DeepSeek V4 Pro 0813 是 DeepSeek 旗舰 V4 Pro 系列在 2026 年 8 月的发布版本，模型卡把它定位为预览版的接替版，而不是并列的一个变体。
- 输入
- 文本 $1.32/M
- 输出
- 文本 $3.96/M
- 缓存读取
- $0.132/M
- 上下文
- 1M
- 对比 GPT-4o
- 便宜约 74%
厂商牌价,无平台加价,按量付费。 以下为官方 list 价。登录客户可在 /console/pricing 查看含工作空间折扣的实际价格。 按 70% 缓存命中率计算的等效输入价:$0.4884/M. 自动磁盘 KV 前缀缓存：缓存命中按折扣后的缓存读取费率计费，无需开启，也没有写入费。 该缓存读取价以独立的每百万计价公布。 缓存写入不另计费。
价格 · 在 62 个同类模型中的位置
这条线显示该模型的价格，在 Synthorai 上同类模型里处于什么位置。两端标出了最便宜和最贵的那个。这里是基础价，批量、区域和缓存写入的折扣见价格页。
规格与限制
Token
| 上下文窗口(厂商规格) | 1,000,000 |
|---|---|
| 最大输出(厂商规格) | 393,216 |
提示词缓存
| 缓存方式 | 自动 |
|---|---|
| 存活时间 | 无固定 TTL（长期未使用即自动清理） |
思考
| 厂商参数 | reasoning_effort |
|---|---|
| 可选值 | the model card documents low · high · max |
| 思考行为 | 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. |
| 参数 | reasoning_effort |
| 取值 | minimal · low · medium · high 网关侧参数面——以上方厂商映射为准 |
模型
| 模态 | 文本 → 文本 |
|---|---|
| 许可证 | 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.
单个 Prompt —— 通过网关实测
DeepSeek V4 Pro (0813) 通过 · 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.
输出 308 tok (+226 思考) 延迟 5.1 s
指令遵循（恰好三句，可数）、受众适配（面向 CFO 的语气），以及下方 token 计量所暴露的隐藏思考计费缺口。
DeepSeek V4 Pro (0813) 通过 · 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.
输出 1315 tok (+1130 思考) 延迟 16.9 s
修复是否真的正确（可运行）、解释的信息密度，以及在一个边界明确的任务上的 token 效率。
DeepSeek V4 Pro (0813) 通过 · 5/5 fields, guidance null
{"company":"Meridian Robotics","quarter":"September quarter","revenue_usd_m":412,"growth_pct":11.0,"guidance":null}
输出 2155 tok (+2121 思考) 延迟 26.0 s
schema 服从度（不臆造字段）、幻觉压力（guidance 明确被暂缓给出），以及结构化输出路径的差异。
DeepSeek V4 Pro (0813) 通过 · 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.
输出 2845 tok (+2694 思考) 延迟 25.5 s
约束服从度（字数预算、禁用词表、唯一的那句问句）、文风指纹，以及长度控制。
30 秒用上 DeepSeek V4 Pro (0813)
OpenAI 兼容:换掉 base_url,SDK 不用改。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(""));关于 DeepSeek V4 Pro (0813)
- DeepSeek 把这次变化归因于大幅增强的智能体能力，以及它描述为在生产环境中尤为明显的性能提升，本次发布还附带了一个 DSpark 推测解码模块。
- 模型卡在规格上异常简略：既没有给出参数量，也没有给出架构，因此凡是从此前 V4 Pro 沿用过来的数字，对本版本都应视为未经确认。
- 它确实给出的是运行边界——MIT 许可的权重、在较高推理力度下建议的 384K 最大输出长度，以及一个文档记载为 low、high、max 三档的 reasoning_effort 参数。
- 真正需要提前规划的是推理部分。
- 思维轨迹回传在 reasoning_content 中，短提示下它可能占到输出 token 的绝大部分，于是过紧的 max_tokens 预算会返回空回答，而思考所花的 token 照样全额计费；接入延迟敏感的链路之前，请为此留出预算，或者调低推理力度。
- 推理力度的成本还不止于输出：调高档位会加长模型据以工作的前置内容，因此同一条消息在高档位下计入的输入 token 比低档位更多。
- 该模型输入输出均为纯文本，不支持图像输入，需要视觉能力时应搭配视觉模型，而不是直接发多模态消息。
- 由于带日期的发布版与不带日期的滚动名都可调用，需要行为可复现时请固定带日期的 id，并预期不带日期的名字会随时间前移。
- Synthorai 通过 OpenAI 兼容的 chat completions 端点提供该模型，客户端无需改动。
常见问题
DeepSeek V4 Pro (0813) API 可以免费试用吗?
可以。新账号可获得 10 次试用调用和最高 $1 的免费额度,无需绑卡。按输入 $1.32/M 计算,仅这笔额度就足够对 DeepSeek V4 Pro (0813) 发起约 94 次 ~8K token 的请求。
DeepSeek V4 Pro (0813) 最擅长什么?
接替 V4 Pro 预览版、MIT 许可，建议最大输出 384K、reasoning_effort 文档记载 low、high、max 三档。完整能力请见「关于」部分,内容取自厂商官方发布说明。
DeepSeek V4 Pro (0813) 的价格是多少?
在 Synthorai 上,DeepSeek V4 Pro (0813) 输入 $1.32/百万 token、输出 $3.96/百万 token,即厂商牌价,无平台加价。缓存命中的输入 token 按 $0.132/M 计费。
DeepSeek V4 Pro (0813) 支持提示词缓存(prompt caching)吗?
支持,且全自动:经 DeepSeek 提供的提示词自动缓存,无需改代码。缓存命中的输入 token 按 $0.132/M 计费(未命中 $1.32/M)(TTL 无固定 TTL（长期未使用即自动清理）)。 提示词缓存指南 →
如何开通 DeepSeek V4 Pro (0813)?
把现有 OpenAI SDK 的 base_url 指向 "https://synthorai.io/v1",model 设为 "deepseek-v4-pro-0813" 即可。一把 API key 通用网关上的全部模型。
DeepSeek V4 Pro (0813) 开源吗?
开源:权重以 MIT 许可证 发布(官方仓库链接见「关于」部分)。也可以省去 GPU:这里的托管版本按量付费,无需自建基础设施。 运行开源权重模型 →
相关模型
对比
本页每个值都转录自厂商自己的文档(链接见上),并带有核对日期。价格在全目录范围内比较;各厂商定义不同的规格值,只说明差异而不作图表对比。此处没有任何由我们测量的数据,也不做评分。