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

DeepSeek V4 Pro vs Qwen3.7 Plus

vs

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

Les deux partagent un contexte de 1,000,000 tokens et les mêmes indicateurs chat, code, raisonnement et outils avec une réflexion désactivable : la différence tient vraiment à la forme du prix, à la longueur de sortie et aux entrées. Prenez deepseek-v4-pro quand il vous faut de très longues réponses uniques (393216 tokens de sortie maximale, 6x les 65536 de qwen3.7-plus) ou une forte réutilisation du cache, puisque sa lecture de cache à $0.0134 vaut environ un sixième des $0.08 facturés par qwen3.7-plus. Prenez qwen3.7-plus pour l'entrée image et vidéo, son indicateur de long contexte et des tokens frais moins chers à $0.4 en entrée et $1.6 en sortie contre $1.608 et $3.216 — environ 4x et 2x moins.

Tarification

DeepSeek V4 Pro Qwen3.7 Plus Δ
Entrée / 1M tokens $1.608 $0.4
Sortie / 1M tokens $3.216 $1.6
Lecture en cache / 1M tokens $0.0134 $0.08 0.17×
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 63 modèles chat pour cette unité de facturation (échelle logarithmique)

DeepSeek V4 Pro · $1.608 Qwen3.7 Plus · $0.4
$0.05 · Qwen3 VL Flash $30 · GPT-5.4 Pro

Capacités

DeepSeek V4 Pro Qwen3.7 Plus
Utilisation d'outils oui oui
Contrôle de la réflexion configurable 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 Qwen3.7 Plus
Modalités d'entrée texte texte image vidéo
Modalités de sortie texte texte
Sortie 2026-04-24 2026-06-01
Fenêtre de contexte 1M 1M
Sortie maximale 393K 66K
Paramètre de réflexion
  • thinking.type
  • reasoning_effort
  • enable_thinking
  • thinking_budget
  • preserve_thinking
Valeurs acceptées
thinking.type
  • enabled
  • disabled
reasoning_effort
  • high
  • max (low and medium map to high, xhigh maps to max)
enable_thinking
  • true
  • false
thinking_budget
  • in tokens
preserve_thinking
  • true
  • false
Par défaut

enabled, with reasoning_effort high

some complex agent requests are automatically set to max

on

the Qwen3.7 Plus series is hybrid thinking with thinking enabled by default, 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 · Qwen3.7 Plus

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

Qwen3.7 Plus réussi · 3 sentences

Enabling reasoning requires the model to generate extensive internal "thinking" tokens to process complex logic before delivering a final answer. Because our vendor charges us per token consumed, this hidden computational overhead effectively doubles our output volume for the exact same number of user requests. Consequently, our costs have doubled because we are now paying for the model's increased processing time to achieve higher-quality, more accurate results.

sortie 1428 tok (+1345 réflexion) latence 25.2 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

Qwen3.7 Plus réussi · 8/8 cases

## Fixed Code ```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 ``` ## Bug Explanation The function has two related bugs rooted in how it counts run lengths. First, `cur` is initialized to `0` and only incremented on matches, so it counts the number of *transitions* between equal elements rather than the total elements in the run—a run of N identical items only reaches `cur = N − 1`, undercounting by one. This also causes the single-element case to return `0`, since the loop never executes and `cur` never increments. […]

sortie 2317 tok (+2005 réflexion) latence 40.5 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

Qwen3.7 Plus réussi · 5/5 fields, guidance null

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

sortie 1807 tok (+1750 réflexion) latence 31.6 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

Qwen3.7 Plus réussi · 120 words, 0 banned, 1 question

Introducing PromptCache, our new API gateway feature designed to store and reuse prompts across multiple artificial intelligence providers. Have you ever noticed how repeatedly sending identical queries drains your budget and increases latency? PromptCache solves this by intelligently storing responses at the gateway level. When your application requests the same prompt from a different provider, the system instantly returns the cached result. This drastically reduces API costs and accelerates response times for your users. You can configure custom expiration times and set specific fallback rules for each vendor. You must stop paying twice for the exact same computation. Please upgrade your entire infrastructure today and experience much faster and cheaper integrations without changing a single line of your application code.

sortie 4453 tok (+4312 réflexion) latence 76.8 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",
    # model="qwen3.7-plus",  # 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 Qwen3.7 Plus ?

Qwen3.7 Plus est moins cher sur entrée / 1m tokens ($0.4 contre $1.608, avec un écart de 4.0×). 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 Qwen3.7 Plus 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 Qwen3.7 Plus 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