Novo Cadastre-se grátis, 10 chamadas por nossa conta. Até US$ 1, sem cartão.

DeepSeek V4 Pro (0813) vs DeepSeek V4.1 Flash

vs

Qual usar e quando

Ambos compartilham um contexto de 1,000,000 tokens e uma saída máxima de 393,216 tokens com chat, código, raciocínio e uso de ferramentas, então a diferença está no preço e nas entradas: deepseek-v4-pro-0813 custa $1.32 por milhão de tokens de entrada e $3.96 por milhão de tokens de saída, enquanto o mais recente deepseek-v4.1-flash custa $0.3 e $1.2, aproximadamente 4.4x mais barato na entrada e 3.3x na saída, com leituras de cache a $0.03 contra $0.132. Escolha deepseek-v4.1-flash para trabalho em alto volume ou qualquer tarefa que precise de entrada de imagem, pois ele adiciona visão. Use deepseek-v4-pro-0813 se você estiver limitado a essa geração Pro que aceita apenas texto.

Benchmarks

À frenteAcima da médiaNenhum melhorDeepSeek V4 Pro (0813)213 / 211 / 21DeepSeek V4.1 Flash1314 / 194 / 19

15 medidos em ambos.

DeepSeek V4 Pro (0813) DeepSeek V4.1 Flash outros modelos medidos média dos modelos comparados ★ nenhum outro modelo teve pontuação maior
DeepSWE 1.1
62.7%
nenhum outro modelo teve pontuação maior 74.2%
Cybergym
83.3%
nenhum outro modelo teve pontuação maior 88.1%
GDPval-AA v2 Elo · 1508-1769 segundo Z.ai · 2026-09-04
1590
N/A
GPQA Diamond
92.4%
90.9%
Agents' Last Exam
25.7%
31.8%
Chartography with tools
N/A
78.9%

Publicado pelos provedores: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai

Preços

DeepSeek V4 Pro (0813) DeepSeek V4.1 Flash Δ
Entrada / 1M tokens $1.32 $0.3 4.4×
Saída / 1M tokens $3.96 $1.2 3.3×
Leitura de cache / 1M tokens $0.132 $0.03 4.4×
Escrita de cache sem cobrança separada sem cobrança separada -

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 Pro (0813) DeepSeek V4.1 Flash
Uso de ferramentas sim sim
Controle de raciocínio sempre ativo

sim

o provedor não publica o controle

Saída estruturada sim -
Cache de prompts implícito (automático) implícito (automático)
Tempo de vida do cache no fixed TTL (evicted when unused) no fixed TTL (evicted when unused)
Prefixo mínimo em cache não publicado não publicado

Especificações

DeepSeek V4 Pro (0813) DeepSeek V4.1 Flash
Modalidades de entrada texto texto imagem
Modalidades de saída texto texto
Lançamento 2026-08-13 2026-09-10
Janela de contexto 1M 1M
Saída máxima 393K 393K
Parâmetro de raciocínio reasoning_effort -
Valores aceitos
reasoning_effort
  • the model card documents low
  • high
  • max
-

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 Pro (0813) · DeepSeek V4.1 Flash

Um prompt, os dois modelos, medidos pelo gateway

PROMPT Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. VERIFICAÇÃO exatamente 3 frases

DeepSeek V4 Pro (0813) passou · 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.

saída 308 tok (+226 raciocínio) latência 5.1 s

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

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.

PROMPT 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. VERIFICAÇÃO a correção passa nos testes

DeepSeek V4 Pro (0813) 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` 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.

saída 1315 tok (+1130 raciocínio) latência 16.9 s

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

Se a correção está mesmo certa (dá para executar), a densidade da explicação e a eficiência em tokens em uma tarefa bem delimitada.

PROMPT 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. VERIFICAÇÃO JSON válido, schema exato

DeepSeek V4 Pro (0813) passou · 5/5 fields, guidance null

{"company":"Meridian Robotics","quarter":"September quarter","revenue_usd_m":412,"growth_pct":11.0,"guidance":null}

saída 2155 tok (+2121 raciocínio) latência 26.0 s

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

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.

PROMPT 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. VERIFICAÇÃO 120 palavras, 0 palavras proibidas

DeepSeek V4 Pro (0813) passou · 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.

saída 2845 tok (+2694 raciocínio) latência 25.5 s

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

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-pro-0813",
    # model="deepseek-v4.1-flash",  # descomente esta linha, comente a linha acima
    messages=[{"role": "user", "content": "Summarize this diff"}],
    reasoning_effort="medium",
)
print(resp.choices[0].message.content)

Obtenha sua chave de API →

Perguntas frequentes

Qual é mais barato, DeepSeek V4 Pro (0813) ou DeepSeek V4.1 Flash?

DeepSeek V4.1 Flash sai mais barato na linha “Entrada / 1M tokens” ($0.3 contra $1.32, 4.4× 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 Pro (0813) contra DeepSeek V4.1 Flash 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 Pro (0813) e DeepSeek V4.1 Flash 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.

Comparações relacionadas

Dos nossos estudos com medições