DeepSeek alias för V4 Flash thinking mode — 1M kontext, öppen kedja-av-tanke-resonemang (legacy alias, planerad för utfasning).
DeepSeek Reasoner är en textbaserad resoneringsmodell från DeepSeek, optimerad för uppgifter som kräver djup logisk deduktion och utökad kontextförståelse. Den är tillgänglig via OrcaRouters…
DeepSeek Reasoner är som starkast i uppgifter som drar nytta av utökad resonemangsförmåga och stora kontextfönster. Det inkluderar att bevisa matematiska teorem, lösa komplexa ordproblem, generera och felsöka kod över flera filer, samt besvara frågor som kräver att man syntetiserar information från många delar av ett dokument. Den kan också hantera flervarvskonversationer där varje varv refererar till en stor delad kontext utan att tappa bort sig. På grund av dess höga utdatagräns är den användbar för att generera strukturerade rapporter eller långa förklaringar. Modellens text-bara natur begränsar den från uppgifter som involverar bildförståelse, men inom textdomäner utför den djupanalytiskt arbete på ett tillförlitligt sätt.
DeepSeek Reasoners prissättning är $0,44 per miljon tokens för input och $0,87 per miljon tokens för output, vilket är högre än många mindre eller snabbare modeller. Du bör välja denna modell när din uppgift kräver det fulla 1M-tokens kontextfönstret eller den djupa resonemangsförmågan. För korta prompts (några tusen tokens) som inte kräver steg-för-steg-logik är en billigare modell, som en mindre instruktionsfinjusterad LLM, mer kostnadseffektiv. Om din applikation behöver låg latens för realtidssvar kan en lättare modell vara att föredra. Men om du analyserar ett stort dokument eller löser ett komplext problem som kräver logisk kedjeresonemang, kan investeringen i DeepSeek Reasoner leda till högre noggrannhet och mindre manuell valideringstid.
DeepSeek Reasoners främsta styrkor är dess enorma kontextfönster, höga token-gräns för utdata och fokus på logiskt resonemang. Den kan bibehålla sammanhang över hundratals sidor och producera långa, välorganiserade utdata. Modellen stöder endast textinmatning men förstår troligen flera språk, även om detta inte uttryckligen bekräftats. Dess resonemangsförmåga innebär att den kan förklara sin tankeprocess, vilket underlättar felsökning och verifiering. Dessutom, eftersom OrcaRouter förmedlar leverantörens taxa utan påslag, finns det inga dolda kostnader. För användare som behöver skala upp djupa analytiska uppgifter erbjuder denna modell en stark kombination av kapacitet och resonemangstrohet.
Specifika benchmark-poäng för DeepSeek Reasoner anges inte i tillgängliga fakta. Modellen är dock en del av DeepSeeks familj av resoneringsfokuserade modeller, som tidigare har visat starka resultat inom matematik (t.ex. GSM8K, MATH) och kodning (t.ex. HumanEval) i offentliga utvärderingar. Användare uppmuntras att testa modellen på sina egna datamängder för att validera prestanda för sitt specifika användningsfall. Tack vare sitt stora kontextfönster är modellen särskilt lämpad för uppgifter som utvärderar förståelse av långväga beroenden. Utan officiella siffror bör objektiva jämförelser göras genom direkt experimentering på OrcaRouter API.
Trots sina styrkor har DeepSeek Reasoner begränsningar. För det första accepterar den endast textinmatning—inga bilder, ljud eller video. För det andra kan den stora kontextstorleken leda till högre latens, särskilt när indata närmar sig 1 miljon tokens; tiden för första token kan vara betydligt längre än för mindre modeller. För det tredje, även om modellen är stark på resonemang, kanske den inte matchar den kreativa flytten hos vissa allmänna modeller för uppgifter som poesi eller öppen berättande. För det fjärde, eftersom det är en specialiserad resonemangsmodell, kan den överanalysera enkla förfrågningar och använda fler tokens än nödvändigt. Slutligen, även om prissättningen är konkurrenskraftig för sin klass, är den fortfarande högre än lätta alternativ, vilket gör den oekonomisk för triviala frågor.
DeepSeek Reasoner erbjuder ett kontextfönster på 1 048 576 tokens och en maximal utmatning på 384 000 tokens. Det gör den till en av få modeller som kan hantera dokument som är längre än många fullängdsromaner i en enda prompt. Kontextfönstret omfattar både indata och befintlig samtalshistorik; modellen använder hela fönstret för att generera svar. Utmatningsgränsen på 384 000 tokens möjliggör mycket långt genererat innehåll, såsom hela kodbaser eller omfattande rapporter. Användare bör notera att användning av hela kontexten kan öka latens och kostnad proportionellt. Dessa specifikationer är bekräftade i modellens fakta och stöds direkt när modellen anropas via OrcaRouters OpenAI-kompatibelt API.
På OrcaRouter baseras prissättningen för DeepSeek Reasoner enbart på antalet förbrukade tokens, debiterade till leverantörens taxa utan påslag. Ingångstokens debiteras med $0.44 per 1M tokens, och utgångstokens med $0.87 per 1M tokens. Det finns inga extra plattformsavgifter, prenumerationsavgifter eller dolda kostnader. Avgifter beräknas per API-anrop baserat på totalt antal bearbetade tokens. OrcaRouter fakturerar användare direkt, och kostnaden återspeglar leverantörens råtaxa. Denna transparenta prismodell gör det möjligt för utvecklare att skala användningen förutsägbart utan att oroa sig för vinstmarginaler som lagts till av gatewayen.
Kostnaden per token kan härledas från priserna per miljon: indata-tokens kostar $0.00000044 per token och utdata-tokens kostar $0.00000087 per token. I praktiken skulle en typisk förfrågan med 10 000 indata-tokens och 1 000 utdata-tokens kosta ungefär $0.0044 + $0.00087 = $0.00527. Eftersom kontextfönstret kan vara så stort som 1 048 576 indata-tokens skulle en full kontextförfrågan kosta runt $0.46 endast för indata. Utdata-gränsen på 384 000 tokens skulle kosta upp till $0.334 om den utnyttjas fullt ut. Dessa kostnader skalar linjärt, så användare bör övervaka tokenanvändning, särskilt när de använder maximal kontext- och utdatakapacitet.
OrcaRouter anger uttryckligen att DeepSeek Reasoner prissätts enligt leverantörens taxa utan påslag. Detta innebär att det inte finns några extra avgifter utöver den angivna kostnaden per token. Det finns inga månatliga minimibelopp, installationsavgifter eller avgifter för API-åtkomst. De enda kostnaderna som uppstår är för förbrukade token. Användare kan verifiera avgifterna genom att jämföra det fakturerade beloppet med loggar över tokenanvändning. OrcaRuters pristransparens säkerställer att det du ser är vad du betalar, utan oväntade tillägg för högvolymanvändning eller specialfunktioner.
De tillgängliga fakta nämner inga cachelagringsmekanismer eller volymrabatter för DeepSeek Reasoner på OrcaRouter. Det är möjligt att OrcaRouter erbjuder standardcachelagring för frekventa frågor, men detta är inte bekräftat. På samma sätt beskrivs inga rabattnivåer. Priset är strikt per token enligt leverantörens taxa. Användare bör förutsätta att det inte finns någon inbyggd cachelagring eller rabatter om inte OrcaRouter uttryckligen meddelar detta. Vid hög volym kan du kontakta OrcaRouters support för att fråga om eventuella anpassade arrangemang, men enligt tillgängliga data är prismodellen enkel betala-per-användning.
För att anropa DeepSeek Reasoner via OrcaRouter, använd den OpenAI-kompatibla slutpunkten med base_url https://api.orcarouter.ai/v1. Ställ in modellnamnet till "deepseek/deepseek-reasoner". Alla standardparametrar för OpenAI chat completion stöds, inklusive messages, max_tokens, temperature, top_p och stop-sekvenser. Till exempel skulle en förfrågan se ut så här: curl https://api.orcarouter.ai/v1/chat/completions -H "Authorization: Bearer YOUR_API_KEY" -d '{"model":"deepseek/deepseek-reasoner","messages":[{"role":"user","content":"Solve this math problem..."}],"max_tokens":10000}'. API:t returnerar completioner i samma format som OpenAIs chat-slutpunkt, vilket gör integrationen trivial för befintliga applikationer.
Utöver vanliga chattparametrar stöder DeepSeek Reasoner de vanliga OpenAI-kompatibla konfigurationsalternativen: temperature (standard 1, intervall 0–2), top_p (standard 1), frequency_penalty, presence_penalty, stop och max_tokens (upp till 384 000). Eftersom det är en resonemangsmodell påverkar temperaturinställningar slumpmässigheten i resonemangskedjan; lägre temperaturer ger mer deterministiska utdata. Det finns ingen särskild resonemangsspecifik parameter exponerad i API:t – resonemangsbeteendet är inneboende i modellen. Användare kan även använda streaming via parametern stream för att ta emot tokens stegvis. Alla parametrar måste skickas i JSON-kroppen av POST-begäran till slutpunkten för chattkompletteringar.
Att migrera till OrcaRouter är enkelt eftersom API:et är fullt kompatibelt med OpenAI:s chattkompletteringsformat. Ersätt din befintliga bas-URL med https://api.orcarouter.ai/v1 och uppdatera modellnamnet till "deepseek/deepseek-reasoner". Generera en API-nyckel från OrcaRouters instrumentpanel och inkludera den i Authorization-huvudet. Justera din kod för att använda den nya bas-URL:en och modellidentifieraren. Resten av din logik, inklusive meddelandeformatering, parameternamn och svarstolkning, förblir oförändrad. Denna kompatibilitet gör att du kan byta leverantör med minimala kodändringar, ofta bara några rader i klientkonfigurationen. Testa med en liten nyttolast för att bekräfta anslutning och prissättning innan du skalar upp.
Jämfört med OpenAI:s GPT-4-serie erbjuder DeepSeek Reasoner en betydligt större kontextfönster (1M tokens vs. 8K-128K för GPT-4 Turbo) och högre utdatagräns (384K vs. 4K-32K). Dess pris per token är lägre ($0,44/$0,87 vs. GPT-4 Turbos ungefär $10/$30 per 1M tokens), vilket gör det mer kostnadseffektivt för långkontextuppgifter. Däremot stöder GPT-4 Turbo multimodal inmatning (bilder, ljud) och kan ha bredare allmänkunskap. DeepSeek Reasoner fokuserar specifikt på resonemang och kan producera mer detaljerade kedja-av-tanke-svar. För uppgifter som inte kräver extremt lång kontext eller djupgående resonemang kan GPT-4 Turbos bredare kapacitet vara att föredra.
Anthropics Claude 2 och Claude 3 Opus har kontextfönster på 100K-200K tokens, vilket är mindre än DeepSeek Reasoners 1M tokens. Claude-modellerna stöder även vissa multimodala indata i nyare versioner. DeepSeek Reasoners prissättning är väsentligt lägre (ungefär en tiondel av kostnaden för Claude 3 Opus för inmatningstokens). Claude-modellerna betonar säkerhet och hjälpsamhet, medan DeepSeek Reasoner är optimerad för resonemangsdjup. Om din applikation kräver bearbetning av mycket långa dokument till lägre kostnad, har DeepSeek Reasoner en fördel. För uppgifter som kräver säkerhetsräcken och multimodalt stöd kan Claude vara mer lämpligt. Båda är tillgängliga via OrcaRouters API.
Välj DeepSeek Reasoner när din arbetsbelastning kräver ett kontextfönster större än 200K tokens, eller när du behöver generera utdata som överstiger 32K tokens. Den är idealisk för systematiska resonemangsuppgifter där det är värdefullt att visa de mellanliggande logiska stegen. Kostnadsfördelen är mest uttalad för högvolym, långkontextapplikationer, eftersom priset per token är betydligt lägre än premiummodeller från OpenAI eller Anthropic. Men om dina uppgifter är korta, kräver multimodal indata eller drar nytta av större träningsdatamängder, kan alternativ vara bättre. Utvärdera dina tokenanvändningsmönster och resonemangsbehov för att avgöra om DeepSeek Reasoners styrkor överensstämmer med dina prioriteringar.
OpenAI-kompatibel — behåll det SDK du redan använder
https://api.orcarouter.ai/v1import os
from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key=os.environ["ORCAROUTER_API_KEY"],
)
response = client.chat.completions.create(
model="deepseek/deepseek-reasoner",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)max_tokensresponse_formatstream| Inmatning / 1M token | $0.147 |
| Utdata / 1M tokens | $0.295 |
| Cacheläsning / 1M | $0.028 |
| Valuta | USD |
Uppskattning baserad på listpris
Endast en uppskattning — faktiskt antal token beror på leverantörens tokenizer.
Vad utvecklare säger den här veckan
GET /api/public/models/deepseek/deepseek-reasonerÖppna @misc{orcarouter_deepseek_reasoner,
title = {deepseek/deepseek-reasoner API},
author = {deepseek},
year = {n.d.},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/deepseek/deepseek-reasoner}
}deepseek. (n.d.). deepseek/deepseek-reasoner API. OrcaRouter. https://www.orcarouter.ai/models/deepseek/deepseek-reasoner