Enligt den officiella DeepSeek API-dokumentationen kommer modellens API-priser efter kampanjens slut att permanent justeras till en fjärdedel av den ursprungliga nivån, vilket i praktiken gör det rabatterade priset till den nya standardtaxan.

Före rabatten var det angivna grundpriset ungefär $1,74 per miljon input-tokens och $3,48 per miljon output-tokens, vilket innebär att det nuvarande priset är en bestående förändring snarare än en kortsiktig marknadsföringskampanj.

Jämförelse med GPT‑5.5 och Claude Opus 4.7

DeepSeeks prissättning framträder tydligast i jämförelse med andra frontlinje-AI-modeller.

OpenAI GPT‑5.5

• Input: $5,00 per miljon tokens (kort kontext)
• Output: $30,00 per miljon tokens

Anthropic Claude Opus 4.7

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

DeepSeek V4‑Pro

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

Det innebär:

• Input-tokens är ungefär 91 % billigare än GPT‑5.5 eller Claude Opus 4.7.
• Output-tokens är ungefär 96–97 % billigare än dessa flaggskeppsmodeller.

För utvecklare som kör stora volymer – som kodningsassistenter, agenter, dokumentanalyspipelines eller kundtjänstsystem – dominerar ofta tokenpriset de totala driftskostnaderna. En skillnad av denna storleksordning kan avgöra vilka arkitekturer som är ekonomiskt genomförbara.

Stora kontextmöjligheter

Utöver priset konkurrerar V4‑Pro också tekniskt med frontlinjemodeller.

Viktiga specifikationer inkluderar:

• Kontextfönster på 1 miljon tokens
• Maxutdata på upp till 384 000 tokens
• Stöd för strukturerad JSON-utdata och verktygs-/funktionsanrop

Modellen är byggd med en Mixture-of-Experts-arkitektur (MoE) med cirka 1,6 biljoner totala parametrar och cirka 49 miljarder aktiva parametrar per inferenssteg, vilket möjliggör hög kapacitet utan proportionellt högre beräkningskostnader.

Stora kontextfönster är särskilt användbara för:

• långdokumentanalys
• resonemang i kodbasstorlek
• agentarbetsflöden med beständigt sammanhang
• retrieval-augmented generation med stora kunskapsbaser

I kombination med extremt låga tokenpriser möjliggör dessa funktioner användningsområden som skulle vara oöverkomligt dyra med dyrare modeller.

Varför detta är viktigt för utvecklare

För många team är inferenskostnaden – inte modellkapaciteten – den begränsande faktorn vid storskalig AI-drift. Ultra-låga tokenpriser gör att utvecklare kan:

• köra större prompts och längre konversationer
• generera längre utdata utan kostnadstoppar
• bearbeta enorma dokumentuppsättningar eller kodbaser
• bygga multiagentpipelines med många modellanrop

I praktiska termer kan skillnaden mellan $0,87 och $25 per miljon output-tokens förvandla tidigare experimentella arbetsflöden till ekonomiskt lönsamma produkter.

Det bredare priskriget för AI

DeepSeeks strategi speglar en större förändring i AI-branschen.

Historiskt sett prissattes frontlinjemodeller i intervallet flera dollar till tiotals dollar per miljon tokens, som med GPT‑5.5 och Claude Opus 4.7.

DeepSeek tillämpar istället en volymdriven prismodell, som erbjuder dramatiskt billigare inferens samtidigt som konkurrenskraftig kapacitet bibehålls. Analytiker noterar att modellerna gång på gång har underprissatt etablerade leverantörer med stora marginaler, vilket hjälper till att pressa de totala AI-kostnaderna nedåt på marknaden.

Detta tillvägagångssätt speglar dynamik som setts inom molntjänster och GPU:er: när en leverantör väl bevisar att högpresterande system kan köras mycket billigare, tvingas hela marknaden att reagera.

Vad vi ska hålla ögonen på härnäst

DeepSeeks prisdrag väcker flera strategiska frågor för AI-ekosystemet:

• Kommer konkurrerande labb att sänka API-priserna för att förbli konkurrenskraftiga?
• Kommer billigare inferens att påskynda övergången till agentbaserade applikationer?
• Kan ultra-låga priser vara hållbara i stor skala?

Vad som redan står klart är att tokenprissättning – en gång betraktad som en relativt stabil del av AI-stacken – håller på att bli ett konkurrensmedel. Och om DeepSeeks prissättning håller, kan kostnaden för att bygga storskaliga AI-system sjunka mycket snabbare än många utvecklare förväntade sig.

Enligt den officiella DeepSeek API-dokumentationen kommer modellens API-priser efter kampanjens slut att permanent justeras till en fjärdedel av den ursprungliga nivån, vilket i praktiken gör det rabatterade priset till den nya standardtaxan.

Före rabatten var det angivna grundpriset ungefär $1,74 per miljon input-tokens och $3,48 per miljon output-tokens, vilket innebär att det nuvarande priset är en bestående förändring snarare än en kortsiktig marknadsföringskampanj.

Jämförelse med GPT‑5.5 och Claude Opus 4.7

DeepSeeks prissättning framträder tydligast i jämförelse med andra frontlinje-AI-modeller.

OpenAI GPT‑5.5

• Input: $5,00 per miljon tokens (kort kontext)
• Output: $30,00 per miljon tokens

Anthropic Claude Opus 4.7

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

DeepSeek V4‑Pro

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

Det innebär:

• Input-tokens är ungefär 91 % billigare än GPT‑5.5 eller Claude Opus 4.7.
• Output-tokens är ungefär 96–97 % billigare än dessa flaggskeppsmodeller.

För utvecklare som kör stora volymer – som kodningsassistenter, agenter, dokumentanalyspipelines eller kundtjänstsystem – dominerar ofta tokenpriset de totala driftskostnaderna. En skillnad av denna storleksordning kan avgöra vilka arkitekturer som är ekonomiskt genomförbara.

Stora kontextmöjligheter

Utöver priset konkurrerar V4‑Pro också tekniskt med frontlinjemodeller.

Viktiga specifikationer inkluderar:

• Kontextfönster på 1 miljon tokens
• Maxutdata på upp till 384 000 tokens
• Stöd för strukturerad JSON-utdata och verktygs-/funktionsanrop

Modellen är byggd med en Mixture-of-Experts-arkitektur (MoE) med cirka 1,6 biljoner totala parametrar och cirka 49 miljarder aktiva parametrar per inferenssteg, vilket möjliggör hög kapacitet utan proportionellt högre beräkningskostnader.

Stora kontextfönster är särskilt användbara för:

• långdokumentanalys
• resonemang i kodbasstorlek
• agentarbetsflöden med beständigt sammanhang
• retrieval-augmented generation med stora kunskapsbaser

I kombination med extremt låga tokenpriser möjliggör dessa funktioner användningsområden som skulle vara oöverkomligt dyra med dyrare modeller.

Varför detta är viktigt för utvecklare

För många team är inferenskostnaden – inte modellkapaciteten – den begränsande faktorn vid storskalig AI-drift. Ultra-låga tokenpriser gör att utvecklare kan:

• köra större prompts och längre konversationer
• generera längre utdata utan kostnadstoppar
• bearbeta enorma dokumentuppsättningar eller kodbaser
• bygga multiagentpipelines med många modellanrop

I praktiska termer kan skillnaden mellan $0,87 och $25 per miljon output-tokens förvandla tidigare experimentella arbetsflöden till ekonomiskt lönsamma produkter.

Det bredare priskriget för AI

DeepSeeks strategi speglar en större förändring i AI-branschen.

Historiskt sett prissattes frontlinjemodeller i intervallet flera dollar till tiotals dollar per miljon tokens, som med GPT‑5.5 och Claude Opus 4.7.

DeepSeek tillämpar istället en volymdriven prismodell, som erbjuder dramatiskt billigare inferens samtidigt som konkurrenskraftig kapacitet bibehålls. Analytiker noterar att modellerna gång på gång har underprissatt etablerade leverantörer med stora marginaler, vilket hjälper till att pressa de totala AI-kostnaderna nedåt på marknaden.

Detta tillvägagångssätt speglar dynamik som setts inom molntjänster och GPU:er: när en leverantör väl bevisar att högpresterande system kan köras mycket billigare, tvingas hela marknaden att reagera.

Vad vi ska hålla ögonen på härnäst

DeepSeeks prisdrag väcker flera strategiska frågor för AI-ekosystemet:

• Kommer konkurrerande labb att sänka API-priserna för att förbli konkurrenskraftiga?
• Kommer billigare inferens att påskynda övergången till agentbaserade applikationer?
• Kan ultra-låga priser vara hållbara i stor skala?

Vad som redan står klart är att tokenprissättning – en gång betraktad som en relativt stabil del av AI-stacken – håller på att bli ett konkurrensmedel. Och om DeepSeeks prissättning håller, kan kostnaden för att bygga storskaliga AI-system sjunka mycket snabbare än många utvecklare förväntade sig.