DeepSeek V4 Pro: vlaggenschipmodel met 1M token context, 384K output, en 96.2 τ²-Bench score.
DeepSeek V4 Pro is het vlaggenschip tekstgeneratiemodel van DeepSeek en beschikbaar via de API van OrcaRouter. Het is ontworpen voor taken die het verwerken van zeer grote hoeveelheden tokencontext vereisen—tot 1.048.576 tokens—en het genereren van uitvoer tot 384.000 tokens. Het model is uitsluitend voor tekst, wat betekent dat het geen afbeeldingen, audio of andere niet-tekstuele modaliteiten accepteert of produceert. De prijzen zijn transparant: $0,44 per 1 miljoen invoertokens en $0,87 per 1 miljoen uitvoertokens, waarbij OrcaRouter het providertarief direct doorberekent zonder opslag. Het model behaalt een τ²-Bench-score van 96,2, wat een sterke prestatie weerspiegelt in agentic tool-use scenario's. Het is toegankelijk via een OpenAI-compatibel API-eindpunt op https://api.orcarouter.ai/v1 met de modelidentificatie 'deepseek/deepseek-v4-pro'.
DeepSeek V4 Pro richt zich op ontwikkelaars, datawetenschappers en onderzoekers die regelmatig met zeer lange contexten werken—zoals juridische documenten, meervoudige bestandscodebases of uitgebreide onderzoekspapers. De grote uitvoerlimiet (384.000 tokens) is ook geschikt voor toepassingen die het genereren van aanzienlijke gestructureerde inhoud vereisen, zoals boekenlange concepten of uitgebreide rapporten. Vanwege de hoge contextcapaciteit is het bijzonder waardevol voor multi-turn-toepassingen waarbij de volledige gespreksgeschiedenis in het zicht van het model moet blijven. Voor korte, eenmalige query's of taken met beperkte context kan een kleiner of goedkoper model echter kosteneffectiever zijn. Dit model is ook geschikt voor het benchmarken van agentische prestaties dankzij de sterke τ²-Bench-score.
Belangrijke specificaties zijn een contextvenster van 1.048.576 tokens en een maximale output van 384.000 tokens. Het model werkt uitsluitend op tekstinvoer. De prijzen zijn vastgesteld op $0,44 per 1 miljoen invoertokens en $0,87 per 1 miljoen uitvoertokens, zonder opslag op het tarief van de aanbieder. De belangrijkste benchmarkscore van het model is 96,2 op τ²-Bench, een maatstaf die het vermogen van een model om tools te gebruiken in een agentische omgeving evalueert. Het wordt gehost door OrcaRouter en kan worden aangeroepen via de OpenAI-compatibele API op https://api.orcarouter.ai/v1 met model-ID 'deepseek/deepseek-v4-pro'. Deze specificaties maken het een van de krachtigste tekstmodellen wat betreft context- en outputlengte die beschikbaar is via OrcaRouter.
OrcaRouter biedt DeepSeek V4 Pro aan via zijn OpenAI-compatible API. Gebruikers sturen verzoeken naar https://api.orcarouter.ai/v1 met de modelparameter ingesteld op 'deepseek/deepseek-v4-pro'. De API ondersteunt standaard chat completion-eindpunten en -parameters (bijv. temperature, max_tokens, stop). OrcaRouter voegt geen opslag toe aan de prijzen van de provider, dus het gefactureerde tarief komt overeen met $0,44/$0,87 per miljoen tokens. Deze opzet vereenvoudigt de migratie voor teams die al de OpenAI-clientbibliotheek gebruiken: zij hoeven alleen de basis-URL en modelnaam te wijzigen. OrcaRouter verzorgt routing en betrouwbaarheid zonder dat er extra authenticatie nodig is naast een API-sleutel.
DeepSeek V4 Pro excelleert in taken die begrip van lange teksten vereisen, zoals het samenvatten van hele boeken, het beantwoorden van vragen over duizenden tokens context, en het extraheren van gestructureerde gegevens uit lange documenten. De grote uitvoerlimiet maakt het genereren mogelijk van uitgebreide analyses, code of creatief schrijven die honderdduizenden tokens beslaat. Omdat het alleen tekst is, zijn de mogelijkheden beperkt tot op tekst gebaseerd redeneren, genereren en instructies opvolgen. Het ondersteunt geen beeld, audio of andere modaliteiten. De hoge τ²-Bench-score (96.2) van het model wijst op sterke prestaties in agentische omgevingen waarbij het model externe tools of API's moet gebruiken om taken uit te voeren.
Hoewel DeepSeek V4 Pro enorme context- en outputcapaciteit biedt, brengt het hogere kosten per token met zich mee dan compactere modellen. Voor taken die slechts een paar honderd tokens aan context en output vereisen, kan het gebruik van dit vlaggenschipmodel verspillend zijn. Typische scenario's waarin een kleiner, goedkoper model volstaat, zijn enkelvoudige classificatie, korte samenvattingen of eenvoudige vertaling van korte passages. Als uw toepassing geen profijt heeft van het volledige 1M contextvenster of de 384K outputlimiet, kunt u de latentie en kosten verlagen door een model uit een lagere categorie te kiezen. OrcaRouter biedt een reeks modellen; overweeg een niet-vlaggenschipmodel voor alledaagse queries.
Het model is ideaal voor toepassingen die het verwerken van volledige codebases voor refactoring of documentatie omvatten, het analyseren van juridische of regelgevende documenten van meerdere honderden pagina's, en het onderhouden van coherente gesprekken over vele beurten waarbij de volledige geschiedenis nodig is. Het is ook geschikt voor het genereren van langere inhoud zoals gedetailleerde technische handleidingen, romans of uitgebreide onderzoeksrecensies. Het vermogen om tot 384.000 tokens in één enkele respons uit te voeren, maakt het een van de weinige modellen die in staat zijn om zeer grote gestructureerde outputs te produceren zonder chunking. Voor agentische workflows die het gebruik van hulpmiddelen over lange contexten vereisen, geeft de τ²-Bench-score een sterke betrouwbaarheid aan.
DeepSeek V4 Pro ondersteunt alleen tekstinvoer en -uitvoer. Het kan geen afbeeldingen, audio, video of andere niet-tekstformaten verwerken of genereren. Als uw toepassing multimodale functies vereist—zoals het analyseren van een diagram of het transcriberen van spraak—zult u een ander model moeten gebruiken dat deze modaliteiten ondersteunt, of DeepSeek V4 Pro combineren met aparte externe processors. Binnen het tekst-only domein is het model ontworpen om zeer grote tokennummers te verwerken, waardoor het geschikt is voor taken waarbij de invoer of uitvoer voornamelijk tekstueel en uitgebreid is.
De referentiebenchmark die voor DeepSeek V4 Pro wordt gegeven is 96,2 op τ²-Bench. τ²-Bench evalueert het vermogen van een model om tools te gebruiken en instructies te volgen in een agentische omgeving, waarbij taken worden gesimuleerd die vereisen dat het model functies aanroept, resultaten interpreteert en iteratief werkt. Een score van 96,2 duidt op hoge nauwkeurigheid en betrouwbaarheid in dergelijke omgevingen. Er zijn geen andere benchmarkscores (bijv. MMLU, HumanEval) voor dit model gespecificeerd, dus directe vergelijkingen moeten worden beperkt tot de prestaties op τ²-Bench. Gebruikers die geïnteresseerd zijn in andere dimensies (redeneren, programmeren, enz.) kunnen mogelijk externe evaluaties van derden raadplegen.
De latentie hangt af van de lengte van de invoer en uitvoer, de serverbelasting en de specifieke verzoekparameters. OrcaRouter stuurt verzoeken naar de infrastructuur van DeepSeek, en typische responstijden voor lange contexten zijn hoger dan voor korte. Omdat het model tot 384.000 tokens kan uitvoeren, kan het genereren minuten duren voor zeer lange responses. Voor real-time toepassingen die sub-second latentie vereisen, overweeg dan een kleiner model met kortere uitvoer te gebruiken. OrcaRouter publiceert geen standaard latentiebenchmarks; u kunt de prestaties inschatten door testverzoeken met representatieve payloads uit te voeren.
Op basis van de specificaties zijn de belangrijkste sterke punten van DeepSeek V4 Pro de extreem grote context- en uitvoercapaciteiten, gecombineerd met sterke agentische prestaties zoals gemeten door τ²-Bench. Het contextvenster van 1M tokens stelt het model in staat om hele studieboeken of lange codebases in één keer te verwerken, waardoor de noodzaak voor chunking of retrieval-augmented generation afneemt. De uitvoerlimiet van 384K maakt het mogelijk om zeer lange, samenhangende teksten te genereren zonder afkapping. Deze kenmerken maken het bijzonder waardevol voor taken die tegelijkertijd breedte en diepgang vereisen.
Het model is alleen tekst, dus het kan geen multimodale inputs of outputs verwerken. De prijs per token is hoger dan bij kleinere modellen, waardoor het oneconomisch is voor taken met een korte context. Hoewel de prestaties op τ²-Bench sterk zijn, wordt er geen informatie gegeven over andere standaard benchmarks (bijv. redeneren, meertalig, coderen), dus de algemene mogelijkheden buiten agentisch toolgebruik worden hier niet gekwantificeerd. Gebruikers moeten zich er ook van bewust zijn dat zeer lange outputs aanzienlijke kosten en latentie kunnen veroorzaken. Bovendien kan het model, net als bij alle grote taalmodellen, onjuiste of bevooroordeelde antwoorden produceren.
De prijsstelling is eenvoudig: $0.44 per 1 miljoen invoertokens en $0.87 per 1 miljoen uitvoertokens. Deze tarieven zijn vastgesteld door DeepSeek en worden zonder opslag doorgegeven via OrcaRouter. Zowel invoer- als uitvoertokens worden geteld volgens de tokenizer van de provider. Er zijn geen extra platformkosten, gebruiksniveaus of volumekortingen gespecificeerd. De totale kosten voor een verzoek zijn gelijk aan (input_tokens * $0.44/1M) + (output_tokens * $0.87/1M). Bijvoorbeeld: een verzoek met 100K invoertokens en 50K uitvoertokens kost ongeveer $0.044 + $0.0435 = $0.0875.
Er is geen informatie verstrekt over kortingen op caching of prompt caching voor DeepSeek V4 Pro. OrcaRouter voegt geen markup toe, maar het is onbekend of DeepSeek gereduceerde tarieven biedt voor herhaalde promptprefixes of gecachte context. Gebruikers moeten ervan uitgaan dat elke gegenereerde token wordt gefactureerd tegen het standaard per-token tarief. Voor toepassingen met veel herhaling in prompts, overweeg dan te evalueren of een andere provider of model met expliciete caching-ondersteuning de kosten zou kunnen verlagen. Op het moment van schrijven is het prijsmodel puur per-token verbruik zonder niveaus.
De prijs per token van DeepSeek V4 Pro is hoger dan die van veel kleinere of oudere modellen die beschikbaar zijn via OrcaRouter. Een lichtgewicht model kost bijvoorbeeld een tiende per token. Als uw taak slechts een klein deel van het contextvenster gebruikt (bijv. 4K tokens) en korte uitvoer genereert, betaalt u meer dan nodig. Het vlaggenschipmodel wordt kosteneffectief wanneer de grotere context of uitvoeromvang het aantal API-aanroepen of de behoefte aan externe ophaalsystemen direct vermindert. Voor toepassingen met een hoog volume en een korte context verlaagt een goedkoper model uw rekening aanzienlijk.
OrcaRouter stelt dat DeepSeek V4 Pro wordt gefactureerd tegen het providerstarief zonder opslag. Dit betekent dat de prijs die u per token betaalt precies is wat OrcaRouter aan DeepSeek betaalt, zonder toegevoegde marge. Dit beleid is van toepassing op alle modellen die op het platform worden vermeld. De transparantie stelt u in staat om kosten direct te vergelijken met andere providers zonder u zorgen te maken over verborgen kosten. De tarieven kunnen echter veranderen als DeepSeek zijn prijzen bijwerkt; OrcaRouter zal deze wijzigingen naar verwachting ongewijzigd doorberekenen.
Gebruik het met OpenAI compatibele chatvoltooiings-eindpunt: POST https://api.orcarouter.ai/v1/chat/completions. Stel de 'model'-parameter in op 'deepseek/deepseek-v4-pro'. Neem uw API-sleutel op in de Authorization-header als 'Bearer YOUR_API_KEY'. Standaardparameters zoals 'messages', 'temperature', 'max_tokens', 'top_p', 'stop' en 'frequency_penalty' worden ondersteund. Bijvoorbeeld, door 'max_tokens' in te stellen op 384000 kan het model tot dat aantal tokens genereren. Raadpleeg de documentatie van OrcaRouter voor eventuele extra ondersteunde parameters. De reactie volgt dezelfde indeling als de OpenAI API.
Alle standaard chatvoltooiingsparameters zijn beschikbaar: 'messages' (vereiste array van berichtobjecten met 'role' en 'content'), 'temperature' (0-2, standaard waarschijnlijk 1), 'top_p' (0-1), 'max_tokens' (tot 384000), 'stop' (string of array van strings), 'frequency_penalty' (-2 tot 2), 'presence_penalty' (-2 tot 2), 'seed' (geheel getal voor deterministische sampling) en 'stream' (boolean). Let op: 'max_tokens' kan de maximale uitvoer van het model van 384000 tokens niet overschrijden; het verzenden van een hogere waarde wordt afgekapt of levert een fout op. De modelidentificatie moet exact 'deepseek/deepseek-v4-pro' zijn. Er zijn geen aanvullende providerspecifieke parameters bekendgemaakt.
Als u de OpenAI Python-clientbibliotheek gebruikt, vereist migratie slechts twee wijzigingen: stel de basis-URL in op 'https://api.orcarouter.ai/v1' en werk de modelnaam bij naar 'deepseek/deepseek-v4-pro'. Uw bestaande code die gebruikmaakt van 'openai.ChatCompletion.create()' of de nieuwere client-API zou met deze wijzigingen moeten werken. Zorg ervoor dat u een OrcaRouter API-sleutel hebt. De request- en response-schema's zijn identiek aan die van OpenAI, dus er zijn geen andere wijzigingen nodig. Voor andere programmeertalen (JavaScript, Java, curl), werk de endpoint-URL en het modelveld dienovereenkomstig bij.
De basis-URL voor alle API-verzoeken is https://api.orcarouter.ai/v1. De exacte model-ID die in het 'model'-veld moet worden gebruikt is 'deepseek/deepseek-v4-pro'. Deze ID is hoofdlettergevoelig en moet exact worden opgegeven zoals weergegeven. Verzoeken naar een ander eindpunt of met een onjuiste model-ID leiden tot een foutmelding. OrcaRouter's API ondersteunt zowel streaming- als niet-streamingmodi. Voor streaming stelt u 'stream': true in de aanvraagbody in, en u ontvangt SSE-gebeurtenissen in hetzelfde formaat als OpenAI's streaming.
In vergelijking met andere vlaggenschipmodellen die via OrcaRouter beschikbaar zijn, biedt DeepSeek V4 Pro een van de grootste contextvensters (1M tokens) en uitvoerlimieten (384K tokens). De τ²-Bench-score van 96.2 is een direct vergelijkingspunt. Zonder benchmarkgegevens voor andere modellen op dezelfde metriek is directe rangschikking echter niet mogelijk. Veel andere vlaggenschipmodellen ondersteunen multimodale invoer, wat DeepSeek V4 Pro niet doet. De kosten per token variëren; sommige concurrenten kunnen lagere prijzen per token hebben, maar kleinere contextvensters. De keuze hangt af van of u de extreem grote context- en uitvoercapaciteiten of multimodale mogelijkheden nodig heeft.
Als uw toepassing visie (beeldbegrip) of audioverwerking vereist, moet u een multimodaal model kiezen. Evenzo, als uw taken doorgaans kort zijn (<10K tokens) en geen agentisch gebruik van tools vereisen, kan een goedkoper general-purpose vlaggenschip kosteneffectiever zijn. Sommige concurrenten bieden mogelijk snellere inferentie voor korte contexten of lagere latentie. De kracht van DeepSeek V4 Pro ligt in scenario's waar de lange context en uitvoer essentieel zijn. Als uw gebruikssituatie het verwerken van veel afzonderlijke korte documenten omvat, kan een model met een kleinere contextvenster maar lagere prijs per token economischer zijn.
DeepSeek biedt verschillende modellen. DeepSeek V4 Pro is het vlaggenschip, met de grootste context en hoogste kosten. Kleinere DeepSeek-modellen kunnen contextvensters hebben van 32K of 128K tokens en lagere prijzen, waardoor ze geschikter zijn voor typische workloads. Als je al een DeepSeek-model gebruikt en meer contextcapaciteit of betere agentprestaties nodig hebt, is upgraden naar V4 Pro de logische stap. Voor de meeste taken die niet de maximale context vereisen, biedt een lager DeepSeek-model echter vergelijkbare kwaliteit tegen lagere kosten. Bekijk de catalogus van OrcaRouter voor beschikbare DeepSeek-modellen.
τ²-Bench meet het vermogen van een model om tools te gebruiken in een agentische omgeving. Een score van 96.2 suggereert dat DeepSeek V4 Pro zeer betrouwbaar is in het correct aanroepen van functies, het parseren van resultaten en het volgen van meerstapsinstructies. Bij het vergelijken met andere modellen, als zij een τ²-Bench-score hebben, kun je direct vergelijken. Zo niet, dan moet je mogelijk evalueren op basis van andere benchmarks of kwalitatief testen. Voor toepassingen die geen toolgebruik omvatten, is de τ²-Bench-score minder relevant. In die gevallen kun je andere metrieken overwegen, zoals redeneren, coderen of taalbegrip, indien beschikbaar.
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)| Invoer / 1M tokens | $0.442 |
| Uitvoer / 1M tokens | $0.884 |
| Cache lezen / 1M | $0.060 |
| Valuta | USD |