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

DeepSeek V4 Pro (0813) vs Qwen3.8 Flash

vs

Qual usar e quando

Ambos os modelos possuem uma janela de contexto de 1000000 tokens e abrangem chat, código, raciocínio e ferramentas, então a diferença é realmente sobre preço, tamanho da saída e entradas: o deepseek-v4-pro-0813 cobra $1.32 por milhão na entrada e $3.96 por milhão na saída, aproximadamente 8.8x e 8.4x os $0.15 e $0.47 do qwen3.8-flash. Escolha o deepseek-v4-pro-0813 quando precisar de respostas únicas muito longas, até 393216 tokens contra 131072. Escolha o qwen3.8-flash para trabalhos de texto de alto volume, para entrada de imagem e vídeo, ou quando quiser desativar o raciocínio em chamadas mais simples.

Benchmarks

Acima da médiaNenhum melhorDeepSeek V4 Pro (0813)13 / 211 / 21Qwen3.8 Flash12 / 163 / 16
DeepSeek V4 Pro (0813) Qwen3.8 Flash outros modelos medidos média dos modelos comparados ★ nenhum outro modelo teve pontuação maior
DeepSWE 1.1
62.7%
58.7%
OSWorld 2.0 partial
N/A
52.3%
Cybergym
83.3%
N/A
JobBench
N/A
55.7%
GPQA Diamond
92.4%
91.7%
ERQA
N/A
nenhum outro modelo teve pontuação maior 72.3%
Agents' Last Exam
25.7%
N/A
LVBench
N/A
76.6%

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

Preços

DeepSeek V4 Pro (0813) Qwen3.8 Flash Δ
Entrada / 1M tokens $1.32 $0.15 8.8×
Saída / 1M tokens $3.96 $0.47 8.4×
Leitura de cache / 1M tokens $0.132 $0.016 8.3×
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 Pro (0813) Qwen3.8 Flash
Uso de ferramentas sim sim
Controle de raciocínio sempre ativo configurável
Saída estruturada sim 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 Pro (0813) Qwen3.8 Flash
Modalidades de entrada texto texto imagem vídeo
Modalidades de saída texto texto
Lançamento 2026-08-13 2026-08-27
Janela de contexto 1M 1M
Saída máxima 393K 131K
Parâmetro de raciocínio reasoning_effort
  • enable_thinking
  • thinking_budget
  • preserve_thinking
Valores aceitos
reasoning_effort
  • the model card documents low
  • high
  • max
enable_thinking
  • true
  • false
thinking_budget
  • in tokens
preserve_thinking
  • true
  • false
Padrão -

on

qwen3.8-flash is hybrid thinking with thinking enabled by default, thinking_budget defaults to the 262,144-token chain maximum, 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 Pro (0813) · Qwen3.8 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

Qwen3.8 Flash passou · 3 sentences

Enabling reasoning makes the model spend additional output tokens to plan and validate answers before responding, and those tokens are billed. It also increases compute and latency per request, so each task consumes more capacity than a non-reasoning call. As a result, billable tokens and compute roughly doubled, directly driving the higher invoice.

saída 330 tok (+262 raciocínio) latência 8.9 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

Qwen3.8 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 the original version counts adjacent equal pairs rather than items in a run, starting both `cur` and `best` at `0`, and it resets `cur` to `0` after a mismatch, thereby discarding the first element of the new run. That makes single-element inputs return `0`, and because every run is effectively measured in “steps” between equal elements, the last element is not counted—particularly noticeable when the longest run ends at the final index.

saída 2123 tok (+1933 raciocínio) latência 43.8 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

Qwen3.8 Flash passou · 5/5 fields, guidance null

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

saída 519 tok (+463 raciocínio) latência 10.5 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

Qwen3.8 Flash passou · 120 words, 0 banned, 1 question

We are announcing prompt caching across providers in our API gateway. Store approved prompt outputs once and reuse them across supported model providers, cutting latency, cost, and duplicate token spend. The feature matches identical requests, checks validity, and returns cached results while preserving routing controls. Developers keep existing endpoints; the gateway manages storage, invalidation, and provider differences. This reduces noisy repeat calls, improves steady responses, and frees teams to focus on better agent workflows. OpenAI, Anthropic, Google, Mistral, and custom routes are supported. Cache hits appear in analytics with latency, token, and cost reductions visible. Check retention and privacy rules before enabling it. Ready to add cache controls to your gateway? Enable it in settings and watch spend drop now.

saída 5958 tok (+5805 raciocínio) latência 88.8 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-pro-0813",
    # model="qwen3.8-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 Qwen3.8 Flash?

Qwen3.8 Flash sai mais barato na linha “Entrada / 1M tokens” ($0.15 contra $1.32, 8.8× 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 Qwen3.8 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 Qwen3.8 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