusters or high-spec workstations running aggressive quantization.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/deepseek_v4_flash_0731_coding_agentic_ms9k5uzw_inline_1_4f6e7c1804.jpg" alt="coding development workstation computer screen" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">284B</span><span class="stat-label">Total MoE Parameters</span></div><div class="stat-item"><span class="stat-number">13B</span><span class="stat-label">Active Parameters Per Token</span></div><div class="stat-item"><span class="stat-number">1M</span><span class="stat-label">Context Window Limit</span></div></div><p>According to the DeepSeek-V4 technical report, V4-Flash is a 284B-parameter Mixture-of-Experts (MoE) architecture featuring 13B activated parameters per token and a 1M-token context window capacity. Each MoE layer contains 1 shared expert and 256 routed experts with an intermediate dimension of 2048, with 6 routed experts firing per token. The initial three MoE layers utilize hash routing, and the multi-token prediction depth is set to 1.</p><p>The attention mechanism is hybrid, combining Compressed Sparse Attention (CSA) and Heavily Compressed Attention (HCA). Manifold-Constrained Hyper-Connections (mHC) replace traditional residual connections, utilizing an expansion factor of 4 and 20 Sinkhorn-Knopp iterations. Pre-training utilized over 32T tokens alongside the Muon optimizer. Note that the paper's headline efficiency figures—achieving 27% single-token inference FLOPs and 10% KV cache compared to DeepSeek-V3.2 at a 1M context—apply specifically to V4-Pro rather than Flash, with all figures sourced directly from DeepSeek's 0731 model card.</p><p>Enabling DSpark requires just a single vLLM flag: <br><code>--speculative-config '{"method":"dspark","num_speculative_tokens":7,"draft_sample_method":"greedy"}'</code> <br>The DSpark research paper indicates a 60–85% increase in per-user generation speed on V4-Flash compared to the MTP-1 baseline under matched aggregate throughput conditions.</p><p>Regarding integration details, there is no Jinja chat template included. Instead, DeepSeek provides an encoding/ folder containing encode_messages and parse_message_from_completion_text functions. The reasoning_effort parameter accepts low, high, or max values. DeepSeek recommends setting temperature = 1.0 and top_p = 0.95 for agentic use cases and 1.0 otherwise, supporting up to 384K output tokens when configured to high and max settings.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/07/31/deepseek-upgrades-deepseek-v4-flash-0731-with-major-agentic-and-coding-gains/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_article-1115.jpg

small_article-1115.jpg

thumbnail_article-1115.jpg

Inewgen

Inewgen

#DeepSeek-V4-Flash

DeepSeek Upgrades V4-Flash 0731 with Major Agentic and Coding Improvements

Inewgen