Nouveau Inscription gratuite, 10 appels offerts. Jusqu'à 1 $, sans carte.

DeepSeek V4 Pro (0813) vs Qwen3.8 Flash

vs

Lequel, quand

Les deux modèles disposent d'une fenêtre de contexte de 1000000 de jetons et couvrent le chat, le code, le raisonnement et les outils, la différence porte donc principalement sur le prix, la longueur de sortie et les entrées : deepseek-v4-pro-0813 facture $1.32 par million en entrée et $3.96 par million en sortie, soit environ 8.8x et 8.4x les $0.15 et $0.47 de qwen3.8-flash. Choisissez deepseek-v4-pro-0813 lorsque vous avez besoin de réponses uniques très longues, jusqu'à 393216 jetons contre 131072. Choisissez qwen3.8-flash pour les travaux sur le texte à haut volume, pour l'entrée d'image et de vidéo, ou lorsque vous souhaitez désactiver la réflexion sur des appels plus simples.

Benchmarks

Au-dessus de la moyenneAucun meilleurDeepSeek V4 Pro (0813)13 / 211 / 21Qwen3.8 Flash13 / 163 / 16
DeepSeek V4 Pro (0813) Qwen3.8 Flash autres modèles mesurés moyenne des modèles comparés aucun autre modèle n'a fait mieux
DeepSWE 1.1
62.7%
58.7%
OSWorld 2.0 partial
N/A
52.3%
Cybergym
83.3%
N/A
JobBench
N/A
55.7%
GPQA Diamond
92.4%
91.7%
ERQA
N/A
aucun autre modèle n'a fait mieux 72.3%
Agents' Last Exam
25.7%
N/A
LVBench
N/A
76.6%

Chiffres publiés par les fournisseurs : Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai

Tarification

DeepSeek V4 Pro (0813) Qwen3.8 Flash Δ
Entrée / 1M tokens $1.32 $0.15 8.8×
Sortie / 1M tokens $3.96 $0.47 8.4×
Lecture en cache / 1M tokens $0.132 $0.016 8.3×
Écriture cache aucun frais supplémentaire 1.25x -

Tarifs issus du catalogue en direct au moment de la compilation ; chaque page de modèle présente la fiche actuelle.

Où ils se situent - prix en entrée pour 1M de tokens sur l'ensemble des 71 modèles chat pour cette unité de facturation (échelle logarithmique)

Capacités

DeepSeek V4 Pro (0813) Qwen3.8 Flash
Utilisation d'outils oui oui
Contrôle de la réflexion toujours activé configurable
Sortie structurée oui oui
Mise en cache du prompt implicite (automatique) implicite + explicite
Durée de vie du cache no fixed TTL (evicted when unused) explicit: 5m, reset on hit
Préfixe minimum mis en cache non publié 1024 jetons

Spécifications

DeepSeek V4 Pro (0813) Qwen3.8 Flash
Modalités d'entrée texte texte image vidéo
Modalités de sortie texte texte
Sortie 2026-08-13 2026-08-27
Fenêtre de contexte 1M 1M
Sortie maximale 393K 131K
Paramètre de réflexion reasoning_effort
  • enable_thinking
  • thinking_budget
  • preserve_thinking
Valeurs acceptées
reasoning_effort
  • the model card documents low
  • high
  • max
enable_thinking
  • true
  • false
thinking_budget
  • in tokens
preserve_thinking
  • true
  • false
Par défaut -

on

qwen3.8-flash is hybrid thinking with thinking enabled by default, thinking_budget defaults to the 262,144-token chain maximum, and preserve_thinking is off

Les spécifications sont transcrites à partir de la documentation de chaque fournisseur ; une ligne qu'un fournisseur ne publie pas est omise plutôt que déduite. Sources complètes : DeepSeek V4 Pro (0813) · Qwen3.8 Flash

Un prompt, deux modèles - mesurés via la passerelle

PROMPT Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. VÉRIFIER exactement 3 phrases

DeepSeek V4 Pro (0813) réussi · 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.

sortie 308 tok (+226 réflexion) latence 5.1 s

Qwen3.8 Flash réussi · 3 sentences

Enabling reasoning makes the model spend additional output tokens to plan and validate answers before responding, and those tokens are billed. It also increases compute and latency per request, so each task consumes more capacity than a non-reasoning call. As a result, billable tokens and compute roughly doubled, directly driving the higher invoice.

sortie 330 tok (+262 réflexion) latence 8.9 s

Suivi de l'instruction (exactement trois phrases - comptables), adaptation à l'audience (registre CFO), et l'écart de facturation lié à la réflexion cachée que les compteurs de tokens ci-dessous révèlent.

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. VÉRIFIER le correctif passe les tests

DeepSeek V4 Pro (0813) réussi · 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.

sortie 1315 tok (+1130 réflexion) latence 16.9 s

Qwen3.8 Flash réussi · 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 the original version counts adjacent equal pairs rather than items in a run, starting both `cur` and `best` at `0`, and it resets `cur` to `0` after a mismatch, thereby discarding the first element of the new run. That makes single-element inputs return `0`, and because every run is effectively measured in “steps” between equal elements, the last element is not counted—particularly noticeable when the longest run ends at the final index.

sortie 2123 tok (+1933 réflexion) latence 43.8 s

Si le correctif est réellement juste (exécutable), la densité de l'explication, et l'efficacité en tokens sur une tâche bornée.

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. VÉRIFIER JSON valide, schéma exact

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

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

sortie 2155 tok (+2121 réflexion) latence 26.0 s

Qwen3.8 Flash réussi · 5/5 fields, guidance null

{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null }

sortie 519 tok (+463 réflexion) latence 10.5 s

Respect du schéma (aucun champ inventé), pression d'hallucination (guidance est explicitement retenue), et différences de chemin pour la sortie structurée.

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. VÉRIFIER 120 mots, 0 mot interdit

DeepSeek V4 Pro (0813) réussi · 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.

sortie 2845 tok (+2694 réflexion) latence 25.5 s

Qwen3.8 Flash réussi · 120 words, 0 banned, 1 question

We are announcing prompt caching across providers in our API gateway. Store approved prompt outputs once and reuse them across supported model providers, cutting latency, cost, and duplicate token spend. The feature matches identical requests, checks validity, and returns cached results while preserving routing controls. Developers keep existing endpoints; the gateway manages storage, invalidation, and provider differences. This reduces noisy repeat calls, improves steady responses, and frees teams to focus on better agent workflows. OpenAI, Anthropic, Google, Mistral, and custom routes are supported. Cache hits appear in analytics with latency, token, and cost reductions visible. Check retention and privacy rules before enabling it. Ready to add cache controls to your gateway? Enable it in settings and watch spend drop now.

sortie 5958 tok (+5805 réflexion) latence 88.8 s

Respect des contraintes (budget de mots, liste de mots interdits, l'unique question), empreinte stylistique, et contrôle de la longueur.

Basculez de l'un à l'autre avec une seule ligne

Les deux ids sont dans chaque onglet ci-dessous - la paire de lignes en surbrillance est la seule modification. Même endpoint, même clé, même structure de requête.

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-flash",  # décommentez cette ligne, commentez celle du dessus
    messages=[{"role": "user", "content": "Summarize this diff"}],
    reasoning_effort="medium",
)
print(resp.choices[0].message.content)

Obtenez votre clé API →

FAQ

Lequel est le moins cher, DeepSeek V4 Pro (0813) ou Qwen3.8 Flash ?

Qwen3.8 Flash est moins cher sur entrée / 1m tokens ($0.15 contre $1.32, avec un écart de 8.8×). D'autres lignes peuvent indiquer l'inverse - le tableau ci-dessus contient la fiche complète, et le coût réel dépend de votre combinaison.

Puis-je faire un test A/B de DeepSeek V4 Pro (0813) par rapport à Qwen3.8 Flash sans deux intégrations ?

Oui. Les deux sont servis via le même endpoint compatible OpenAI avec une seule clé API - le basculement est un changement de chaîne de modèle en une ligne, vous pouvez donc diriger une fraction du trafic vers chacun et comparer les factures directement.

Est-ce que DeepSeek V4 Pro (0813) et Qwen3.8 Flash prennent en charge le prompt caching ?

Oui - les deux facturent les lectures en cache en dessous de leur tarif d'entrée, donc les charges de travail à préfixe chaud coûtent moins cher que ce que les tarifs de base suggèrent. Les lignes exactes des lectures en cache se trouvent dans le tableau de tarification ci-dessus.

Comparaisons associées

Issu de nos études mesurées