DeepSeek alias para el modo sin pensamiento de V4 Flash — contexto de 1M, fuerte seguimiento de instrucciones y codificación (alias heredado, programado para ser obsoleto).
DeepSeek V3 es un modelo de texto de mezcla de expertos (Mixture-of-Experts) de DeepSeek, diseñado para tareas que requieren comprensión y generación de contextos muy largos. Su ventana de contexto…
DeepSeek V3 sobresale en el razonamiento sobre contextos largos gracias a su ventana de 1 millón de tokens. Puede mantener la coherencia a lo largo de cientos de páginas de texto, lo que lo hace ideal para resumir documentos completos, seguir narrativas complejas o analizar grandes repositorios de código. La arquitectura MoE le permite delegar diferentes partes de una tarea a subredes especializadas ('expertos'), mejorando la eficiencia. También admite un límite de salida alto de 384k tokens, lo que permite generar informes extensos, libros o diálogos de múltiples turnos con respuestas detalladas. Es particularmente fuerte en razonamiento matemático y generación de código, áreas en las que DeepSeek ha centrado su entrenamiento.
Para tareas simples como preguntas y respuestas cortas, clasificación o resúmenes ligeros, un modelo más pequeño (por ejemplo, Llama 3.1 8B o GPT-4o mini) puede ser más rentable y rápido. DeepSeek V3 está optimizado para contextos largos y salidas extensas; usarlo para una respuesta de 100 tokens desperdicia su capacidad. Si la latencia en tiempo real es crítica y el contexto es breve, considera un modelo con menor sobrecarga. Además, si necesitas entrada multimodal, DeepSeek V3 no es adecuado.
Los mejores casos de uso incluyen procesar documentos muy largos (por ejemplo, contratos legales, trabajos de investigación, libros completos) donde se debe considerar todo el contexto. También es efectivo para aplicaciones de chat de múltiples turnos que mantienen un historial de conversación de hasta 1M de tokens, como atención al cliente avanzada o narración interactiva. La generación y análisis de código en bases de código masivas se benefician del amplio contexto. Además, las tareas que requieren generación de formato largo, como redacción de informes, creación de artículos o generación de datos estructurados (por ejemplo, JSON, XML), pueden aprovechar al máximo el límite de salida de 384k.
No se proporcionan puntuaciones de referencia específicas para DeepSeek V3 en esta lista. Sin embargo, la información disponible públicamente de DeepSeek indica que V3 logra resultados competitivos en pruebas de referencia de razonamiento (por ejemplo, MATH, GSM8K), pruebas de referencia de codificación (por ejemplo, HumanEval, MBPP) y tareas de comprensión del lenguaje (por ejemplo, MMLU). Su arquitectura MoE le permite rendir de manera similar a modelos densos con muchos más parámetros totales mientras usa menos cálculo por token. Los usuarios deben consultar el documento oficial de DeepSeek para obtener números detallados.
La latencia depende de la longitud de entrada, la longitud de salida y la carga actual. Dado que DeepSeek V3 utiliza una arquitectura de Mezcla de Expertos, activa solo un subconjunto de parámetros por token, lo que generalmente resulta en una generación más rápida en comparación con un modelo denso de la misma cantidad total de parámetros. En OrcaRouter, la latencia también se ve afectada por las condiciones de la red y el equilibrio de carga. Para contextos cortos, el modelo responde rápidamente; para el procesamiento de contextos largos, el tiempo de codificación inicial se escala con la longitud de entrada. No se proporcionan cifras específicas de latencia, pero los usuarios pueden esperar un rendimiento razonable para un modelo de su tamaño.
Las fortalezas incluyen una ventana de contexto masiva (1M tokens), un límite de salida alto (384k tokens), eficiencia MoE que resulta en un menor costo por token, y un sólido rendimiento en razonamiento y codificación. Limitaciones: entrada únicamente de texto (sin imágenes, sin audio), posible reducción en la profundidad del conocimiento en comparación con modelos densos más grandes, y el modelo puede no ser ideal para tareas muy cortas donde resulta excesivo. Además, su comportamiento en tareas altamente matizadas (por ejemplo, escritura creativa, tono emocional) puede variar; se recomienda realizar pruebas por parte del usuario.
El precio es de $0.14 por cada 1 millón de tokens de entrada y $0.28 por cada 1 millón de tokens de salida. Estas tarifas se facturan a la tarifa del proveedor sin margen adicional de OrcaRouter. Los tokens de entrada incluyen el prompt; los tokens de salida son el texto generado por el modelo. Por ejemplo, una entrada de 500,000 tokens y una salida de 100,000 tokens costarían $0.07 (entrada) + $0.028 (salida) = $0.098. Tenga en cuenta que los tokens se cuentan mediante el tokenizador del proveedor.
Dado su amplio contexto de ventana, los costos pueden acumularse si siempre usas los 1M tokens completos. Sin embargo, para muchos casos de uso, el tamaño promedio de entrada es menor. El costo por token es competitivo, especialmente en comparación con modelos densos de capacidad similar. Como es un modelo MoE, el costo de cómputo por token es menor, lo cual OrcaRouter traslada como margen cero. Si tu tarea requiere solo unos pocos cientos de tokens, un modelo más barato puede ser más económico. Para tareas de contexto largo, DeepSeek V3 suele ofrecer la mejor relación coste-rendimiento.
OrcaRouter no anuncia por separado descuentos de almacenamiento en caché para DeepSeek V3. El almacenamiento en caché, si lo hubiera, seguiría las políticas del proveedor (DeepSeek), que pueden o no aplicarse. Los usuarios deben asumir la facturación estándar por token. Para optimizar costos, considere reutilizar las ventanas de contexto de manera eficiente eliminando entradas innecesarias.
Utiliza la API compatible con OpenAI de OrcaRouter con la URL base https://api.orcarouter.ai/v1. Establece el ID del modelo como "deepseek/deepseek-chat". Puedes usar el cliente oficial de OpenAI para Python o cualquier biblioteca que admita las finalizaciones de chat de OpenAI. Ejemplo en Python: ```python import openai client = openai.OpenAI(base_url="https://api.orcarouter.ai/v1", api_key="YOUR_ORCAROUTER_API_KEY") response = client.chat.completions.create(model="deepseek/deepseek-chat", messages=[{"role":"user","content":"Hello"}]) ```
El modelo admite parámetros estándar de finalización de chat: temperature, top_p, max_tokens, stop, frequency_penalty, presence_penalty y otros. max_tokens se puede configurar hasta 384,000. El modelo es solo texto, por lo que no admite entradas de imagen o audio. Para contextos largos, puede enviar grandes conjuntos de mensajes; asegúrese de que el total de tokens no supere 1,048,576. El tokenizador es el mismo que el de DeepSeek; OrcaRouter maneja el conteo de tokens según el proveedor.
Cambia la base_url a https://api.orcarouter.ai/v1 y el ID del modelo a "deepseek/deepseek-chat". Mantén tu estructura de código existente (mensajes, parámetros). No se requieren otros cambios si estás usando el cliente Python de OpenAI o similar. Asegúrate de que tu clave API sea válida para OrcaRouter. Prueba con una solicitud pequeña para verificar los límites de tokens y los precios. Para aplicaciones que usan streaming, el formato de respuesta es idéntico al streaming de OpenAI.
GPT-4o admite entrada de texto, imagen y audio; DeepSeek V3 es solo texto. GPT-4o tiene una ventana de contexto de 128k, mientras que DeepSeek V3 soporta 1M. El precio de GPT-4o varía pero generalmente es más alto por token. La arquitectura MoE de DeepSeek V3 puede ofrecer menor latencia para contextos largos. En razonamiento y codificación, ambos son fuertes, pero GPT-4o tiene capacidades multimodales más amplias. Elige DeepSeek V3 si necesitas una longitud de contexto extrema y procesamiento de texto eficiente; elige GPT-4o para tareas multimodales.
Claude 3.5 Sonnet ofrece una ventana de contexto de 200k, significativamente menor que el 1M de DeepSeek V3. Claude admite entrada de texto e imágenes; DeepSeek V3 es solo texto. El precio de Claude es más alto por token (por ejemplo, $3 por millón de entrada). DeepSeek V3 es más barato. Claude es conocido por un fuerte seguimiento de instrucciones y seguridad; DeepSeek V3 destaca en matemáticas y programación. Para tareas de contexto largo, DeepSeek V3 es más rentable y ofrece una mayor capacidad.
Llama 3.1 405B es un modelo denso con una ventana de contexto de 128k; el contexto de DeepSeek V3 es mucho más grande. Llama 3.1 405B también es solo texto. El precio de Llama 3.1 405B a través de servicios alojados suele ser más alto que el de DeepSeek V3. La arquitectura MoE de DeepSeek V3 utiliza menos parámetros activos, potencialmente más rápida para la generación. Ambos son sólidos en razonamiento; DeepSeek V3 puede tener ventaja en la recuperación de contexto largo debido a su ventana extendida. Elige DeepSeek V3 para longitudes de contexto extremas; Llama 3.1 para acceso de pesos abiertos o variantes ajustadas específicas.
Utiliza DeepSeek V3 cuando tu tarea requiera procesar contextos muy largos (por ejemplo, libros completos, bases de código grandes) o generar salidas largas (hasta 384k tokens). Si tu tarea es corta, un modelo más pequeño como DeepSeek V2 Lite o Llama 3.1 8B será más rápido y económico. Además, si necesitas entrada multimodal, considera otros modelos. La relación costo-beneficio favorece a DeepSeek V3 para cualquier tarea donde el contexto supere los 128k tokens o donde se requiera una longitud de salida más allá de los límites típicos.
Compatible con OpenAI: conserva tu SDK actual
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="deepseek/deepseek-chat",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoninglogprobsmax_tokensreasoningresponse_formatstopstreamstream_optionstemperaturethinkingtool_choicetoolstop_logprobstop_puser_id| Entrada / 1M tokens | $0.147 |
| Salida / 1M tokens | $0.295 |
| Lectura caché / 1M | $0.020 |
| Moneda | USD |
Estimación según precio de lista
Solo una estimación: el número real de tokens depende del tokenizador del proveedor.
GET /api/public/models/deepseek/deepseek-chatAbrir @misc{orcarouter_deepseek_chat,
title = {DeepSeek V3 API},
author = {DeepSeek},
year = {2024},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/deepseek/deepseek-chat}
}DeepSeek. (2024). DeepSeek V3 API. OrcaRouter. https://www.orcarouter.ai/models/deepseek/deepseek-chat