DeepSeek 别名用于 V4 Flash 非思考模式 — 1M 上下文，强大的指令遵循与编码能力（旧版别名，计划弃用）。
DeepSeek V3 是 DeepSeek 推出的一款混合专家文本模型，专为需要理解并生成超长上下文的场景设计。其 1,048,576 个令牌的上下文窗口可一次性处理整本书籍、大规模代码库或长时间对话历史。模型最高可输出 384,000 个令牌，适用于生成报告、文章或复杂结构化数据。该模型面向需要高容量语言理解但无需多模态能力的开发者、研究人员及企业。MoE…
DeepSeek V3 在长上下文推理方面表现出色，这得益于其100万token的窗口。它能够在数百页的文本中保持连贯性，非常适合总结整个文档、跟随复杂叙事或分析大型代码库。MoE架构使其能够将任务的不同部分分配给专门的“专家”子网络，从而提高效率。此外，它还支持高达384k token的高输出限制，能够生成长篇报告、书籍或多轮对话中的详尽回复。在数学推理和代码生成方面尤其强大，这些正是DeepSeek重点训练的领域。
对于简单的任务，如短问答、分类或轻度摘要，较小的模型（例如Llama 3.1 8B或GPT-4o mini）可能更具成本效益且速度更快。DeepSeek V3针对长上下文和高输出进行了优化，将其用于生成100个token的回答会浪费其能力。如果实时延迟至关重要且上下文较短，建议考虑开销更低的模型。此外，如果需要多模态输入，DeepSeek V3并不适用。
最佳用例包括处理非常长的文档（例如，法律合同、研究论文、整本书籍），其中必须考虑整个上下文。它也适用于维护多达100万token对话历史的多轮聊天应用，例如高级客户支持或交互式故事讲述。跨大规模代码库的代码生成和分析受益于大上下文。此外，需要生成长篇内容的任务，如报告撰写、文章创作或结构化数据生成（例如JSON、XML），可以充分利用384k的输出限制。
本列表中未提供DeepSeek V3的具体基准测试分数。然而，DeepSeek公开信息显示，V3在推理基准（如MATH、GSM8K）、编程基准（如HumanEval、MBPP）以及语言理解任务（如MMLU）上均取得了有竞争力的结果。其MoE架构使其在保持与参数量更多的稠密模型相似性能的同时，每个词元消耗的计算量更少。用户应查阅DeepSeek官方论文以获取详细数据。
延迟取决于输入长度、输出长度和当前负载。由于DeepSeek V3采用混合专家架构，每个Token仅激活部分参数，因此相比同等总参数量的密集模型，生成速度通常更快。在OrcaRouter上，延迟还受到网络状况和负载均衡的影响。对于短上下文，模型响应迅速；对于长上下文处理，初始编码时间随输入长度增加而延长。虽然没有提供具体的延迟数据，但用户可以预期该模型在同等规模下表现合理。
优势包括巨大的上下文窗口（1M tokens）、高输出限制（384k tokens）、MoE效率带来的更低每token成本，以及强大的推理与编码性能。局限性：仅文本输入（无图像、音频）；与更大的密集模型相比，知识深度可能降低；对于非常简短的任务而言可能大材小用。此外，在高度细微的任务（如创意写作、情感基调）中其表现可能有所差异，建议用户自行测试。
价格是每100万个输入令牌0.14美元，每100万个输出令牌0.28美元。这些费率按提供商的费率计费，OrcaRouter不加任何额外加价。输入令牌包括提示词；输出令牌是模型生成的文本。例如，一个50万令牌的输入和一个10万令牌的输出将花费0.07美元（输入）+ 0.028美元（输出）= 0.098美元。请注意，令牌由提供商的令牌计数器统计。
考虑到其庞大的上下文窗口，如果始终使用完整的100万tokens，成本可能会增加。然而，对于许多用例来说，平均输入规模较小。每个token的成本具有竞争力，尤其是与类似能力的高密度模型相比。由于它是一个MoE模型，每个token的计算成本较低，OrcaRouter将其作为零加成传递。如果您的任务只需要几百个token，那么使用更便宜的模型可能更经济。对于长上下文任务，DeepSeek V3通常能提供最佳的性能成本比。
OrcaRouter不会单独为DeepSeek V3宣传缓存折扣。缓存（如有）将遵循提供商（DeepSeek）的政策，这些政策可能适用也可能不适用。用户应假设按标准每Token计费。为优化成本，建议通过修剪不必要的输入来高效复用上下文窗口。
使用 OrcaRouter 的 OpenAI 兼容 API，基础 URL 为 https://api.orcarouter.ai/v1。将模型 ID 设置为 "deepseek/deepseek-chat"。你可以使用官方的 OpenAI Python 客户端或任何支持 OpenAI 聊天补全的库。Python 示例： ```python import openai client = openai.OpenAI(base_url="https://api.orcarouter.ai/v1", api_key="YOUR_ORCAROUTER_API_KEY") response = client.chat.completions.create(model="deepseek/deepseek-chat", messages=[{"role":"user","content":"Hello"}]) ```
该模型支持标准的聊天完成参数：temperature、top_p、max_tokens、stop、frequency_penalty、presence_penalty 等。max_tokens 最高可设置为 384,000。该模型仅支持文本，因此不支持图像或音频输入。对于长上下文，您可以发送大量消息数组，确保总 token 数不超过 1,048,576。分词器与 DeepSeek 自用的相同；OrcaRouter 会按照提供商方式处理 token 计数。
将base_url更改为https://api.orcarouter.ai/v1，并将模型ID设置为"deepseek/deepseek-chat"。保留现有的代码结构（消息、参数）。如果您使用的是OpenAI Python客户端或类似工具，则无需进行其他更改。确保您的API密钥对OrcaRouter有效。通过一个小请求测试以验证令牌限制和定价。对于使用流式传输的应用程序，响应格式与OpenAI的流式传输相同。
GPT-4o支持文本、图像和音频输入，而DeepSeek V3仅支持文本。GPT-4o拥有128k上下文窗口，DeepSeek V3则支持1M。GPT-4o的定价因使用情况而异，但通常每token费用更高。DeepSeek V3的MoE架构在处理长上下文时可能延迟更低。在推理和编程方面，两者都很强大，但GPT-4o具备更广泛的多模态能力。如果你需要极长的上下文长度和高效的文本处理，选择DeepSeek V3；如果涉及多模态任务，选择GPT-4o。
Claude 3.5 Sonnet 提供200k的上下文窗口，远小于DeepSeek V3的1M。Claude支持文本和图像输入；DeepSeek V3仅支持文本。Claude的每token定价更高（例如，每百万输入3美元）。DeepSeek V3更便宜。Claude以强大的指令遵循能力和安全性著称；DeepSeek V3在数学和编码方面表现出色。对于长上下文任务，DeepSeek V3更具成本效益且容量更大。
Llama 3.1 405B 是密集模型，具有128k上下文窗口；DeepSeek V3的上下文要大得多。Llama 3.1 405B 也仅支持文本。通过托管服务使用 Llama 3.1 405B 的定价通常高于 DeepSeek V3。DeepSeek V3 的 MoE 架构使用更少的活跃参数，可能生成速度更快。两者在推理方面都很强；DeepSeek V3 因其更长的窗口，在长上下文召回方面可能更有优势。对于超长上下文场景选择 DeepSeek V3；需要开放权重或特定微调变体时选择 Llama 3.1。
当你的任务需要处理非常长的上下文（例如整本书籍、大型代码库）或生成长输出（最多384k tokens）时，请使用DeepSeek V3。如果你的任务较短，像DeepSeek V2 Lite或Llama 3.1 8B这样较小的模型会更快且更便宜。另外，如果需要多模态输入，请考虑其他模型。对于任何上下文超过128k tokens或输出长度超出常规限制的任务，成本效益比倾向于DeepSeek V3。
兼容 OpenAI——沿用你现有的 SDK
https://api.orcarouter.ai/v1from 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-chat",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoninglogprobsmax_tokensreasoningresponse_formatstopstreamstream_optionstemperaturethinkingtool_choicetoolstop_logprobstop_puser_id| 输入 / 1M tokens | $0.147 |
| 输出 / 1M tokens | $0.295 |
| 缓存读取 / 1M | $0.020 |
| 货币 | USD |
基于标价的估算
仅为估算——实际 Token 数取决于提供商的分词器。
@misc{orcarouter_deepseek_chat,
title = {DeepSeek V3 API},
author = {DeepSeek},
year = {2024},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/deepseek/deepseek-chat}
}DeepSeek. (2024). DeepSeek V3 API. OrcaRouter. https://www.orcarouter.ai/models/deepseek/deepseek-chat