DeepSeek V4 Pro (0813) vs Qwen3.8 Max
Welches Modell wofür
Beide sind Text-in-Reasoning-Modelle mit Tools und Code sowie einem Kontext von etwa einer Million Token (1000000 für deepseek-v4-pro-0813, 983616 für qwen3.8-max), sodass der eigentliche Unterschied in der Modalität und der Ausgabelänge liegt. Wählen Sie deepseek-v4-pro-0813 für günstigere Textarbeiten im großen Maßstab - $1.32 für Eingabe und $3.96 für Ausgabe liegen etwa 1.5x unter qwen3.8-max mit $2 und $6, Cache-Reads kosten $0.132 gegenüber $0.25 und die maximale Ausgabe von 393216 ist 3x größer für lange Einzelgenerierungen. Wählen Sie qwen3.8-max, wenn Sie Bildeingaben benötigen, welche deepseek-v4-pro-0813 nicht akzeptiert.
Benchmarks
11 bei beiden gemessen.
Anbieterangaben: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
Preise
| DeepSeek V4 Pro (0813) | Qwen3.8 Max | Δ | |
|---|---|---|---|
| Eingabe / 1M Tokens | $1.32 | $2 | 0.66× |
| Ausgabe / 1M Tokens | $3.96 | $6 | 0.66× |
| Cache-Lesen / 1M Tokens | $0.132 | $0.25 | 0.53× |
| Cache-Schreiben | keine gesonderte Gebühr | 1.25x | - |
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)
Fähigkeiten
| DeepSeek V4 Pro (0813) | Qwen3.8 Max | |
|---|---|---|
| Tool-Nutzung | ja | ja |
| Thinking-Steuerung | immer aktiv | ja, Parameter des Anbieters nicht veröffentlicht |
| Strukturierte Ausgabe | ja | ja |
| Prompt-Caching | implizit (automatisch) | implizit + explizit |
| Cache-Lebensdauer | no fixed TTL (evicted when unused) | explicit: 5m, reset on hit |
| Mindestlänge des gecachten Präfixes | nicht veröffentlicht | 1024 Tokens |
Spezifikationen
| DeepSeek V4 Pro (0813) | Qwen3.8 Max | |
|---|---|---|
| Eingabemodalitäten | Text | Text Bild |
| Ausgabemodalitäten | Text | Text |
| Veröffentlicht | 2026-08-13 | 2026-08-03 |
| Kontextfenster | 1M | 984K |
| Maximale Ausgabe | 393K | 131K |
| Thinking-Parameter | reasoning_effort | - |
| Zulässige Werte | reasoning_effort
| - |
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: DeepSeek V4 Pro (0813) · Qwen3.8 Max
Ein Prompt, beide Modelle, gemessen über das Gateway
DeepSeek V4 Pro (0813) bestanden · 3 sentences
Enabling reasoning causes the model to generate a hidden chain-of-thought with many additional tokens before producing the final answer, which sharply increases compute consumption per request. Those extra reasoning tokens are billed at the same or higher rates, so total usage doubled even though the volume of final outputs stayed similar. We can control this by adjusting reasoning effort, setting token limits, or routing only complex requests through reasoning mode.
Ausgabe 308 tok (+226 Thinking) Latenz 5.1 s
Qwen3.8 Max bestanden · 3 sentences
Enabling reasoning makes the model produce additional hidden steps before responding, and those tokens are billable. It also tends to lengthen each interaction because the model works through more possibilities before settling on an answer. Therefore, the bill doubled mainly due to higher compute and token usage per request, not necessarily because the number of requests doubled.
Ausgabe 378 tok (+305 Thinking) Latenz 8.6 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.
DeepSeek V4 Pro (0813) 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 else: cur = 1 best = max(best, cur) return best ``` The bug is that `cur` was initialized to `0` and only counted adjacent matching pairs, so a run of length `n` produced `n - 1` (or `0` for a single element) instead of `n`. The code also reset to `0` on a change, when the new run should start at length `1`. Initializing `cur` and `best` to `1` fixes both the single-element case and runs ending at the last index.
Ausgabe 1315 tok (+1130 Thinking) Latenz 16.9 s
Qwen3.8 Max bestanden · 8/8 cases
```python def longest_run(xs): if not xs: return 0 best = cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 else: cur = 1 best = max(best, cur) return best ``` The bug is that the original code starts `best` and `cur` at `0`, so it counts adjacent equal *transitions* rather than the number of items in the run. A run of length `n` has only `n - 1` equal-neighbor transitions, so single-element inputs return `0`, and runs that reach the end are undercounted by one. Initializing the current run to `1` for the first element, resetting it to `1` on a break, and updating `best` from that count fixes the off-by-one.
Ausgabe 1616 tok (+1411 Thinking) Latenz 34.7 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.
DeepSeek V4 Pro (0813) bestanden · 5/5 fields, guidance null
{"company":"Meridian Robotics","quarter":"September quarter","revenue_usd_m":412,"growth_pct":11.0,"guidance":null}
Ausgabe 2155 tok (+2121 Thinking) Latenz 26.0 s
Qwen3.8 Max bestanden · 5/5 fields, guidance null
{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null }
Ausgabe 1199 tok (+1141 Thinking) Latenz 24.4 s
Schema-Treue (keine erfundenen Felder), Anreiz zum Halluzinieren (der Text nennt ausdrücklich keine guidance) und Unterschiede zwischen den Wegen zur strukturierten Ausgabe.
DeepSeek V4 Pro (0813) bestanden · 121 words, 0 banned, 1 question
Introducing cross-provider prompt caching in our API gateway. Send a prompt once, and the gateway stores its computed prefix across Anthropic, OpenAI, and other LLM providers. Subsequent requests with the same prompt hit the cache, cutting latency and token costs while keeping outputs consistent across routing decisions and provider failovers. Teams can route identical prompts between providers without reprocessing shared context or lengthy system instructions. How much could you save on repeated prompt prefixes? The cache respects provider-specific key formats, handles TTLs automatically, and works with streaming and batch requests. Enable it with one configuration flag—no changes to your application code. Available today on all plans. Monitor cache hit rates, token savings, and provider-specific performance metrics in the live dashboard.
Ausgabe 2845 tok (+2694 Thinking) Latenz 25.5 s
Qwen3.8 Max bestanden · 120 words, 0 banned, 1 question
Today, our API gateway adds prompt caching across major model providers. It stores prompts and responses in one fast cache layer. Teams can lower token spend, reduce latency, and repeat reliable answers. The feature supports OpenAI, Anthropic, Google, and Mistral through one configuration. You can set retention rules, scope access, and invalidate entries quickly. How does your team maintain consistent results during provider outages? Approved cached responses keep applications stable while fallback routes recover. The dashboard shows hit rates, savings, latency, and provider usage. Engineers receive audit trails for every cached prompt, enabling safer testing. Product managers can compare cost trends before and after cache adoption. Start with a small route, then safely expand caching to production traffic right now.
Ausgabe 2744 tok (+2591 Thinking) Latenz 46.3 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="deepseek-v4-pro-0813",
# model="qwen3.8-max", # 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: "deepseek-v4-pro-0813",
// model: "qwen3.8-max", // 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": "deepseek-v4-pro-0813",
# "model": "qwen3.8-max", # 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: "deepseek-v4-pro-0813",
// Model: "qwen3.8-max", // 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("deepseek-v4-pro-0813")
// .model("qwen3.8-max") // diese Zeile einkommentieren, die darüberliegende auskommentieren
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));FAQ
Welches Modell ist günstiger: DeepSeek V4 Pro (0813) oder Qwen3.8 Max?
DeepSeek V4 Pro (0813) ist bei Eingabe / 1M Tokens günstiger ($1.32 vs. $2, Faktor 1.5). Bei anderen Zeilen kann es umgekehrt sein. Die Tabelle oben zeigt alle Preise, und die tatsächlichen Kosten hängen von Ihrem Mix ab.
Kann ich DeepSeek V4 Pro (0813) gegen Qwen3.8 Max 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 DeepSeek V4 Pro (0813) und Qwen3.8 Max 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.