DeepSeek V4 Pro: model unggulan dengan konteks 1M token, output 384K, dan skor τ²-Bench 96.2.
DeepSeek V4 Pro adalah model generasi teks unggulan yang disediakan oleh DeepSeek dan tersedia melalui API OrcaRouter. Model ini dirancang untuk tugas-tugas yang memerlukan pemrosesan konteks token dalam jumlah sangat besar—hingga 1.048.576 token—dan menghasilkan keluaran hingga 384.000 token. Model ini hanya berbasis teks, artinya tidak menerima atau menghasilkan gambar, audio, atau modalitas non-teks lainnya. Harganya transparan: $0,44 per 1 juta token masukan dan $0,87 per 1 juta token keluaran, dengan OrcaRouter meneruskan tarif penyedia langsung tanpa markup. Model ini mencapai skor τ²-Bench sebesar 96,2, yang mencerminkan kinerja kuat dalam skenario penggunaan alat agen. Model ini diakses melalui titik akhir API yang kompatibel dengan OpenAI di https://api.orcarouter.ai/v1 menggunakan pengidentifikasi model 'deepseek/deepseek-v4-pro'.
DeepSeek V4 Pro menargetkan pengembang, ilmuwan data, dan peneliti yang secara rutin bekerja dengan konteks yang sangat panjang—seperti dokumen hukum, basis kode multi-file, atau makalah penelitian ekstensif. Batas outputnya yang besar (384.000 token) juga cocok untuk aplikasi yang memerlukan pembuatan konten terstruktur dalam jumlah besar, seperti draf sepanjang buku atau laporan komprehensif. Karena kapasitas konteksnya yang tinggi, model ini sangat berharga untuk aplikasi multi-turn di mana seluruh riwayat percakapan harus tetap terlihat oleh model. Namun, untuk kueri pendek satu putaran atau tugas dengan konteks terbatas, model yang lebih kecil atau lebih murah mungkin lebih hemat biaya. Model ini juga cocok untuk benchmarking kinerja agen berkat skor τ²-Bench yang kuat.
Spesifikasi utama meliputi jendela konteks sebesar 1,048,576 token dan output maksimum 384,000 token. Model ini hanya beroperasi pada input teks. Harga ditetapkan sebesar $0.44 per 1 juta token input dan $0.87 per 1 juta token output, tanpa markup dari tarif penyedia. Skor tolok ukur utama model adalah 96.2 pada τ²-Bench, sebuah ukuran yang mengevaluasi kemampuan model dalam menggunakan alat dalam pengaturan agen. Model ini dihosting oleh OrcaRouter dan dapat dipanggil melalui API yang kompatibel dengan OpenAI di https://api.orcarouter.ai/v1 dengan ID model 'deepseek/deepseek-v4-pro'. Spesifikasi ini menjadikannya salah satu model teks berkapasitas tertinggi dalam hal panjang konteks dan output yang tersedia melalui OrcaRouter.
OrcaRouter menawarkan DeepSeek V4 Pro melalui API yang kompatibel dengan OpenAI. Pengguna mengirim permintaan ke https://api.orcarouter.ai/v1 dengan parameter model yang diatur ke 'deepseek/deepseek-v4-pro'. API ini mendukung endpoint dan parameter chat completions standar (misalnya, temperature, max_tokens, stop). OrcaRouter tidak menambahkan markup pada harga penyedia, sehingga tarif yang ditagih sesuai dengan $0.44/$0.87 per juta token. Pengaturan ini menyederhanakan migrasi bagi tim yang sudah menggunakan pustaka klien OpenAI—mereka hanya perlu mengubah URL dasar dan nama model. OrcaRouter menangani routing dan keandalan tanpa memerlukan otentikasi tambahan selain kunci API.
DeepSeek V4 Pro unggul dalam tugas yang memerlukan pemahaman teks panjang, seperti merangkum seluruh buku, menjawab pertanyaan dalam konteks ribuan token, dan mengekstrak data terstruktur dari dokumen panjang. Batas outputnya yang besar memungkinkan pembuatan analisis, kode, atau tulisan kreatif yang panjang hingga ratusan ribu token. Karena hanya berupa teks, kemampuannya terbatas pada penalaran, pembuatan, dan pengikut instruksi berbasis teks. Ia tidak mendukung penglihatan, audio, atau modalitas lainnya. Skor τ²-Bench model yang tinggi (96.2) menunjukkan kinerja yang kuat dalam pengaturan agen di mana model harus menggunakan alat eksternal atau API untuk menyelesaikan tugas.
Meskipun DeepSeek V4 Pro menawarkan kapasitas konteks dan output yang sangat besar, ia memiliki biaya per token yang lebih tinggi dibandingkan model yang lebih ringkas. Untuk tugas yang hanya memerlukan beberapa ratus token konteks dan output, menggunakan model flagship ini mungkin boros. Skenario umum di mana model yang lebih kecil dan lebih murah sudah mencukupi meliputi klasifikasi satu putaran, peringkasan singkat, atau penerjemahan singkat dari teks pendek. Jika aplikasi Anda tidak mendapatkan manfaat dari jendela konteks 1M penuh atau batas output 384K, Anda dapat mengurangi latensi dan biaya dengan memilih model dari tingkat yang lebih rendah. OrcaRouter menawarkan berbagai model; pertimbangkan model non-flagship untuk pertanyaan sehari-hari.
Model ini ideal untuk aplikasi yang melibatkan pemrosesan seluruh basis kode untuk refactoring atau dokumentasi, menganalisis dokumen hukum atau regulasi yang terdiri dari ratusan halaman, serta mempertahankan percakapan yang koheren dalam banyak giliran di mana riwayat lengkap diperlukan. Model ini juga cocok untuk menghasilkan konten berbentuk panjang seperti manual teknis yang mendetail, novel, atau tinjauan riset yang komprehensif. Kemampuannya untuk menghasilkan hingga 384.000 token dalam satu respons menjadikannya salah satu dari sedikit model yang mampu memproduksi keluaran terstruktur yang sangat besar tanpa perlu dipotong-potong. Untuk alur kerja agen yang memerlukan penggunaan alat dalam konteks panjang, skor τ²-Bench menunjukkan keandalan yang kuat.
DeepSeek V4 Pro hanya mendukung input dan output teks. Model ini tidak dapat memproses atau menghasilkan gambar, audio, video, atau format non-teks lainnya. Jika aplikasi Anda memerlukan kemampuan multimodal—seperti menganalisis grafik atau mentranskripsi ucapan—Anda perlu menggunakan model berbeda yang mendukung modalitas tersebut, atau menggabungkan DeepSeek V4 Pro dengan prosesor eksternal terpisah. Dalam domain yang hanya berupa teks, model ini dirancang untuk menangani jumlah token yang sangat besar, sehingga cocok untuk tugas-tugas di mana input atau outputnya terutama bersifat tekstual dan panjang.
Tolok ukur utama yang disediakan untuk DeepSeek V4 Pro adalah 96.2 pada τ²-Bench. τ²-Bench mengevaluasi kemampuan model untuk menggunakan alat dan mengikuti instruksi dalam lingkungan agen, mensimulasikan tugas yang memerlukan model untuk memanggil fungsi, menafsirkan hasil, dan melakukan iterasi. Skor 96.2 menunjukkan akurasi dan keandalan yang tinggi dalam pengaturan tersebut. Tidak ada skor tolok ukur lain (mis., MMLU, HumanEval) yang ditentukan untuk model ini, sehingga perbandingan langsung harus dibatasi pada kinerja τ²-Bench. Pengguna yang tertarik pada dimensi lain (penalaran, pengkodean, dll.) mungkin perlu berkonsultasi dengan evaluasi publik pihak ketiga.
Latensi tergantung pada panjang input dan output, beban server, serta parameter permintaan tertentu. OrcaRouter mengarahkan permintaan ke infrastruktur DeepSeek, dan waktu respons tipikal untuk konteks panjang lebih tinggi dibandingkan konteks pendek. Karena model dapat menghasilkan hingga 384,000 token, pembuatan respons yang sangat panjang dapat memakan waktu menit. Untuk aplikasi real-time yang memerlukan latensi sub-detik, pertimbangkan untuk menggunakan model yang lebih kecil dengan output yang lebih pendek. OrcaRouter tidak menerbitkan tolok ukur latensi standar; Anda dapat memperkirakan kinerja dengan menjalankan permintaan uji menggunakan payload representatif.
Berdasarkan spesifikasinya, kekuatan utama DeepSeek V4 Pro mencakup kapasitas konteks dan output yang sangat besar, dikombinasikan dengan performa agen yang kuat seperti yang diukur oleh τ²-Bench. Jendela konteks 1M token memungkinkan model untuk menyimpan dan memproses seluruh buku teks atau basis kode yang panjang dalam satu kali proses, mengurangi kebutuhan untuk chunking atau retrieval-augmented generation. Batas output 384K memungkinkan pembuatan teks yang sangat panjang dan koheren tanpa pemotongan. Karakteristik ini membuatnya sangat berharga untuk tugas-tugas yang memerlukan keluasan dan kedalaman secara bersamaan.
Model ini hanya berupa teks, sehingga tidak dapat menangani masukan atau keluaran multimodal. Harganya per token lebih tinggi daripada model yang lebih kecil, sehingga tidak ekonomis untuk tugas dengan konteks pendek. Meskipun kinerja pada τ²-Bench kuat, tidak ada informasi yang diberikan tentang tolok ukur standar lainnya (misalnya, penalaran, multibahasa, pengkodean), sehingga kemampuan umumnya di luar penggunaan alat agen tidak diukur di sini. Pengguna juga harus menyadari bahwa keluaran yang sangat panjang dapat menimbulkan biaya dan latensi yang signifikan. Selain itu, model ini dapat menghasilkan respons yang salah atau bias, seperti halnya semua model bahasa besar.
Penetapan harga sangat sederhana: $0,44 per 1 juta token input dan $0,87 per 1 juta token output. Tarif ini ditetapkan oleh DeepSeek dan diteruskan oleh OrcaRouter tanpa markup. Baik token input maupun token output dihitung sesuai tokenizer penyedia. Tidak ada biaya platform tambahan, tingkatan penggunaan, atau diskon volume yang ditentukan. Total biaya untuk sebuah permintaan sama dengan (input_tokens * $0,44/1M) + (output_tokens * $0,87/1M). Sebagai contoh, permintaan dengan 100K token input dan 50K token output akan dikenakan biaya sekitar $0,044 + $0,0435 = $0,0875.
Tidak ada informasi yang diberikan tentang diskon caching atau prompt caching untuk DeepSeek V4 Pro. OrcaRouter tidak menambahkan markup, tetapi tidak diketahui apakah DeepSeek menawarkan tarif yang lebih rendah untuk prefiks prompt yang diulang atau konteks yang di-cache. Pengguna harus berasumsi bahwa setiap token yang dihasilkan ditagih dengan tarif per token standar. Untuk aplikasi dengan pengulangan tinggi dalam prompt, pertimbangkan untuk mengevaluasi apakah penyedia atau model lain dengan dukungan caching eksplisit dapat menurunkan biaya. Pada saat penulisan ini, model penetapan harga murni konsumsi per token tanpa tingkatan.
Biaya per-token dari DeepSeek V4 Pro lebih tinggi dibandingkan banyak model yang lebih kecil atau lebih lama yang tersedia melalui OrcaRouter. Sebagai contoh, model ringan mungkin berharga sepersepuluh dari biaya per token. Jika tugas Anda hanya menggunakan sebagian kecil dari jendela konteks (misalnya, 4K token) dan menghasilkan keluaran pendek, Anda akan membayar lebih dari yang diperlukan. Model flagship menjadi hemat biaya ketika ukuran konteks atau output yang lebih besar secara langsung mengurangi jumlah panggilan API atau kebutuhan akan sistem pengambilan eksternal. Untuk aplikasi bervolume tinggi dengan konteks pendek, model yang lebih murah akan menurunkan tagihan Anda secara signifikan.
OrcaRouter menyatakan bahwa DeepSeek V4 Pro ditagih dengan tarif penyedia tanpa markup. Ini berarti harga yang Anda bayar per token sama persis dengan yang dibayarkan OrcaRouter kepada DeepSeek, tanpa margin tambahan. Kebijakan ini berlaku untuk semua model yang terdaftar di platform. Transparansi ini memungkinkan Anda membandingkan biaya secara langsung dengan penyedia lain tanpa khawatir akan biaya tersembunyi. Namun, tarif dapat berubah jika DeepSeek memperbarui harganya; OrcaRouter diperkirakan akan meneruskan perubahan tersebut tanpa perubahan.
Gunakan titik akhir (endpoint) chat completions yang kompatibel dengan OpenAI: POST https://api.orcarouter.ai/v1/chat/completions. Atur parameter 'model' menjadi 'deepseek/deepseek-v4-pro'. Sertakan kunci API Anda di header Authorization sebagai 'Bearer YOUR_API_KEY'. Parameter standar seperti 'messages', 'temperature', 'max_tokens', 'top_p', 'stop', dan 'frequency_penalty' didukung. Sebagai contoh, mengatur 'max_tokens' ke 384000 akan memungkinkan model menghasilkan hingga sebanyak token tersebut. Lihat dokumentasi OrcaRouter untuk parameter tambahan yang didukung. Respons mengikuti format yang sama dengan API OpenAI.
Semua parameter penyelesaian obrolan standar tersedia: 'messages' (array wajib dari objek pesan dengan 'role' dan 'content'), 'temperature' (0-2, default kemungkinan 1), 'top_p' (0-1), 'max_tokens' (hingga 384000), 'stop' (string atau array string), 'frequency_penalty' (-2 hingga 2), 'presence_penalty' (-2 hingga 2), 'seed' (bilangan bulat untuk sampling deterministik), dan 'stream' (boolean). Perhatikan bahwa 'max_tokens' tidak boleh melebihi output maksimum model sebesar 384000 token; mengirim nilai yang lebih tinggi akan dipotong atau mengembalikan kesalahan. Pengidentifikasi model harus tepat 'deepseek/deepseek-v4-pro'. Tidak ada parameter tambahan khusus penyedia yang telah diungkapkan.
Jika Anda menggunakan pustaka klien Python OpenAI, migrasi hanya memerlukan dua perubahan: atur URL dasar menjadi 'https://api.orcarouter.ai/v1' dan perbarui nama model menjadi 'deepseek/deepseek-v4-pro'. Kode Anda yang ada yang menggunakan 'openai.ChatCompletion.create()' atau API klien yang lebih baru seharusnya berfungsi dengan modifikasi ini. Pastikan Anda memiliki kunci API OrcaRouter. Skema permintaan dan respons identik dengan OpenAI, jadi tidak ada perubahan lain yang diperlukan. Untuk bahasa pemrograman lain (JavaScript, Java, curl), perbarui URL titik akhir dan bidang model sesuai.
URL dasar untuk semua permintaan API adalah https://api.orcarouter.ai/v1. ID model yang tepat untuk digunakan di bidang 'model' adalah 'deepseek/deepseek-v4-pro'. ID ini sensitif terhadap huruf besar/kecil dan harus disediakan persis seperti yang ditampilkan. Permintaan ke titik akhir lainnya atau menggunakan ID model yang salah akan mengakibatkan kesalahan. API OrcaRouter mendukung mode streaming dan non-streaming. Untuk streaming, atur 'stream': true di badan permintaan, dan Anda akan menerima acara SSE dalam format yang sama dengan streaming OpenAI.
Dibandingkan dengan model flagship lain yang tersedia melalui OrcaRouter, DeepSeek V4 Pro menawarkan salah satu jendela konteks terbesar (1M token) dan batas keluaran (384K token). Skor τ²-Bench sebesar 96,2 menjadi titik perbandingan langsung. Namun, tanpa data tolok ukur untuk model lain pada metrik yang sama, peringkat langsung tidak dapat dilakukan. Banyak model flagship lain yang mendukung input multimodal, yang tidak dimiliki DeepSeek V4 Pro. Biaya per token bervariasi; beberapa pesaing mungkin memiliki harga per token lebih rendah tetapi jendela konteks lebih kecil. Pilihannya tergantung pada apakah Anda memerlukan kapasitas konteks dan keluaran yang sangat besar atau kemampuan multimodal.
Jika aplikasi Anda memerlukan visi (pemahaman gambar) atau pemrosesan audio, Anda harus memilih model multimodal. Demikian pula, jika tugas Anda biasanya pendek (<10K token) dan tidak memerlukan penggunaan alat agen, andalan tujuan umum yang lebih murah mungkin lebih hemat biaya. Beberapa pesaing mungkin menawarkan inferensi yang lebih cepat untuk konteks pendek atau latensi yang lebih rendah. Kekuatan DeepSeek V4 Pro terletak pada skenario di mana konteks panjang dan keluaran sangat penting. Jika kasus penggunaan Anda melibatkan pemrosesan banyak dokumen pendek yang terpisah, model dengan jendela konteks yang lebih kecil tetapi harga per token yang lebih rendah bisa lebih ekonomis.
DeepSeek menawarkan beberapa model. DeepSeek V4 Pro adalah model unggulan, dengan konteks terbesar dan biaya tertinggi. Model DeepSeek yang lebih kecil mungkin memiliki jendela konteks 32K atau 128K token dan harga yang lebih rendah, sehingga lebih cocok untuk beban kerja tipikal. Jika Anda sudah menggunakan model DeepSeek dan membutuhkan kapasitas konteks yang lebih besar atau kinerja agentik yang lebih baik, meningkatkan ke V4 Pro adalah langkah yang logis. Namun, untuk sebagian besar tugas yang tidak memerlukan konteks maksimal, model DeepSeek tingkat rendah akan memberikan kualitas serupa dengan biaya yang lebih rendah. Periksa katalog OrcaRouter untuk model DeepSeek yang tersedia.
τ²-Bench mengukur kemampuan model untuk menggunakan alat dalam pengaturan agen. Skor 96.2 menunjukkan bahwa DeepSeek V4 Pro sangat andal dalam memanggil fungsi dengan benar, mem-parsing hasil, dan mengikuti instruksi multi-langkah. Saat membandingkan dengan model lain, jika mereka memiliki skor τ²-Bench, Anda dapat langsung membandingkannya. Jika tidak, Anda mungkin perlu mengevaluasi berdasarkan tolok ukur lain atau pengujian kualitatif. Untuk aplikasi yang tidak melibatkan penggunaan alat, skor τ²-Bench kurang relevan. Dalam kasus tersebut, pertimbangkan metrik lain seperti penalaran, pengkodean, atau pemahaman bahasa jika tersedia.
from 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-v4-pro",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)| Input / 1M token | $0.442 |
| Output / 1M token | $0.884 |
| Baca cache / 1M | $0.060 |
| Mata uang | USD |