DeepSeek V4 Pro flagship MoE — 1.6T tổng / 49B active params, ngữ cảnh 1M, suy luận hàng đầu + sử dụng công cụ tác nhân.
DeepSeek V4 Pro là mô hình tạo văn bản hàng đầu do DeepSeek cung cấp và có sẵn thông qua API của OrcaRouter. Nó được thiết kế cho các tác vụ yêu cầu xử lý lượng ngữ cảnh token rất lớn—lên đến…
DeepSeek V4 Pro vượt trội trong các tác vụ yêu cầu hiểu văn bản dài, như tóm tắt toàn bộ sách, trả lời câu hỏi trên hàng nghìn token ngữ cảnh và trích xuất dữ liệu có cấu trúc từ tài liệu dài. Giới hạn đầu ra lớn của nó cho phép tạo ra các phân tích chi tiết, mã nguồn, hoặc nội dung sáng tạo trải dài hàng trăm nghìn token. Bởi vì chỉ hỗ trợ văn bản, khả năng của nó bị giới hạn trong suy luận, sinh văn bản và làm theo hướng dẫn dựa trên văn bản. Nó không hỗ trợ thị giác, âm thanh hoặc các phương thức khác. Điểm τ²-Bench cao (96,2) của mô hình cho thấy hiệu suất mạnh mẽ trong các môi trường tác nhân nơi mô hình phải sử dụng các công cụ hoặc API bên ngoài để hoàn thành tác vụ.
Mặc dù DeepSeek V4 Pro cung cấp dung lượng ngữ cảnh và đầu ra khổng lồ, nhưng chi phí mỗi token cao hơn so với các mô hình nhỏ gọn hơn. Đối với các tác vụ chỉ cần vài trăm token ngữ cảnh và đầu ra, việc sử dụng mô hình chủ lực này có thể gây lãng phí. Các kịch bản điển hình mà mô hình nhỏ hơn, rẻ hơn vẫn đáp ứng đủ bao gồm phân loại một lượt, tóm tắt ngắn hoặc dịch đơn giản các đoạn văn ngắn. Nếu ứng dụng của bạn không cần tận dụng toàn bộ cửa sổ ngữ cảnh 1M token hoặc giới hạn đầu ra 384K, bạn có thể giảm độ trễ và chi phí bằng cách chọn mô hình từ một bậc thấp hơn. OrcaRouter cung cấp nhiều loại mô hình; hãy cân nhắc một mô hình không phải chủ lực cho các truy vấn hàng ngày.
Mô hình này lý tưởng cho các ứng dụng liên quan đến xử lý toàn bộ mã nguồn để tái cấu trúc hoặc tài liệu hóa, phân tích các tài liệu pháp lý hoặc quy định dài hàng trăm trang, và duy trì các cuộc hội thoại mạch lạc qua nhiều lượt khi cần toàn bộ lịch sử. Nó cũng phù hợp để tạo nội dung dài như sách hướng dẫn kỹ thuật chi tiết, tiểu thuyết, hoặc các bài tổng quan nghiên cứu toàn diện. Khả năng xuất ra tới 384,000 token trong một phản hồi duy nhất khiến nó trở thành một trong số ít mô hình có thể tạo ra các đầu ra có cấu trúc rất lớn mà không cần chia nhỏ. Đối với các quy trình làm việc tác tử yêu cầu sử dụng công cụ trong các ngữ cảnh dài, điểm số τ²-Bench cho thấy độ tin cậy cao.
DeepSeek V4 Pro chỉ hỗ trợ đầu vào và đầu ra dạng văn bản. Nó không thể xử lý hoặc tạo ra hình ảnh, âm thanh, video hoặc các định dạng không phải văn bản khác. Nếu ứng dụng của bạn yêu cầu khả năng đa phương thức—chẳng hạn như phân tích biểu đồ hoặc chuyển đổi giọng nói thành văn bản—bạn sẽ cần sử dụng một mô hình khác hỗ trợ các phương thức đó hoặc kết hợp DeepSeek V4 Pro với các bộ xử lý bên ngoài riêng biệt. Trong lĩnh vực chỉ xử lý văn bản của mình, mô hình được thiết kế để xử lý số lượng token rất lớn, khiến nó phù hợp cho các tác vụ mà đầu vào hoặc đầu ra chủ yếu là văn bản và dài.
Chuẩn so sánh chính được cung cấp cho DeepSeek V4 Pro là 96.2 trên τ²-Bench. τ²-Bench đánh giá khả năng sử dụng công cụ và làm theo hướng dẫn của mô hình trong môi trường tác nhân, mô phỏng các tác vụ yêu cầu mô hình gọi hàm, diễn giải kết quả và lặp lại. Điểm 96.2 cho thấy độ chính xác và độ tin cậy cao trong các bối cảnh như vậy. Không có điểm chuẩn nào khác (ví dụ: MMLU, HumanEval) được chỉ định cho mô hình này, vì vậy việc so sánh trực tiếp nên giới hạn ở hiệu suất τ²-Bench. Người dùng quan tâm đến các khía cạnh khác (suy luận, lập trình, v.v.) có thể cần tham khảo các đánh giá công khai của bên thứ ba.
Độ trễ phụ thuộc vào độ dài đầu vào và đầu ra, tải máy chủ và các tham số yêu cầu cụ thể. OrcaRouter định tuyến các yêu cầu đến cơ sở hạ tầng của DeepSeek, và thời gian phản hồi điển hình cho các ngữ cảnh dài cao hơn so với các ngữ cảnh ngắn. Vì mô hình có thể xuất ra tới 384.000 token, việc tạo sinh có thể mất vài phút đối với các phản hồi rất dài. Đối với các ứng dụng thời gian thực yêu cầu độ trễ dưới một giây, hãy cân nhắc sử dụng mô hình nhỏ hơn với đầu ra ngắn hơn. OrcaRouter không công bố các điểm chuẩn độ trễ tiêu chuẩn; bạn có thể ước lượng hiệu suất bằng cách chạy các yêu cầu thử nghiệm với các tải đại diện.
Dựa trên thông số kỹ thuật, các điểm mạnh chính của DeepSeek V4 Pro bao gồm khả năng xử lý ngữ cảnh và đầu ra cực kỳ lớn, kết hợp với hiệu suất tác nhân mạnh mẽ được đo bằng τ²-Bench. Cửa sổ ngữ cảnh 1M token cho phép mô hình lưu giữ và xử lý toàn bộ sách giáo khoa hoặc mã nguồn dài trong một lần xử lý duy nhất, giảm nhu cầu phân đoạn hoặc tạo sinh tăng cường truy xuất. Giới hạn đầu ra 384K cho phép tạo ra các văn bản rất dài và mạch lạc mà không bị cắt bớt. Những đặc tính này làm cho nó đặc biệt có giá trị đối với các tác vụ yêu cầu đồng thời cả chiều rộng và chiều sâu.
Mô hình chỉ hỗ trợ văn bản, do đó không thể xử lý đầu vào hoặc đầu ra đa phương thức. Giá mỗi token của nó cao hơn so với các mô hình nhỏ hơn, khiến nó không kinh tế cho các tác vụ ngữ cảnh ngắn. Mặc dù hiệu suất trên τ²-Bench rất mạnh, nhưng không có thông tin nào được cung cấp về các chuẩn đánh giá tiêu chuẩn khác (ví dụ: suy luận, đa ngôn ngữ, lập trình), do đó khả năng tổng quát của nó ngoài việc sử dụng công cụ tác tử không được định lượng ở đây. Người dùng cũng nên lưu ý rằng các đầu ra rất dài có thể gây ra chi phí và độ trễ đáng kể. Ngoài ra, mô hình có thể tạo ra các phản hồi không chính xác hoặc thiên lệch, như với tất cả các mô hình ngôn ngữ lớn.
Định giá rất đơn giản: 0,44 đô la cho mỗi 1 triệu token đầu vào và 0,87 đô la cho mỗi 1 triệu token đầu ra. Các mức giá này do DeepSeek đặt ra và được OrcaRouter chuyển tiếp mà không thêm bất kỳ khoản phụ phí nào. Cả token đầu vào và đầu ra đều được tính theo bộ token hóa của nhà cung cấp. Không có phí nền tảng bổ sung, bậc sử dụng hay giảm giá theo khối lượng nào được chỉ định. Tổng chi phí cho một yêu cầu bằng (input_tokens * 0,44 đô la/1M) + (output_tokens * 0,87 đô la/1M). Ví dụ: một yêu cầu có 100K token đầu vào và 50K token đầu ra sẽ tốn khoảng 0,044 đô la + 0,0435 đô la = 0,0875 đô la.
Không có thông tin nào được cung cấp về việc giảm giá caching hoặc caching lời nhắc cho DeepSeek V4 Pro. OrcaRouter không thêm markup, nhưng không rõ liệu DeepSeek có cung cấp mức giá giảm cho các tiền tố lời nhắc lặp lại hoặc ngữ cảnh đã được cache hay không. Người dùng nên giả định rằng mọi token được tạo ra đều được tính theo tỷ lệ trên mỗi token tiêu chuẩn. Đối với các ứng dụng có nhiều sự lặp lại trong lời nhắc, hãy cân nhắc đánh giá xem liệu một nhà cung cấp hoặc mô hình khác có hỗ trợ caching rõ ràng có thể giảm chi phí hay không. Tại thời điểm viết bài này, mô hình định giá hoàn toàn là tiêu thụ trên mỗi token, không có bậc.
Chi phí cho mỗi token của DeepSeek V4 Pro cao hơn so với nhiều mô hình nhỏ hơn hoặc cũ hơn có sẵn qua OrcaRouter. Ví dụ, một mô hình nhẹ có thể chỉ tốn một phần mười chi phí mỗi token so với mô hình này. Nếu tác vụ của bạn chỉ sử dụng một phần nhỏ cửa sổ ngữ cảnh (ví dụ: 4K token) và tạo ra đầu ra ngắn, bạn sẽ phải trả nhiều hơn mức cần thiết. Mô hình hàng đầu trở nên tiết kiệm chi phí khi kích thước ngữ cảnh hoặc đầu ra lớn hơn trực tiếp làm giảm số lượng lệnh gọi API hoặc nhu cầu về hệ thống truy xuất bên ngoài. Đối với các ứng dụng có khối lượng lớn và ngữ cảnh ngắn, một mô hình rẻ hơn sẽ giảm đáng kể hóa đơn của bạn.
OrcaRouter tuyên bố rằng DeepSeek V4 Pro được tính phí theo giá của nhà cung cấp mà không có phụ phí. Điều này có nghĩa là giá bạn trả cho mỗi token chính xác bằng số tiền OrcaRouter trả cho DeepSeek, không có lợi nhuận cộng thêm. Chính sách này áp dụng cho tất cả các mô hình được liệt kê trên nền tảng. Tính minh bạch này cho phép bạn so sánh chi phí trực tiếp với các nhà cung cấp khác mà không lo lắng về các khoản phí ẩn. Tuy nhiên, tỷ giá có thể thay đổi nếu DeepSeek cập nhật giá; OrcaRouter dự kiến sẽ chuyển những thay đổi đó mà không thay đổi.
Sử dụng endpoint hoàn tất trò chuyện tương thích với OpenAI: POST https://api.orcarouter.ai/v1/chat/completions. Đặt tham số 'model' thành 'deepseek/deepseek-v4-pro'. Bao gồm khóa API của bạn trong header Authorization dưới dạng 'Bearer YOUR_API_KEY'. Các tham số tiêu chuẩn như 'messages', 'temperature', 'max_tokens', 'top_p', 'stop' và 'frequency_penalty' đều được hỗ trợ. Ví dụ: đặt 'max_tokens' thành 384000 sẽ cho phép mô hình tạo ra tối đa số lượng token đó. Tham khảo tài liệu của OrcaRouter để biết các tham số bổ sung được hỗ trợ. Phản hồi tuân theo định dạng giống như API của OpenAI.
Tất cả các tham số hoàn tất trò chuyện tiêu chuẩn đều có sẵn: 'messages' (mảng bắt buộc các đối tượng tin nhắn với 'role' và 'content'), 'temperature' (0-2, mặc định có thể là 1), 'top_p' (0-1), 'max_tokens' (tối đa 384000), 'stop' (chuỗi hoặc mảng các chuỗi), 'frequency_penalty' (-2 đến 2), 'presence_penalty' (-2 đến 2), 'seed' (số nguyên để lấy mẫu xác định), và 'stream' (boolean). Lưu ý rằng 'max_tokens' không thể vượt quá đầu ra tối đa của mô hình là 384000 token; gửi giá trị cao hơn sẽ bị cắt bỏ hoặc trả về lỗi. Mã định danh mô hình phải chính xác là 'deepseek/deepseek-v4-pro'. Không có tham số dành riêng cho nhà cung cấp nào khác được tiết lộ.
Nếu bạn đang sử dụng thư viện client Python của OpenAI, việc di chuyển chỉ yêu cầu hai thay đổi: đặt base URL thành 'https://api.orcarouter.ai/v1' và cập nhật tên model thành 'deepseek/deepseek-v4-pro'. Mã hiện tại của bạn sử dụng 'openai.ChatCompletion.create()' hoặc API client mới hơn sẽ hoạt động với các sửa đổi này. Đảm bảo bạn có khóa API OrcaRouter. Lược đồ yêu cầu và phản hồi giống hệt với OpenAI, vì vậy không cần thay đổi nào khác. Đối với các ngôn ngữ lập trình khác (JavaScript, Java, curl), hãy cập nhật URL endpoint và trường model tương ứng.
URL cơ sở cho tất cả các yêu cầu API là https://api.orcarouter.ai/v1. ID mô hình chính xác để sử dụng trong trường 'model' là 'deepseek/deepseek-v4-pro'. ID này phân biệt chữ hoa chữ thường và phải được cung cấp chính xác như hiển thị. Các yêu cầu đến bất kỳ điểm cuối nào khác hoặc sử dụng ID mô hình không chính xác sẽ dẫn đến lỗi. API của OrcaRouter hỗ trợ cả chế độ truyền phát (streaming) và không truyền phát. Đối với truyền phát, đặt 'stream': true trong phần thân yêu cầu, và bạn sẽ nhận được các sự kiện SSE theo cùng định dạng với truyền phát của OpenAI.
So với các mẫu flagship khác có sẵn qua OrcaRouter, DeepSeek V4 Pro cung cấp một trong những cửa sổ ngữ cảnh lớn nhất (1M token) và giới hạn đầu ra (384K token). Điểm τ²-Bench 96.2 của nó là một điểm so sánh trực tiếp. Tuy nhiên, nếu không có dữ liệu benchmark cho các mẫu khác trên cùng một chỉ số, thì không thể xếp hạng trực tiếp. Nhiều mẫu flagship khác hỗ trợ đầu vào đa phương thức, điều mà DeepSeek V4 Pro không có. Chi phí mỗi token khác nhau; một số đối thủ cạnh tranh có thể có giá mỗi token thấp hơn nhưng cửa sổ ngữ cảnh nhỏ hơn. Sự lựa chọn phụ thuộc vào việc bạn cần khả năng ngữ cảnh và đầu ra cực lớn hay khả năng đa phương thức.
Nếu ứng dụng của bạn yêu cầu khả năng thị giác (hiểu hình ảnh) hoặc xử lý âm thanh, bạn phải chọn mô hình đa phương thức. Tương tự, nếu tác vụ của bạn thường ngắn (<10K token) và không yêu cầu sử dụng công cụ tác nhân, một mô hình flagship đa năng với chi phí thấp hơn có thể tiết kiệm hơn. Một số đối thủ có thể cung cấp suy luận nhanh hơn cho ngữ cảnh ngắn hoặc độ trễ thấp hơn. Thế mạnh của DeepSeek V4 Pro nằm ở các kịch bản nơi ngữ cảnh dài và đầu ra dài là yếu tố thiết yếu. Nếu trường hợp sử dụng của bạn liên quan đến xử lý nhiều tài liệu ngắn riêng biệt, một mô hình có cửa sổ ngữ cảnh nhỏ hơn nhưng giá mỗi token thấp hơn có thể kinh tế hơn.
DeepSeek cung cấp một số mô hình. DeepSeek V4 Pro là mô hình chủ lực, có ngữ cảnh lớn nhất và chi phí cao nhất. Các mô hình DeepSeek nhỏ hơn có thể có cửa sổ ngữ cảnh 32K hoặc 128K token và giá thấp hơn, phù hợp hơn cho các khối lượng công việc điển hình. Nếu bạn đã sử dụng một mô hình DeepSeek và cần dung lượng ngữ cảnh lớn hơn hoặc hiệu suất tác nhân tốt hơn, việc nâng cấp lên V4 Pro là bước hợp lý. Tuy nhiên, đối với hầu hết các tác vụ không yêu cầu ngữ cảnh tối đa, một mô hình DeepSeek cấp thấp hơn sẽ cung cấp chất lượng tương tự với chi phí thấp hơn. Hãy kiểm tra danh mục của OrcaRouter để biết các mô hình DeepSeek có sẵn.
τ²-Bench đo lường khả năng của một mô hình trong việc sử dụng công cụ trong môi trường tác nhân. Điểm số 96.2 cho thấy DeepSeek V4 Pro rất đáng tin cậy trong việc gọi hàm một cách chính xác, phân tích kết quả và tuân theo các hướng dẫn nhiều bước. Khi so sánh với các mô hình khác, nếu chúng có điểm τ²-Bench, bạn có thể so sánh trực tiếp. Nếu không, bạn có thể cần đánh giá dựa trên các benchmark khác hoặc kiểm tra định tính. Đối với các ứng dụng không liên quan đến việc sử dụng công cụ, điểm τ²-Bench ít liên quan hơn. Trong những trường hợp đó, hãy xem xét các chỉ số khác như lý luận, lập trình hoặc hiểu ngôn ngữ nếu có sẵn.
Tương thích OpenAI — giữ nguyên SDK bạn đang dùng
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-v4-pro",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoninglogprobsmax_tokensreasoningresponse_formatstopstreamstream_optionstemperaturethinkingtool_choicetoolstop_logprobstop_puser_id| Đầu vào / 1M tokens · Ngoài giờ cao điểm | $0.442 |
| Đầu ra / 1M tokens · Ngoài giờ cao điểm | $0.884 |
| Đọc cache / 1M · Ngoài giờ cao điểm | $0.060 |
| Giờ cao điểm | 01:00–04:00, 06:00–10:00 ×2 (UTC) |
| Đầu vào / 1M tokens · ×2 | $0.884 |
| Đầu ra / 1M tokens · ×2 | $1.768 |
| Đọc cache / 1M · ×2 | $0.120 |
| Tiền tệ | USD |
Ước tính theo giá niêm yết
Chỉ là ước tính — số token thực tế phụ thuộc vào bộ tách token của nhà cung cấp.
Điều các nhà phát triển đang nói tuần này
GET /api/public/models/deepseek/deepseek-v4-proMở @misc{orcarouter_deepseek_v4_pro,
title = {DeepSeek V4 Pro API},
author = {DeepSeek},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/deepseek/deepseek-v4-pro}
}DeepSeek. (2026). DeepSeek V4 Pro API. OrcaRouter. https://www.orcarouter.ai/models/deepseek/deepseek-v4-pro