MeshTok 目錄目前收錄來自 20+ 廠商的 180+ 模型。當你把這份清單按「最低價格下的 flagship 能力」排序時,有一個模型幾乎尷尬地坐在頂端:DeepSeek V4 Pro。以每百萬輸入 tokens $0.4286、每百萬輸出 tokens $0.8571 的價格,它是整個目錄中同時背書 flagship、reasoning、coding、image、tools 與 json capability 標籤的最便宜模型。
這篇文章是規格與定價分析,不是合成 benchmark。我們沒有跑延遲測試,沒有在相同 prompt 上量測 token 數,也不會發布任何無法用線上目錄佐證的數字。下方每一個數字都來自 src/data/models.ts,並且可以用計算機重現。目標是協助你決定 DeepSeek V4 Pro 是否值得在你的 routing layer 佔一席之地 —— 依據對預算真正重要的資料:context window、capabilities 與每百萬 token 的價格。
DeepSeek V4 Pro:規格表
今天可透過 MeshTok 統一 API 於 https://meshtok.com/v1 取得,model id 為 deepseek/deepseek-v4-pro。
| 欄位 | 值 |
|---|---|
| 廠商 | DeepSeek (CN) |
| Context window | 1,000,000 tokens |
| Max output | 32,768 tokens |
| 輸入價格 (每 1M) | $0.4286 |
| 輸出價格 (每 1M) | $0.8571 |
| Capabilities | reasoning, coding, image, tools, json, flagship |
| 發布 | 2026-04 |
| Knowledge cutoff | 2025-08 |
在這個價位帶有三件事格外突出:
- 1M context window 與 32K max output。 多數其他低於 $1/1M 輸入的模型上限僅 128K–256K context、4K–8K 輸出。DeepSeek V4 Pro 是目錄中唯一低於 $1/1M 輸入、卻把百萬 token 輸入窗口與 32K 輸出窗口配在一起的模型。
- 多模態 (
image) 不額外加價。 視覺能力通常保留給更貴的等級(GPT-5.2 為 $1.75/$14、Claude Sonnet 5 為 $3/$15、Gemini 3.1 Pro 為 $2/$12)。DeepSeek V4 Pro 的影像輸入價格不到 GPT-5.2 輸入價的四分之一。 - 中階價格的旗艦級 capabilities。 DeepSeek 自己把 V4 Pro 標記為
flagship—— 同樣的標籤它並未套用到 V4 Flash 或 V3.2。然而在價格上,V4 Pro 反而更靠近預算型模型,而非其他旗艦。
DeepSeek 家族內部:該挑哪一個?
MeshTok 目錄收錄了五款 DeepSeek 模型。在同一廠商內挑選,基本上是在價格、context、reasoning 深度與視覺之間取捨。
| 模型 | Context | Max out | 輸入 $/M | 輸出 $/M | Vision | Reasoning | Flagship |
|---|---|---|---|---|---|---|---|
| DeepSeek V4 Pro | 1,000,000 | 32,768 | $0.4286 | $0.8571 | ✅ | ✅ | ✅ |
| DeepSeek V4 Flash | 1,000,000 | 32,768 | $0.1429 | $0.2857 | ✅ | — | — |
| DeepSeek V3.2 | 128,000 | 8,192 | $0.2857 | $0.4286 | — | — | — |
| DeepSeek V3.2 Think | 128,000 | — | $0.2857 | $0.4286 | — | ✅ | — |
| DeepSeek R1 (0528) | 128,000 | 32,768 | $0.5500 | $2.1900 | — | ✅ | — |
矩陣解讀:
- V4 Pro vs V4 Flash —— Flash 價格只有三分之一,但拿掉了
reasoning與flagship。對於高量級的分類、抽取或 routing,而你不需要逐步思考時,Flash 是正確選擇。對於會受益於 reasoning chain 的工作 —— 數學、多步驟 agents、高難度 coding —— V4 Pro 是升級之選。 - V4 Pro vs V3.2 —— V3.2 既無視覺也無 reasoning,且 context 上限 128K。V4 Pro 在能力上嚴格勝出,但輸入略貴(每 1M $0.43 對 $0.29)。決定因素在於你是否需要 1M context 或影像輸入;若不需要,V3.2 仍是可靠的日常選擇。
- V4 Pro vs R1 (0528) —— R1 是 DeepSeek 較舊的專屬 reasoning 模型。輸出更貴(每 1M $2.19 對 $0.8571)且無視覺。除非你有特定理由留在 R1(例如建立在它 0528 snapshot 上的穩定 eval pipeline),否則 V4 Pro 在規格上已取代它:相同 context、相同 max output、更便宜、多模態,並被標為 flagship。
DeepSeek V4 Pro vs 其他旗艦
V4 Pro 對上更知名的西方旗艦,以及另一款中國 1M-context 競爭者 GLM-5.2,表現如何?
| 模型 | Context | Max out | 輸入 $/M | 輸出 $/M | Vision | 發布 |
|---|---|---|---|---|---|---|
| DeepSeek V4 Pro | 1,000,000 | 32,768 | $0.4286 | $0.8571 | ✅ | 2026-04 |
| GLM-5.2 | 1,000,000 | 128,000 | $1.1429 | $4.0000 | — | 2026-07 |
| Qwen3.7 Max | 1,000,000 | 8,192 | $0.8571 | $2.5714 | ✅ | 2026-06 |
| Doubao Seed 2.1 Pro | 256,000 | 8,192 | $0.8571 | $4.2857 | ✅ | 2026-05 |
| GPT-5.2 | 400,000 | 16,384 | $1.7500 | $14.0000 | ✅ | 2026-03 |
| Claude Sonnet 5 | 1,000,000 | 16,384 | $3.0000 | $15.0000 | ✅ | 2026-05 |
| Gemini 3.1 Pro | 1,048,576 | 65,536 | $2.0000 | $12.0000 | ✅ | 2026-06 |
兩個結構性觀察:
- V4 Pro 是這張表中唯一在輸入與輸出上都低於 $1/1M 的模型。 下一個最便宜的旗艦(以輸出計)是 Qwen3.7 Max 的 $2.5714 —— 每個輸出 token 貴 3 倍。
- GLM-5.2 是這裡唯一擁有更長 max-output 窗口(128K)的模型。 若你的工作負載需要產生非常長的單輪回應(整檔重構、長篇報告),GLM-5.2 的 128K max output 確實獨一無二。對其他場景,V4 Pro 的 32K max output 已綽綽有餘。
定價分析(對你帳單最有意義的部分)
下列所有數字都是從 src/data/models.ts 列出價格所做的算術推算。它們不是任何真實工作負載的量測 —— 你的實際帳單取決於你真實的 prompt 與回應長度。重點在於比例,這是穩定且可重現的。
每百萬輸入 + 每百萬輸出 token 的成本
一個常用的概估單位:一百萬輸入 token 加一百萬輸出 token。
| 模型 | 輸入成本 (1M) | 輸出成本 (1M) | 合計 |
|---|---|---|---|
| DeepSeek V4 Pro | $0.43 | $0.86 | $1.29 |
| DeepSeek V4 Flash | $0.14 | $0.29 | $0.43 |
| GLM-5.2 | $1.14 | $4.00 | $5.14 |
| Qwen3.7 Max | $0.86 | $2.57 | $3.43 |
| GPT-5.2 | $1.75 | $14.00 | $15.75 |
| Claude Sonnet 5 | $3.00 | $15.00 | $18.00 |
在這個單位上,V4 Pro 比 GLM-5.2 便宜 4.0×、比 GPT-5.2 便宜 12.2×、比 Claude Sonnet 5 便宜 14.0×。 表中除 V4 Pro 與 V4 Flash 外,輸出 token 都是帳單主因 —— 對這兩款,輸入與輸出價格落在 2× 比例內,平衡得不尋常。
1 百萬次呼叫 @ 1K 輸入 + 500 輸出 token 的成本
對聊天型工作負載更貼近現實的單位:一百萬次短呼叫,每次消耗 1,000 輸入 token、產生 500 輸出 token。合計為 10 億輸入 token 與 5 億輸出 token。
| 模型 | 輸入成本 (1B in) | 輸出成本 (500M out) | 1M 呼叫合計 |
|---|---|---|---|
| DeepSeek V4 Pro | $429 | $429 | $857 |
| GLM-5.2 | $1,143 | $2,000 | $3,143 |
| Qwen3.7 Max | $857 | $1,286 | $2,143 |
| GPT-5.2 | $1,750 | $7,000 | $8,750 |
| Claude Sonnet 5 | $3,000 | $7,500 | $10,500 |
一個有用的 sanity check:若你每月花 $10,000 在 Claude Sonnet 5 上跑一個多模態工作負載,而它並未特別需要 Anthropic 的 coding 品質,同樣的流量形狀在 DeepSeek V4 Pro 上大約只要 $816/月 —— 省 12 倍。這筆節省是否值得換取品質折衷,只有你自己的 eval 能回答。但價差大到連量都不量就等於把真金白銀留在桌上。
何時挑 DeepSeek V4 Pro(以及何時不要)
世上沒有「最佳模型」—— 只有針對給定工作負載與預算的正確模型。把這張矩陣當作起點,並用自己的 eval 驗證。
| 工作負載 | 推薦 | 原因 |
|---|---|---|
| 預算有限的高量級多模態聊天 | DeepSeek V4 Pro | 唯一低於 $1/1M 輸入並具備視覺的旗艦。在 1K+500-token 聊天單位上比 Claude Sonnet 5 便宜 12 倍。 |
| 長文件分析(1M context)、短至中等輸出 | DeepSeek V4 Pro | 1M context window + 32K max output 對多數摘要與問答已足夠。目錄中最便宜的 1M-context 旗艦。 |
| 需要極長輸出(>32K tokens)的長文件分析 | GLM-5.2 | GLM-5.2 的 128K max output 在此等級獨一無二。V4 Pro 在 32K 截斷。 |
| 高量級分類、抽取、routing(不需 reasoning) | DeepSeek V4 Flash | V4 Pro 三分之一的價格。同樣 1M context、同樣視覺,只是沒有 reasoning 標籤。 |
| 頂級 coding 品質、成本次要 | Claude Sonnet 5 | Anthropic 自己的定位與社群 eval 都把 Sonnet 5 擺在程式碼頂端。V4 Pro 是預算替代。 |
| 高難度多步 reasoning,且你想要 DeepSeek 特有風格 | DeepSeek V4 Pro | V4 Pro 在規格上取代 R1 (0528) —— 更便宜、多模態、更長 context。只有在依賴 R1 0528 精確行為時才留在 R1。 |
| 生態系綁定(OpenAI 工具、Codex 整合) | GPT-5.2 | V4 Pro 與其他模型一樣有 tools 與 json,但 OpenAI 生態系有最廣的 SDK 覆蓋。當成本主導時選 V4 Pro。 |
合理的預設 routing 策略:把便宜、高量級、多模態的流量送給 DeepSeek V4 Pro;把長輸出重構送給 GLM-5.2;把高風險 coding 送給 Claude Sonnet 5;當你需要 OpenAI 生態系但價格低於 5.5/5.6 前沿等級時,把 GPT-5.2 當作中間選項。
如何呼叫 DeepSeek V4 Pro(真實可跑的程式碼)
MeshTok 在 https://meshtok.com/v1 暴露一個 OpenAI 相容端點。在 DeepSeek V4 Pro 與本文中其他模型之間切換,只要改 model 欄位一行 —— 同樣的 SDK、同樣的 API key、同樣的請求格式。
# pip install openai
from openai import OpenAI
client = OpenAI(
base_url="https://meshtok.com/v1",
api_key="sk-your-meshtok-key",
)
def ask(model_id: str, prompt: str) -> str:
"""Same call, different model — switch with one string."""
resp = client.chat.completions.create(
model=model_id,
messages=[{"role": "user", "content": prompt}],
)
return resp.choices[0].message.content
# Real model IDs from the MeshTok catalog
cheap_flagship = ask("deepseek/deepseek-v4-pro", "Summarize this 200K-token transcript and extract action items.")
long_output_pick = ask("bigmodel/glm-5.2", "Rewrite this 50K-token file with the new API.")
coding_flagship = ask("anthropic/claude-sonnet-5","Refactor this Python function and add tests.")
balanced_default = ask("openai/gpt-5.2", "Describe what's in this image and suggest alt text.")串流、tool calling、JSON mode 與影像輸入都運作如常 —— 改 model 字串並加上相關參數即可。串流回應傳入 stream=True;tool calling 傳入 tools 參數;結構化輸出使用 response_format={"type": "json_object"}。完整 Python、JavaScript 與 cURL 範例請見 MeshTok 串流文件 與 tool-calling 文件。
常見問題
DeepSeek V4 Pro 真的是目錄中最便宜的旗艦嗎?
截至 2026-07-20,是的。它是 src/data/models.ts 中唯一同時帶有 flagship capability 標籤且輸入價格低於 $1/1M token 的模型。下一個最便宜的旗艦是 Qwen3.7 Max 的 $0.8571/1M 輸入 —— 剛好 2 倍的輸入價格。
為什麼本文沒有延遲或 token 數 benchmark?
因為我們沒有跑,也不會發布無法用原始 log 佐證的數字。延遲取決於時段、地區、prompt 長度與佇列狀態 —— 一個沒有測試治具、時間戳與原始回應的第一 token 延遲數字,是行銷而非資料。若你需要針對工作負載的 benchmark 數字,請自行在 MeshTok 上以 temperature: 0.0 與你自己的 prompt 跑。上方的定價與 capability 資料才是穩定且可驗證的部分。
V4 Pro 在 reasoning 上與 DeepSeek R1 相比如何?
規格上,V4 Pro 已取代 R1 (0528):相同 context window、相同 max output、輸入與輸出價格都更低,加上視覺與 flagship 標籤 —— 這兩者 R1 都沒有。留在 R1 的唯一理由,是你既有的 eval pipeline 已調校到它精確的 0528 行為,而你不想重跑 evals。對新專案,預設選 V4 Pro。
V4 Pro 支援 tool calling 與結構化輸出嗎?
是的。capabilities 欄位列出 tools 與 json,代表原生 function calling 與 JSON-mode 結構化輸出都透過 MeshTok 的 OpenAI 相容端點支援。請求格式與 OpenAI 完全相同 —— 只有 model 欄位不同。
1M context window 是真的還是行銷話術?
這是 src/data/models.ts 中宣告的 context window,鏡射自 DeepSeek 自家的 model card。實際可用 context 取決於你的 prompt 形狀、retrieval 策略,以及模型如何處理長 context attention —— 這些都該在你自己的資料上測試。目錄數字是模型接受的上限,不是每個位置的品質保證。
為什麼 V4 Pro 比 Claude Sonnet 5 便宜這麼多? 不同實驗室有不同的成本結構。DeepSeek 自行運作推論堆疊並以量計價積極定價;Anthropic 把 Sonnet 5 定在反映其 coding 與 reasoning 旗艦定位的溢價。MeshTok 不加任何 markup —— 你看到的正是各實驗室公布的價格。
這些價格穩定嗎?
模型廠商會週期性更新列價。本文數字反映 2026-07-20 的 MeshTok 目錄。頁面頂端的 updatedDate 告訴你本文最後審閱時間;真相的線上來源永遠是 https://meshtok.com/models。
最後審閱 2026-07-20,由 MeshTok Team 進行。所有價格與 capabilities 取自審閱當日線上 MeshTok 模型目錄(src/data/models.ts)。本文未進行任何延遲、token 數或品質量測 —— 所列數字為已公布列價的算術推算,並非實測 benchmark。