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

DeepSeek V4 Pro vs Kimi K2.7 Code

vs

Lequel choisir, et quand

Prenez deepseek-v4-pro pour du texte en volume sur contexte long : une fenêtre de 1000000 tokens, jusqu'à 393216 tokens de sortie et des lectures de cache à $0.132 le million contre $0.19. La sortie est pratiquement à égalité, $3.96 contre $4. Prenez kimi-k2.7-code s'il vous faut l'entrée image ou vidéo, ou une ingestion moins chère, puisque son entrée à $0.95 passe sous les $1.32 d'environ 1.4x, au prix d'un contexte de 256000, d'un plafond de sortie de 32768 tokens et d'un raisonnement non désactivable. Les deux couvrent chat, code, raisonnement et outils : le vrai clivage porte sur la modalité et le contexte, pas sur les fonctionnalités.

Benchmarks

Au-dessus de la moyenneDeepSeek V4 Pro5 / 10Kimi K2.7 Code1 / 5
DeepSeek V4 Pro Kimi K2.7 Code autres modèles mesurés moyenne des modèles comparés ★ aucun autre modèle n'a fait mieux
SWE-Bench Pro
59%
N/A
CoWorkBench max
66.3%
N/A
Humanity's Last Exam no tools
37.7%
N/A
MCP-Atlas
N/A
76%

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

Tarifs

DeepSeek V4 Pro Kimi K2.7 Code Δ
Entrée / 1M de tokens $1.32 $0.95 1.4×
Sortie / 1M de tokens $3.96 $4 0.99×
Lecture de cache / 1M de tokens $0.132 $0.19 0.69×
Écriture de cache pas de frais distincts - -

Tarifs relevés dans le catalogue en direct à la génération du site ; la page de chaque modèle affiche la grille tarifaire à jour.

Leur position : prix en entrée pour 1M de tokens, parmi les 76 modèles de chat facturés dans cette unité (échelle logarithmique)

DeepSeek V4 Pro · $1.32 Kimi K2.7 Code · $0.95
$0.05 · Qwen3 VL Flash $30 · GPT-5.4 Pro

Capacités

DeepSeek V4 Pro Kimi K2.7 Code
Appel d'outils oui oui
Contrôle de la réflexion configurable toujours activé
Sortie structurée oui -
Mise en cache des prompts implicite (automatique) implicite (automatique)
Durée de vie du cache no fixed TTL (evicted when unused) non publié
Préfixe minimal mis en cache non publié non publié

Spécifications

DeepSeek V4 Pro Kimi K2.7 Code
Modalités d'entrée texte texte image vidéo
Modalités de sortie texte texte
Date de sortie 2026-04-24 2026-06
Fenêtre de contexte 1M 256K
Sortie maximale 393K 33K
Paramètre de réflexion
  • thinking.type
  • reasoning_effort
  • thinking.type
  • thinking.keep
Valeurs acceptées
thinking.type
  • enabled
  • disabled
reasoning_effort
  • high
  • max (low and medium map to high, xhigh maps to max)
type
  • accepts only enabled
keep
  • accepts only all
Valeur par défaut

enabled, with reasoning_effort high

some complex agent requests are automatically set to max

thinking on with Preserved Thinking on

Les spécifications sont reprises de la documentation de chaque fournisseur ; quand un fournisseur ne publie pas une valeur, la ligne est omise et non déduite. Sources complètes : DeepSeek V4 Pro · Kimi K2.7 Code

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. CRITÈRE exactement 3 phrases

DeepSeek V4 Pro réussi · 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.

sortie 641 tok (+545 réflexion) latence 11.5 s

Kimi K2.7 Code réussi · 3 sentences

Enabling reasoning mode causes the model to generate an internal chain-of-thought before producing each answer, and that hidden reasoning text is billed like any other output. Those extra reasoning tokens typically add up to much more than the final response itself, so every API call now costs significantly more than before. Because our overall usage volume did not change, the doubled bill reflects that each query consumes roughly twice as many billable tokens.

sortie 259 tok (+174 réflexion) latence 5.4 s

Le respect de la consigne (exactement trois phrases, ça se compte), l'adaptation au public visé (le registre d'un directeur financier) et l'écart de facturation dû à la réflexion masquée, que révèlent les compteurs de tokens ci-dessous.

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. CRITÈRE le correctif passe les tests

DeepSeek V4 Pro 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 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. […]

sortie 2418 tok (+2131 réflexion) latence 35.6 s

Kimi K2.7 Code 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 best = max(best, cur) else: cur = 1 return best ``` The bug is that the function counts *transitions* between equal neighbors instead of counting the items themselves, so a single-element list never enters the loop and returns `0` instead of `1`. Likewise, resetting `cur` to `0` on a mismatch forgets the current item that starts a new run, which causes runs that end at the last index to be undercounted. Initializing both `best` and `cur` to `1` and resetting `cur` to `1` fixes both issues.

sortie 410 tok (+222 réflexion) latence 9.4 s

La justesse réelle du correctif (il s'exécute), la densité de l'explication et l'économie de tokens sur une tâche bien délimitée.

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. CRITÈRE JSON valide, schéma exact

DeepSeek V4 Pro réussi · 5/5 fields, guidance null

{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": "eleven and change", "guidance": null }

sortie 1204 tok (+1153 réflexion) latence 19.9 s

Kimi K2.7 Code réussi · 5/5 fields, guidance "withheld pending the Q4 close"

```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": "withheld pending the Q4 close" } ```

sortie 721 tok (+663 réflexion) latence 13.2 s

Le respect du schéma (aucun champ inventé), la tentation d'halluciner (le texte indique que la guidance n'est pas communiquée) et les différences entre les mécanismes de 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. CRITÈRE 120 mots, 0 mot interdit

DeepSeek V4 Pro aucune réponse à évaluer · no answer text within 16,384 tokens (all of it went to thinking)

Le modèle n'a renvoyé aucun texte de réponse : tout le budget de tokens est passé dans la réflexion masquée.

sortie 8193 tok (+8192 réflexion) latence 106.2 s

Kimi K2.7 Code réussi · 120 words, 0 banned, 1 question

We're introducing Prompt Cache for our API Gateway, a new capability that stores prompt responses across multiple AI providers. By caching replies, you reduce redundant calls, lower latency, and cut costs without changing how you build. Teams using several model providers can now reuse identical prompt results instantly, keeping traffic consistent and budgets predictable. Responses are keyed by provider, model, and exact prompt, so you always get the right result. Configure TTL, hit thresholds, and eviction rules from a single dashboard. It fits into your existing routing and requires no code changes. Setup takes minutes and works with your current endpoints. Want to see how much latency and spend you can trim? Check the docs to enable Prompt Cache today.

sortie 2375 tok (+2235 réflexion) latence 38.6 s

Le respect des contraintes (nombre de mots, liste de mots interdits, une seule question), l'empreinte stylistique et la maîtrise de la longueur.

Passez de l'un à l'autre en changeant une seule ligne

Les deux identifiants figurent dans chaque onglet ci-dessous : les deux lignes surlignées sont le seul changement. Même endpoint, même clé, même format 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",
    # model="kimi-k2.7-code",  # 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 ou Kimi K2.7 Code ?

Kimi K2.7 Code est moins cher sur la ligne « Entrée / 1M de tokens » ($0.95 contre $1.32, soit un écart de 1.4×). D'autres lignes peuvent dire l'inverse : le tableau ci-dessus donne la grille tarifaire complète, et le coût réel dépend de la composition de votre trafic.

Puis-je faire un test A/B entre DeepSeek V4 Pro et Kimi K2.7 Code sans deux intégrations ?

Oui. Les deux passent par le même endpoint compatible OpenAI, avec une seule clé API. Pour passer de l'un à l'autre, il suffit de changer l'identifiant du modèle, soit une ligne : vous pouvez donc envoyer une part du trafic à chacun et comparer directement les factures.

DeepSeek V4 Pro et Kimi K2.7 Code prennent-ils en charge la mise en cache des prompts ?

Oui. Les deux facturent les lectures de cache moins cher que leur tarif d'entrée : une charge de travail dont le préfixe est déjà en cache coûte donc moins que ne le laissent penser les tarifs publics. Les lignes de lecture de cache figurent dans le tableau des tarifs ci-dessus.

Comparatifs associés

Nos études, mesures à l'appui