2026/07/30

DeepSeek V4 1M 上下文怎么用？输入、输出、max_tokens、计费与并发

DeepSeek V4 的 1M 上下文是输入与输出共享的总预算，最大输出为 384K。本文讲清 max_tokens、缓存计费、Flash/Pro 并发与 API 配置。

DeepSeek V4 的 1M 上下文不是“可以输入 1M，再额外输出 384K”。输入 token 与生成 token 共享同一个 1M 上下文预算；384K 是单次响应的最大输出上限。 max_tokens 只是你为本次响应设置的输出天花板，实际可生成长度还会受剩余上下文、停止条件和模型行为限制^[1]^[2]。

这是理解 DeepSeek V4 长上下文 API 的关键。下面把 Bing 用户集中搜索的几个问题一次讲清：1M 到底算输入还是输入加输出、max_tokens 怎么设、超长请求如何计费，以及 Flash 和 Pro 的并发限制有什么区别。

先看结论

问题	官方规格
模型 ID	`deepseek-v4-flash`、`deepseek-v4-pro`
上下文窗口	1M token，输入与输出共享
最大输出	384K token
`max_tokens`	本次 completion 的输出上限，不能突破剩余上下文或模型最大输出
默认模式	思考模式开启，普通请求默认 `reasoning_effort: high`
缓存	上下文硬盘缓存默认开启，按缓存命中与未命中分别计费
DeepSeek 直连并发	Flash 2500，Pro 500，按账号而不是 API Key 计算
接口	OpenAI Chat Completions 与 Anthropic 格式

DeepSeek 在 2026 年 4 月 24 日发布 V4 预览版，提供 Flash 和 Pro 两个模型，并把 1M 长上下文作为官方服务规格^[3]。官方价格页同时列出两者的 384K 最大输出、JSON Output、Tool Calls、前缀续写和 FIM 补全能力^[1]。

1M 上下文是输入还是输入加输出？

是输入加输出的总长度。DeepSeek Chat Completions API 文档写明，输入 token 与生成 token 的总长度受模型上下文长度限制^[2]。

可以把它理解成一个共享预算：

输入 token + 实际生成 token <= 1M 上下文窗口
实际生成 token <= max_tokens
实际生成 token <= 384K 模型输出上限

因此：

输入接近 1M 时，留给回答的空间会很小。
想让模型最多输出 100K，就必须在请求中为这部分输出预留上下文。
把 max_tokens 设成 384K，并不保证能得到 384K；如果输入已经占掉大部分窗口，响应仍会受剩余空间限制。
384K 是“最大输出”，不是默认输出，也不是每次请求都应该追求的目标。

工程上不要把输入硬塞到窗口边缘。还要给系统消息、工具 schema、历史消息和模型生成留出余量。对于代码库分析，先估算 token，再按任务拆分；1M 窗口减少了分块需求，但没有取消检索、去重和上下文整理的价值。

`max_tokens` 应该怎么设？

max_tokens 限制本次 completion 最多生成多少 token。DeepSeek 的 API 参考还说明：当 finish_reason 为 length 时，可能是达到了 max_tokens，也可能是对话碰到了上下文限制^[2]。

一个实用的设置方法：

任务	建议起点	原因
分类、抽取、短问答	1K–4K	输出结构短，没必要预留巨大预算
代码评审、文档总结	4K–16K	足够容纳分段分析与建议
长报告、多文件改造方案	16K–64K	需要更长的结构化输出
超长生成	按实测逐步提高	先确认成本、延迟、截断与下游处理能力

这不是官方硬性推荐，而是工程起点。正式上线前应记录 finish_reason、usage.completion_tokens 与业务侧的有效输出率，再调整上限。

下面的请求把输出上限设为 16K，并显式开启思考模式：

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_REAPI_KEY",
    base_url="https://api.reapi.ai/v1",
)

response = client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=[
        {
            "role": "user",
            "content": "分析这份代码库清单，给出按风险排序的迁移计划。",
        }
    ],
    max_tokens=16_384,
    reasoning_effort="high",
    extra_body={
        "thinking": {"type": "enabled"},
        "group": "default",
    },
)

reAPI 的完整字段与响应格式见 DeepSeek V4 API 文档。模型能力、Playground 和实时美元费率在 DeepSeek V4 中文模型页。

思考 token 会占用输出吗？

DeepSeek 的思考模式默认开启。思维内容通过 reasoning_content 返回，API 的 usage 还会在 completion_tokens_details.reasoning_tokens 中单独列出推理 token^[4]^[2]。

这意味着做容量规划时，不能只看最终 content 的可见长度。复杂推理会消耗 completion 预算。思考模式下，temperature、top_p、presence_penalty 和 frequency_penalty 即使传入也不会生效^[4]。

简单抽取、格式转换或低延迟请求可以测试非思考模式：

{
  "model": "deepseek-v4-flash",
  "thinking": {"type": "disabled"},
  "messages": [
    {"role": "user", "content": "把下面三行日志转成 JSON。"}
  ],
  "max_tokens": 2048
}

不要为了省 token 一律关闭思考。正确做法是把任务分层：确定性强的轻任务走 Flash 非思考，需要规划、编码或多步工具调用的任务再开启思考并考虑 Pro。

DeepSeek V4 怎么计费？

DeepSeek 直连 API 按三类 token 分开计费：

缓存命中的输入 token；
缓存未命中的输入 token；
输出 token。

官方人民币价格如下，单位均为每 100 万 token，读取时间为 2026 年 7 月 30 日^[1]：

模型	输入：缓存命中	输入：缓存未命中	输出
DeepSeek V4 Flash	¥0.02	¥1	¥2
DeepSeek V4 Pro	¥0.025	¥3	¥6

计费公式是：

费用 =
  缓存命中输入 / 1,000,000 × 命中单价
  + 缓存未命中输入 / 1,000,000 × 未命中单价
  + 输出 / 1,000,000 × 输出单价

例如一次 Flash 请求包含 80 万缓存未命中输入、5 万缓存命中输入和 2 万输出，按官方直连价格估算：

0.8 × ¥1 + 0.05 × ¥0.02 + 0.02 × ¥2 = ¥0.841

这是按公开单价做的数学示例，不含其他平台的路由或加价。通过 reAPI 调用时，应以 DeepSeek V4 模型页的实时美元价格卡为准，不要把 DeepSeek 直连人民币价格直接套到聚合网关账单。

1M 长上下文怎样提高缓存命中？

DeepSeek 的上下文硬盘缓存对所有用户默认开启，不需要额外开关。后续请求只有完整复用已经落盘的前缀单元时才会命中；仅仅“内容相似”并不够^[5]。

适合缓存的请求结构：

稳定的 system prompt
+ 固定工具 schema
+ 不变的长文档或代码库
+ 每次变化的问题

把稳定内容放在前面，把每轮变化的指令放在后面。响应的 usage 会给出：

prompt_cache_hit_tokens
prompt_cache_miss_tokens
completion_tokens
total_tokens

用这些字段计算真实命中率。不要通过猜测“应该缓存了”来估算成本。

Flash 和 Pro 的并发限制

DeepSeek 官方直连 API 按账号限制并发：

模型	每账号并发上限
`deepseek-v4-flash`	2500
`deepseek-v4-pro`	500

一个请求从发出到模型响应结束都占一个并发位。限制按账号计算，与创建了多少个 API Key 无关；超过限制会返回 HTTP 429^[6]。

user_id 可以帮助做内容安全、KV Cache 和调度隔离，但对普通账号，所有 user_id 仍合并计算总并发^[6]。所以“多建几个 key”或“多传几个 user_id”都不是扩容方案。

还要区分供应商额度与网关额度。2500/500 是 DeepSeek 官方直连账号的公开限制；通过 reAPI 时，实际并发、排队和上游渠道策略以 reAPI 控制台、文档和响应为准。

1M 请求上线前的检查清单

先估算输入 token，不要用字符数代替 token 数。
为输出、工具 schema 和后续轮次预留空间。
根据任务设置 max_tokens，不要无条件填 384K。
记录 finish_reason，区分自然停止、max_tokens 截断和上下文耗尽。
固定可复用前缀，并监控缓存命中与未命中 token。
分开统计 reasoning token 和最终回答的有效长度。
对 429 做指数退避和抖动，不要立即并发重试。
在高并发轻任务中优先测试 Flash，把 Pro 留给复杂推理。
使用当前模型 ID；DeepSeek 公告中的旧 deepseek-chat 与 deepseek-reasoner 弃用日期是 2026 年 7 月 24 日^[3]。

DeepSeek V4 中文模型页 — Playground、能力和实时价格。
DeepSeek V4 API 文档 — reAPI 请求与响应字段。
reAPI 模型目录 — 用同一个接口比较其他聊天模型。

References

DeepSeek. 模型 & 价格 — V4 上下文、最大输出、功能与人民币价格。 Retrieved July 30, 2026 from api-docs.deepseek.com/zh-cn/quick_start/pricing
DeepSeek. 对话补全 API — max_tokens、上下文约束、finish_reason 与 usage。 Retrieved July 30, 2026 from api-docs.deepseek.com/zh-cn/api/create-chat-completion
DeepSeek. DeepSeek-V4 预览版：迈入百万上下文普惠时代。 April 24, 2026. api-docs.deepseek.com/zh-cn/news/news260424
DeepSeek. 思考模式 — 开关、reasoning_effort 与 reasoning_content。 Retrieved July 30, 2026 from api-docs.deepseek.com/zh-cn/guides/thinking_mode
DeepSeek. 上下文硬盘缓存 — 命中规则与 usage 字段。 Retrieved July 30, 2026 from api-docs.deepseek.com/zh-cn/guides/kv_cache
DeepSeek. 限速与隔离 — Flash/Pro 账号级并发与 user_id。 Retrieved July 30, 2026 from api-docs.deepseek.com/zh-cn/quick_start/rate_limit