DeepSeek V4 Pro (0813) vs Kimi K3
언제 어떤 모델을 사용할까 — 벤치마크 표가 아닌 선별된 평가
둘 다 채팅, 코드 및 도구 사용을 지원하고 약 100만 토큰 컨텍스트를 갖춘 텍스트 출력 추론 모델이므로, 구분 기준은 가격 대 입력입니다. deepseek-v4-pro-0813은 100만 입력당 $1.32 및 출력당 $3.96으로 kimi-k3의 $3 및 $15에 비해 입력은 약 2.3배, 출력은 약 3.8배 저렴하며, 캐시 읽기 비용은 $0.132 대 $0.3입니다. 이미지 또는 비디오 입력이 필요하거나, 393,216 토큰을 초과하여 최대 1,048,576 출력에 달하는 단일 응답이 필요할 때는 kimi-k3를 선택하십시오. 대규모 텍스트 전용 작업에는 deepseek-v4-pro-0813을 선택하고, kimi-k3는 thinking을 비활성화할 수 없다는 점에 유의하십시오.
가격
| DeepSeek V4 Pro (0813) | Kimi K3 | Δ | |
|---|---|---|---|
| 입력 / 1M 토큰 | $1.32 | $3 | 0.44× |
| 출력 / 1M 토큰 | $3.96 | $15 | 0.26× |
| 캐시 읽기 / 1M 토큰 | $0.132 | $0.3 | 0.44× |
| 캐시 쓰기 | 별도 비용 없음 | — | — |
빌드 시점의 라이브 카탈로그 요금입니다. 각 모델 페이지에 현재 요금표가 표시됩니다.
현재 위치 — 이 청구 단위를 사용하는 모든 63개의 채팅 모델 전체의 1M 토큰당 입력 가격 (로그 스케일)
기능
| DeepSeek V4 Pro (0813) | Kimi K3 | |
|---|---|---|
| 도구 사용 | 예 | 예 |
| 사고 제어 | 항상 켜짐 | 항상 켜짐 |
| 구조화된 출력 | 예 | 예 |
| 프롬프트 캐싱 | 암시적 (자동) | 암시적 (자동) |
| 캐시 수명 | no fixed TTL (evicted when unused) | 미공개 |
| 최소 캐시 접두사 | 미공개 | 미공개 |
사양
| DeepSeek V4 Pro (0813) | Kimi K3 | |
|---|---|---|
| 입력 모달리티 | 텍스트 | 텍스트 이미지 비디오 |
| 출력 모달리티 | 텍스트 | 텍스트 |
| 출시일 | 2026-08-13 | — |
| 컨텍스트 윈도우 | 1M | 1M |
| 최대 출력 | 393K | 1M |
| Thinking 파라미터 | reasoning_effort | reasoning_effort (top-level; the thinking object is not accepted) |
| 허용되는 값 | reasoning_effort
| reasoning_effort
|
| 기본값 | — | max |
사양은 각 공급업체의 문서를 그대로 기록한 것입니다. 공급업체가 공개하지 않은 항목은 추론하지 않고 제외했습니다. 전체 출처: DeepSeek V4 Pro (0813) · Kimi K3
하나의 프롬프트, 두 모델 — 게이트웨이를 통해 측정됨
DeepSeek V4 Pro (0813) 통과 · 3 sentences
Enabling reasoning causes the model to generate a hidden chain-of-thought with many additional tokens before producing the final answer, which sharply increases compute consumption per request. Those extra reasoning tokens are billed at the same or higher rates, so total usage doubled even though the volume of final outputs stayed similar. We can control this by adjusting reasoning effort, setting token limits, or routing only complex requests through reasoning mode.
출력 308 tok (+226 추론) 지연 시간 5.1 s
Kimi K3 통과 · 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.
출력 755 tok (+637 추론) 지연 시간 20.8 s
지시 준수(정확히 세 문장 — 셀 수 있음), 독자 맞춤(CFO 어조), 그리고 아래 토큰 계량기가 드러내는 숨은 사고 과금 격차.
DeepSeek V4 Pro (0813) 통과 · 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 else: cur = 1 best = max(best, cur) return best ``` The bug is that `cur` was initialized to `0` and only counted adjacent matching pairs, so a run of length `n` produced `n - 1` (or `0` for a single element) instead of `n`. The code also reset to `0` on a change, when the new run should start at length `1`. Initializing `cur` and `best` to `1` fixes both the single-element case and runs ending at the last index.
출력 1315 tok (+1130 추론) 지연 시간 16.9 s
Kimi K3 통과 · 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. […]
출력 1837 tok (+1547 추론) 지연 시간 47.2 s
수정이 실제로 옳은지(실행 가능한지), 설명의 밀도, 그리고 범위가 정해진 작업에서의 토큰 효율.
DeepSeek V4 Pro (0813) 통과 · 5/5 fields, guidance null
{"company":"Meridian Robotics","quarter":"September quarter","revenue_usd_m":412,"growth_pct":11.0,"guidance":null}
출력 2155 tok (+2121 추론) 지연 시간 26.0 s
Kimi K3 통과 · 5/5 fields, guidance null
{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null }
출력 924 tok (+863 추론) 지연 시간 25.9 s
스키마 준수(없는 필드를 지어내지 않기), 환각 압력(guidance는 명시적으로 보류됨), 그리고 구조화 출력 경로의 차이.
DeepSeek V4 Pro (0813) 통과 · 121 words, 0 banned, 1 question
Introducing cross-provider prompt caching in our API gateway. Send a prompt once, and the gateway stores its computed prefix across Anthropic, OpenAI, and other LLM providers. Subsequent requests with the same prompt hit the cache, cutting latency and token costs while keeping outputs consistent across routing decisions and provider failovers. Teams can route identical prompts between providers without reprocessing shared context or lengthy system instructions. How much could you save on repeated prompt prefixes? The cache respects provider-specific key formats, handles TTLs automatically, and works with streaming and batch requests. Enable it with one configuration flag—no changes to your application code. Available today on all plans. Monitor cache hit rates, token savings, and provider-specific performance metrics in the live dashboard.
출력 2845 tok (+2694 추론) 지연 시간 25.5 s
Kimi K3 통과 · 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.
출력 1527 tok (+1354 추론) 지연 시간 37.9 s
제약 준수(단어 예산, 금지어 목록, 단 하나의 의문문), 문체 지문, 그리고 길이 제어.
코드 한 줄로 모델 전환
두 id는 아래의 모든 탭에 있습니다 — 강조 표시된 두 줄이 유일한 수정 사항입니다. 동일한 엔드포인트, 동일한 키, 동일한 요청 형태입니다.
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-0813",
# model="kimi-k3", # 이 줄의 주석을 해제하고, 윗줄을 주석 처리하세요
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-0813",
// model: "kimi-k3", // 이 줄의 주석을 해제하고, 윗줄을 주석 처리하세요
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-0813",
# "model": "kimi-k3", # 이 줄의 주석을 해제하고, 윗줄을 주석 처리하세요
"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-0813",
// Model: "kimi-k3", // 이 줄의 주석을 해제하고, 윗줄을 주석 처리하세요
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-0813")
// .model("kimi-k3") // 이 줄의 주석을 해제하고, 윗줄을 주석 처리하세요
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));FAQ
DeepSeek V4 Pro (0813)와(과) Kimi K3 중 어느 것이 더 저렴한가요?
입력 / 1m 토큰 항목에서는 DeepSeek V4 Pro (0813)이(가) 더 저렴합니다($1.32 대 $3, 2.3× 차이). 다른 항목에서는 결과가 다를 수 있습니다 — 위의 표에 전체 정보가 있으며, 실제 비용은 사용 조합에 따라 달라집니다.
두 번의 연동 과정 없이 DeepSeek V4 Pro (0813)와(과) Kimi K3를 A/B 테스트할 수 있나요?
네. 둘 다 하나의 API 키를 사용하여 동일한 OpenAI 호환 엔드포인트를 통해 제공됩니다 — 모델 문자열을 한 줄만 변경하면 전환되므로, 트래픽의 일부를 각각 라우팅하여 요금을 직접 비교할 수 있습니다.
DeepSeek V4 Pro (0813) 및 Kimi K3는 프롬프트 캐싱을 지원하나요?
네 — 두 모델 모두 캐시 읽기에 대해 입력 요금보다 낮게 청구하므로, 웜 프리픽스 워크로드는 공시된 요금보다 비용이 적게 듭니다. 정확한 캐시 읽기 행은 위의 가격표에 있습니다.