DeepSeek V4‑Pro: 75 prosent priskutt blir den nye normalen – og det endrer priskrigen på KI‑modeller

Ifølge den offisielle DeepSeek API‑dokumentasjonen vil modellens API‑prising etter kampanjeslutt bli permanent justert til en fjerdedel av opprinnelig nivå, noe som i praksis gjør kampanjeprisen til den nye standardsatsen.

Før rabatten var den oppgitte grunnprisen omtrent $1,74 per million input‑tokens og $3,48 per million output‑tokens, noe som betyr at dagens pris er et varig skifte snarere enn en kortvarig markedskampanje.

Sammenligning med GPT‑5.5 og Claude Opus 4.7

DeepSeeks prising skiller seg aller mest ut når den sammenlignes med andre toppmodeller.

OpenAI GPT‑5.5

• Input: $5,00 per million tokens (kort kontekst)
• Output: $30,00 per million tokens

Anthropic Claude Opus 4.7

• Input: $5,00 per million tokens
• Output: $25,00 per million tokens

DeepSeek V4‑Pro

• Input: $0,435 per million tokens
• Output: $0,87 per million tokens

Det betyr:

• Input‑tokens er omtrent 91 prosent billigere enn GPT‑5.5 eller Claude Opus 4.7.
• Output‑tokens er omtrent 96–97 prosent billigere enn disse toppmodellene.

For utviklere som kjører store volumarbeidsbelastninger – som kodeassistenter, agenter, dokumentanalyse eller kundestøttesystemer – dominerer ofte token‑prisen de totale driftskostnadene. En forskjell av denne størrelsen kan endre hvilke arkitekturer som er økonomisk levedyktige.

Store kontekstmuligheter

Utover prisingen konkurrerer V4‑Pro også teknisk med toppmodellene.

Viktige spesifikasjoner inkluderer:

• Kontekstvindu på 1 million tokens
• Maksimalt output på opptil 384 000 tokens
• Støtte for strukturert JSON‑output og verktøy/funksjonskall

Modellen er bygget med en Mixture‑of‑Experts (MoE)-arkitektur med omtrent 1,6 billioner totale parametere og omtrent 49 milliarder aktive parametere per slutningstrinn, noe som muliggjør høy kapasitet uten proporsjonalt høyere beregningskostnader.

Store kontekstvinduer er spesielt nyttige for:

• analyse av lange dokumenter
• resonnering på kodebasenivå
• agentarbeidsflyter med vedvarende kontekst
• retriever‑genererte applikasjoner med store kunnskapsbaser

Kombinert med ekstremt lave token‑priser muliggjør disse egenskapene bruksområder som ville vært uoverkommelig dyre med dyrere modeller.

Hvorfor dette betyr noe for utviklere

For mange team er slutningskostnad – ikke modellevne – den begrensende faktoren når KI skal tas i bruk i stor skala. Ultra‑lave token‑priser gjør at utviklere kan:

• kjøre større spørsmål og lengre samtaler
• generere lengre output uten kostnadstopper
• behandle enorme dokumentsett eller kodebaser
• bygge fleragentpipelines med mange modellkall

I praksis kan forskjellen mellom $0,87 og $25 per million output‑tokens gjøre tidligere eksperimentelle arbeidsflyter til økonomisk levedyktige produkter.

Den bredere priskrigen på KI

DeepSeeks strategi gjenspeiler et større skifte i KI‑bransjen.

Historisk sett har toppmodeller vært priset i størrelsesorden flere dollar til titalls dollar per million tokens, som sett med GPT‑5.5 og Claude Opus 4.7.

DeepSeek følger i stedet en volumdrevet prismodell og tilbyr dramatisk billigere slutning samtidig som konkurransedyktige egenskaper opprettholdes. Analytikere bemerker at modellene gjentatte ganger har underbudt etablerte tilbydere med store marginer, noe som bidrar til å presse de samlede KI‑kostnadene nedover i markedet.

Denne tilnærmingen speiler dynamikken sett i skytjenester og GPU‑er: Når én leverandør beviser at høytytende systemer kan kjøres mye billigere, blir hele markedet tvunget til å reagere.

Hva du bør følge med på fremover

DeepSeeks pristiltak reiser flere strategiske spørsmål for KI‑økosystemet:

• Vil konkurrerende laboratorier senke API‑prisene for å forbli konkurransedyktige?
• Vil billigere slutning akselerere skiftet mot agentbaserte applikasjoner?
• Kan ultra‑lave priser opprettholdes i stor skala?

Det som allerede er klart, er at token‑prising – en gang ansett som en relativt stabil del av KI‑stakken – blir et konkurransemiddel. Og hvis DeepSeeks priser holder, kan kostnadene ved å bygge store KI‑systemer falle langt raskere enn mange utviklere hadde forventet.