DeepSeek V4 Pro 0813 es la versión de agosto de 2026 de la gama insignia V4 Pro de DeepSeek, y la ficha del modelo la presenta como sustituta de la versión preliminar y no como una variante situada junto a ella.
- Entrada
- texto $1.32/M
- Salida
- texto $3.96/M
- Lectura de caché
- $0.132/M
- Contexto
- 1M
- vs GPT-4o
- ~74% más barato
Benchmarks
Publicado por los proveedores: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
El precio en contexto
Posición del precio entre 68 modelos comparables
La barra muestra dónde queda el precio de este modelo entre todos los modelos del mismo tipo en Synthorai. En cada extremo se nombra el más barato y el más caro. Son tarifas base; los descuentos por lote, región y escritura en caché están en la página de precios.
Especificaciones y límites
Tokens
| Ventana de contexto (especificación del proveedor) | 1.000.000 |
|---|---|
| Salida máxima (especificación del proveedor) | 393.216 |
Caché de prompts
| Modo | automático |
|---|---|
| Duración | sin TTL fijo (se borra cuando deja de usarse) |
Razonamiento
| Parámetro del proveedor | reasoning_effort |
|---|---|
| Valores admitidos | the model card documents low · high · max |
| Comportamiento del razonamiento | The trace returns in reasoning_content and on short prompts can account for the large majority of the completion tokens, so a tight max_tokens budget returns an empty answer that is still billed in full. DeepSeek documents three effort levels for its own API; platforms that host the model may accept a different set, so confirm against the platform you are routed to. |
| Parámetro | reasoning_effort |
| Valores | minimal · low · medium · high parámetros que expone la pasarela; se aplica el mapeo del proveedor indicado arriba |
Modelo
| Modalidades | texto → texto |
|---|---|
| Licencia | MIT |
August 2026 release of DeepSeek V4 Pro, superseding the preview version with what the model card describes as greatly enhanced agentic capabilities, and shipping with a DSpark speculative decoding module attached. The card states neither a parameter count nor an architecture, so neither is listed here.
Un prompt, medido a través de la pasarela
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 razonamiento) latencia 5.1 s
Cumplimiento de la instrucción (exactamente tres frases, se pueden contar), adaptación al público (registro de CFO) y la diferencia de facturación por razonamiento oculto que dejan ver los contadores de tokens de abajo.
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 razonamiento) latencia 16.9 s
Si la corrección funciona de verdad (se puede ejecutar), lo densa que es la explicación y la eficiencia en tokens en una tarea acotada.
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 razonamiento) latencia 26.0 s
Respeto del esquema (sin campos inventados), tentación de alucinar (la guidance se omite a propósito) y diferencias entre las vías de salida estructurada.
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 razonamiento) latencia 25.5 s
Respeto de las restricciones (límite de palabras, lista de palabras prohibidas, una única pregunta), sello de estilo y control de la longitud.
Usa DeepSeek V4 Pro (0813) en 30 segundos
Compatible con OpenAI: cambia el base_url y conserva tu SDK. POST /v1/chat/completions
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",
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",
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",
"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",
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")
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));Acerca de DeepSeek V4 Pro (0813)
- DeepSeek atribuye el cambio a unas capacidades agénticas notablemente reforzadas y a mejoras de rendimiento que describe como especialmente marcadas en producción; la versión incorpora además un módulo de decodificación especulativa DSpark.
- La ficha es excepcionalmente parca en especificaciones: no indica ni el número de parámetros ni la arquitectura, de modo que cualquier cifra heredada de la V4 Pro anterior debe considerarse no confirmada para esta versión.
- Lo que sí precisa es el marco de funcionamiento: pesos con licencia MIT, una longitud máxima de salida recomendada de 384K tokens en los niveles altos de esfuerzo de razonamiento y un parámetro reasoning_effort documentado en tres niveles, low, high y max.
- Lo que conviene planificar es el razonamiento.
- La traza vuelve en reasoning_content y, con indicaciones cortas, puede suponer la gran mayoría de los tokens de salida, por lo que un presupuesto de max_tokens demasiado ajustado devolverá una respuesta vacía que aun así se factura íntegramente por los tokens dedicados a pensar.
- Reserve ese margen, o baje el nivel de esfuerzo, antes de conectarlo a una ruta sensible a la latencia.
- El coste del esfuerzo no se limita a la salida: subir de nivel alarga el preámbulo del que parte el modelo, de manera que un mismo mensaje factura más tokens de entrada con un ajuste alto que con uno bajo.
- El modelo es solo de texto tanto en la entrada como en la salida; no admite entrada de imagen, así que combínelo con un modelo de visión en lugar de enviar mensajes multimodales.
- Como tanto la versión fechada como el nombre continuo siguen siendo invocables, fije el id con fecha cuando necesite un comportamiento reproducible y cuente con que el nombre sin fecha avance con el tiempo.
- Synthorai lo sirve a través del endpoint chat completions compatible con OpenAI, sin cambios en el cliente.
Preguntas frecuentes
¿Se puede probar gratis la API de DeepSeek V4 Pro (0813)?
Sí: las cuentas nuevas reciben 10 llamadas de prueba y hasta $1 de crédito gratuito, sin tarjeta. A $1.32/M de tokens de entrada, solo con ese crédito tienes para unas 94 solicitudes de ~8K tokens a DeepSeek V4 Pro (0813).
¿En qué destaca DeepSeek V4 Pro (0813)?
Sustituye a la versión preliminar de V4 Pro; licencia MIT, salida máxima recomendada de 384K; reasoning_effort documentado en low, high y max. En la sección «Acerca de» tienes la visión completa, según las notas de lanzamiento del propio proveedor.
¿Cuánto cuesta DeepSeek V4 Pro (0813)?
DeepSeek V4 Pro (0813) cuesta $1.32 por millón de tokens de entrada y $3.96 por millón de tokens de salida en Synthorai. Es el precio de lista del proveedor, sin recargo de plataforma. Los tokens de entrada en caché se facturan a $0.132/M.
¿DeepSeek V4 Pro (0813) admite caché de prompts?
Sí, de forma automática: los prompts que sirve DeepSeek se guardan en caché sin tocar el código. Los tokens de entrada en caché se facturan a $0.132/M frente a $1.32/M sin caché (TTL sin TTL fijo (se borra cuando deja de usarse)). Guía de caché de prompts →
¿Cómo obtengo acceso a DeepSeek V4 Pro (0813)?
Apunta el SDK de OpenAI que ya usas a base_url="https://synthorai.io/v1", pon model="deepseek-v4-pro-0813" y listo. Una sola clave API sirve para todos los modelos de la pasarela.
¿DeepSeek V4 Pro (0813) es open source?
Sí: los pesos se publican bajo licencia MIT (repositorio oficial enlazado en la sección Acerca de). O ahórrate las GPU: la versión alojada aquí es de pago por uso, sin infraestructura que mantener. Ejecutar modelos de pesos abiertos →
Modelos relacionados
Comparar
Todos los valores de esta página están transcritos de la documentación del propio proveedor, enlazada arriba, e indican la fecha en que se comprobaron. Los precios se comparan con los de todo el catálogo; cuando los proveedores definen una especificación de forma distinta, se muestra el valor indicando la diferencia en lugar de llevarlo a un gráfico. Aquí no hay mediciones nuestras ni puntuaciones.