DeepSeek V4 Pro vs Kimi K3

Q: DeepSeek V4 Pro と Kimi K3 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 Pro の方が安価です（$1.608 対 $3、1.9× 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

どちらもテキスト入力の推論モデルでチャット・コード・ツールを備えますが、deepseek-v4-pro は安価なテキスト専用の道筋です。100万トークンあたり入力 $1.608、出力 $3.216 で、kimi-k3 の $3 と $15 に対して入力およそ 1.9 倍、出力 4.7 倍、さらに $0.0134 のキャッシュ読み取りは kimi-k3 の $0.3 のおよそ 22 分の 1 です。画像や動画の入力、1048576 トークンのコンテキスト、あるいは 1 回の応答で最大 1048576 出力トークンが必要なら kimi-k3 を、大量のテキスト処理、1000000 トークンのコンテキストと最大 393216 出力、そして kimi-k3 では許されない思考のオフが必要なら deepseek-v4-pro を選んでください。

料金

	DeepSeek V4 Pro	Kimi K3	Δ
入力 / 1Mトークン	$1.608	$3	0.54×
出力 / 1Mトークン	$3.216	$15	0.21×
キャッシュ読み取り / 1Mトークン	$0.0134	$0.3	0.045×
キャッシュ書き込み	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 Pro · $1.608 Kimi K3 · $3

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

機能

	DeepSeek V4 Pro	Kimi K3
ツール使用	あり	あり
思考コントロール	設定可能	常時オン
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)	非公開
最小キャッシュプレフィックス	非公開	非公開

仕様

	DeepSeek V4 Pro	Kimi K3
入力モダリティ	テキスト	テキスト画像動画
出力モダリティ	テキスト	テキスト
リリース	2026-04-24	—
コンテキストウィンドウ	1M	1M
最大出力	393K	1M
思考パラメータ	thinking.type reasoning_effort	reasoning_effort (top-level; the thinking object is not accepted)
指定可能な値	thinking.type enabled disabled reasoning_effort high max (low and medium map to high, xhigh maps to max)	reasoning_effort low high max
デフォルト	enabled, with reasoning_effort high some complex agent requests are automatically set to max	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 Pro · Kimi K3

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 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

Kimi K3 パス · 3 sentences

Reasoning models don't just answer questions—they "think" first, generating long internal chains of step-by-step logic before producing a response. Those hidden thinking steps are billed as output tokens (the most expensive kind, typically 3–5x the price of input tokens), and a single query can generate thousands of them even when the visible answer is only a paragraph long. So you're paying for dramatically more compute per request: the bill doubled because the model does far more work behind the scenes, not because usage increased.

出力 755 tok (+637 思考) レイテンシ 20.8 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 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

Kimi K3 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 bug is a fencepost error: `cur` counts *matching adjacent pairs* rather than *items in the run*, because it starts at 0 and only increments when `xs[i] == xs[i - 1]`. A run of length L contains L−1 equal pairs, so every run was undercounted by exactly one. For a single-element list (a run of length 1) the loop never runs and the function returns 0 instead of 1; likewise any run ending at the last index — e.g. the two `2`s in `[1, 2, 2]` — reported 1 instead of 2, making it look like no run existed at all. […]

出力 1837 tok (+1547 思考) レイテンシ 47.2 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 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

Kimi K3 パス · 5/5 fields, guidance null

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

出力 924 tok (+863 思考) レイテンシ 25.9 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 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

Kimi K3 パス · 120 words, 0 banned, 1 question

Meet Prompt Cache, a new API gateway capability that stores prompt responses and serves them across OpenAI, Anthropic, Google, and Azure endpoints. It matches requests by model, prompt hash, tools, temperature, and tenant policy, so repeated work returns fast while sensitive contexts stay isolated. Teams set TTLs, stale rules, encryption scopes, and bypass flags per route. Analytics show hit rate, latency saved, token spend avoided, and drift risk by provider. What changes for developers? Keep one integration, add cache headers, and watch fallback logic respect consent, residency, and audit needs. During rollout, canary keys compare fresh answers with cached copies before promotion. Prompt Cache cuts vendor calls, steadies p95 latency, and gives platform owners controls for cost, quality, and compliance.

出力 1527 tok (+1354 思考) レイテンシ 37.9 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-pro",
    # model="kimi-k3",  # 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-pro",
  // model: "kimi-k3",  // 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-pro",
    # "model": "kimi-k3",  # 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-pro",
		// Model: "kimi-k3",  // 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-pro")
        // .model("kimi-k3")  // 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 Pro と Kimi K3 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 Pro の方が安価です（$1.608 対 $3、1.9× 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 Pro と Kimi K3 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 Pro と Kimi K3 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％削減画像 1 枚は何 token？15 API で 6〜1,298 を実測 LLM の思考制御：13 モデルの対応・無視・厳密適用

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