Claude Opus 5 vs. DeepSeek V4 Pro: Preise und Spezifikationen

Welches Modell wofür

Beide teilen sich einen Kontext von 1000000 Tokens und können das Denken abschalten - der Unterschied liegt also bei Modalität und Preisliste. claude-opus-5 akzeptiert neben Text auch Bildeingaben und führt eine ausdrückliche Denkfähigkeit, während deepseek-v4-pro reiner Text ist, aber rund 3.8x günstiger bei der Eingabe ($1.32 gegenüber $5), rund 6.3x günstiger bei der Ausgabe ($3.96 gegenüber $25) und rund 3.8x günstiger bei Cache-Lesevorgängen ($0.132 gegenüber $0.5) arbeitet. Nehmen Sie claude-opus-5, wenn Screenshots oder Diagramme Teil des Prompts sind; nehmen Sie deepseek-v4-pro für Text- und Codearbeit in großer Menge, wo seine maximale Ausgabe von 393216 Tokens auch die Grenze von 128000 schlägt.

Benchmarks

Über dem DurchschnittKeins besserClaude Opus 538 ~~/ 46~~8 ~~/ 46~~DeepSeek V4 Pro5 ~~/ 10~~0 ~~/ 10~~

Claude Opus 5 DeepSeek V4 Pro weitere gemessene Modelle Durchschnitt der Vergleichsmodelle ★ kein anderes Modell war besser

NL2Repo

kein anderes Modell war besser 75.3%

35.5%

BioMysteryBench hard

49.4%

N/A

OSWorld 2.0

kein anderes Modell war besser 70.6%

N/A

ExploitBench (Cap%)

70%

N/A

HealthBench Professional

59.8%

N/A

Finance Agent v2

58.6%

N/A

Legal Agent Benchmark

6.7%

N/A

Humanity's Last Exam no tools

56.6%

37.7%

BrowseComp

90.8%

N/A

LVBench

75.4%

N/A

Humanity's Last Exam no tools

56.6%

37.7%

GPQA Diamond

93.4%

N/A

Humanity's Last Exam with tools

63.6%

N/A

HLE-Verified

54.4%

N/A

FrontierMath Tier 4 (v2)

73.2%

N/A

ARC-AGI-3

30.2%

N/A

ARC-AGI-1

97.5%

N/A

ARC-AGI-2

90.4%

N/A

GPQA Diamond max

N/A

90.1%

Apex Shortlist high

N/A

85.5%

Apex Shortlist max

N/A

90.2%

Chinese-SimpleQA high

N/A

77.7%

Chinese-SimpleQA max

N/A

84.4%

CorpusQA 1M high

N/A

56.5%

CorpusQA 1M max

N/A

62%

GPQA Diamond high

N/A

89.1%

HMMT Feb. 2026 high

N/A

94%

HMMT Feb. 2026 max

N/A

95.2%

Humanity's Last Exam no tools, high

N/A

34.5%

Humanity's Last Exam no tools, max

N/A

37.7%

Humanity's Last Exam with tools, high

N/A

44.7%

Humanity's Last Exam with tools, max

N/A

48.2%

IFBench max

N/A

77%

IMOAnswerBench high

N/A

88%

IMOAnswerBench max

N/A

89.8%

MMLU-Pro high

N/A

87.1%

MMLU-Pro max

N/A

87.5%

MMMLU max

N/A

87.9%

MRCR 1M high

N/A

83.3%

MRCR 1M max

N/A

83.5%

SimpleQA-Verified high

N/A

46.2%

SimpleQA-Verified max

N/A

57.9%

Apex Shortlist non-think

N/A

9.2%

Chinese-SimpleQA non-think

N/A

75.8%

CorpusQA 1M non-think

N/A

35.6%

CritPt max

N/A

12.9%

Global PIQA max

N/A

90.5%

GPQA Diamond non-think

N/A

72.9%

HMMT Feb. 2026 non-think

N/A

31.7%

Humanity's Last Exam no tools, non-think

N/A

7.7%

IFEval max

N/A

91.9%

IMOAnswerBench non-think

N/A

35.3%

INCLUDE max

N/A

86.1%

MAXIFE max

N/A

88.9%

MMLU-Pro non-think

N/A

82.9%

MMLU-ProX max

N/A

83.9%

MMLU-Redux max

N/A

94.8%

MRCR 1M non-think

N/A

44.7%

MRCR v2 128K max

N/A

74.4%

NOVA-63 max

N/A

52.8%

PolyMATH max

N/A

72%

QwenWorldBench max

N/A

52.3%

SimpleQA-Verified non-think

N/A

45%

SuperGPQA max

N/A

69.9%

WMT24++ max

N/A

82.2%

NL2Repo

kein anderes Modell war besser 75.3%

35.5%

SWE-Bench Pro

N/A

59%

DeepSWE 1.1

68.8%

N/A

Terminal-Bench 2.1

89.1%

N/A

SWE-bench Multilingual

N/A

76.2%

Terminal-bench 4.0

52.3%

N/A

Terminal-bench 3.0

kein anderes Modell war besser 43.3%

N/A

FrontierCode 1.1 Main

48%

N/A

ProgramBench Almost Solved

kein anderes Modell war besser 37%

N/A

Terminal Bench 2.0 Terminus 2

N/A

67.9%

FrontierCode 1.1 Extended

63.6%

N/A

CursorBench 3.2.0

70%

N/A

CursorBench 4.0

46.6%

N/A

Frontier-Bench v0.1

kein anderes Modell war besser 43.3%

N/A

SWE-Bench Pro max

N/A

55.4%

Codeforces (Elo) high · 2816-3052 laut DeepSeek · 2026-08-26

N/A

2919

LiveCodeBench high

N/A

89.8%

LiveCodeBench max

N/A

93.5%

SWE-bench Multilingual max

N/A

76.2%

SWE-Bench Pro high

N/A

54.4%

SWE-bench Verified high

N/A

79.4%

SWE-bench Verified max

N/A

80.6%

Terminal Bench 2.0 high

N/A

63.3%

Terminal Bench 2.0 max

N/A

67.9%

Terminal Bench 2.0 Terminus 2, max

N/A

67.9%

Codeforces (Elo) max · 3052-3206 laut DeepSeek · 2026-08-26

N/A

3206

LiveCodeBench non-think

N/A

56.8%

NL2Repo max

N/A

35.5%

QwenSVGBench Elo, max · 1506-1541 laut Alibaba (Qwen) · 2026-08-26

N/A

1506

QwenWebDev (Elo) Elo, max · 1570-1617 laut Alibaba (Qwen) · 2026-08-26

N/A

1570

SWE-bench Multilingual non-think

N/A

69.8%

SWE-bench Multilingual high

N/A

74.1%

SWE-Bench Pro non-think

N/A

52.1%

SWE-bench Verified non-think

N/A

73.6%

Terminal Bench 2.0 non-think

N/A

59.1%

Anbieterangaben: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai

Preise

	Claude Opus 5	DeepSeek V4 Pro	Δ
Eingabe / 1M Tokens	$5	$1.32	3.8×
Ausgabe / 1M Tokens	$25	$3.96	6.3×
Cache-Lesen / 1M Tokens	$0.5	$0.132	3.8×
Cache-Schreiben	1.25x (5m) / 2x (1h)	keine gesonderte Gebühr	-

Preise aus dem Live-Katalog, Stand des letzten Builds. Die aktuellen Preise stehen auf der jeweiligen Modellseite.

Einordnung: Eingabepreis pro 1M Tokens aller 76 Chat-Modelle mit dieser Abrechnungseinheit (logarithmische Skala)

Claude Opus 5 · $5 DeepSeek V4 Pro · $1.32

$0.05 · Qwen3 VL Flash $30 · GPT-5.4 Pro

Fähigkeiten

	Claude Opus 5	DeepSeek V4 Pro
Tool-Nutzung	ja	ja
Thinking-Steuerung	konfigurierbar	konfigurierbar
Strukturierte Ausgabe	ja	ja
Prompt-Caching	explizit (Sie markieren das Präfix)	implizit (automatisch)
Cache-Lebensdauer	5m default, 1h option	no fixed TTL (evicted when unused)
Mindestlänge des gecachten Präfixes	1024 Tokens	nicht veröffentlicht

Spezifikationen

	Claude Opus 5	DeepSeek V4 Pro
Eingabemodalitäten	Text Bild	Text
Ausgabemodalitäten	Text	Text
Veröffentlicht	2026-07-24	2026-04-24
Knowledge-Cutoff	2026-05	-
Kontextfenster	1M	1M
Maximale Ausgabe	128K	393K
Thinking-Parameter	thinking.type output_config.effort	thinking.type reasoning_effort
Zulässige Werte	thinking.type adaptive disabled effort low medium high xhigh max	thinking.type enabled disabled reasoning_effort high max (low and medium map to high, xhigh maps to max)
Standardwert	thinking on effort high (Claude API and Claude Code)	enabled, with reasoning_effort high some complex agent requests are automatically set to max

Die Spezifikationen stammen aus der Dokumentation des jeweiligen Anbieters. Veröffentlicht ein Anbieter eine Angabe nicht, lassen wir die Zeile weg, statt sie zu schätzen. Vollständige Quellen: Claude Opus 5 · DeepSeek V4 Pro

Ein Prompt, beide Modelle, gemessen über das Gateway

Reasoning, einem CFO erklärt Fehlerhafte Funktion korrigieren In ein Schema extrahieren Nach Vorgaben schreiben

PROMPT Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. KRITERIUM genau 3 Sätze

Claude Opus 5 bestanden · 3 sentences

When reasoning is enabled, the model generates a hidden chain of "thinking" tokens before it writes the visible answer, and those internal tokens are billed at the output rate even though no one ever sees them — commonly 3–10x more tokens than the response itself. Because output tokens are priced several times higher than input tokens, that added volume hits us at our most expensive rate, which is why the bill roughly doubled while our request count stayed flat. The spend is controllable: we can cap the reasoning budget per call, route only genuinely hard requests to reasoning mode and cheaper models for the rest, and track cost per successfully completed task rather than cost per token, since a single correct answer usually beats three cheap retries plus human cleanup.

Ausgabe 529 tok Latenz 9.0 s

DeepSeek V4 Pro bestanden · 3 sentences

Enabling reasoning causes the model to generate a lengthy internal chain‑of‑thought before it delivers a visible answer, and we are billed for every one of those hidden reasoning tokens just as we are for the final output. In most interactions, the volume of these unseen tokens at least equals the visible response, effectively doubling the total tokens consumed per query. That doubled token consumption translates directly into a doubled per‑query cost, which is why our overall LLM bill doubled.

Ausgabe 641 tok (+545 Thinking) Latenz 11.5 s

Befolgen der Anweisung (genau drei Sätze, das lässt sich zählen), Zuschnitt auf die Zielgruppe (Tonfall für einen CFO) und die Abrechnungslücke durch nicht sichtbares Thinking, die die Token-Zähler unten offenlegen.

PROMPT This function is supposed to return the longest run of consecutive equal items, but callers report it is off by one on single-element inputs and misses runs that end at the last index. Fix it and explain the bug in one paragraph. KRITERIUM Fix besteht die Tests

Claude Opus 5 bestanden · 8/8 cases

## Fixed version ```python def longest_run(xs): if not xs: return 0 best = 1 cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 else: cur = 1 if cur > best: best = cur return best ``` ## The bug The counters were tracking the wrong quantity: `cur` counted *matching adjacent pairs* rather than *elements in the current run*, and both counters started at `0` instead of `1`. Since a run of length *n* contains only *n − 1* adjacent equal pairs, every result came back one too small — `[1, 1]` returned 1, `[3, 3, 3]` returned 2 — and a single-element list returned 0 because the loop body never executed and `best` kept its initial value of `0`. […]

Ausgabe 1094 tok Latenz 16.1 s

DeepSeek V4 Pro bestanden · 8/8 cases

```python def longest_run(xs): if not xs: return 0 best = 1 cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 best = max(best, cur) else: cur = 1 return best ``` **Explanation:** The bug stems from initializing `cur = 0` and only incrementing it when two adjacent elements match, which counts the number of *additional* equal elements rather than the actual run length (which is `cur + 1`). As a result, the returned `best` is always one less than the true longest run—most obviously returning 0 for a single-element list instead of 1. […]

Ausgabe 2418 tok (+2131 Thinking) Latenz 35.6 s

Ob der Fix wirklich korrekt ist (er lässt sich ausführen), wie dicht die Erklärung ist und wie sparsam das Modell bei einer klar begrenzten Aufgabe mit Tokens umgeht.

PROMPT Extract a JSON object with fields {company, quarter, revenue_usd_m, growth_pct, guidance} from this text. Use null for anything not stated; add no other fields. KRITERIUM gültiges JSON, Schema exakt

Claude Opus 5 bestanden · 5/5 fields, guidance "Withheld pending Q4 close"

```json { "company": "Meridian Robotics", "quarter": "Q3", "revenue_usd_m": 412, "growth_pct": 11, "guidance": "Withheld pending Q4 close" } ``` Notes on judgment calls: - **quarter**: "September quarter" is labeled Q3 because the text refers to an upcoming "Q4 close," implying a calendar-aligned fiscal year. No fiscal year is given. - **revenue_usd_m**: 412 is stated as constant-currency and hedged ("call it"), so it's approximate; the currency is not explicitly stated as USD. - **growth_pct**: "up eleven and change" means slightly more than 11, so 11 is a floor rather than an exact figure.

Ausgabe 539 tok Latenz 7.6 s

DeepSeek V4 Pro bestanden · 5/5 fields, guidance null

{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": "eleven and change", "guidance": null }

Ausgabe 1204 tok (+1153 Thinking) Latenz 19.9 s

Schema-Treue (keine erfundenen Felder), Anreiz zum Halluzinieren (der Text nennt ausdrücklich keine guidance) und Unterschiede zwischen den Wegen zur strukturierten Ausgabe.

PROMPT Write a 120-word product announcement for an API gateway feature that caches prompts across providers. Forbidden words: "seamless", "unlock", "game-changer", "revolutionize", "empower". Exactly one sentence must be a question. KRITERIUM 120 Wörter, 0 verbotene Wörter

Claude Opus 5 bestanden · 123 words, 0 banned, 1 question

**Cross-Provider Prompt Caching** We're introducing Cross-Provider Prompt Caching in the API Gateway. Repeated system prompts, long documents, and few-shot examples are stored once at the gateway layer and reused across OpenAI, Anthropic, Google, and self-hosted models. Instead of paying full input token costs on every request, your application sends a cache reference, and the gateway rehydrates the context before forwarding it downstream. Why does that matter? Teams running high-volume agents and retrieval pipelines typically see input token spend fall 40 to 70 percent, with median latency dropping by several hundred milliseconds. Caches are scoped per project, encrypted at rest, and invalidated automatically when a prompt template changes. Enable it with a single header, and see the docs for TTL tuning and per-route controls.

Ausgabe 1593 tok Latenz 19.1 s

DeepSeek V4 Pro keine bewertbare Antwort · no answer text within 16,384 tokens (all of it went to thinking)

Das Modell hat keinen Antworttext geliefert: Das gesamte Token-Budget wurde vom nicht sichtbaren Thinking aufgebraucht.

Ausgabe 8193 tok (+8192 Thinking) Latenz 106.2 s

Einhaltung der Vorgaben (Wortbudget, Liste verbotener Wörter, genau eine Frage), stilistische Handschrift und Kontrolle über die Länge.

Eine Zeile genügt für den Wechsel

Beide IDs stehen in jedem Tab unten. Die beiden hervorgehobenen Zeilen sind die einzige Änderung. Gleicher Endpunkt, gleicher Schlüssel, gleiches Anfrageformat.

from openai import OpenAI

client = OpenAI(
    base_url="https://synthorai.io/v1",
    api_key="sk-syn-...",
)

resp = client.chat.completions.create(
    model="claude-opus-5",
    # model="deepseek-v4-pro",  # diese Zeile einkommentieren, die darüberliegende auskommentieren
    messages=[{"role": "user", "content": "Summarize this diff"}],
    reasoning_effort="medium",
)
print(resp.choices[0].message.content)

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: "https://synthorai.io/v1",
  apiKey: "sk-syn-...",
});

const resp = await client.chat.completions.create({
  model: "claude-opus-5",
  // model: "deepseek-v4-pro",  // diese Zeile einkommentieren, die darüberliegende auskommentieren
  messages: [{ role: "user", content: "Summarize this diff" }],
  reasoning_effort: "medium",
});
console.log(resp.choices[0].message.content);

curl https://synthorai.io/v1/chat/completions \
  -H "Authorization: Bearer sk-syn-..." \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-opus-5",
    # "model": "deepseek-v4-pro",  # diese Zeile einkommentieren, die darüberliegende auskommentieren
    "messages": [{"role": "user", "content": "Hello"}],
    "reasoning_effort": "medium"
  }'

package main

import (
	"context"
	"fmt"

	"github.com/openai/openai-go/v3"
	"github.com/openai/openai-go/v3/option"
)

func main() {
	client := openai.NewClient(
		option.WithBaseURL("https://synthorai.io/v1"),
		option.WithAPIKey("sk-syn-..."),
	)
	resp, _ := client.Chat.Completions.New(context.TODO(), openai.ChatCompletionNewParams{
		Model: "claude-opus-5",
		// Model: "deepseek-v4-pro",  // diese Zeile einkommentieren, die darüberliegende auskommentieren
		Messages: []openai.ChatCompletionMessageParamUnion{
			openai.UserMessage("Summarize this diff"),
		},
		ReasoningEffort: openai.ReasoningEffortMedium,
	})
	fmt.Println(resp.Choices[0].Message.Content)
}

import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
import com.openai.models.ReasoningEffort;

OpenAIClient client = OpenAIOkHttpClient.builder()
    .baseUrl("https://synthorai.io/v1")
    .apiKey("sk-syn-...")
    .build();

ChatCompletion resp = client.chat().completions().create(
    ChatCompletionCreateParams.builder()
        .model("claude-opus-5")
        // .model("deepseek-v4-pro")  // diese Zeile einkommentieren, die darüberliegende auskommentieren
        .addUserMessage("Summarize this diff")
        .reasoningEffort(ReasoningEffort.MEDIUM)
        .build());
System.out.println(resp.choices().get(0).message().content().orElse(""));

API-Schlüssel erstellen →

FAQ

Welches Modell ist günstiger: Claude Opus 5 oder DeepSeek V4 Pro?

DeepSeek V4 Pro ist bei Eingabe / 1M Tokens günstiger ($1.32 vs. $5, Faktor 3.8). Bei anderen Zeilen kann es umgekehrt sein. Die Tabelle oben zeigt alle Preise, und die tatsächlichen Kosten hängen von Ihrem Mix ab.

Kann ich Claude Opus 5 gegen DeepSeek V4 Pro A/B-testen, ohne zweimal zu integrieren?

Ja. Beide laufen über denselben OpenAI-kompatiblen Endpunkt mit einem API-Schlüssel. Für den Wechsel ändern Sie nur eine Zeile, den Modellnamen. So können Sie einen Teil des Traffics an jedes Modell schicken und die Kosten direkt vergleichen.

Unterstützen Claude Opus 5 und DeepSeek V4 Pro Prompt-Caching?

Ja. Beide berechnen Cache-Lesezugriffe günstiger als die normale Eingabe. Workloads mit einem wiederkehrenden, bereits gecachten Präfix kosten deshalb weniger, als die Listenpreise vermuten lassen. Die genauen Preise stehen in den Cache-Zeilen der Preistabelle oben.

Aus unseren Studien mit eigenen Messungen

GPT-6.1 Sol vs. Claude Sonnet 5.5: gleicher Preis, halbe Kosten Übermäßige Ablehnungen: Meist liegt es am Benchmark Opus 5.5 vs Opus 5: Gleiche Antworten, halb so viele Token

Claude Opus 5 vs DeepSeek V4 Pro

Benchmarks

Preise

Fähigkeiten

Spezifikationen

Ein Prompt, beide Modelle, gemessen über das Gateway

Eine Zeile genügt für den Wechsel

FAQ

Verwandte Vergleiche

Aus unseren Studien mit eigenen Messungen