DeepSeek V4 Pro 0813 是 DeepSeek 旗艦 V4 Pro 系列在 2026 年 8 月的發布版本，模型卡把它定位為預覽版的接替版，而不是並列的一個變體。
- 輸入
- 文字 $1.32/M
- 輸出
- 文字 $3.96/M
- 快取讀取
- $0.132/M
- 上下文
- 1M
- 相較 GPT-4o
- 便宜約 74%
Benchmark 成績
供應商公布： Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
價格在同類中的位置
價格在 68 個同類模型中的位置
這條線標出這個模型的價格，在 Synthorai 的同類模型裡落在什麼位置；兩端分別是最便宜和最貴的模型。這裡列的是基礎價，批次、區域和快取寫入的折扣請見價格頁。
規格與限制
Token
| 上下文視窗（供應商規格） | 1,000,000 |
|---|---|
| 最大輸出（供應商規格） | 393,216 |
提示詞快取
| 快取方式 | 自動 |
|---|---|
| 存活時間 | 無固定 TTL（長期未使用即自動清理） |
思考
| 供應商參數 | reasoning_effort |
|---|---|
| 可接受的值 | the model card documents low · high · max |
| 思考行為 | The trace returns in reasoning_content and on short prompts can account for the large majority of the completion tokens, so a tight max_tokens budget returns an empty answer that is still billed in full. DeepSeek documents three effort levels for its own API; platforms that host the model may accept a different set, so confirm against the platform you are routed to. |
| 參數 | reasoning_effort |
| 參數值 | minimal · low · medium · high 這是閘道的參數，實際以上方的供應商對應為準 |
模型
| 模態 | 文字 → 文字 |
|---|---|
| 授權條款 | MIT |
August 2026 release of DeepSeek V4 Pro, superseding the preview version with what the model card describes as greatly enhanced agentic capabilities, and shipping with a DSpark speculative decoding module attached. The card states neither a parameter count nor an architecture, so neither is listed here.
一段提示詞，經閘道實測
DeepSeek V4 Pro (0813) 通過 · 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.
輸出 308 tok (+226 思考) 延遲 5.1 s
是否照指令做（剛好三句，數得出來）、語氣是否貼合對象（寫給 CFO 看），以及下方 token 計量顯示出的隱藏思考計費落差。
DeepSeek V4 Pro (0813) 通過 · 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.
輸出 1315 tok (+1130 思考) 延遲 16.9 s
修正是否真的正確（跑得起來）、說明的資訊密度，以及在範圍明確的任務上的 token 效率。
DeepSeek V4 Pro (0813) 通過 · 5/5 fields, guidance null
{"company":"Meridian Robotics","quarter":"September quarter","revenue_usd_m":412,"growth_pct":11.0,"guidance":null}
輸出 2155 tok (+2121 思考) 延遲 26.0 s
是否遵守 schema（不自創欄位）、面對幻覺誘因的表現（題目明確不給 guidance），以及結構化輸出路徑的差異。
DeepSeek V4 Pro (0813) 通過 · 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.
輸出 2845 tok (+2694 思考) 延遲 25.5 s
是否遵守限制（字數上限、禁用詞清單、只能有一句問句）、文字風格的特徵，以及長度控制。
30 秒上手 DeepSeek V4 Pro (0813)
相容 OpenAI：換掉 base_url，SDK 不用換。POST /v1/chat/completions
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",
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",
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",
"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",
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")
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));關於 DeepSeek V4 Pro (0813)
- DeepSeek 把這次變化歸因於大幅增強的智慧體能力，以及它描述為在生產環境中尤為明顯的效能提升，本次發布還附帶了一個 DSpark 推測解碼模組。
- 模型卡在規格上異常簡略：既沒有給出參數量，也沒有給出架構，因此凡是從先前 V4 Pro 沿用過來的數字，對本版本都應視為未經確認。
- 它確實給出的是運行邊界——MIT 授權的權重、在較高推理強度下建議的 384K 最大輸出長度，以及一個文件記載為 low、high、max 三檔的 reasoning_effort 參數。
- 真正需要提前規劃的是推理部分。
- 思維軌跡回傳在 reasoning_content 中，短提示下它可能佔到輸出 token 的絕大部分，於是過緊的 max_tokens 預算會返回空回答，而思考所花的 token 照樣全額計費；接入延遲敏感的鏈路之前，請為此預留預算，或者調低推理強度。
- 推理強度的成本還不止於輸出：調高檔位會加長模型據以工作的前置內容，因此同一條訊息在高檔位下計入的輸入 token 比低檔位更多。
- 該模型輸入輸出均為純文字，不支援圖像輸入，需要視覺能力時應搭配視覺模型，而不是直接發多模態訊息。
- 由於帶日期的發布版與不帶日期的滾動名都可呼叫，需要行為可重現時請固定帶日期的 id，並預期不帶日期的名字會隨時間前移。
- Synthorai 透過 OpenAI 相容的 chat completions 端點提供該模型，用戶端無需改動。
常見問題
DeepSeek V4 Pro (0813) API 可以免費試用嗎？
可以，新帳號有 10 次試用呼叫和最高 $1 的免費額度，免綁卡。以輸入價 $1.32/M 計算，光是這筆額度就夠你對 DeepSeek V4 Pro (0813) 發出約 94 次請求，每次約 8K token。
DeepSeek V4 Pro (0813) 最擅長什麼？
接替 V4 Pro 預覽版、MIT 授權，建議最大輸出 384K、reasoning_effort 文件記載 low、high、max 三檔。完整介紹請見「關於」一節，內容取自供應商官方的發布說明。
DeepSeek V4 Pro (0813) 的價格是多少？
在 Synthorai 上，DeepSeek V4 Pro (0813) 的輸入價是每百萬 token $1.32，輸出價是每百萬 token $3.96。這就是供應商官網價，平台不加價。快取命中的輸入 token 以 $0.132/M 計費。
DeepSeek V4 Pro (0813) 支援提示詞快取（prompt caching）嗎？
支援，而且全自動：由 DeepSeek 處理的提示詞會自動快取，不用改程式碼。快取命中的輸入 token 以 $0.132/M 計費（未命中為 $1.32/M）（TTL 無固定 TTL（長期未使用即自動清理））。 提示詞快取指南 →
如何開通 DeepSeek V4 Pro (0813)？
把現有 OpenAI SDK 的 base_url 指向 "https://synthorai.io/v1"，model 設為 "deepseek-v4-pro-0813" 就可以了。一把 API 金鑰就能呼叫閘道上的所有模型。
DeepSeek V4 Pro (0813) 是開源的嗎？
是，權重以 MIT 授權釋出（官方儲存庫連結見「關於」一節）。不想自己準備 GPU 的話，這裡的託管版本按用量計費，不必自己架設基礎設施。 執行開放權重模型 →
相關模型
比較
本頁每一個數值都摘錄自供應商自己的文件（連結見上方），並附上查核日期。價格是放在整個目錄裡比較；各家供應商定義不一樣的規格，只說明差異，不畫成圖表比較。這裡沒有任何數據是我們自己量測的，也不做評分。