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

DeepSeek V4 Pro vs Kimi K2.7 Code

vs

Lequel, quand — verdict de synthèse, pas un tableau de benchmarks

Prenez deepseek-v4-pro pour du texte à long contexte et gros volume : une fenêtre de 1000000 tokens, jusqu'à 393216 tokens de sortie, des lectures de cache à $0.0134 par million contre $0.19 (environ 14x moins cher) et une sortie à $3.216 contre $4. Prenez kimi-k2.7-code quand il vous faut l'entrée image ou vidéo ou une ingestion moins chère, puisque ses $0.95 en entrée passent sous les $1.608 d'environ 1.7x, en acceptant 256000 de contexte, un plafond de sortie de 32768 tokens et un raisonnement non désactivable. Les deux couvrent chat, code, raisonnement et outils : la vraie différence est la modalité et le contexte, pas les fonctionnalités.

Tarification

DeepSeek V4 Pro Kimi K2.7 Code Δ
Entrée / 1M tokens $1.608 $0.95 1.7×
Sortie / 1M tokens $3.216 $4 0.8×
Lecture en cache / 1M tokens $0.0134 $0.19 0.071×
Écriture cache aucun frais supplémentaire

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 63 modèles chat pour cette unité de facturation (échelle logarithmique)

DeepSeek V4 Pro · $1.608 Kimi K2.7 Code · $0.95
$0.05 · Qwen3 VL Flash $30 · GPT-5.4 Pro

Capacités

DeepSeek V4 Pro Kimi K2.7 Code
Utilisation d'outils oui oui
Contrôle de la réflexion configurable toujours activé
Sortie structurée oui
Mise en cache du prompt implicite (automatique) implicite (automatique)
Durée de vie du cache no fixed TTL (evicted when unused) non publié
Préfixe minimum 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
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
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 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 · 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. VÉRIFIER 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

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 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

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 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

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 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 — la totalité du budget de tokens a été consacrée à 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

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",
    # 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)

Obtenir une clé API →

FAQ

Lequel est le moins cher, DeepSeek V4 Pro ou Kimi K2.7 Code ?

Kimi K2.7 Code est moins cher sur entrée / 1m tokens ($0.95 contre $1.608, avec un écart de 1.7×). 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 par rapport à Kimi K2.7 Code 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 et Kimi K2.7 Code 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