DeepSeek V4.1 Flash vs Qwen3.7 Plus
Qual usar e quando
Ambos compartilham uma janela de contexto de 1,000,000 tokens, então a diferença está no espaço de saída, nas entradas e no preço: deepseek-v4.1-flash custa $0.3 na entrada e $1.2 na saída, contra $0.4 e $1.6 para qwen3.7-plus (cerca de 1.3x em ambos), com leituras do cache a $0.03 contra $0.08, aproximadamente 2.7x mais barato, e pode gerar até 393216 tokens em vez de 65536. Escolha deepseek-v4.1-flash para trabalho de alto volume com uso intenso de cache e gerações individuais muito longas. Escolha qwen3.7-plus quando precisar de entrada de vídeo além de texto e imagens ou quiser desativar o raciocínio, observando que a entrada de raciocínio é cobrada a $1.6 por milhão.
Benchmarks
Publicado pelos provedores: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
Preços
| DeepSeek V4.1 Flash | Qwen3.7 Plus | Δ | |
|---|---|---|---|
| Entrada / 1M tokens | $0.3 | $0.4 | 0.75× |
| Saída / 1M tokens | $1.2 | $1.6 | 0.75× |
| Leitura de cache / 1M tokens | $0.03 | $0.08 | 0.38× |
| Escrita de cache | sem cobrança separada | 1.25x | - |
Tarifas do catálogo em tempo real, lidas no momento do build; a página de cada modelo traz a tabela de preços atual.
Onde cada um fica: preço de entrada por 1M tokens entre os 77 modelos de chat com esta unidade de cobrança (escala logarítmica)
Capacidades
| DeepSeek V4.1 Flash | Qwen3.7 Plus | |
|---|---|---|
| Uso de ferramentas | sim | sim |
| Controle de raciocínio | sim o provedor não publica o controle | configurável |
| Saída estruturada | - | sim |
| Cache de prompts | implícito (automático) | implícito + explícito |
| Tempo de vida do cache | no fixed TTL (evicted when unused) | explicit: 5m, reset on hit |
| Prefixo mínimo em cache | não publicado | 1024 tokens |
Especificações
| DeepSeek V4.1 Flash | Qwen3.7 Plus | |
|---|---|---|
| Modalidades de entrada | texto imagem | texto imagem vídeo |
| Modalidades de saída | texto | texto |
| Lançamento | 2026-09-10 | 2026-06-01 |
| Janela de contexto | 1M | 1M |
| Saída máxima | 393K | 66K |
| Parâmetro de raciocínio | - |
|
| Valores aceitos | - | enable_thinking
thinking_budget
preserve_thinking
|
| Padrão | - | on the Qwen3.7 Plus series is hybrid thinking with thinking enabled by default, and preserve_thinking is off |
As especificações são transcritas da documentação de cada provedor; quando um provedor não publica um dado, a linha é omitida, e não inferida. Fontes completas: DeepSeek V4.1 Flash · Qwen3.7 Plus
Um prompt, os dois modelos, medidos pelo gateway
DeepSeek V4.1 Flash passou · 3 sentences
Enabling reasoning changed the unit economics: the model now spends extra billable tokens internally to “think” before producing the answer, and those reasoning tokens are charged like output tokens even though users never see them. That added token generation—plus longer contexts and occasional retries on harder prompts—roughly doubled our cost per request. We can control this by capping reasoning depth, routing only complex queries to reasoning models, and caching common prompts to bring the bill back down.
saída 423 tok (+327 raciocínio) latência 14.6 s
Qwen3.7 Plus passou · 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.
saída 1428 tok (+1345 raciocínio) latência 25.2 s
Se a instrução é seguida (exatamente três frases, dá para contar), a adequação ao público (tom para um CFO) e a diferença de cobrança causada pelo raciocínio oculto, que os medidores de tokens abaixo deixam à mostra.
DeepSeek V4.1 Flash passou · 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` is counting equal adjacent pairs, not elements in the current run: every time `xs[i] == xs[i - 1]`, the run length increases by one element, but the first element of the run was never counted, so all runs are undercounted by one. Also, `best` starts at `0`, so single-element inputs return `0` instead of `1`, and a one-element run ending at the last index is missed entirely.
saída 918 tok (+733 raciocínio) latência 11.4 s
Qwen3.7 Plus passou · 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. […]
saída 2317 tok (+2005 raciocínio) latência 40.5 s
Se a correção está mesmo certa (dá para executar), a densidade da explicação e a eficiência em tokens em uma tarefa bem delimitada.
DeepSeek V4.1 Flash passou · 5/5 fields, guidance "withheld pending the Q4 close"
{"company":"Meridian Robotics","quarter":"September quarter","revenue_usd_m":412,"growth_pct":11.0,"guidance":"withheld pending the Q4 close"}
saída 1707 tok (+1667 raciocínio) latência 15.1 s
Qwen3.7 Plus passou · 5/5 fields, guidance null
{ "company": "Meridian Robotics", "quarter": "September", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null }
saída 1807 tok (+1750 raciocínio) latência 31.6 s
Aderência ao schema (sem campos inventados), pressão para alucinar (o texto diz explicitamente que o guidance não foi divulgado) e diferenças no caminho de saída estruturada.
DeepSeek V4.1 Flash passou · 116 words, 0 banned, 1 question
Today we're launching Cross-Provider Prompt Cache for our API gateway. It stores identical prompt requests and their responses across supported model providers, then serves cached results when a match is found. Teams can cut duplicate inference costs, reduce latency, and keep behavior consistent during provider failover. The cache works with configurable TTLs, per-route rules, and cache-key controls, so you decide what is reusable and what must stay fresh. Does your application send the same prompts to multiple providers? Now your gateway can answer many of those calls without another upstream request. Existing observability dashboards show hit rates, saved tokens, and estimated spend reduction. Enable it in the gateway console, set your policy, and start caching today.
saída 917 tok (+770 raciocínio) latência 9.0 s
Qwen3.7 Plus passou · 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.
saída 4453 tok (+4312 raciocínio) latência 76.8 s
Respeito às restrições (limite de palavras, lista de palavras proibidas, uma única pergunta), a marca de estilo de cada modelo e o controle do tamanho.
Troque de um para o outro mudando uma linha
Os dois ids estão em todas as abas abaixo; o par de linhas destacado é a única alteração. O endpoint, a chave e o formato da requisição são os mesmos.
from openai import OpenAI
client = OpenAI(
base_url="https://synthorai.io/v1",
api_key="sk-syn-...",
)
resp = client.chat.completions.create(
model="deepseek-v4.1-flash",
# model="qwen3.7-plus", # descomente esta linha, comente a linha acima
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-v4.1-flash",
// model: "qwen3.7-plus", // descomente esta linha, comente a linha acima
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-v4.1-flash",
# "model": "qwen3.7-plus", # descomente esta linha, comente a linha acima
"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-v4.1-flash",
// Model: "qwen3.7-plus", // descomente esta linha, comente a linha acima
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-v4.1-flash")
// .model("qwen3.7-plus") // descomente esta linha, comente a linha acima
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));Perguntas frequentes
Qual é mais barato, DeepSeek V4.1 Flash ou Qwen3.7 Plus?
DeepSeek V4.1 Flash sai mais barato na linha “Entrada / 1M tokens” ($0.3 contra $0.4, 1.3× de diferença). Outras linhas podem pender para o outro lado: a tabela acima mostra todos os preços, e o custo real depende do seu mix de uso.
Posso fazer um teste A/B de DeepSeek V4.1 Flash contra Qwen3.7 Plus sem duas integrações?
Sim. Os dois são servidos pelo mesmo endpoint compatível com OpenAI, com uma única chave de API. Para trocar, basta mudar uma linha, a string do modelo; assim você pode direcionar uma parte do tráfego para cada um e comparar as contas diretamente.
DeepSeek V4.1 Flash e Qwen3.7 Plus suportam cache de prompts?
Sim. Os dois cobram as leituras de cache abaixo da tarifa de entrada, então cargas de trabalho com prefixo já em cache custam menos do que os preços de tabela sugerem. Os valores exatos de leitura de cache estão na tabela de preços acima.