DeepSeek V4 Flash (0731) vs DeepSeek V4 Pro

Q: DeepSeek V4 Flash (0731) と DeepSeek V4 Pro ではどちらが安いですか？

入力 / 1mトークン においては DeepSeek V4 Flash (0731) の方が安価です（$0.308 対 $1.608、5.2× の差）。他の行では逆になる可能性があります — 上の表には完全な情報が記載されており、実際のコストは組み合わせに依存します。

どちらかを変更 vs

いつ、どちらを使うべきか — ベンチマーク表ではなく、厳選された評価

これら2つのDeepSeekの姉妹モデルは、選択の決め手となる通常のスペック（1000000-tokenのコンテキスト、393216の最大出力、テキスト入出力、および同じchat、code、reasoning、toolsフラグ）で一致しているため、真の分かれ目は価格とthinkingの制御になります。大量の作業にはdeepseek-v4-flash-0731を選択してください。入力$0.308、出力$0.924であり、deepseek-v4-proの$1.608および$3.216と比較して、入力で約5.2x、出力で約3.5x安価に動作します。リクエスト単位でthinkingを無効にしたい場合、またはキャッシュ読み取りが支配的な場合は、deepseek-v4-proを選択してください。そこでの価格$0.0134は、Flashの$0.0308よりも約2.3x安価だからです。

料金

	DeepSeek V4 Flash (0731)	DeepSeek V4 Pro	Δ
入力 / 1Mトークン	$0.308	$1.608	0.19×
出力 / 1Mトークン	$0.924	$3.216	0.29×
キャッシュ読み取り / 1Mトークン	$0.0308	$0.0134	2.3×
キャッシュ書き込み	別途料金なし	別途料金なし	—

ビルド時のライブカタログの料金です。各モデルのページには現在の料金カードが記載されています。

位置付け — この課金単位におけるすべての63個のチャットモデル全体の1Mトークンあたりの入力料金 (対数スケール)

DeepSeek V4 Flash (0731) · $0.308 DeepSeek V4 Pro · $1.608

$0.05 · Qwen3 VL Flash $30 · GPT-5.4 Pro

機能

	DeepSeek V4 Flash (0731)	DeepSeek V4 Pro
ツール使用	あり	あり
思考コントロール	あり — ベンダーの調整パラメータは非公開	設定可能
構造化出力	あり	あり
プロンプトキャッシング	暗黙的 (自動)	暗黙的 (自動)
キャッシュ有効期間	no fixed TTL (evicted when unused)	no fixed TTL (evicted when unused)
最小キャッシュプレフィックス	非公開	非公開

仕様

	DeepSeek V4 Flash (0731)	DeepSeek V4 Pro
入力モダリティ	テキスト	テキスト
出力モダリティ	テキスト	テキスト
リリース	2026-07-31	2026-04-24
コンテキストウィンドウ	1M	1M
最大出力	393K	393K
思考パラメータ	—	thinking.type reasoning_effort
指定可能な値	—	thinking.type enabled disabled reasoning_effort high max (low and medium map to high, xhigh maps to max)
デフォルト	—	enabled, with reasoning_effort high some complex agent requests are automatically set to max

仕様は各ベンダーのドキュメントから転記されています。ベンダーが公開していない行は推測せず、省略しています。すべての出典: DeepSeek V4 Flash (0731) · DeepSeek V4 Pro

1つのプロンプト、両方のモデル — ゲートウェイ経由で測定

CFO向けの推論バグのある関数の修正スキーマへの抽出制約に沿った記述

プロンプト Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. チェックちょうど 3 文

DeepSeek V4 Flash (0731) パス · 3 sentences

Enabling reasoning mode prompts the model to generate extensive internal chain-of-thought tokens before answering, often multiplying total token output per query by several times. This directly inflates costs because we are billed per token, and these reasoning tokens are processed at a premium compute tier that carries a higher price per million tokens. However, this spend buys measurably higher accuracy and fewer failed calls, so we are tracking it against specific error-reduction KPIs to ensure the ROI justifies the increase.

出力 365 tok (+266 思考) レイテンシ 5.1 s

DeepSeek V4 Pro パス · 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.

出力 641 tok (+545 思考) レイテンシ 11.5 s

指示追従（ちょうど三文 — 数えられる）、読み手に合わせた調整（CFO 向けの語り口）、そして下のトークン計から見える隠れた思考の課金ギャップ。

プロンプト 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. チェック修正がテストを通る

DeepSeek V4 Flash (0731) パス · 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 original bug stems from initializing `cur` to 0 and only incrementing it when adjacent elements are equal, which counts the number of *equal transitions* rather than the actual run length—so every run of length L is reported as L−1, and a single‑element run (with no transitions) yields 0. Moreover, because `best` is updated only inside the equality branch, it never accounts for a run that ends at the last element if that run is longer than any previously seen (though the real issue remains the off‑by‑one). […]

出力 1268 tok (+1016 思考) レイテンシ 14.0 s

DeepSeek V4 Pro パス · 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. […]

出力 2418 tok (+2131 思考) レイテンシ 35.6 s

修正が実際に正しいか（実行可能か）、説明の密度、そして範囲の限られたタスクでのトークン効率。

プロンプト 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. チェック妥当な JSON、スキーマ厳密

DeepSeek V4 Flash (0731) パス · 5/5 fields, guidance null

{ "company": "Meridian Robotics", "quarter": "Q3", "revenue_usd_m": 412, "growth_pct": null, "guidance": null }

出力 1119 tok (+1072 思考) レイテンシ 12.3 s

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

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

出力 1204 tok (+1153 思考) レイテンシ 19.9 s

スキーマ遵守（フィールドをでっち上げない）、ハルシネーション圧（guidance は明示的に保留されている）、そして構造化出力の経路の違い。

プロンプト 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. チェック 120 語、禁止語 0

DeepSeek V4 Flash (0731) 失敗 · 141 words, 0 banned, 1 question

**Introducing Prompt Cache for API Gateway** We are pleased to announce Prompt Cache, a new feature that stores and reuses identical prompt prefixes across all connected LLM providers. By automatically recognizing repeated requests, this cache reduces token consumption and lowers latency without altering your application logic. Whether you use OpenAI, Anthropic, or open-source models, the cache operates transparently, ensuring consistent behavior while cutting costs. Developers can configure cache TTL and scoping rules via a simple API call, giving you precise control over data freshness and privacy. This feature also minimizes redundant upstream calls, freeing provider rate limits for more critical workloads. Start caching today through the dashboard or CLI, and watch your operational expenses drop significantly. […]

出力 254 tok (+80 思考) レイテンシ 4.4 s

DeepSeek V4 Pro 評価する回答がありません · no answer text within 16,384 tokens (all of it went to thinking)

モデルは回答テキストを返しませんでした — すべてのトークンバジェットが非表示の思考に消費されました。

出力 8193 tok (+8192 思考) レイテンシ 106.2 s

制約の遵守（語数の上限、禁止語リスト、唯一の疑問文）、文体の指紋、そして長さの制御。

1行で切り替え

以下のすべてのタブには両方のIDが含まれています — 変更箇所はハイライトされた2行のみです。エンドポイント、キー、リクエスト形式はすべて同じです。

from openai import OpenAI

client = OpenAI(
    base_url="https://synthorai.io/v1",
    api_key="sk-syn-...",
)

resp = client.chat.completions.create(
    model="deepseek-v4-flash-0731",
    # model="deepseek-v4-pro",  # この行をアンコメントし、上の行をコメントアウトします
    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-flash-0731",
  // model: "deepseek-v4-pro",  // この行をアンコメントし、上の行をコメントアウトします
  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-flash-0731",
    # "model": "deepseek-v4-pro",  # この行をアンコメントし、上の行をコメントアウトします
    "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-flash-0731",
		// Model: "deepseek-v4-pro",  // この行をアンコメントし、上の行をコメントアウトします
		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-flash-0731")
        // .model("deepseek-v4-pro")  // この行をアンコメントし、上の行をコメントアウトします
        .addUserMessage("Summarize this diff")
        .reasoningEffort(ReasoningEffort.MEDIUM)
        .build());
System.out.println(resp.choices().get(0).message().content().orElse(""));

APIキーを取得する →

FAQ

DeepSeek V4 Flash (0731) と DeepSeek V4 Pro ではどちらが安いですか？

入力 / 1mトークンにおいては DeepSeek V4 Flash (0731) の方が安価です（$0.308 対 $1.608、5.2× の差）。他の行では逆になる可能性があります — 上の表には完全な情報が記載されており、実際のコストは組み合わせに依存します。

2つの統合を行わずに DeepSeek V4 Flash (0731) と DeepSeek V4 Pro のA/Bテストを実施できますか？

はい。両方とも1つのAPIキーで同じOpenAI互換エンドポイントを通じて提供されます — モデル文字列を1行変更するだけで切り替えられるため、トラフィックの一部をそれぞれにルーティングし、請求額を直接比較できます。

DeepSeek V4 Flash (0731) と DeepSeek V4 Pro はプロンプトキャッシングをサポートしていますか？

はい — どちらのモデルでもキャッシュ読み込みは入力レートよりも低く請求されるため、ウォームプレフィックスのワークロードは定価が示すよりも低コストになります。キャッシュ読み込みの正確な行は、上の料金表に記載されています。

当社の測定調査より

DeepSeek V4 Pro GA と Preview を実測：思考量を 18〜62％削減 LLM の思考制御：13 モデルの対応・無視・厳密適用 Web 検索 API と Web 取得 API の仕組みと $0.01 の内訳

料金

機能

仕様

1つのプロンプト、両方のモデル — ゲートウェイ経由で測定

1行で切り替え

FAQ

関連する比較

当社の測定調査より