8.0
热点
AI SCORE
工具产品2026-10-17 12:00
DeepSeek 开放搜索 API，可用于应用检索
DeepSeek API Docs#DeepSeek#搜索接口#检索增强
Editor brief · 编辑速览
DeepSeek 开放自研搜索 API，称其索引覆盖全球千亿级网页，支持多语言和实时搜索。该引擎同时服务其网页端与 API 搜索，并宣称具备针对 SEO 作弊、GEO 操纵和低质 AI 内容的过滤机制。
DeepSeek 网页端与 API 端的搜索能力均由自研 DeepSeek 搜索引擎提供底层支持，稳定处理每天来自全球各地的数亿次搜索请求。DeepSeek 搜索是 AI 原生的通用搜索引擎，索引了全球千亿级网页，支持多语言搜索，实时返回高相关、高权威、高时效的优质结果。针对 SEO 作弊、GEO 操纵和低质 AIGC，我们通过严格的识别机制进行过滤，确保向用户与 LLM 呈现权威可信的信息。使用方式请参考网页搜索与抓取指南。
DeepSeek V4.1 Flash 已升级至 DeepSeek-V4.1-Flash-1017，官方网页端与 APP 模型也已同步更新至新版本。API 调用方式与价格保持不变，仍使用 deepseek-flash 即可访问最新模型。
相比上一版本的 DeepSeek V4.1，新模型在各基准测试中取得了显著提升：
* 表示仅在 HLE 评测集的纯文本子集上进行了测试；Terminal-Bench 4.0 使用 Claude Code 框架测试，DeepSWE 使用 Mini-SWE-V2 框架测试；ZeroBench-main 使用 Pass@5 评测。
在提升性能的同时，我们还缩短了模型的任务运行时间与输出长度，让用户能够以更低成本、更快速度完成任务，在多个 Harness 下达到新的性能—费用帕累托最优。我们特别针对 DeepSeek Harness、腾讯 CodeBuddy、WorkBuddy 等平台框架进行了优化。请升级至 DeepSeek Harness 0.2.1-rc.1 及以上版本，以获得适配新版模型的最佳体验。
今天，我们正式发布 DeepSeek-V4.1-Flash 模型。这是我们全新模型结构系列中尺寸最小的模型，具备原生多模态视觉理解能力。新模型结构的设计初衷是：能力上限更高、推理速度更快、吞吐更大，并可扩展到参数规模更大的模型。
* 表示仅在 HLE 评测集的纯文本子集上进行了测试。
DeepSeek V4.1 Flash 已同步上线 DeepSeek API，原生支持多模态，将模型名称更改为 deepseek-flash 即可调用最新的 V4.1 Flash 模型。旧版本模型 V4 Flash 与 V4 Flash Vision Exp 现已下线。出于兼容考虑，模型名 deepseek-v4-flash、deepseek-v4-flash-vision-exp 将被暂时路由到 V4.1 Flash。
为响应广大用户的需求，我们决定在 2026 年 9 月 14 日之后继续提供 DeepSeek V4 Pro 的 API 调用服务，计费方式保持不变；如有变动，我们将另行通知。感谢您的理解与支持！
随着 DeepSeek-V4.1-Flash 上线，API 价格同步下调。详细价格请参考模型与价格。
今天，全新的多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp 上线 DeepSeek API 平台。这是一个实验性质的模型，用户可以通过设置 model='deepseek-v4-flash-vision-exp' 访问该模型。
* 对于公开基准测试集中的 Code Agent 文本任务，DeepSeek 系列模型使用 DeepSeek Harness 极简模式作为框架进行测试，并使用 max 档位，topp=0.95，temperature=1.0；在 ApexBench 与 Agents' Last Exam 测评中，文本模型 DeepSeek-V4-Flash 会忽略其中的多模态元素。
在纯文本能力（Agent、推理、世界知识等）方面，DeepSeek-V4-Flash-Vision-Exp 与 DeepSeek-V4-Flash 正式版持平。
在需要视觉理解的 Agent Benchmark 上，DeepSeek-V4-Flash-Vision-Exp 相比 DeepSeek-V4-Flash 实现了大幅跃升，多模态 Agent 能力已接近 Opus-4.8。
DeepSeek-V4-Pro 正式版已同步在 APP、网页端和 API 更新上线。API 调用方式不变，模型名设置为 deepseek-v4-pro，即可使用最新版本。
正式版 DeepSeek V4 Pro 极大增强了 Agent 能力，在生产环境中的性能表现提升尤为显著。
DeepSeek API 现已原生支持 OpenAI Responses API 格式，并针对性适配 Codex。用户可以参考官方文档，通过一键配置脚本完成 Codex 的配置。
V4-Pro 和 V4-Flash 思考模式现支持 low / high / max 三档思考强度，用户在实际使用中可以根据任务复杂度灵活选择：简单任务使用 low，日常 Agent 任务使用 high，更复杂的任务场景使用 max。设置方法请参考官方 API 文档：思考模式。
随着 DeepSeek V4 全系列模型正式版上线，我们将对 API 价格进行更新调整。为了更加合理地调配资源，我们将采用峰谷定价，闲时价格为高峰时段价格的一半，鼓励用户根据实际使用情况调整任务时间。新价格将于北京时间 2026 年 8 月 17 日 0 时开始生效。
DeepSeek-V4-Flash 正式版 API 上线公测，API 调用方式不变，模型名设置为 deepseek-v4-flash 即可使用最新版本。
注 1：对于公开基准测试集中的 Code Agent 任务，正式版 DeepSeek-V4-Flash 使用 DeepSeek Harness 极简模式（即将发布）作为框架进行测试，并使用 max 档位，topp=0.95，temperature=1.0。
注 2：DSBench-FullStack 是内部使用的全栈开发测试集，DSBench-Hard 是内部使用的 Coding Agent 难题测试集。
DeepSeek API 已支持 V4-Pro 与 V4-Flash，支持 OpenAI ChatCompletions 接口与 Anthropic 接口。访问新模型时，base_url 不变，model 参数需要改为 deepseek-v4-pro 或 deepseek-v4-flash。
旧有 API 接口的两个模型名 deepseek-chat 与 deepseek-reasoner 将于三个月后（2026-07-24）停止使用。当前阶段内，这两个模型名分别指向 deepseek-v4-flash 的非思考模式与思考模式。
deepseek-chat 和 deepseek-reasoner 都已升级为 DeepSeek-V3.2。
我们非正式部署了 DeepSeek-V3.2-Speciale 的 API 服务，API 用户可以通过设置 base_url="https://api.deepseek.com/v3.2_speciale_expires_on_20251215" 访问该模型。该模型 API 价格不变，只支持思考模式下的对话功能，不支持工具调用等功能，最大输出长度默认为 128K，支持时间截止至北京时间 2025-12-15 23:59。
deepseek-chat 和 deepseek-reasoner 都已经升级为 DeepSeek-V3.2-Exp。
deepseek-chat 和 deepseek-reasoner 都已经升级为 DeepSeek-V3.1-Terminus。deepseek-chat 对应 DeepSeek-V3.1-Terminus 的非思考模式，deepseek-reasoner 对应 DeepSeek-V3.1-Terminus 的思考模式。
此次更新在保持模型原有能力的基础上，针对用户反馈的问题进行了改进，包括：
deepseek-chat 和 deepseek-reasoner 都已经升级为 DeepSeek-V3.1。deepseek-chat 对应 DeepSeek-V3.1 的非思考模式，deepseek-reasoner 对应 DeepSeek-V3.1 的思考模式。
DeepSeek-V3.1 包含以下主要变化：
混合推理架构：一个模型同时支持思考模式与非思考模式。
更高的思考效率：相比 DeepSeek-R1-0528，DeepSeek-V3.1-Think 能在更短时间内给出答案。
更强的 Agent 能力：通过 Post-Training 优化，新模型在工具使用与 Agent 任务中的表现有较大提升。SWE-bench Verified: 66.0；SWE-bench Multilingual: 54.5；Terminal-bench: 31.3。
deepseek-reasoner 模型升级为 DeepSeek-R1-0528：
推理能力增强，基准测试提升显著（Pass@1）：AIME 2025: 70.0→ 87.5 (+17.5)；GPQA: 71.5 → 81.0 (+9.5)；LCB_v6: 63.5 → 73.3 (+9.8)；Aider: 57.0 → 71.6 (+14.6)。注：复杂推理问题相比老版本 R1 会使用更多 tokens。
基准测试提升显著（Pass@1）：AIME 2025: 70.0→ 87.5 (+17.5)；GPQA: 71.5 → 81.0 (+9.5)；LCB_v6: 63.5 → 73.3 (+9.8)；Aider: 57.0 → 71.6 (+14.6)。
注：复杂推理问题相比老版本 R1 会使用更多 tokens。
Web 前端开发能力优化：生成的网页与游戏更加美观。
幻觉降低：极大程度抑制了老版本 R1 所存在的幻觉问题。
支持 Json Output 与 Function Calling。Function call 性能：Tau-bench score: 53.5 (Airline)/63.9 (Retail)。
Function call 性能：Tau-bench score: 53.5 (Airline)/63.9 (Retail)。
Tau-bench score: 53.5 (Airline)/63.9 (Retail)
deepseek-chat 模型升级为 DeepSeek-V3-0324：
推理能力增强，基准测试提升显著：MMLU-Pro: 75.9 → 81.2 (+5.3)；GPQA: 59.1 → 68.4 (+9.3)；AIME: 39.6 → 59.4 (+19.8)；LiveCodeBench: 39.2 → 49.2 (+10.0)。
基准测试提升显著：MMLU-Pro: 75.9 → 81.2 (+5.3)；GPQA: 59.1 → 68.4 (+9.3)；AIME: 39.6 → 59.4 (+19.8)；LiveCodeBench: 39.2 → 49.2 (+10.0)。
Web 前端开发能力优化：代码生成准确率提升，生成的网页与游戏前端更加美观。
中文写作能力升级：优化风格与内容，实现与 R1 写作风格对齐，提升中长篇写作内容质量。
风格与内容优化：实现与 R1 写作风格对齐，提升中长篇写作内容质量。
功能增强：提升多轮交互式改写能力，优化翻译质量与书信写作。
中文搜索能力优化：优化报告分析类请求，输出内容详实。
Function Calling 能力改进：提升 Function Calling 准确率，修复 V3 之前的问题。
提升 Function Calling 准确率，修复 V3 之前的问题。
deepseek-reasoner 是我们的新模型 DeepSeek-R1，可以通过指定 model=deepseek-reasoner 调用。
详细更新，请参考：DeepSeek-R1 正式发布。
deepseek-chat 模型升级为 DeepSeek-V3，接口不变，可以通过指定 model=deepseek-chat 调用。
详细更新，请参考：DeepSeek-V3 正式发布。
deepseek-chat 模型升级为 DeepSeek-V2.5-1210，模型各项能力提升，相关基准测试：
与此同时，全新版本的模型对文件上传和网页总结功能的用户体验进行了优化。
DeepSeek V2 Chat 和 DeepSeek Coder V2 两个模型已经合并升级，升级后的新模型为 DeepSeek V2.5。
为向前兼容，API 用户通过 deepseek-coder 或 deepseek-chat 均可以访问新的模型。
新模型在通用能力、代码能力上，都显著超过了旧版本的两个模型。
新模型更好地对齐了人类偏好，在写作任务、指令跟随等多方面进行了优化：
新模型在原 Coder 模型的基础上进一步提升了代码生成能力，对常见编程应用场景进行了优化，并在标准测试集上取得了以下成绩：
DeepSeek API 创新采用硬盘缓存，价格再降一个数量级。
更新详情请参阅文档：API 上线硬盘缓存 2024/08/02。
更新接口 /chat/completions：
新增接口 /completions：
更新详情请参阅文档：API 升级新功能 2024/07/25。
deepseek-coder 模型升级为 DeepSeek-Coder-V2-0724。
deepseek-chat 模型升级为 DeepSeek-V2-0628，模型推理能力提升，相关基准测试：
在 Arena-Hard 测评中，与 GPT-4-0314 的对战胜率从 41.6% 提升到了 68.3%。
模型角色扮演能力显著增强，可以在对话中按要求扮演不同角色。
deepseek-coder 模型升级为 DeepSeek-Coder-V2-0614，代码能力显著提升，在代码生成、代码理解、代码修复和代码补全上达到了 GPT-4-Turbo-0409 的水平，并拥有卓越的数学和推理能力，其通用能力与 DeepSeek-V2-0517 持平。
deepseek-chat 模型升级为 DeepSeek-V2-0517，模型在指令跟随方面的性能得到了显著提升，IFEval Benchmark Prompt-Level 准确率从 63.9% 跃升至 77.6%。此外，我们对 API 端的“system”区域指令跟随能力进行了优化，显著增强了沉浸式翻译、RAG 等任务的用户体验。
模型对于 JSON 格式输出的准确性得到了提升。在内部测试集中，JSON 解析率从 78% 提高到了 85%。通过引入恰当的正则表达式，JSON 解析率进一步提高至 97%。