DeepSeek V4 Pro: 1M 토큰 컨텍스트, 384K 출력, 96.2 τ²-Bench 점수를 갖춘 플래그십 모델.
DeepSeek V4 Pro는 DeepSeek이 제공하고 OrcaRouter의 API를 통해 이용 가능한 플래그십 텍스트 생성 모델입니다. 이 모델은 최대 1,048,576개의 토큰 컨텍스트를 처리하고 최대 384,000개의 토큰을 생성하는 작업을 위해 설계되었습니다. 이 모델은 텍스트 전용으로, 이미지, 오디오 등 비텍스트 형식을 입력 또는 출력하지 않습니다. 가격은 투명하게 책정되어 있으며, 입력 토큰 100만 개당 $0.44, 출력 토큰 100만 개당 $0.87이며, OrcaRouter는 마크업 없이 제공자 요율을 직접 전달합니다. 이 모델은 τ²-Bench 점수 96.2를 달성하여, 에이전트 도구 사용 시나리오에서 강력한 성능을 보여줍니다. 이 모델은 https://api.orcarouter.ai/v1의 OpenAI 호환 API 엔드포인트를 통해 모델 식별자 'deepseek/deepseek-v4-pro'를 사용하여 접근할 수 있습니다.
DeepSeek V4 Pro는 법률 문서, 다중 파일 코드베이스, 방대한 연구 논문과 같이 매우 긴 컨텍스트를 정기적으로 다루는 개발자, 데이터 과학자, 연구자를 대상으로 합니다. 또한 큰 출력 제한(384,000 토큰)은 책 길이의 초안이나 포괄적인 보고서와 같이 상당한 양의 구조화된 콘텐츠를 생성해야 하는 애플리케이션에 적합합니다. 높은 컨텍스트 용량 덕분에 전체 대화 기록이 모델의 시야에 유지되어야 하는 다중 턴 애플리케이션에 특히 유용합니다. 그러나 짧은 단일 턴 쿼리나 컨텍스트가 제한된 작업의 경우, 더 작거나 저렴한 모델이 더 비용 효율적일 수 있습니다. 이 모델은 강력한 τ²-Bench 점수 덕분에 에이전트 성능 벤치마킹에도 적합합니다.
핵심 사양에는 1,048,576개의 토큰 컨텍스트 윈도우와 최대 384,000개의 토큰 출력이 포함됩니다. 모델은 텍스트 입력만 처리합니다. 가격은 입력 토큰 100만 개당 $0.44, 출력 토큰 100만 개당 $0.87로 설정되어 있으며, 제공업체 요율 대비 추가 요금은 없습니다. 모델의 주요 벤치마크 점수는 τ²-Bench에서 96.2점으로, 이는 에이전트 환경에서 도구를 사용하는 모델의 능력을 평가하는 지표입니다. OrcaRouter에서 호스팅되며 OpenAI 호환 API(https://api.orcarouter.ai/v1)에서 모델 ID 'deepseek/deepseek-v4-pro'로 호출할 수 있습니다. 이러한 사양은 OrcaRouter를 통해 제공되는 컨텍스트 및 출력 길이 측면에서 가장 높은 용량의 텍스트 모델 중 하나입니다.
OrcaRouter는 OpenAI 호환 API를 통해 DeepSeek V4 Pro를 제공합니다. 사용자는 model 매개변수를 'deepseek/deepseek-v4-pro'로 설정하여 요청을 https://api.orcarouter.ai/v1로 보냅니다. 이 API는 표준 채팅 완료 엔드포인트와 매개변수(예: temperature, max_tokens, stop)를 지원합니다. OrcaRouter는 공급자의 가격에 마크업을 추가하지 않으므로 청구 요금은 토큰 100만 개당 $0.44/$0.87입니다. 이 설정은 이미 OpenAI 클라이언트 라이브러리를 사용 중인 팀이 base URL과 모델 이름만 변경하면 되므로 마이그레이션을 간소화합니다. OrcaRouter는 API 키 외에 추가 인증 없이 라우팅 및 안정성을 처리합니다.
DeepSeek V4 Pro는 전체 책 요약, 수천 개의 토큰 컨텍스트에 걸친 질문 응답, 긴 문서에서 구조화된 데이터 추출 등 긴 텍스트 이해가 필요한 작업에서 뛰어난 성능을 발휘합니다. 큰 출력 제한 덕분에 수십만 개의 토큰에 걸친 상세한 분석, 코드 또는 창작 글쓰기를 생성할 수 있습니다. 텍스트 전용 모델이므로 기능이 텍스트 기반 추론, 생성 및 명령 수행에 국한되며, 비전, 오디오 등 다른 모달리티는 지원하지 않습니다. 이 모델의 높은 τ²-Bench 점수(96.2)는 외부 도구나 API를 사용하여 작업을 완료해야 하는 에이전트 환경에서 강력한 성능을 시사합니다.
DeepSeek V4 Pro는 방대한 컨텍스트와 출력 용량을 제공하지만, 더 작은 모델보다 토큰당 비용이 더 높습니다. 수백 개의 토큰 컨텍스트와 출력만 필요한 작업의 경우 이 플래그십 모델을 사용하는 것은 낭비일 수 있습니다. 더 작고 저렴한 모델로 충분한 일반적인 시나리오로는 단일 턴 분류, 짧은 요약, 또는 짧은 구절의 간단한 번역이 있습니다. 애플리케이션이 100만 컨텍스트 창 또는 38만4천 출력 제한을 완전히 활용하지 못하는 경우, 하위 계층의 모델을 선택하여 지연 시간과 비용을 줄일 수 있습니다. OrcaRouter는 다양한 모델을 제공합니다. 일상적인 쿼리에는 플래그십이 아닌 모델을 고려하세요.
이 모델은 리팩토링이나 문서화를 위해 전체 코드베이스를 처리하거나, 수백 페이지에 달하는 법률 또는 규제 문서를 분석하며, 전체 대화 기록이 필요한 다중 턴 대화를 일관되게 유지해야 하는 애플리케이션에 이상적입니다. 또한 상세한 기술 매뉴얼, 소설, 포괄적인 연구 리뷰와 같은 긴 형식의 콘텐츠를 생성하는 데 적합합니다. 단일 응답으로 최대 384,000개의 토큰을 출력할 수 있어, 청킹 없이 매우 큰 구조화된 출력을 생성할 수 있는 몇 안 되는 모델 중 하나입니다. 긴 컨텍스트에서 도구 사용이 필요한 에이전트 워크플로우의 경우 τ²-Bench 점수는 높은 신뢰성을 나타냅니다.
DeepSeek V4 Pro는 텍스트 입력 및 출력만 지원합니다. 이미지, 오디오, 비디오 또는 기타 비텍스트 형식을 처리하거나 생성할 수 없습니다. 애플리케이션에 차트 분석이나 음성 전사와 같은 멀티모달 기능이 필요하다면, 해당 모달리티를 지원하는 다른 모델을 사용하거나 DeepSeek V4 Pro를 별도의 외부 프로세서와 결합해야 합니다. 텍스트 전용 영역 내에서 이 모델은 매우 큰 토큰 수를 처리하도록 설계되어 입력 또는 출력이 주로 텍스트이며 길이가 긴 작업에 적합합니다.
DeepSeek V4 Pro에 대해 제공된 주요 벤치마크는 τ²-Bench에서 96.2입니다. τ²-Bench는 모델이 에이전트 환경에서 도구를 사용하고 지침을 따르는 능력을 평가하며, 함수 호출, 결과 해석 및 반복 작업이 필요한 작업을 시뮬레이션합니다. 96.2점은 이러한 환경에서 높은 정확성과 신뢰성을 나타냅니다. 이 모델에 대해 다른 벤치마크 점수(예: MMLU, HumanEval)는 지정되지 않았으므로 직접 비교는 τ²-Bench 성능에 국한되어야 합니다. 다른 차원(추론, 코딩 등)에 관심이 있는 사용자는 공개된 타사 평가를 참조해야 할 수 있습니다.
지연 시간은 입력 및 출력의 길이, 서버 부하, 특정 요청 매개변수에 따라 달라집니다. OrcaRouter는 DeepSeek의 인프라로 요청을 라우팅하며, 긴 컨텍스트에 대한 일반적인 응답 시간은 짧은 컨텍스트보다 높습니다. 모델이 최대 384,000개의 토큰을 출력할 수 있기 때문에, 매우 긴 응답의 경우 생성에 몇 분이 걸릴 수 있습니다. 밀리초 단위의 지연 시간이 필요한 실시간 애플리케이션의 경우, 더 짧은 출력을 가진 더 작은 모델을 사용하는 것을 고려하세요. OrcaRouter는 표준 지연 시간 벤치마크를 공개하지 않습니다. 대표적인 페이로드로 테스트 요청을 실행하여 성능을 추정할 수 있습니다.
사양에 따르면, DeepSeek V4 Pro의 주요 강점은 매우 큰 컨텍스트 및 출력 용량과 τ²-Bench로 측정된 강력한 에이전트 성능을 결합한 것입니다. 1M 토큰 컨텍스트 윈도우를 통해 모델은 전체 교과서나 긴 코드베이스를 한 번에 유지 및 처리할 수 있어 청킹이나 검색 증강 생성의 필요성을 줄여줍니다. 384K 출력 한도는 잘리지 않고 매우 길고 일관된 텍스트를 생성할 수 있게 합니다. 이러한 특성은 폭과 깊이를 동시에 요구하는 작업에 특히 유용합니다.
이 모델은 텍스트 전용이므로 다중 모드 입력 또는 출력을 처리할 수 없습니다. 토큰당 가격이 더 작은 모델보다 높아 단기 컨텍스트 작업에는 경제적이지 않습니다. τ²-Bench 성능은 강력하지만, 다른 표준 벤치마크(예: 추론, 다국어, 코딩)에 대한 정보는 제공되지 않으므로 에이전트 도구 사용 외의 일반적인 능력은 여기서 정량화되지 않습니다. 사용자는 매우 긴 출력이 상당한 비용과 지연 시간을 초래할 수 있다는 점을 인지해야 합니다. 또한, 이 모델은 다른 모든 대규모 언어 모델과 마찬가지로 부정확하거나 편향된 응답을 생성할 수 있습니다.
가격 책정은 간단합니다: 입력 토큰 100만 개당 $0.44, 출력 토큰 100만 개당 $0.87입니다. 이 요율은 DeepSeek이 설정하고 OrcaRouter가 마크업 없이 그대로 전달합니다. 입력 및 출력 토큰 모두 제공업체의 토크나이저에 따라 계산됩니다. 추가 플랫폼 수수료, 사용량 등급 또는 볼륨 할인은 명시되어 있지 않습니다. 요청의 총 비용은 (input_tokens * $0.44/1M) + (output_tokens * $0.87/1M)입니다. 예를 들어, 입력 토큰 100K와 출력 토큰 50K가 포함된 요청의 비용은 약 $0.044 + $0.0435 = $0.0875입니다.
DeepSeek V4 Pro에 대해 캐싱 할인이나 프롬프트 캐싱에 대한 정보는 제공되지 않았습니다. OrcaRouter는 마크업을 추가하지 않지만, DeepSeek가 반복되는 프롬프트 접두사나 캐시된 컨텍스트에 대해 할인된 요금을 제공하는지는 알 수 없습니다. 사용자는 생성된 모든 토큰이 표준 토큰당 요율로 청구된다고 가정해야 합니다. 프롬프트에 반복이 많은 애플리케이션의 경우 명시적 캐싱을 지원하는 다른 제공업체나 모델을 평가하여 비용을 절감할 수 있는지 고려하십시오. 현재 시점에서 가격 모델은 계층 없이 순수 토큰당 소비 방식입니다.
DeepSeek V4 Pro의 토큰당 비용은 OrcaRouter를 통해 사용 가능한 많은 소형 또는 구형 모델보다 높습니다. 예를 들어, 경량 모델의 경우 토큰당 비용이 10분의 1에 불과할 수 있습니다. 작업이 컨텍스트 창의 작은 부분(예: 4K 토큰)만 사용하고 짧은 출력을 생성하는 경우, 필요 이상으로 비용을 지불하게 됩니다. 플래그십 모델은 더 큰 컨텍스트나 출력 크기가 API 호출 횟수나 외부 검색 시스템의 필요성을 직접적으로 줄여줄 때 비용 효율적이 됩니다. 고볼륨, 짧은 컨텍스트 애플리케이션의 경우, 더 저렴한 모델이 청구 금액을 크게 낮춰줍니다.
OrcaRouter는 DeepSeek V4 Pro가 제공업체 요금으로 청구되며 마크업이 전혀 없다고 명시합니다. 즉, 사용자가 토큰당 지불하는 가격은 OrcaRouter가 DeepSeek에 지불하는 가격과 정확히 동일하며, 추가 수수료가 없습니다. 이 정책은 플랫폼에 등록된 모든 모델에 적용됩니다. 이러한 투명성 덕분에 숨겨진 수수료를 걱정하지 않고 다른 제공업체와 비용을 직접 비교할 수 있습니다. 단, DeepSeek이 가격을 업데이트하면 요금이 변경될 수 있으며, OrcaRouter는 해당 변경 사항을 수정 없이 그대로 반영할 것으로 예상됩니다.
OpenAI 호환 채팅 완료 엔드포인트를 사용하세요: POST https://api.orcarouter.ai/v1/chat/completions. 'model' 매개변수를 'deepseek/deepseek-v4-pro'로 설정하세요. Authorization 헤더에 'Bearer YOUR_API_KEY' 형식으로 API 키를 포함하세요. 'messages', 'temperature', 'max_tokens', 'top_p', 'stop', 'frequency_penalty'와 같은 표준 매개변수가 지원됩니다. 예를 들어, 'max_tokens'를 384000으로 설정하면 모델이 해당 토큰 수까지 생성할 수 있습니다. 추가 지원 매개변수는 OrcaRouter의 문서를 참조하세요. 응답은 OpenAI API와 동일한 형식을 따릅니다.
모든 표준 채팅 완료 파라미터를 사용할 수 있습니다: 'messages' ('role' 및 'content'를 포함한 메시지 객체의 필수 배열), 'temperature' (0-2, 기본값은 1일 가능성 높음), 'top_p' (0-1), 'max_tokens' (최대 384000), 'stop' (문자열 또는 문자열 배열), 'frequency_penalty' (-2 ~ 2), 'presence_penalty' (-2 ~ 2), 'seed' (결정론적 샘플링을 위한 정수), 'stream' (부울). 'max_tokens'는 모델의 최대 출력인 384000 토큰을 초과할 수 없습니다. 더 큰 값을 보내면 잘리거나 오류가 반환됩니다. 모델 식별자는 정확히 'deepseek/deepseek-v4-pro'여야 합니다. 추가 공급자별 파라미터는 공개되지 않았습니다.
만약 OpenAI Python 클라이언트 라이브러리를 사용하고 있다면, 마이그레이션에는 두 가지 변경만 필요합니다: 기본 URL을 'https://api.orcarouter.ai/v1'로 설정하고 모델 이름을 'deepseek/deepseek-v4-pro'로 업데이트하세요. 'openai.ChatCompletion.create()' 또는 최신 클라이언트 API를 사용하는 기존 코드는 이러한 수정 사항으로 작동할 것입니다. OrcaRouter API 키가 있는지 확인하세요. 요청 및 응답 스키마는 OpenAI의 것과 동일하므로 다른 변경은 필요하지 않습니다. 다른 프로그래밍 언어(JavaScript, Java, curl)의 경우 엔드포인트 URL과 모델 필드를 그에 맞게 업데이트하세요.
모든 API 요청의 기본 URL은 https://api.orcarouter.ai/v1입니다. 'model' 필드에 사용할 정확한 모델 ID는 'deepseek/deepseek-v4-pro'입니다. 이 ID는 대소문자를 구분하므로 표시된 그대로 정확히 제공해야 합니다. 다른 엔드포인트에 요청하거나 잘못된 모델 ID를 사용하면 오류가 발생합니다. OrcaRouter의 API는 스트리밍 모드와 비스트리밍 모드를 모두 지원합니다. 스트리밍의 경우 요청 본문에 'stream': true를 설정하면 OpenAI의 스트리밍과 동일한 형식으로 SSE 이벤트를 수신합니다.
OrcaRouter를 통해 제공되는 다른 플래그십 모델들과 비교할 때, DeepSeek V4 Pro는 가장 큰 컨텍스트 윈도우(1M 토큰)와 출력 제한(384K 토큰) 중 하나를 제공합니다. τ²-Bench 점수 96.2는 직접 비교 지점입니다. 그러나 동일한 지표에 대한 다른 모델의 벤치마크 데이터가 없으므로 직접 순위를 매길 수 없습니다. 많은 다른 플래그십 모델은 DeepSeek V4 Pro가 지원하지 않는 멀티모달 입력을 지원합니다. 토큰당 비용은 다양합니다. 일부 경쟁사는 토큰당 가격이 더 낮을 수 있지만 컨텍스트 윈도우가 더 작습니다. 선택은 극도로 큰 컨텍스트 및 출력 용량이 필요한지, 아니면 멀티모달 기능이 필요한지에 따라 달라집니다.
애플리케이션이 시각(이미지 이해) 또는 오디오 처리를 필요로 한다면 멀티모달 모델을 선택해야 합니다. 마찬가지로, 작업이 일반적으로 짧고(<10K tokens) 에이전트 도구 사용이 필요하지 않은 경우, 더 저렴한 범용 플래그십 모델이 더 비용 효율적일 수 있습니다. 일부 경쟁사는 짧은 컨텍스트에 대해 더 빠른 추론 또는 낮은 지연 시간을 제공할 수 있습니다. DeepSeek V4 Pro의 강점은 긴 컨텍스트와 출력이 필수적인 시나리오에 있습니다. 사용 사례가 여러 개의 분리된 짧은 문서를 처리하는 것이라면, 더 작은 컨텍스트 윈도우를 가지지만 토큰당 가격이 낮은 모델이 더 경제적일 수 있습니다.
DeepSeek는 여러 모델을 제공합니다. DeepSeek V4 Pro는 플래그십 모델로, 가장 큰 컨텍스트와 가장 높은 비용을 자랑합니다. 더 작은 DeepSeek 모델은 32K 또는 128K 토큰의 컨텍스트 창과 더 낮은 가격을 제공하여 일반적인 작업 부하에 더 적합합니다. 이미 DeepSeek 모델을 사용 중이고 더 큰 컨텍스트 용량이나 더 나은 에이전트 성능이 필요하다면 V4 Pro로 업그레이드하는 것이 논리적인 단계입니다. 그러나 최대 컨텍스트가 필요하지 않은 대부분의 작업의 경우, 하위 계층 DeepSeek 모델이 더 낮은 비용으로 유사한 품질을 제공합니다. OrcaRouter의 카탈로그에서 사용 가능한 DeepSeek 모델을 확인하세요.
τ²-Bench는 모델이 에이전트 환경에서 도구를 사용하는 능력을 측정합니다. 96.2점은 DeepSeek V4 Pro가 함수 호출, 결과 분석 및 다단계 지시사항 이행에 있어 매우 신뢰할 수 있음을 시사합니다. 다른 모델과 비교할 때, 해당 모델에 τ²-Bench 점수가 있다면 직접 비교할 수 있습니다. 그렇지 않은 경우 다른 벤치마크나 정성적 테스트를 기반으로 평가해야 할 수 있습니다. 도구 사용을 포함하지 않는 애플리케이션의 경우 τ²-Bench 점수는 덜 관련이 있습니다. 그러한 경우에는 추론, 코딩, 언어 이해와 같은 다른 지표가 있다면 고려하세요.
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)| 입력 / 1M tokens | $0.442 |
| 출력 / 1M tokens | $0.884 |
| 캐시 읽기 / 1M | $0.060 |
| 통화 | USD |