Ifølge den officielle DeepSeek API‑dokumentation vil modellens API‑pris efter kampagnens afslutning permanent blive justeret til en fjerdedel af det oprindelige niveau, hvilket reelt gør den rabatterede pris til den nye standardsats.

Før rabatten var den oplyste basispris cirka 1,74 USD pr. million input-tokens og 3,48 USD pr. million output-tokens, hvilket betyder, at den nuværende pris repræsenterer et varigt skift snarere end en kortsigtet marketingkampagne.

Sådan sammenligner den sig med GPT‑5.5 og Claude Opus 4.7

DeepSeeks prissætning står klarest frem, når den sammenlignes med andre frontend‑AI‑modeller.

OpenAI GPT‑5.5

• Input: 5,00 USD pr. million tokens (kort kontekst)
• Output: 30,00 USD pr. million tokens

Anthropic Claude Opus 4.7

• Input: 5,00 USD pr. million tokens
• Output: 25,00 USD pr. million tokens

DeepSeek V4‑Pro

• Input: 0,435 USD pr. million tokens
• Output: 0,87 USD pr. million tokens

Det betyder:

• Input-tokens er cirka 91 % billigere end GPT‑5.5 eller Claude Opus 4.7.
• Output-tokens er cirka 96–97 % billigere end disse flagskibsmodeller.

For udviklere, der kører store arbejdsbelastninger – såsom kodningsassistenter, agenter, dokumentanalysepipelines eller kundesupportsystemer – dominerer tokenprisen ofte de samlede driftsomkostninger. En forskel af denne størrelsesorden kan afgøre, hvilke arkitekturer der er økonomisk bæredygtige.

Store kontekstkapaciteter

Ud over prisen konkurrerer V4‑Pro også teknisk med frontend‑modeller.

Vigtige specifikationer omfatter:

• 1 million tokens kontekstvindue
• Maksimalt output på op til 384.000 tokens
• Understøttelse af struktureret JSON-output og værktøjs‑/funktionskald

Modellen er bygget på en Mixture‑of‑Experts (MoE)-arkitektur med cirka 1,6 billioner parametre og omkring 49 milliarder aktive parametre pr. inferenstrin, hvilket muliggør høj kapacitet uden proportionelt højere beregningsomkostninger.

Store kontekstvinduer er især nyttige til:

• lange dokumentanalyser
• kodebase‑skala ræsonnement
• agentarbejdsgange med vedvarende kontekst
• retrieval‑augmented generation med store vidensbaser

Kombineret med ekstremt lave tokenpriser muliggør disse kapaciteter anvendelsestilfælde, der ville være uoverkommeligt dyre med dyrere modeller.

Hvorfor dette betyder noget for udviklere

For mange teams er inferensomkostninger – ikke modelkapacitet – den begrænsende faktor ved implementering af AI i stor skala. Ultra-lave tokenpriser giver udviklere mulighed for at:

• køre større prompter og længere samtaler
• generere længere output uden omkostningsstigninger
• behandle enorme dokumentsæt eller kodebaser
• bygge multi‑agent pipelines med mange modelkald

I praksis kan forskellen mellem 0,87 USD og 25 USD pr. million output-tokens gøre tidligere eksperimentelle arbejdsgange til økonomisk bæredygtige produkter.

Den bredere AI‑priskrig

DeepSeeks strategi afspejler et større skift, der er i gang i AI‑industrien.

Historisk set blev frontend‑modeller prissat i størrelsesordenen flere dollars til titusindvis af dollars pr. million tokens, som set med GPT‑5.5 og Claude Opus 4.7.

DeepSeek forfølger i stedet en volumendreven prismodel, der tilbyder dramatisk billigere inferens, samtidig med at den opretholder konkurrencedygtig kapacitet. Analytikere bemærker, at modellerne gentagne gange har underbudt etablerede udbydere med stor margin og dermed hjulpet med at presse de samlede AI‑omkostninger nedad på markedet.

Denne tilgang spejler dynamikker set i cloud computing og GPU'er: Når først en leverandør beviser, at højtydende systemer kan køre meget billigere, er hele markedet tvunget til at reagere.

Hvad skal man holde øje med

DeepSeeks prismæssige træk rejser flere strategiske spørgsmål for AI‑økosystemet:

• Vil konkurrerende laboratorier sænke API‑priserne for at forblive konkurrencedygtige?
• Vil billigere inferens accelerere skiftet mod agentbaserede applikationer?
• Kan ultra-lave priser forblive bæredygtige i stor skala?

Hvad der allerede er klart, er, at tokenprissætning – engang betragtet som en relativt stabil del af AI‑stakken – er ved at blive et konkurrencevåben. Og hvis DeepSeeks prissætning holder, kan omkostningerne ved at bygge store AI‑systemer falde langt hurtigere, end mange udviklere havde forventet.

Ifølge den officielle DeepSeek API‑dokumentation vil modellens API‑pris efter kampagnens afslutning permanent blive justeret til en fjerdedel af det oprindelige niveau, hvilket reelt gør den rabatterede pris til den nye standardsats.

Før rabatten var den oplyste basispris cirka 1,74 USD pr. million input-tokens og 3,48 USD pr. million output-tokens, hvilket betyder, at den nuværende pris repræsenterer et varigt skift snarere end en kortsigtet marketingkampagne.

Sådan sammenligner den sig med GPT‑5.5 og Claude Opus 4.7

DeepSeeks prissætning står klarest frem, når den sammenlignes med andre frontend‑AI‑modeller.

OpenAI GPT‑5.5

• Input: 5,00 USD pr. million tokens (kort kontekst)
• Output: 30,00 USD pr. million tokens

Anthropic Claude Opus 4.7

• Input: 5,00 USD pr. million tokens
• Output: 25,00 USD pr. million tokens

DeepSeek V4‑Pro

• Input: 0,435 USD pr. million tokens
• Output: 0,87 USD pr. million tokens

Det betyder:

• Input-tokens er cirka 91 % billigere end GPT‑5.5 eller Claude Opus 4.7.
• Output-tokens er cirka 96–97 % billigere end disse flagskibsmodeller.

For udviklere, der kører store arbejdsbelastninger – såsom kodningsassistenter, agenter, dokumentanalysepipelines eller kundesupportsystemer – dominerer tokenprisen ofte de samlede driftsomkostninger. En forskel af denne størrelsesorden kan afgøre, hvilke arkitekturer der er økonomisk bæredygtige.

Store kontekstkapaciteter

Ud over prisen konkurrerer V4‑Pro også teknisk med frontend‑modeller.

Vigtige specifikationer omfatter:

• 1 million tokens kontekstvindue
• Maksimalt output på op til 384.000 tokens
• Understøttelse af struktureret JSON-output og værktøjs‑/funktionskald

Modellen er bygget på en Mixture‑of‑Experts (MoE)-arkitektur med cirka 1,6 billioner parametre og omkring 49 milliarder aktive parametre pr. inferenstrin, hvilket muliggør høj kapacitet uden proportionelt højere beregningsomkostninger.

Store kontekstvinduer er især nyttige til:

• lange dokumentanalyser
• kodebase‑skala ræsonnement
• agentarbejdsgange med vedvarende kontekst
• retrieval‑augmented generation med store vidensbaser

Kombineret med ekstremt lave tokenpriser muliggør disse kapaciteter anvendelsestilfælde, der ville være uoverkommeligt dyre med dyrere modeller.

Hvorfor dette betyder noget for udviklere

For mange teams er inferensomkostninger – ikke modelkapacitet – den begrænsende faktor ved implementering af AI i stor skala. Ultra-lave tokenpriser giver udviklere mulighed for at:

• køre større prompter og længere samtaler
• generere længere output uden omkostningsstigninger
• behandle enorme dokumentsæt eller kodebaser
• bygge multi‑agent pipelines med mange modelkald

I praksis kan forskellen mellem 0,87 USD og 25 USD pr. million output-tokens gøre tidligere eksperimentelle arbejdsgange til økonomisk bæredygtige produkter.

Den bredere AI‑priskrig

DeepSeeks strategi afspejler et større skift, der er i gang i AI‑industrien.

Historisk set blev frontend‑modeller prissat i størrelsesordenen flere dollars til titusindvis af dollars pr. million tokens, som set med GPT‑5.5 og Claude Opus 4.7.

DeepSeek forfølger i stedet en volumendreven prismodel, der tilbyder dramatisk billigere inferens, samtidig med at den opretholder konkurrencedygtig kapacitet. Analytikere bemærker, at modellerne gentagne gange har underbudt etablerede udbydere med stor margin og dermed hjulpet med at presse de samlede AI‑omkostninger nedad på markedet.

Denne tilgang spejler dynamikker set i cloud computing og GPU'er: Når først en leverandør beviser, at højtydende systemer kan køre meget billigere, er hele markedet tvunget til at reagere.

Hvad skal man holde øje med

DeepSeeks prismæssige træk rejser flere strategiske spørgsmål for AI‑økosystemet:

• Vil konkurrerende laboratorier sænke API‑priserne for at forblive konkurrencedygtige?
• Vil billigere inferens accelerere skiftet mod agentbaserede applikationer?
• Kan ultra-lave priser forblive bæredygtige i stor skala?

Hvad der allerede er klart, er, at tokenprissætning – engang betragtet som en relativt stabil del af AI‑stakken – er ved at blive et konkurrencevåben. Og hvis DeepSeeks prissætning holder, kan omkostningerne ved at bygge store AI‑systemer falde langt hurtigere, end mange udviklere havde forventet.