DeepSeek V4 Pro vs Qwen3.7 Plus
언제 어떤 모델을 사용할까 — 벤치마크 표가 아닌 선별된 평가
둘 다 1,000,000 토큰 컨텍스트와 동일한 채팅·코드·추론·툴 플래그를 공유하고 사고를 끌 수 있으므로 차이는 사실상 가격 구조, 출력 길이, 입력입니다. 아주 긴 단일 응답(393216 최대 출력 토큰은 qwen3.7-plus의 65536의 6배)이나 대규모 캐시 재사용이 필요하면 deepseek-v4-pro를 고르세요. $0.0134 캐시 읽기는 qwen3.7-plus가 받는 $0.08의 약 6분의 1입니다. 이미지·동영상 입력, 롱컨텍스트 플래그, 그리고 더 싼 신규 토큰(입력 $0.4, 출력 $1.6 대 $1.608와 $3.216, 약 4배와 2배 저렴)을 원하면 qwen3.7-plus를 고르세요.
가격
| DeepSeek V4 Pro | Qwen3.7 Plus | Δ | |
|---|---|---|---|
| 입력 / 1M 토큰 | $1.608 | $0.4 | 4× |
| 출력 / 1M 토큰 | $3.216 | $1.6 | 2× |
| 캐시 읽기 / 1M 토큰 | $0.0134 | $0.08 | 0.17× |
| 캐시 쓰기 | 별도 비용 없음 | 1.25x | — |
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 | Qwen3.7 Plus | |
|---|---|---|
| 도구 사용 | 예 | 예 |
| 사고 제어 | 설정 가능 | 설정 가능 |
| 구조화된 출력 | 예 | 예 |
| 프롬프트 캐싱 | 암시적 (자동) | 암시적 + 명시적 |
| 캐시 수명 | no fixed TTL (evicted when unused) | explicit: 5m, reset on hit |
| 최소 캐시 접두사 | 미공개 | 1024 토큰 |
사양
| DeepSeek V4 Pro | Qwen3.7 Plus | |
|---|---|---|
| 입력 모달리티 | 텍스트 | 텍스트 이미지 비디오 |
| 출력 모달리티 | 텍스트 | 텍스트 |
| 출시일 | 2026-04-24 | 2026-06-01 |
| 컨텍스트 윈도우 | 1M | 1M |
| 최대 출력 | 393K | 66K |
| Thinking 파라미터 |
|
|
| 허용되는 값 | thinking.type
reasoning_effort
| enable_thinking
thinking_budget
preserve_thinking
|
| 기본값 | 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 |
사양은 각 공급업체의 문서를 그대로 기록한 것입니다. 공급업체가 공개하지 않은 항목은 추론하지 않고 제외했습니다. 전체 출처: DeepSeek V4 Pro · Qwen3.7 Plus
하나의 프롬프트, 두 모델 — 게이트웨이를 통해 측정됨
DeepSeek V4 Pro 통과 · 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.
출력 641 tok (+545 추론) 지연 시간 11.5 s
Qwen3.7 Plus 통과 · 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.
출력 1428 tok (+1345 추론) 지연 시간 25.2 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 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 ``` **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. […]
출력 2418 tok (+2131 추론) 지연 시간 35.6 s
Qwen3.7 Plus 통과 · 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. […]
출력 2317 tok (+2005 추론) 지연 시간 40.5 s
수정이 실제로 옳은지(실행 가능한지), 설명의 밀도, 그리고 범위가 정해진 작업에서의 토큰 효율.
DeepSeek V4 Pro 통과 · 5/5 fields, guidance null
{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": "eleven and change", "guidance": null }
출력 1204 tok (+1153 추론) 지연 시간 19.9 s
Qwen3.7 Plus 통과 · 5/5 fields, guidance null
{ "company": "Meridian Robotics", "quarter": "September", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null }
출력 1807 tok (+1750 추론) 지연 시간 31.6 s
스키마 준수(없는 필드를 지어내지 않기), 환각 압력(guidance는 명시적으로 보류됨), 그리고 구조화 출력 경로의 차이.
DeepSeek V4 Pro 채점할 답변 없음 · no answer text within 16,384 tokens (all of it went to thinking)
모델이 답변 텍스트를 반환하지 않았습니다 — 전체 토큰 예산이 숨겨진 사고에 소모되었습니다.
출력 8193 tok (+8192 추론) 지연 시간 106.2 s
Qwen3.7 Plus 통과 · 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.
출력 4453 tok (+4312 추론) 지연 시간 76.8 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",
# model="qwen3.7-plus", # 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",
// model: "qwen3.7-plus", // 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",
# "model": "qwen3.7-plus", # 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",
// Model: "qwen3.7-plus", // 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")
// .model("qwen3.7-plus") // 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 Pro와(과) Qwen3.7 Plus 중 어느 것이 더 저렴한가요?
입력 / 1m 토큰 항목에서는 Qwen3.7 Plus이(가) 더 저렴합니다($0.4 대 $1.608, 4.0× 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 Pro와(과) Qwen3.7 Plus를 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 및 Qwen3.7 Plus는 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.