DeepSeek V4 Pro 0813 출시: 가격·벤치마크와 실사용 반응

Who Should Read

코딩 에이전트에 쓸 저비용 LLM을 고르며 DeepSeek Pro와 Flash 사이에서 고민하는 백엔드 개발자

Core Mechanics

• V4 Pro 0813은 GA 버전이다
  • DeepSeek이 만든 대규모 MoE(전문가 혼합) 모델의 정식 출시판이다.
  • 2026년 8월 12일에 출시됐고 컨텍스트는 1,048,576 토큰, 최대 출력은 393,216 토큰이다.
• OpenRouter 가격은 입력이 싸고 출력이 비싸다
  • 입력 $0.2016/M, 출력 $8.00/M, 캐시 읽기 $0.20/M으로 표시돼 있다.
  • 제공 업체는 21곳이고 업체마다 가격과 속도가 다르다.
• 함수호출과 구조화 출력을 지원한다
  • tools와 tool_choice로 함수호출을 쓸 수 있다.
  • response_format의 JSON 스키마로 구조화 출력도 된다.
• Artificial Analysis 점수는 코딩 쪽이 높다
  • Max 설정 기준 Coding Index 68.8, Intelligence Index 36.0, Agentic Index 41.3이다.
  • GPQA Diamond 92.8%, Terminal-Bench 2.1 78.7%, HLE 41.0%다.
• 환각 관련 점수는 낮다
  • AA-Omniscience Accuracy는 49.1%다.
  • AA-Omniscience Non-Hallucination Rate는 5.2%다.

Community Reactions

• Flash 0731이 더 낫다는 의견이 많았다
  • Flash 0731의 성능 점프가 커서 Pro에는 실망했고 Flash에 남겠다는 의견이 있었다.
  • 최근 Flash가 큰 개선이었고 Pro는 느리게 느껴진다는 경험도 있었다.
• 복잡한 과제에서는 격차가 보였다는 경험
• docker-compose 생성 과제를 OpenRouter로 gpt-5.6-terra-high와 비교해 봤더니 이 모델은 문제가 몇 개 있고 terra는 없었다는 경험이 있었다.
  • Codex CLI로 같은 기능을 Grok 4.6과 비교했더니 DeepSeek은 12분 02초, $0.12에 버그가 있었고 Grok은 3분 18초, $1.41에 버그가 없었다는 경험이 있었다.
• 저렴하게 쓸 만하다는 반응도 있었다
  • 트래픽 시뮬레이터에 하루 종일 돌려 약 $12.50(2B 토큰, 캐시 적중 50%)로 의미 있는 개선을 얻었다는 경험이 있었다.
  • 이전 모델과 같거나 더 나은 결과를 더 낮은 비용으로 얻었다는 의견도 있었다.
• 프라이버시와 가격 변동이 걸림돌이라는 의견
  • 당시 유일한 엔드포인트가 "요청 데이터로 학습하는 유료 엔드포인트" 허용을 요구해 벤치마크를 미루겠다는 의견이 있었다.
  • DeepSeek 공식 API가 8월 16일 16:00 UTC부터 피크/오프피크 가격제로 바뀌고 오프피크는 50%라는 정보가 공유됐다.

How to Apply

• OpenRouter에서 Pro와 Flash를 같은 과제로 비교하기
  • 오늘 실제 레포 작업 하나를 골라 model 슬러그만 바꿔 두 모델에 같은 프롬프트로 돌려라.
  • 소요 시간, 비용, 버그 수를 표로 기록해라.
• 배치 작업은 오프피크 시간대로 옮기기
  • 공식 API 기준 피크는 01:00–04:00, 06:00–10:00 UTC이고 그 외는 오프피크다.
  • 야간 배치와 대량 평가 작업의 스케줄러 시간을 오프피크로 바꿔라.
• 프라이버시 설정과 제공업체를 확인하기
  • 민감한 코드를 보내기 전에 OpenRouter 프라이버시 설정에서 학습 허용 엔드포인트 옵션을 확인해라.
  • provider routing으로 쓸 업체를 고정하거나 제외해라.

Try It

# OpenRouter API로 DeepSeek V4 Pro 0813 호출 (터미널에 붙여넣기)

pip install openai

export OPENROUTER_API_KEY={{키}}

python - <<'EOF'
import os
from openai import OpenAI
c = OpenAI(base_url="https://openrouter.ai/api/v1", api_key=os.environ["OPENROUTER_API_KEY"])
for m in ["deepseek/deepseek-v4-pro-0813"]:
    r = c.chat.completions.create(model=m, messages=[{"role":"user","content":"{{과제}}"}])
    print(m, r.usage)
    print(r.choices[0].message.content)
EOF

# 이어서: model 목록에 Flash 슬러그를 추가해 비교해 보기

Terminology

관련 논문

• Mercury 3: 규모를 키운 diffusion LLM, 초당 1,000토큰 이상

  Diffusion LLM을 40배 키웠더니 속도 4~8배, 품질은 속도 특화 모델 수준

• Timestral: Mistral의 시계열 파운데이션 모델

  209M 파라미터 시계열 모델이 3대 벤치마크 1위, CPU에서도 돌아간다

• DeepSeek V4.1 Flash 1017 (Max) 성능·속도·가격 분석

  DeepSeek V4.1 Flash 1017 Max는 지능 지수 45에 211 tok/s, 입력 $0.30

• LLM 프록시를 직접 안 돌리면 무슨 일이 벌어지는지 어떻게 아나

  자체 LLM 프록시를 세웠더니 키·모델·캐시 미스를 직접 볼 수 있다

• DeepSeek V4.1 Flash 1017: 싼 가격에 1M 컨텍스트를 주는 에이전트용 모델

  DeepSeek V4.1 Flash 1017은 입력 $0.05/M, 1M 컨텍스트의 에이전트용 모델

• DeepSeek-V4.1-Flash-1017 공개: 더 짧게 생각하고 더 빠르게 일하는 에이전트용 모델

  DeepSeek V4.1 Flash 마이너 업데이트로 코딩·에이전트 벤치 점수↑, 실행 시간·출력 길이↓

• Llmspeed: 로컬 LLM 속도를 하드웨어 구매 전에 체감해 보는 시뮬레이터

  GPU·모델을 고르면 로컬 LLM 속도를 미리 체감하게 해 주는 시뮬레이터

Related Resources

• https://openrouter.ai/deepseek/deepseek-v4-pro-0813
• https://api-docs.deepseek.com/quick_start/pricing/
• https://x.com/deepseek_ai/status/2087864585504305397
• https://github.com/arj03/seedkernel/