DeepSeek V4-Pro vs V4-Flash（2026 年 8 月）：API 定价、基准测试与路由策略

DeepSeek 现在在其 OpenAI 兼容端点上提供两个生产模型，分别是 V4-Pro（0813 版，8 月 13 日正式 GA）和 V4-Flash（0731 版，7 月 31 日正式 GA）。两者共享 1M token 上下文窗口、384K 最大输出、混合思维模式、tool calling、JSON 输出、Responses API，以及 Anthropic 格式端点。账面参数几乎完全一致，看上去像同一个模型的两个价格档位。实测下来，两者之间的差距比名字暗示的要小得多。路由决策取决于你的任务对错误的容忍度，不取决于哪个名字听起来更"高端"。

这篇对比整理了当前定价（包括 8 月 16 日生效的峰谷费率）、独立基准测试数据，以及一套面向单一 base_url 运行两个模型的运营方的路由框架。

OpenAI 兼容指供应商提供一个 chat-completions 接口，其请求与响应结构与 OpenAI API 契约足够接近——只需替换三个值（API key、base URL、模型名），原来的 OpenAI SDK 调用即可直接工作。最小实践面是POST /v1/chat/completions 带 messages、model， 并返回 OpenAI 形式的流式响应。

定价对比：峰时、谷时，以及那个 3 倍系数

DeepSeek 在 2026 年 8 月 16 日引入了分时段定价。峰时为 UTC 01:00–04:00 和 UTC 06:00–10:00（大致对应北京时间 09:00–12:00 和 14:00–18:00）。谷时费率恰好是峰时的一半。

所有价格以美元计，单位为每 1M token。

三个要点值得留意。

第一，Pro 在缓存未命中输入和输出上的价格恰好是 Flash 的 3 倍，峰谷比率都一样。没有隐藏的乘数。

第二，两个模型的谷时价格都是峰时的一半。如果你能把批处理任务挪到谷时窗口（UTC 10:00–01:00、UTC 04:00–06:00），相当于回到了 8 月 16 日涨价前的 Flash 费率水平。

第三，Flash 的并发上限是 Pro 的 5 倍。在 2,500 对 500 的数字面前，高吞吐场景如批量分类和并行 sub-agent 调度只能选 Flash。

跨供应商比较 API 价格时，统一到美元每百万 token口径，并区分输入与输出。多数供应商的输出 token 价是输入的 2–5 倍，所以"补全长度大" 的负载与"检索为主"的负载在同样的标称单价下成本会差很多。

• 统一货币（USD）——发表日按汇率折算并标注。
• 区分输入/输出——永远不要给单一"混合价"。
• 每行引到供应商自己的价格页 + 抓取日期。
• 注明长上下文阶梯价——长上下文常常单独跳一档。

实际工作负载下的费用

以一个典型的对话回合（1K 新输入 + 500 输出 token）为例，谷时费率下的开销如下。

• V4-Flash 约 $0.00055
• V4-Pro 约 $0.00165

再看一个重缓存 agent 循环（200K 缓存 + 20K 新输入 + 10K 输出），同样是谷时费率。

• V4-Flash 约 $0.011
• V4-Pro 约 $0.033

3 倍的价差在各种工作负载形态下都保持稳定。Pro 不会因为上下文更长或输出更多而变得格外昂贵，它是一个固定溢价。

独立基准测试

"Pro" 和 "Flash" 这两个标签暗示了巨大的能力差距。独立测试讲述了不同的故事。

以下是 Artificial Analysis 的数据（2026 年 8 月 13 日核查）。

DeepSeek 自己的基准测试数据（来自 Hugging Face 上的 V4 技术报告）在知识密集型和 agentic 任务上展示了更大的差距。

独立测试和厂商数据描绘了不同的画面。在独立评估中，Pro 和 Flash 落在同一个大的能力层级，大多数指标差距只有个位数。在 DeepSeek 自己的基准测试（Terminal-Bench 2.0、SimpleQA、BrowseComp）上，Pro 拉开了更明显的距离。

三个经得起两组数据检验的结论。

第一，V4-Pro 0813 相比早期预览版有了实质性提升。Artificial Analysis 记录到 Intelligence Index 从 ~45.3 跳到 53，Agentic Index 从 ~37.8 跳到 49.6。

第二，在常规编码和 agent 任务上，Flash 在独立评估中与 Pro 匹配或接近匹配。Terminal-Bench v2.1 持平，SWE-bench Pro 差距只有 2.8 个百分点。

第三，Pro 的优势集中在知识密集型和多步 agentic 任务上，SimpleQA、BrowseComp、HLE 这几项都指向同一个方向。在这些场景里，第一次答错的代价很高。

功能对等

两个模型共享完全相同的 API 接口。

推理力度控制在两个模型上的行为完全一致。设置 reasoning_effort: "low" 映射到低力度，"high" 映射到高力度，"max" 映射到最大力度。中间值 "medium" 和 "xhigh" 都映射到高力度。这意味着你可以把力度控制当作逐请求的成本杠杆来用，不需要切换模型就能在简单分类和复杂推理之间调节。

路由策略

V4-Pro 和 V4-Flash 之间的路由决策并非"难题用 Pro、简单题用 Flash"。正确的思路是"用 Flash 作为默认路由，当答错一次的代价超过 3 倍 token 溢价时才升级到 Pro"。

从 Flash 开始

Flash 应该是你的默认路由，适用于以下场景。

• 大批量代码生成 可以重试，可以衡量，而且 Flash 快 47%
• 分类、提取和摘要 质量差异小，吞吐量才是关键
• Sub-agent worker 2,500 的并发上限足以支撑并行扇出
• 探索性原型开发 先用低成本建立基线，再考虑是否值得为 Pro 买单

升级到 Pro 的场景

Pro 值得 3 倍溢价的场景如下。

• 架构设计和跨系统调试 错误会传播并导致昂贵的返工
• 知识密集型查询 Pro 在 SimpleQA 上拿到 57.9%（Flash 是 34.1%），事实性更强
• 高风险分析 人工复审一个错误答案的成本如果超过 API 价差，Pro 更划算
• 带分支的多步 agentic 任务 BrowseComp 和 Terminal-Bench 2.0 的差距显示 Pro 在复杂 agent 循环中表现更好

Planner-Worker 模式

一个常见的生产模式是让 Pro 承担 planner 角色（架构决策、任务分解），Flash 承担 worker 角色（代码生成、测试执行、文件操作）。高价模型集中在需要判断力的环节，批量工作交给 Flash。

# 示例：通过 TheRouter 按任务类型路由
from openai import OpenAI

client = OpenAI(
    base_url="https://therouter.ai/v1",
    api_key="your-therouter-key"
)

# 规划任务 → V4-Pro
plan = client.chat.completions.create(
    model="deepseek/deepseek-v4-pro",
    messages=[{"role": "user", "content": "设计迁移方案..."}],
    reasoning_effort="high"
)

# 执行任务 → V4-Flash
for task in plan_tasks:
    result = client.chat.completions.create(
        model="deepseek/deepseek-v4-flash",
        messages=[{"role": "user", "content": task}],
        reasoning_effort="low"
    )

利用峰谷定价优化成本

谷时费率是峰时的 50%，运营方可以把批处理和非延迟敏感的工作负载安排在谷时窗口（UTC 10:00–01:00，UTC 04:00–06:00）。Flash + 谷时的组合相比 Pro + 峰时最多可以节省 6 倍成本。

对延迟敏感的生产流量来说，峰谷差价帮助有限，请求来了就得服务。但批量评估、回归测试和数据管线任务完全可以挪到谷时运行。

通过 TheRouter 路由

两个模型都在 TheRouter 的模型目录中，分别是 deepseek/deepseek-v4-pro 和 deepseek/deepseek-v4-flash。你可以设置 model fallbacks 来在两者之间自动路由。

常见配置方式如下。

• 主路由用 deepseek/deepseek-v4-flash，追求性价比
• 当 Flash 返回错误或达到并发上限时，自动回退到 deepseek/deepseek-v4-pro
• 或者按任务元数据路由，规划类 prompt 发给 Pro，执行类 prompt 发给 Flash

OpenAI 兼容的 base_url 意味着切换模型只需要改 model 参数。不需要换 SDK，也不需要改端点或重新认证。

Pro 不值得的场景

以下情况 Pro 的溢价没有意义。

• 你还没有任务级别的评估数据。先用 Flash 建立基线。
• 任务可以用低成本手段重试和验证（单元测试、格式校验）。
• 吞吐量比单次请求质量更重要。Flash 的 5 倍并发和 47% 速度优势占主导。
• 你在峰时运行，而成本是约束条件。Flash 峰时（$1.32/1M 输出）比 Pro 谷时（$1.98/1M 输出）还便宜。

总结

V4-Pro 0813 相比早期预览版有了实质性升级，在知识密集型和复杂 agentic 基准测试上拉开了差距。V4-Flash 0731 在独立编码和推理评估中与 Pro 匹配或接近匹配，同时快 47%，并发上限高 5 倍，价格恰好是 Pro 的三分之一。

对大多数生产工作负载来说，Flash 是正确的默认选择。Pro 在特定高风险场景中赢得自己的位置，前提是答错一次的代价要超过 3 倍 token 溢价。Planner-Worker 模式让 Pro 负责规划、Flash 负责执行，既能获得两者的优势又不会过度消费。

峰谷定价已经生效，能把批处理挪到谷时的运营方还能进一步叠加节省。通过单一 OpenAI 兼容网关 路由两个模型，让你的工作负载数据而非模型名称来驱动路由决策。

---

来源

• DeepSeek Models & Pricing — 2026-08-18 获取
• DeepSeek V4-Pro GA 发布公告 — 2026-08-18 获取
• DeepSeek 思维模式文档 — 2026-08-18 获取
• Artificial Analysis: DeepSeek V4 Pro 0813 — 2026-08-13 核查
• Artificial Analysis: DeepSeek V4 Flash 0731 — 2026-08-13 核查
• BenchLM: V4-Flash-0731 vs V4-Pro-0813 对比 — 2026-08-18 获取
• DeepSeek V4 技术报告 (PDF) — 基准测试数据来源