Neu Kostenlos registrieren und 10 Aufrufe gratis nutzen. Bis zu 1 $, ohne Kreditkarte.

DeepSeek V4 Pro vs Gemini 3.6 Flash

vs

Welches Modell wofür

deepseek-v4-pro ist durchgehend die günstigere Seite, bei der Aufnahme allerdings nur knapp: $1.32 gegenüber $1.5 bei der Eingabe, $3.96 gegenüber $7.5 bei der Ausgabe und $0.132 gegenüber $0.15 bei Cache-Lesevorgängen, und es kann bis zu 393216 Tokens je Antwort ausgeben, neben 65536. Nehmen Sie deepseek-v4-pro für langes, rein textliches Reasoning und Code, mit abschaltbarem Denken über ein Fenster von 1000000 Tokens. Nehmen Sie gemini-3.6-flash, wenn die Eingaben Bild, Video oder Audio umfassen (Audioeingabe $5 je Million) und Sie Vision mit Tools über 1048576 Tokens wollen.

Benchmarks

Über dem DurchschnittKeins besserDeepSeek V4 Pro5 / 100 / 10Gemini 3.6 Flash6 / 191 / 19
DeepSeek V4 Pro Gemini 3.6 Flash weitere gemessene Modelle Durchschnitt der Vergleichsmodelle ★ kein anderes Modell war besser
SWE-Bench Pro
59%
N/A
BioMysteryBench hard
N/A
41.2%
OSWorld 2.0
N/A
33.8%
GDPval-AA v2 Elo · 1422-1598 laut Google · 2026-08-25
N/A
1422
Harvey Lab-AA
N/A
85.1%
Humanity's Last Exam no tools
37.7%
N/A
AutomationBench
N/A
17%
LVBench
N/A
84.2%

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

Preise

DeepSeek V4 Pro Gemini 3.6 Flash Δ
Eingabe / 1M Tokens $1.32 $1.5 0.88×
Ausgabe / 1M Tokens $3.96 $7.5 0.53×
Cache-Lesen / 1M Tokens $0.132 $0.15 0.88×
Cache-Schreiben 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)

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

Fähigkeiten

DeepSeek V4 Pro Gemini 3.6 Flash
Tool-Nutzung ja ja
Thinking-Steuerung konfigurierbar immer aktiv
Strukturierte Ausgabe ja ja
Prompt-Caching implizit (automatisch) implizit + explizit
Cache-Lebensdauer no fixed TTL (evicted when unused) nicht veröffentlicht
Mindestlänge des gecachten Präfixes nicht veröffentlicht 4096 Tokens

Spezifikationen

DeepSeek V4 Pro Gemini 3.6 Flash
Eingabemodalitäten Text Text Bild Audio Video
Ausgabemodalitäten Text Text
Veröffentlicht 2026-04-24 2026-07-21
Knowledge-Cutoff - 2026-03
Kontextfenster 1M 1M
Maximale Ausgabe 393K 66K
Thinking-Parameter
  • thinking.type
  • reasoning_effort
thinkingLevel
Zulässige Werte
thinking.type
  • enabled
  • disabled
reasoning_effort
  • high
  • max (low and medium map to high, xhigh maps to max)
  • minimal
  • low
  • medium
  • high
Standardwert

enabled, with reasoning_effort high

some complex agent requests are automatically set to max

medium

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 · Gemini 3.6 Flash

Ein Prompt, beide Modelle, gemessen über das Gateway

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

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

Gemini 3.6 Flash bestanden · 3 sentences

Enabling reasoning causes the model to generate thousands of internal "thinking" tokens behind the scenes to process logic before delivering the final response. Because our vendor bills us for every token generated—including these intermediate processing steps—our billable output volume per query surged significantly. Since output tokens carry a much higher unit cost than input tokens, this jump in processing volume directly doubled our overall spend.

Ausgabe 893 tok (+816 Thinking) Latenz 4.7 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

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

Gemini 3.6 Flash bestanden · 8/8 cases

Here is the fixed function along with an explanation of the bugs: ```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 ``` ### Explanation The original function initialized `cur` and `best` to `0` and incremented `cur` on matching adjacent items, which meant it was counting identical adjacent *pairs* rather than the total number of *elements* in a run. This caused single-element inputs to skip the loop and return `0` instead of `1`, and undercounted all run lengths by 1 (for example, a run of two items at the end of the list resulted in `cur = 1`). […]

Ausgabe 2034 tok (+1768 Thinking) Latenz 10.0 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

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

Gemini 3.6 Flash bestanden · 5/5 fields, guidance "withheld"

```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": null, "guidance": "withheld" } ```

Ausgabe 2843 tok (+2783 Thinking) Latenz 13.1 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

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

Gemini 3.6 Flash verfehlt · 60 words, 0 banned, 0 questions

72: reducing 73: your 74: monthly 75: token 76: spend. S6 (21): 77: You 78: can 79: easily 80: set 81: custom 82: expiration 83: rules, 84: configure 85: TTL 86: settings, 87: and 88: manage 89: cache 90: invalidation 91: across 92: all 93: vendors 94: from 95: one 96: centralized 97: dashboard. S7 (23): 98: Start 99: optimizing […]

Ausgabe 4092 tok (+3929 Thinking) Latenz 16.3 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",
    # model="gemini-3.6-flash",  # diese Zeile einkommentieren, die darüberliegende auskommentieren
    messages=[{"role": "user", "content": "Summarize this diff"}],
    reasoning_effort="medium",
)
print(resp.choices[0].message.content)

API-Schlüssel erstellen →

FAQ

Welches Modell ist günstiger: DeepSeek V4 Pro oder Gemini 3.6 Flash?

DeepSeek V4 Pro ist bei Eingabe / 1M Tokens günstiger ($1.32 vs. $1.5, Faktor 1.1). 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 gegen Gemini 3.6 Flash 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 und Gemini 3.6 Flash 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.

Verwandte Vergleiche

Aus unseren Studien mit eigenen Messungen