DeepSeek V4 Flash (0731) vs DeepSeek V4 Pro (0813)

Cambiar cualquiera de los dos vs

Cuál usar y cuándo — veredicto seleccionado, no una tabla de benchmarks

Estos dos hermanos de DeepSeek están configurados de forma idéntica sobre el papel: ambos incluyen una ventana de contexto de 1000000 de tokens, 393216 tokens de salida máxima, son solo de entrada y salida de texto, y tienen los mismos flags de chat, código, razonamiento y herramientas. La única diferencia real en la hoja de especificaciones es la tabla de tarifas, donde deepseek-v4-pro-0813 cuesta unas 4.29 veces más en cada nivel ($1.32 frente a $0.308 en entrada, $3.96 frente a $0.924 en salida, $0.132 frente a $0.0308 en lecturas de caché). Usa deepseek-v4-flash-0731 por defecto para trabajo por volumen y recurre al nivel 0813 Pro solo si tus propias evaluaciones justifican el costo adicional.

Precios

	DeepSeek V4 Flash (0731)	DeepSeek V4 Pro (0813)	Δ
Entrada / 1M tokens	$0.308	$1.32	0.23×
Salida / 1M tokens	$0.924	$3.96	0.23×
Lectura de caché / 1M tokens	$0.0308	$0.132	0.23×
Escritura en caché	sin cargo por separado	sin cargo por separado	—

Tarifas del catálogo en vivo en el momento de la compilación; la página de cada modelo incluye la ficha actualizada.

Dónde se sitúan — precio de entrada por 1M de tokens en todos los 63 modelos de chat en esta unidad de facturación (escala logarítmica)

DeepSeek V4 Flash (0731) · $0.308 DeepSeek V4 Pro (0813) · $1.32

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

Capacidades

	DeepSeek V4 Flash (0731)	DeepSeek V4 Pro (0813)
Uso de herramientas	sí	sí
Control de pensamiento	sí — el proveedor no publica el control	siempre activo
Salida estructurada	sí	sí
Caché de prompt	implícito (automático)	implícito (automático)
Tiempo de vida de la caché	no fixed TTL (evicted when unused)	no fixed TTL (evicted when unused)
Prefijo mínimo en caché	no publicado	no publicado

Especificaciones

	DeepSeek V4 Flash (0731)	DeepSeek V4 Pro (0813)
Modalidades de entrada	texto	texto
Modalidades de salida	texto	texto
Lanzamiento	2026-07-31	2026-08-13
Ventana de contexto	1M	1M
Salida máxima	393K	393K
Parámetro de pensamiento	—	reasoning_effort
Valores aceptados	—	reasoning_effort the model card documents low high max

Las especificaciones se transcriben de la documentación de cada proveedor; si un proveedor no publica una fila, se omite en lugar de inferirse. Fuentes completas: DeepSeek V4 Flash (0731) · DeepSeek V4 Pro (0813)

Un prompt, ambos modelos — medido a través del gateway

Razonamiento para un CFO Corregir una función con errores Extraer a un esquema Escribir con restricciones

PROMPT Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. COMPROBAR exactamente 3 frases

DeepSeek V4 Flash (0731) superado · 3 sentences

Enabling reasoning mode prompts the model to generate extensive internal chain-of-thought tokens before answering, often multiplying total token output per query by several times. This directly inflates costs because we are billed per token, and these reasoning tokens are processed at a premium compute tier that carries a higher price per million tokens. However, this spend buys measurably higher accuracy and fewer failed calls, so we are tracking it against specific error-reduction KPIs to ensure the ROI justifies the increase.

salida 365 tok (+266 pensamiento) latencia 5.1 s

DeepSeek V4 Pro (0813) superado · 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.

salida 308 tok (+226 pensamiento) latencia 5.1 s

Seguimiento de la instrucción (exactamente tres frases — contables), adaptación a la audiencia (registro de CFO), y la brecha de facturación por pensamiento oculto que los medidores de tokens de abajo dejan ver.

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. COMPROBAR el arreglo pasa las pruebas

DeepSeek V4 Flash (0731) superado · 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 ``` The original bug stems from initializing `cur` to 0 and only incrementing it when adjacent elements are equal, which counts the number of *equal transitions* rather than the actual run length—so every run of length L is reported as L−1, and a single‑element run (with no transitions) yields 0. Moreover, because `best` is updated only inside the equality branch, it never accounts for a run that ends at the last element if that run is longer than any previously seen (though the real issue remains the off‑by‑one). […]

salida 1268 tok (+1016 pensamiento) latencia 14.0 s

DeepSeek V4 Pro (0813) superado · 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.

salida 1315 tok (+1130 pensamiento) latencia 16.9 s

Si el arreglo es realmente correcto (ejecutable), la densidad de la explicación, y la eficiencia en tokens sobre una tarea acotada.

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. COMPROBAR JSON válido, esquema exacto

DeepSeek V4 Flash (0731) superado · 5/5 fields, guidance null

{ "company": "Meridian Robotics", "quarter": "Q3", "revenue_usd_m": 412, "growth_pct": null, "guidance": null }

salida 1119 tok (+1072 pensamiento) latencia 12.3 s

DeepSeek V4 Pro (0813) superado · 5/5 fields, guidance null

{"company":"Meridian Robotics","quarter":"September quarter","revenue_usd_m":412,"growth_pct":11.0,"guidance":null}

salida 2155 tok (+2121 pensamiento) latencia 26.0 s

Obediencia al esquema (sin campos inventados), presión de alucinación (guidance se retiene explícitamente), y diferencias en la ruta de salida estructurada.

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. COMPROBAR 120 palabras, 0 palabras prohibidas

DeepSeek V4 Flash (0731) fallado · 141 words, 0 banned, 1 question

**Introducing Prompt Cache for API Gateway** We are pleased to announce Prompt Cache, a new feature that stores and reuses identical prompt prefixes across all connected LLM providers. By automatically recognizing repeated requests, this cache reduces token consumption and lowers latency without altering your application logic. Whether you use OpenAI, Anthropic, or open-source models, the cache operates transparently, ensuring consistent behavior while cutting costs. Developers can configure cache TTL and scoping rules via a simple API call, giving you precise control over data freshness and privacy. This feature also minimizes redundant upstream calls, freeing provider rate limits for more critical workloads. Start caching today through the dashboard or CLI, and watch your operational expenses drop significantly. […]

salida 254 tok (+80 pensamiento) latencia 4.4 s

DeepSeek V4 Pro (0813) superado · 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.

salida 2845 tok (+2694 pensamiento) latencia 25.5 s

Obediencia a las restricciones (presupuesto de palabras, lista de palabras prohibidas, la única pregunta), huella de estilo, y control de la longitud.

Cambia entre ellos con una línea

Ambos IDs están en cada pestaña a continuación — el par de líneas resaltadas es la única edición. Mismo endpoint, misma clave, misma estructura de solicitud.

from openai import OpenAI

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

resp = client.chat.completions.create(
    model="deepseek-v4-flash-0731",
    # model="deepseek-v4-pro-0813",  # descomenta esta línea, comenta la de arriba
    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-flash-0731",
  // model: "deepseek-v4-pro-0813",  // descomenta esta línea, comenta la de arriba
  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-flash-0731",
    # "model": "deepseek-v4-pro-0813",  # descomenta esta línea, comenta la de arriba
    "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-flash-0731",
		// Model: "deepseek-v4-pro-0813",  // descomenta esta línea, comenta la de arriba
		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-flash-0731")
        // .model("deepseek-v4-pro-0813")  // descomenta esta línea, comenta la de arriba
        .addUserMessage("Summarize this diff")
        .reasoningEffort(ReasoningEffort.MEDIUM)
        .build());
System.out.println(resp.choices().get(0).message().content().orElse(""));

Obtén una clave de API →

Preguntas frecuentes

¿Cuál es más barato, DeepSeek V4 Flash (0731) o DeepSeek V4 Pro (0813)?

DeepSeek V4 Flash (0731) es más barato en entrada / 1m tokens ($0.308 vs $1.32, con una diferencia de 4.3×). Otras filas pueden indicar lo contrario — la tabla anterior muestra la ficha completa, y el costo real depende de su combinación.

¿Puedo hacer pruebas A/B de DeepSeek V4 Flash (0731) frente a DeepSeek V4 Pro (0813) sin dos integraciones?

Sí. Ambos se sirven a través del mismo endpoint compatible con OpenAI con una clave API — el cambio es una modificación de una línea en la cadena del modelo, por lo que puede enrutar una fracción del tráfico a cada uno y comparar las facturas directamente.

¿Admiten DeepSeek V4 Flash (0731) y DeepSeek V4 Pro (0813) caché de prompts?

Sí — ambos cobran las lecturas en caché por debajo de su tarifa de entrada, por lo que las cargas de trabajo con prefijo caliente cuestan menos de lo que sugieren las tarifas de lista. Las filas exactas de lectura en caché están en la tabla de precios de arriba.

Comparaciones relacionadas

Dola Seed 2.0 Lite vs DeepSeek V4 Flash (0731) Dola Seed 2.0 Pro vs DeepSeek V4 Flash (0731) Claude Fable 5 vs DeepSeek V4 Flash (0731) Claude Opus 5 vs DeepSeek V4 Flash (0731) Compara cualquier par de modelos →

De nuestros estudios medidos

DeepSeek V4 Pro GA vs Preview: razona entre un 18% y 62% menos Controles de razonamiento: qué hacen 13 modelos LLM Web Search API y Web Fetch API: cómo funcionan y qué dan por $0.01