DeepSeek V4.1 Flash Rehberi: Fiyat, Thinking Modu, API ve Claude Code ile Kullanım

DeepSeek, 10 Eylül 2026'da yeni mimari ailesinin ilk ve en küçük modeli DeepSeek-V4.1-Flash'ı yayınladı. Model API'de tek bir adla, deepseek-flash ile çağrılıyor; 1 milyon token bağlam penceresi, en fazla 384K token çıktı, doğal görsel anlama (vision), düşünme (thinking) modu ve üç kademeli efor ayarı sunuyor. Ağırlıkları MIT lisansıyla Hugging Face'te. Fiyatı ise özellikle dikkat çekici: yoğun olmayan saatlerde (off-peak) milyon girdi token'ı başına 0,15 $, önbellekten okunan (cache hit) girdi için 0,003 $.

Bu yazıyı Türk geliştiriciler için iki soruyu cevaplamak amacıyla hazırladık: DeepSeek V4.1 Flash gerçekte ne sunuyor ve Claude Code içinde kullanmak mantıklı mı, nasıl yapılır, nelere dikkat etmek gerekir? Tüm teknik bilgiler yalnızca resmî kaynaklardan alınmıştır: DeepSeek'in api-docs.deepseek.com üzerindeki duyuru, değişiklik günlüğü, fiyat ve rehber sayfaları ile huggingface.co/deepseek-ai model kartı; Claude tarafı için de code.claude.com/docs ve platform.claude.com fiyat sayfası. Fiyatlar 15 Ekim 2026 itibarıyla kontrol edilmiştir; DeepSeek fiyat sayfası fiyatların her an değişebileceğini açıkça belirtiyor.

DeepSeek V4.1 Flash Nedir?

DeepSeek'in duyurusuna göre V4.1-Flash, "yeni mimari ailemizin en küçük modeli" ve "doğal görsel anlama" yeteneğiyle geliyor. Aile; daha yüksek yetenek tavanı, daha hızlı çıkarım (inference), daha yüksek throughput ve daha büyük modellere ölçeklenmek için tasarlanmış. Duyurudaki ve model kartındaki öne çıkan noktalar şunlar:

552 milyar parametreli MoE (Mixture-of-Experts): Her MoE katmanında 1 paylaşılan ve 384 yönlendirilen (routed) uzman var; token başına 6 yönlendirilen uzman devreye giriyor.
Asimetrik "Causal Encoder-Decoder" (CED) mimarisi: 20 katmanlı nedensel bir encoder ve ardından 20 katmanlı bir decoder'dan oluşan 40 katmanlı bir Transformer. Girdi işlenirken (prefill) token başına yalnızca 8B, çıktı üretilirken (decode) 16B parametre aktif oluyor. Model kartı bunu "girdi ağırlıklı ajan iş yükleri için maliyet verimliliği" olarak açıklıyor — kodlama ajanlarının tam olarak bu profilde çalıştığını düşünürsek önemli bir tasarım tercihi.
Çok daha küçük KV cache: Önceki nesle göre KV cache için 1/4 HBM ve 1/8 SSD depolama gerekiyor. Model kartı, global KV cache'in token başına 890 bayta indiğini, kalıcı (SSD'ye yazılan) KV cache ayak izinin ise V4-Flash'ın kabaca 1/8'i olduğunu belirtiyor.
1M token bağlam: Model 45T token'lık çok kipli (multimodal) bir veri kümesiyle sıfırdan eğitilmiş; bağlam 1M token'a genişletilmiş.
Doğal multimodal: Sıfırdan eğitilmiş bir görsel encoder (DeepSeek-ViT) ve iki katmanlı bir MLP projektör, görselleri metinle birlikte işliyor. API'de Vision desteği deepseek-flash için açık; deepseek-v4-pro için desteklenmiyor.
Açık ağırlık: Model deepseek-ai/DeepSeek-V4.1-Flash adıyla Hugging Face'te; depo ve ağırlıklar MIT lisanslı. Teknik rapor aynı depoda PDF olarak yayınlandı.

DeepSeek'in duyurusundaki en iddialı cümle şu: yeni ön eğitim yöntemleri ve daha büyük ölçekli RL son-eğitimi sayesinde V4.1-Flash, aralarında kendi amiral gemisi DeepSeek-V4-Pro'nun da bulunduğu modellerin önünde benchmark sonuçları veriyor. Duyuru ayrıca "birden fazla tarafın testlerinin" V4.1-Flash'ı performans, maliyet, hız ve toplam çalışma süresinde V4-Pro'nun önüne koyduğunu yazıyor. Bu, şirketin kendi iddiası; aşağıda rakamlara ayrıca bakacağız.

V4-Flash ve V4-Pro'ya ne oldu?

Model geçişi birkaç adımda gerçekleşti ve resmî kaynaklarda bir tutarsızlık var; bunu açıkça belirtmek gerekiyor:

V4-Flash ve V4-Flash-Vision-Exp emekliye ayrıldı. Uyumluluk için deepseek-v4-flash ve deepseek-v4-flash-vision-exp adları geçici olarak V4.1-Flash'a yönlendiriliyor ve Flash fiyatından faturalanıyor. Yani eski kodunuz çalışmaya devam ediyor ama artık farklı bir model cevap veriyor.
V4-Pro konusunda iki farklı açıklama var. 10 Eylül tarihli duyuru, 14 Eylül 2026 04:00 UTC'den itibaren tüm deepseek-v4-pro isteklerinin V4.1-Pro çıkana kadar V4.1-Flash'a, Flash fiyatıyla yönlendirileceğini söylüyordu. Ancak değişiklik günlüğündeki aynı tarihli kayıt, "kullanıcı talebi üzerine" V4-Pro API hizmetinin 14 Eylül 2026'dan sonra da faturalama yöntemi değişmeden sürdürüleceğini yazıyor. Güncel fiyat sayfası da deepseek-v4-pro'yu hâlâ ayrı bir model (DeepSeek-V4-Pro-0813) olarak ve kendi fiyatıyla listeliyor. Bu yüzden 15 Ekim 2026 itibarıyla geçerli görünen durum, V4-Pro'nun ayrı bir model olarak sunulmaya devam ettiğidir.
Eski deepseek-chat ve deepseek-reasoner adları, 24 Nisan 2026 kaydına göre 24 Temmuz 2026'da kullanımdan kalkacaktı. Hâlâ bu adlarla çağrı yapan eski bir entegrasyonunuz varsa öncelikli işiniz model adını güncellemek.

Teknik Özellikler ve Fiyat Tablosu

DeepSeek'in "Models & Pricing" sayfasındaki güncel tablo aşağıda. Fiyatlar milyon token başınadır ve sayfada $ işaretiyle verilmiştir (15 Ekim 2026'da kontrol edildi).

Özellik	`deepseek-flash`	`deepseek-v4-pro`
Model sürümü	DeepSeek-V4.1-Flash	DeepSeek-V4-Pro-0813
Bağlam uzunluğu	1M	1M
Maksimum çıktı	384K	384K
Thinking modu	Var (varsayılan açık)	Var (varsayılan açık)
JSON çıktı / Tool calls	Var / Var	Var / Var
Responses API / Anthropic API	Var / Var	Var / Var
FIM Completion (Beta)	Yalnızca non-thinking modda	Yalnızca non-thinking modda
Vision	Var	Desteklenmiyor
Eşzamanlılık limiti (hesap başına)	2500	500
Girdi, cache hit (off-peak / peak)	0,003 $ / 0,006 $	0,022 $ / 0,044 $
Girdi, cache miss (off-peak / peak)	0,15 $ / 0,30 $	0,66 $ / 1,32 $
Çıktı (off-peak / peak)	0,60 $ / 1,20 $	1,98 $ / 3,96 $

Peak ve off-peak saatleri: Türkiye saatiyle ne zaman ucuz?

DeepSeek, 16 Ağustos 2026'dan beri yoğun saat / yoğun olmayan saat (peak/off-peak) fiyatlaması uyguluyor ve off-peak fiyatlar peak fiyatların tam yarısı. Fiyat sayfasına göre peak saatleri, Çin resmî tatilleri hariç Pazartesi–Cuma 01:00–04:00 ve 06:00–10:00 UTC aralığıdır. Diğer tüm saatler — hafta sonlarının ve Çin resmî tatillerinin tamamı dahil — off-peak sayılır.

Türkiye UTC+3 saat diliminde olduğu için bu, hafta içi 04:00–07:00 ve 09:00–13:00 arası demek. Pratikte bu şu anlama geliyor: Türkiye'deki bir ekibin sabah mesaisinin büyük kısmı peak fiyata denk geliyor; öğleden sonra, akşam ve hafta sonu ise yarı fiyat. Gece çalışan toplu (batch) işleri, büyük kod tabanı analizlerini veya CI'da tetiklenen uzun ajan görevlerini 13:00 sonrasına planlamak, faturayı doğrudan yarıya indirebilir. DeepSeek de duyurusunda "esnek iş yüklerini off-peak'e planlayarak tasarruf edin" önerisini açıkça yapıyor.

API'den İlk İstek: DeepSeek V4.1 Flash Nasıl Kullanılır?

DeepSeek API'si hem OpenAI hem de Anthropic formatıyla uyumlu. Yani mevcut OpenAI veya Anthropic SDK'nızla, yalnızca base_url ve API anahtarını değiştirerek çalışabilirsiniz:

OpenAI formatı: https://api.deepseek.com
Anthropic formatı: https://api.deepseek.com/anthropic
Model adı: deepseek-flash (veya deepseek-v4-pro)

DeepSeek'in "Your First API Call" sayfasındaki curl örneği, thinking modunu açık ve efor seviyesini high olarak gönderiyor:

curl https://api.deepseek.com/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer ${DEEPSEEK_API_KEY}" \
  -d '{
        "model": "deepseek-flash",
        "messages": [
          {"role": "system", "content": "You are a helpful assistant."},
          {"role": "user", "content": "Hello!"}
        ],
        "thinking": {"type": "enabled"},
        "reasoning_effort": "high",
        "stream": false
      }'

Python'da OpenAI SDK ile aynı istek şöyle görünüyor. Dikkat: thinking parametresi OpenAI SDK'sının bildiği bir alan olmadığı için extra_body içine konuyor; reasoning_effort ise üst düzey bir argüman:

# pip3 install openai
import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ.get("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com",
)

response = client.chat.completions.create(
    model="deepseek-flash",
    messages=[
        {"role": "system", "content": "You are a helpful assistant"},
        {"role": "user", "content": "Hello"},
    ],
    stream=False,
    reasoning_effort="high",
    extra_body={"thinking": {"type": "enabled"}},
)
print(response.choices[0].message.content)

Anthropic SDK kullanıyorsanız ortam değişkenleriyle yönlendirmek yeterli. DeepSeek'in "Anthropic API" rehberindeki örnek:

# pip install anthropic
export ANTHROPIC_BASE_URL=https://api.deepseek.com/anthropic
export ANTHROPIC_API_KEY=${YOUR_API_KEY}

import anthropic

client = anthropic.Anthropic()
message = client.messages.create(
    model="deepseek-flash",
    max_tokens=1000,
    system="You are a helpful assistant.",
    messages=[
        {"role": "user", "content": [{"type": "text", "text": "Hi, how are you?"}]}
    ],
)
print(message.content)

Thinking Modu ve Efor Ayarı: low, high, max

V4.1-Flash'ta thinking modu varsayılan olarak açık ve varsayılan efor high. Modu ve eforu kontrol eden parametreler, kullandığınız API formatına göre değişiyor:

Ne yapmak istiyorsunuz?	OpenAI formatı	Anthropic formatı	Responses API formatı
Thinking'i aç/kapat	`{"thinking": {"type": "enabled/disabled"}}`	`{"thinking": {"type": "enabled/disabled"}}`	`{"reasoning": {"effort": "none/low/high/max"}}` (`none` kapatır)
Efor seviyesi	`{"reasoning_effort": "low/high/max"}`	`{"output_config": {"effort": "low/high/max"}}`	Aynı `reasoning.effort` alanı

API yalnızca üç gerçek seviye tanıyor, ama başka araçlardan gelen değerleri reddetmek yerine eşliyor. Bu eşleme, Claude Code gibi beş seviyeli araçlarla çalışırken önemli:

İstenen efor	Gerçekte uygulanan
`minimal`, `low`	`low`
`medium`, `high`, `xhigh`	`high`
`max`, `ultra`	`max`

DeepSeek'in 13 Ağustos tarihli değişiklik günlüğü kaydı seviyeler için pratik bir öneri de veriyor: basit görevler için low, günlük ajan görevleri için high, daha karmaşık senaryolar için max. Açık ağırlıklı modelin kendisi ise model kartına göre 1–100 arasında sürekli ayarlanabilen bir efor değeri destekliyor; karttaki instruct sonuçları en yüksek ayar olan reasoning_effort=100 ile alınmış. API tarafında ise yalnızca yukarıdaki üç seviye belgelenmiş durumda.

Thinking modunda dikkat edilmesi gereken parametreler

temperature, presence_penalty ve frequency_penalty thinking modunda desteklenmiyor. Uyumluluk için hata vermiyorlar ama etkileri de yok. "Temperature'ı 0 yaptım, neden çıktılar hâlâ değişken?" sorusunun cevabı bu.
top_p yalnızca thinking modunda etkili ve geçerli aralığı 0,95–1,0; 0,95'in altındaki değerler 0,95 sayılıyor. Non-thinking modda top_p 1,0'a sabit.
Düşünce zinciri, content ile aynı seviyede reasoning_content alanında dönüyor.

Çok turlu sohbet ve tool calling: reasoning_content'i geri göndermek

Bu, DeepSeek'e geçen geliştiricilerin en sık takıldığı nokta ve kuralı isteğinizde tools parametresinin olup olmadığına bağlı:

tools yoksa: Önceki turların reasoning_content'ini geri göndermeniz gerekmez; gönderseniz de yok sayılır ve bağlama eklenmez.
tools varsa: Önceki tüm turların reasoning_content'i sonraki isteklerde eksiksiz geri gönderilmelidir — model o turda hiç araç çağırmamış olsa bile. Göndermezseniz API 400 hatası döner.

DeepSeek'in önerdiği en basit çözüm, asistan mesajını olduğu gibi geçmişe eklemek. response.choices[0].message nesnesi content, reasoning_content ve tool_calls alanlarının hepsini taşıdığı için şu satır yeterli:

messages.append(response.choices[0].message)

Resmî örnekteki ajan döngüsünün özü şöyle: model araç çağırdıkça çalıştır, sonucu tool_call_id ile geçmişe ekle, araç çağrısı kalmayınca dur.

while True:
    response = client.chat.completions.create(
        model="deepseek-flash",
        messages=messages,
        tools=tools,
        reasoning_effort="high",
        extra_body={"thinking": {"type": "enabled"}},
    )
    messages.append(response.choices[0].message)
    tool_calls = response.choices[0].message.tool_calls
    if tool_calls is None:
        break  # nihai cevap geldi
    for tool in tool_calls:
        fn = TOOL_CALL_MAP[tool.function.name]
        result = fn(**json.loads(tool.function.arguments))
        messages.append({
            "role": "tool",
            "tool_call_id": tool.id,
            "content": result,
        })

Streaming kullanıyorsanız delta.reasoning_content ve delta.content parçalarını ayrı ayrı biriktirip asistan mesajını {"role": "assistant", "reasoning_content": ..., "content": ...} biçiminde kendiniz kurmanız gerekiyor.

Benchmark Sonuçları: DeepSeek Ne İddia Ediyor?

Aşağıdaki tablo, Hugging Face model kartındaki "frontier modellerle karşılaştırma" tablosundan seçilmiş satırları içeriyor. Tüm rakamlar DeepSeek'in kendi ölçümleri; hepsi max efor ile, temperature=1.0 ve top_p=0.95 ayarlarıyla alınmış. Karşılaştırılan Claude modelinin Opus 5.0 olduğuna (Opus 5.5 değil) dikkat edin.

Benchmark	Opus 5.0	GPT-5.6 Sol	DS-V4-Pro	DS-V4.1-Flash
GPQA Diamond	93,4	94,1	92,4	90,9
HLE (araçsız)	56,3	44,5	42,7†	36,8 (39,1†)
Terminal-Bench 2.1	89,1	88,8	87,9	90,6
Terminal-Bench 3.0	43,3	34,4	11,8	30,0
Terminal-Bench 4.0	51,8	39,9	12,4	31,2
DeepSWE v1.1	74,0	73,0	62,7	74,2
ProgramBench	37,0	23,0	15,5	20,3
CyberGym	—	84,5	83,3	88,1
AutomationBench	50,3	45,8	43,2	54,8

† HLE'nin yalnızca metin alt kümesi.

Tabloyu okurken birkaç noktayı akılda tutmak gerekiyor:

Eski nesil terminal benchmark'larında zirvede, yenilerde geride. V4.1-Flash, Terminal-Bench 2.1'de (90,6) ve DeepSWE v1.1'de (74,2) tablodaki herkesi geçiyor. Ancak daha zor olan Terminal-Bench 3.0 ve 4.0'da Opus 5.0'ın belirgin şekilde gerisinde (30,0'a karşı 43,3 ve 31,2'ye karşı 51,8). ProgramBench'te de fark büyük. Kısacası "standart" ajan görevlerinde çok güçlü, en zor uzun soluklu görevlerde ise frontier modellerin gerisinde.
V4-Pro'ya karşı sıçrama gerçek. Terminal-Bench 3.0'da 11,8'den 30,0'a, 4.0'da 12,4'ten 31,2'ye çıkış, "küçük model büyük kardeşini geçti" iddiasını DeepSeek'in kendi rakamlarıyla destekliyor.
Karşılaştırma Claude'un en yeni modeliyle değil. Tablo Opus 5.0 ile kıyaslıyor; Anthropic'in fiyat sayfasında şu an Opus 5.5 ve Sonnet 5.5 de listeleniyor ve bunlar tabloda yok.

Hangi ajan iskeleti (scaffold) ile ne kadar başarılı?

Model kartındaki belki de en ilginç tablo, aynı modelin farklı ajan araçları içinde ne kadar başarılı olduğunu gösteriyor. Hepsi max efor, 1M token bağlam limiti ve ajan başına en fazla 500 adımla ölçülmüş:

İskelet	DeepSWE v1.1	Terminal-Bench 2.1
Claude Code	69,8	88,0
Codex	65,6	84,1
OpenCode	65,5	85,0
Pi	66,2	86,1
mini-SWE	74,2	90,3
DeepSeek Harness (Minimal)	72,6	90,6

Bu tablo iki şey söylüyor. Birincisi, üçüncü taraf kodlama ajanları arasında V4.1-Flash'tan en yüksek skoru Claude Code iskeleti alıyor (Codex ve OpenCode'un önünde). İkincisi, en yüksek skorlar DeepSeek'in kendi minimal iskeletinden ve mini-SWE'den geliyor. Yani DeepSeek'i Claude Code içinde kullanmak, ölçülen senaryolarda makul bir sonuç veriyor ama modelin "en iyi hâli" değil.

DeepSeek V4.1 Flash'ı Claude Code ile Kullanmak

DeepSeek, Anthropic formatındaki endpoint'i sayesinde Claude Code için resmî bir entegrasyon rehberi yayınlıyor. Rehberdeki adımlar şu şekilde: önce Node.js 18+ kurulu olmalı (Windows'ta ayrıca Git for Windows), ardından Claude Code kurulur:

npm install -g @anthropic-ai/claude-code
claude --version

Sonra DeepSeek'in önerdiği ortam değişkenleri tanımlanır (Linux / macOS):

export ANTHROPIC_BASE_URL=https://api.deepseek.com/anthropic
export ANTHROPIC_AUTH_TOKEN=<DeepSeek API anahtarınız>
export ANTHROPIC_MODEL=deepseek-flash[1m]
export ANTHROPIC_DEFAULT_OPUS_MODEL=deepseek-flash[1m]
export ANTHROPIC_DEFAULT_SONNET_MODEL=deepseek-flash[1m]
export ANTHROPIC_DEFAULT_HAIKU_MODEL=deepseek-flash
export CLAUDE_CODE_SUBAGENT_MODEL=deepseek-flash
export CLAUDE_CODE_EFFORT_LEVEL=max

Windows PowerShell için aynı değişkenler $env: sözdizimiyle tanımlanır:

$env:ANTHROPIC_BASE_URL="https://api.deepseek.com/anthropic"
$env:ANTHROPIC_AUTH_TOKEN="<DeepSeek API anahtarınız>"
$env:ANTHROPIC_MODEL="deepseek-flash[1m]"
$env:ANTHROPIC_DEFAULT_OPUS_MODEL="deepseek-flash[1m]"
$env:ANTHROPIC_DEFAULT_SONNET_MODEL="deepseek-flash[1m]"
$env:ANTHROPIC_DEFAULT_HAIKU_MODEL="deepseek-flash"
$env:CLAUDE_CODE_SUBAGENT_MODEL="deepseek-flash"
$env:CLAUDE_CODE_EFFORT_LEVEL="max"

Son olarak proje dizinine geçip claude komutunu çalıştırmak yeterli.

Her değişken ne işe yarıyor?

Bu satırları kopyalayıp geçmek kolay, ama her birinin Claude Code dokümantasyonundaki karşılığını bilmek hem hataları hem sürpriz faturaları önler:

Değişken	Claude Code'daki anlamı	DeepSeek senaryosundaki rolü
`ANTHROPIC_BASE_URL`	API endpoint'ini bir proxy veya gateway'e yönlendirir	İstekleri DeepSeek'in Anthropic uyumlu endpoint'ine gönderir
`ANTHROPIC_AUTH_TOKEN`	`Authorization` başlığının değeri; başına `Bearer` eklenir	DeepSeek API anahtarını taşır
`ANTHROPIC_MODEL`	Kullanılacak model ayarı	Ana oturum modelini `deepseek-flash[1m]` yapar
`ANTHROPIC_DEFAULT_OPUS/SONNET_MODEL`	`opus` ve `sonnet` alias'larının çözümlendiği model	`/model opus` veya `opusplan` seçilse bile Flash kullanılır
`ANTHROPIC_DEFAULT_HAIKU_MODEL`	`haiku` alias'ı; arka plan işlevlerinde de kullanılır	Arka plan istekleri de Flash'a gider
`CLAUDE_CODE_SUBAGENT_MODEL`	Başka şekilde model atanmamış subagent, agent team ve workflow ajanlarının varsayılan modeli	Alt ajanlar Flash ile çalışır
`CLAUDE_CODE_EFFORT_LEVEL`	Efor seviyesi; `--effort` ve `/effort`'tan önceliklidir	`max`, DeepSeek'te doğrudan `max`'a eşlenir

Neden `[1m]` eki var?

Claude Code, tanımadığı bir model kimliği için hangi bağlam penceresini varsayacağını bilemez. Claude Code'un model yapılandırma dokümanına göre, claude- ile başlamayan ve tanınmayan bir kimlik [1m] içeriyorsa Claude Code o model için 1M token pencere varsayar. DeepSeek'in ana model ve opus/sonnet alias'ları için deepseek-flash[1m] yazmasının sebebi bu: Claude Code, sıkıştırmayı (compaction) modelin gerçek 1M penceresine göre yapsın. Haiku ve subagent için ise ek kullanılmamış. Pencereyi farklı bir değere ayarlamak isterseniz dokümanda anlatılan CLAUDE_CODE_MAX_CONTEXT_TOKENS değişkeni var; ancak [1m] içeren tanınmayan kimliklerde bu değişkenin tek başına etkili olmadığını, ayrıca CLAUDE_CODE_DISABLE_1M_CONTEXT=1 gerektiğini not edin.

Opus alias'ını neden mutlaka yönlendirmelisiniz?

DeepSeek'in Anthropic endpoint'i Claude model adlarını kendi modellerine eşliyor: claude-opus ile başlayan adlar deepseek-v4-pro'ya, claude-haiku ve claude-sonnet ile başlayanlar deepseek-flash'a gidiyor. Desteklenmeyen diğer model adları da otomatik olarak deepseek-flash'a eşleniyor. Kritik ayrıntı şu: Opus eşlemesi V4-Pro fiyatından faturalanıyor. Yukarıdaki fiyat tablosuna göre V4-Pro'nun cache miss girdisi Flash'ın 4,4 katı, çıktısı 3,3 katı. Yani ANTHROPIC_DEFAULT_OPUS_MODEL'i ayarlamadan /model opus seçerseniz ya da bir subagent tanımında model: opus varsa, farkında olmadan daha pahalı bir modele para ödeyebilirsiniz.

Claude Code tarafında kaybettiğiniz özellikler

Bu kurulum çalışır, ama "aynı Claude Code, daha ucuz model" değildir. Resmî dokümanlardan doğrulanmış sınırlamalar:

Anthropic bu senaryoyu desteklemiyor. Claude Code'un LLM gateway sayfası açıkça şunu söylüyor: Anthropic, Claude Code'u herhangi bir gateway üzerinden Claude dışı modellere yönlendirmeyi desteklemiyor. Entegrasyon rehberi DeepSeek'e ait; bir sorun olursa muhatabınız DeepSeek.
Remote Control kapanır. ANTHROPIC_BASE_URL, v2.1.196'dan itibaren api.anthropic.com dışında bir host'u gösterdiğinde Remote Control devre dışı kalıyor.
MCP tool search varsayılan olarak kapanır. Birinci taraf olmayan bir host'ta Claude Code MCP araçlarını ertelemek yerine baştan yükler. Çok sayıda MCP sunucusu kullanıyorsanız bu, bağlamın daha hızlı dolması demek.
Bazı Anthropic API alanları yok sayılıyor. DeepSeek'in uyumluluk tablosuna göre cache_control, top_k, mcp_servers, container, service_tier ve tool sonucu için is_error yok sayılıyor; thinking içindeki budget_tokens dikkate alınmıyor; output_config'ta yalnızca effort destekleniyor. document, search_result, redacted_thinking, code_execution_tool_result, mcp_tool_use/mcp_tool_result ve container_upload içerik blokları desteklenmiyor.
Abonelik kullanılmaz. Gateway kimlik bilgisi aktifken istekler claude.ai aboneliğiniz yerine o kimlik bilgisiyle gider. Bu senaryoda faturayı DeepSeek hesabınızdan ödüyorsunuz.

Context Caching: Ajan Maliyetinin Gizli Kahramanı

DeepSeek duyurusu önemli bir gözlem yapıyor: cache hit ücretleri çoğu zaman ajan maliyetlerinin büyük bir kısmını oluşturuyor. Kodlama ajanları her turda aynı sistem istemini, araç tanımlarını ve büyüyen konuşma geçmişini tekrar gönderdiği için bu doğal. V4.1-Flash'ın küçülen KV cache'i, cache hit fiyatının 0,003 $ (off-peak) seviyesine inmesinin temel sebebi.

DeepSeek'te önbellekleme diskte çalışıyor, herkes için varsayılan olarak açık ve kodunuzu değiştirmenizi gerektirmiyor. Bu yüzden Anthropic formatındaki cache_control işaretleri yok sayılıyor; önbelleği siz değil sistem yönetiyor. Kurallar şöyle:

İstek sınırlarında kalıcılaştırma: Her istek, kullanıcı girdisinin sonunda ve model çıktısının sonunda iki "önbellek önek birimi" üretiyor. Sonraki istek bunlarla tam eşleşirse cache hit oluyor.
Ortak önek tespiti: Sistem birden fazla istekte ortak bir önek görürse onu bağımsız bir birim olarak saklıyor.
Sabit aralıklarla kalıcılaştırma: Uzun girdi ve çıktılarda belirli token aralıklarında birimler oluşturuluyor; böylece hiç bitiş noktasına ulaşmayan uzun önekler de önbelleğe alınabiliyor.
Tam eşleşme şartı: Sliding Window Attention nedeniyle her önek birimi bağımsız ve tam bir birim; istek ancak bir birimle tamamen eşleşirse cache hit alıyor. Birinci istek A + B, ikincisi A + C ise ikincisi cache hit almaz; ama sistem A'yı ortak önek olarak saklar ve üçüncü istek A + D cache hit alır.
"Best-effort": %100 cache hit garantisi yok. Önbelleğin oluşması saniyeler sürüyor, kullanılmayan önbellek genellikle birkaç saat ile birkaç gün içinde temizleniyor.

Önbelleğin çalışıp çalışmadığını yanıttaki usage alanından izleyebilirsiniz: prompt_cache_hit_tokens cache hit olan, prompt_cache_miss_tokens olmayan girdi token sayısını gösteriyor. Kendi ajanınızı yazıyorsanız sistem istemini ve araç tanımlarını sabit tutmak, değişen içeriği (zaman damgası, rastgele ID gibi) istemin sonuna koymak cache hit oranını doğrudan artırır.

DeepSeek V4.1 Flash ve Claude: Maliyet Karşılaştırması

Aşağıdaki tablo, iki sağlayıcının resmî fiyat sayfalarındaki milyon token fiyatlarını yan yana koyuyor (15 Ekim 2026). Claude tarafında "cache write" ayrı ücretlendirildiği için 5 dakikalık önbellek yazma fiyatı da eklendi.

Model	Girdi	Cache yazma (5 dk)	Cache hit	Çıktı
DeepSeek V4.1-Flash (off-peak)	0,15 $	— (ayrı ücret yok)	0,003 $	0,60 $
DeepSeek V4.1-Flash (peak)	0,30 $	— (ayrı ücret yok)	0,006 $	1,20 $
Claude Haiku 5.5 (≤100K token istem)	0,10 $	0,125 $	0,01 $	0,50 $
Claude Haiku 5.5 (>100K token istem)	0,50 $	0,625 $	0,05 $	2,50 $
Claude Sonnet 5.5	2 $	2,50 $	0,10 $	10 $
Claude Opus 5.5	4 $	5 $	0,20 $	20 $

Örnek hesap: Bir günlük ajan oturumu

Tek bir senaryoyu hesaplayalım: Bir ajan oturumu toplam 20 milyon girdi token (bunun %90'ı, yani 18M'si önbellekten okunuyor, 2M'si yeni) ve 0,5 milyon çıktı token üretiyor. Claude tarafında yeni girdinin 5 dakikalık önbelleğe yazıldığını varsayıyoruz.

DeepSeek V4.1-Flash, peak: 18 × 0,006 + 2 × 0,30 + 0,5 × 1,20 = 0,108 + 0,60 + 0,60 ≈ 1,31 $
DeepSeek V4.1-Flash, off-peak: yarı fiyat ≈ 0,65 $
Claude Haiku 5.5 (istemler ≤100K): 18 × 0,01 + 2 × 0,125 + 0,5 × 0,50 = 0,18 + 0,25 + 0,25 = 0,68 $
Claude Haiku 5.5 (istemler >100K): 18 × 0,05 + 2 × 0,625 + 0,5 × 2,50 = 0,90 + 1,25 + 1,25 = 3,40 $
Claude Sonnet 5.5: 18 × 0,10 + 2 × 2,50 + 0,5 × 10 = 1,80 + 5 + 5 = 11,80 $
Claude Opus 5.5: 18 × 0,20 + 2 × 5 + 0,5 × 20 = 3,60 + 10 + 10 = 23,60 $

Bu hesaptan çıkan sonuçlar ilk bakışta tahmin edilenden daha nüanslı:

V4.1-Flash, Sonnet 5.5'ten yaklaşık 9–18 kat, Opus 5.5'ten yaklaşık 18–36 kat ucuz.
Ancak istemleri 100K token'ın altında kalan iş yüklerinde Claude Haiku 5.5, DeepSeek'in peak fiyatından daha ucuz ve off-peak fiyatıyla neredeyse aynı. DeepSeek'in belirgin avantajı, istemlerin 100K'yı aştığı uzun bağlamlı ajan oturumlarında ortaya çıkıyor; çünkü Haiku 5.5'in fiyatı bu eşiğin üstünde 5 katına çıkıyor, DeepSeek'inki ise bağlam uzunluğundan bağımsız.
Bu hesap aynı token sayısını varsayıyor; gerçekte iki sağlayıcının tokenizer'ı farklı olduğu için aynı metin farklı token sayısına denk gelir. Kesin karar için kendi iş yükünüzle bir hafta ölçüm yapın.

Claude modelleri arasındaki fiyat-performans dengesini daha ayrıntılı merak ediyorsanız Claude Haiku 5.5 rehberimize, Claude Code'da token tüketimini düşürme tekniklerini merak ediyorsanız maliyet ve context yönetimi rehberimize göz atabilirsiniz.

Eşzamanlılık, user_id ve Uzun İstekler

Ekip olarak veya kendi ürününüzün arka ucunda DeepSeek kullanacaksanız şu operasyonel ayrıntılar önemli:

Eşzamanlılık limiti hesap düzeyinde: deepseek-flash için 2500, deepseek-v4-pro için 500 eşzamanlı istek. Hangi API anahtarını kullandığınız fark etmiyor; limit aşılınca HTTP 429 dönüyor. Daha yüksek limit için kapasite artışı talep edilebiliyor ve DeepSeek bunun ek ücreti olmadığını belirtiyor.
user_id ile izolasyon: Kendi kullanıcılarınızı user_id ile ayırırsanız DeepSeek bunu içerik güvenliği, KV cache izolasyonu ve zamanlama izolasyonu için kullanıyor. Değer [a-zA-Z0-9\-_]+ desenine uymalı, en fazla 512 karakter olmalı ve kişisel veri içermemeli. OpenAI SDK'da extra_body={"user_id": "..."}, Anthropic SDK'da metadata={"user_id": "..."} ile gönderiliyor.
Keep-alive: Yanıt gelene kadar bağlantı açık kalıyor; streaming olmayan isteklerde boş satırlar, streaming isteklerde : keep-alive SSE yorumları geliyor. HTTP yanıtını kendiniz ayrıştırıyorsanız bunları atlamalısınız. Çıkarım 10 dakika içinde başlamazsa sunucu bağlantıyı kapatıyor.

Gerçek Bir İş Akışı: Claude Code Kullanan Bir Ekip DeepSeek'i Nasıl Değerlendirir?

İstanbul'da beş kişilik bir backend ekibi düşünelim. Ekip günlük işinde Claude Code'u Sonnet 5.5 ile kullanıyor ve iki tür iş için daha ucuz bir seçenek arıyor: (1) gece çalışan, test yazma ve lint düzeltme gibi tekrarlayan ajan görevleri, (2) yüzlerce dosyalık eski bir modülün dokümantasyonunu çıkarmak gibi uzun bağlamlı analizler. Önerdiğimiz değerlendirme akışı şöyle:

Ayrı bir kabuk fonksiyonu tanımlayın. DeepSeek değişkenlerini ~/.bashrc dosyasına kalıcı olarak yazmak yerine yalnızca ihtiyaç anında devreye giren bir fonksiyon kullanın; böylece normal claude komutu Anthropic'le çalışmaya devam eder:
```
claude-ds() {
  ANTHROPIC_BASE_URL=https://api.deepseek.com/anthropic \
  ANTHROPIC_AUTH_TOKEN="$DEEPSEEK_API_KEY" \
  ANTHROPIC_MODEL='deepseek-flash[1m]' \
  ANTHROPIC_DEFAULT_OPUS_MODEL='deepseek-flash[1m]' \
  ANTHROPIC_DEFAULT_SONNET_MODEL='deepseek-flash[1m]' \
  ANTHROPIC_DEFAULT_HAIKU_MODEL=deepseek-flash \
  CLAUDE_CODE_SUBAGENT_MODEL=deepseek-flash \
  CLAUDE_CODE_EFFORT_LEVEL=high \
  claude "$@"
}
```
Burada DeepSeek'in önerdiği max yerine high kullandık: DeepSeek'in kendi önerisine göre günlük ajan görevleri için high yeterli, max karmaşık senaryolar için. Önce high ile başlayıp kalite yetmezse max'a çıkmak, gereksiz düşünme token'larına para ödemenizi engeller.
Veri politikasını önce netleştirin. Bu kurulumla kodunuz, CLAUDE.md dosyalarınız ve araç çıktılarınız DeepSeek'in sunucularına gidiyor. Müşteri kodu, gizlilik sözleşmesi olan projeler veya kişisel veri içeren depolar için şirketinizin ve müşterinizin politikasını kontrol etmeden bu fonksiyonu kullanmayın.
Aynı görev setini iki modelde koşturun. Son bir ayda kapanmış 10–20 gerçek issue'yu seçin. Her birini hem claude (Sonnet 5.5) hem claude-ds ile, aynı CLAUDE.md ve aynı istemle çözdürün. Başarıyı "testler geçti mi, kod incelemeden geçer mi" ölçütüyle değerlendirin; benchmark tablosuna değil kendi sonuçlarınıza güvenin.
Maliyeti ölçün. Claude tarafında oturum maliyetini Claude Code'un kendi araçlarıyla, DeepSeek tarafında ise platform kullanım ekranından ve yanıtlardaki prompt_cache_hit_tokens / prompt_cache_miss_tokens alanlarından takip edin.
Zamanlamayı ayarlayın. Gece çalışan görevler zaten off-peak'e denk gelir. Gündüz yapılacak uzun analizleri Türkiye saatiyle 13:00 sonrasına kaydırmak maliyeti yarıya indirir.
Hibrit karar verin. Değerlendirmenin sonucunda yaygın bir tablo şu olabilir: Zor tasarım kararları, karmaşık refactor ve yüksek riskli değişiklikler için Claude (Sonnet 5.5 veya Opus 5.5); tekrarlayan, iyi tanımlanmış ve uzun bağlamlı işler için DeepSeek V4.1-Flash. Model kartındaki Terminal-Bench 3.0/4.0 farkı da bu ayrımı destekliyor.

Açık Ağırlıklarla Kendi Sunucunuzda Çalıştırmak Mümkün mü?

Teknik olarak evet, ağırlıklar MIT lisansıyla indirilebiliyor ve ticari kullanımın önünde lisans engeli yok. Ancak pratikte birkaç gerçeği kabul etmek gerekiyor:

Bu bir dizüstü modeli değil. Token başına aktif parametre 8B/16B olsa da modelin toplam omurgası 552B parametre. Tüm uzmanların belleğe sığması gerekiyor. DeepSeek'in duyurusu, büyük ölçekli kurulum için "2.000 GPU + depolama kümesi" planlayanları iletişime geçmeye davet ediyor; bu ölçek, hedef kitlenin kurumsal altyapı olduğunu gösteriyor.
Çıkarım desteği henüz olgunlaşıyor. DeepSeek, V4.1-Flash için açık kaynak topluluğuyla çıkarım desteği üzerinde yakından çalışacağını ve daha fazla dağıtım seçeneği keşfedeceğini yazıyor. Model kartında ağırlık dönüştürme ve yerel çıkarım için bir inference klasörü bulunuyor.
Hazır bir Jinja sohbet şablonu yok. Model kartına göre bu sürüm Jinja formatında chat template içermiyor; bunun yerine encoding klasöründe Python referans uygulaması ve üretim için deepseek-recipe adlı Rust kütüphaneleri (Python bağlamalarıyla) sunuluyor. Bu kütüphane Messages, Chat Completions ve Responses API isteklerini DeepSeek V4 ve V4.1 istem formatına dönüştürüyor.
Önerilen örnekleme parametreleri: temperature 1,0, top_p 0,95 veya 1,0, bağlam penceresi 1M token ve max_tokens en az 256K.

Çoğu Türk geliştirici ve KOBİ için mantıklı yol API'yi kullanmak; açık ağırlık, veri egemenliği gerektiren ve ciddi GPU bütçesi olan kurumlar için anlamlı bir seçenek.

Sınırlamalar ve Dikkat Edilmesi Gerekenler

Benchmark'lar şirket içi: Bu yazıdaki tüm DeepSeek rakamları DeepSeek'in kendi ölçümleri. Ayrıca aynı benchmark için kaynaklar arasında küçük farklar olabiliyor; örneğin NL2Repo-Bench skoru değişiklik günlüğünde 65,4, model kartında 64,0 olarak geçiyor. Bu yüzden o satırı tabloya almadık.
Model adları hareketli: deepseek-v4-flash gibi eski adlar "geçici olarak" yönlendiriliyor. Kodunuzda doğrudan deepseek-flash kullanın.
V4-Pro'nun geleceği belirsiz: DeepSeek, V4.1-Pro gelene kadar V4-Pro'yu aşamalı olarak kaldıracağını duyurmuş, ardından hizmeti sürdürme kararı almıştı. Üretimde V4-Pro'ya bağımlı bir sistem kurmadan önce değişiklik günlüğünü takip edin.
Desteklenmeyen içerik blokları: Anthropic formatındaki document bloğu (örneğin PDF gönderimi) desteklenmiyor. PDF ağırlıklı bir iş akışınız varsa bunu hesaba katın.
Thinking modunda temperature etkisiz: Deterministik çıktıya ihtiyacınız varsa thinking'i kapatmayı değerlendirin; ancak kalite farkını mutlaka kendi görevlerinizle ölçün.

Sıkça Sorulan Sorular

DeepSeek V4.1 Flash'ın API model adı nedir?

API'de model adı deepseek-flash'tır. Eski deepseek-v4-flash ve deepseek-v4-flash-vision-exp adları geçici olarak V4.1-Flash'a yönlendiriliyor ve Flash fiyatından faturalanıyor. OpenAI formatı için base URL https://api.deepseek.com, Anthropic formatı için https://api.deepseek.com/anthropic adresidir.

DeepSeek V4.1 Flash'ın fiyatı ne kadar?

15 Ekim 2026 itibarıyla milyon token başına off-peak fiyatlar: cache hit girdi 0,003 $, cache miss girdi 0,15 $, çıktı 0,60 $. Peak saatlerde (hafta içi 01:00–04:00 ve 06:00–10:00 UTC, yani Türkiye saatiyle 04:00–07:00 ve 09:00–13:00) fiyatlar iki katıdır: 0,006 $ / 0,30 $ / 1,20 $.

DeepSeek V4.1 Flash'ı Claude Code içinde kullanabilir miyim?

Evet. DeepSeek'in resmî rehberine göre ANTHROPIC_BASE_URL'i https://api.deepseek.com/anthropic, ANTHROPIC_AUTH_TOKEN'ı DeepSeek API anahtarınız ve ANTHROPIC_MODEL ile opus/sonnet/haiku alias değişkenlerini deepseek-flash olarak ayarlamanız yeterli. Ancak Anthropic, Claude Code'u Claude dışı modellere yönlendirmeyi desteklemiyor; Remote Control kapanıyor ve bazı API alanları yok sayılıyor.

Thinking modunda temperature neden etkisiz?

DeepSeek'in dokümanına göre thinking modunda temperature, presence_penalty ve frequency_penalty desteklenmiyor; uyumluluk için hata vermiyorlar ama etkileri de yok. top_p ise yalnızca thinking modunda 0,95–1,0 aralığında etkili. Thinking varsayılan olarak açık ve varsayılan efor high.

Tool calling'de neden 400 hatası alıyorum?

İstekte tools parametresi varsa önceki tüm turların reasoning_content alanını sonraki isteklerde eksiksiz geri göndermeniz gerekiyor; model o turda araç çağırmamış olsa bile. Göndermezseniz API 400 hatası döner. En kolay çözüm response.choices[0].message nesnesini olduğu gibi mesaj geçmişine eklemektir.

DeepSeek V4.1 Flash açık kaynak mı, yerelde çalıştırılabilir mi?

Ağırlıklar Hugging Face'te deepseek-ai/DeepSeek-V4.1-Flash adıyla MIT lisansıyla yayınlandı. Ancak model 552B parametreli bir MoE olduğu için kişisel bilgisayarda değil, ciddi GPU altyapısında çalıştırılabilir; çoğu geliştirici için pratik yol API'dir.

Özet

DeepSeek V4.1-Flash, 552B parametreli asimetrik MoE mimarisi, 1M bağlam, doğal görsel anlama ve MIT lisanslı açık ağırlıklarıyla Eylül 2026'nın en dikkat çekici açık modellerinden biri. API'de deepseek-flash adıyla, off-peak saatlerde milyon girdi token'ı başına 0,15 $ ve cache hit için 0,003 $ gibi çok düşük fiyatlarla sunuluyor. DeepSeek'in kendi ölçümlerinde Terminal-Bench 2.1 ve DeepSWE v1.1'de frontier modelleri geçiyor, ancak en zor ajan benchmark'larında Opus 5.0'ın belirgin şekilde gerisinde kalıyor.

Claude Code içinde kullanmak DeepSeek'in resmî rehberiyle birkaç ortam değişkeni kadar kolay. Ama bu, Anthropic'in desteklediği bir kurulum değil: Remote Control kapanıyor, bazı API alanları yok sayılıyor ve opus alias'ını yönlendirmeyi unutursanız daha pahalı V4-Pro'ya ödeme yapabiliyorsunuz. Maliyet açısından V4.1-Flash, Sonnet ve Opus'a göre çok daha ucuz; fakat kısa istemli işlerde Claude Haiku 5.5 ile başa baş. En sağlıklı yaklaşım, kendi görevlerinizle küçük bir değerlendirme yapıp hibrit bir model stratejisi kurmak.

Devamını okuyun: Claude ailesinin en ekonomik modelini tanımak için Claude Haiku 5.5 rehberi, Claude Code'da faturayı kontrol altında tutmak için maliyet ve context yönetimi rehberi, başka bir açık ağırlıklı alternatif için Mistral Large 4 rehberi yazılarımıza göz atabilirsiniz.