DeepSeek V4 API 价格暴涨最高达 1100%：8 月 16 日起引入峰谷计费新机制

V4-Pro 价格（每 1M tokens，美元）

V4-Flash 价格（每 1M tokens，美元）

（注：输入未命中缓存的价格是基于已确认的输出倍率估算。输出价格的上涨已由多个来源证实 。）

命中缓存的输入 Token 仍然极具性价比。例如，V4-Pro 的缓存命中输入价格约为每 1M tokens 仅 $0.004，相比未命中缓存有约 100 倍的折扣，这极大地激励了开发者优化其缓存策略 。

模型核心规格

两款 V4 模型均为纯文本模型，采用混合专家（MoE）架构，并基于 MIT 开源协议发布，意味着权重完全开放，支持用户自行部署 。

（来源：）

两款模型均支持三种推理模式：Non-think（快速/直觉式）、

Think High

Think Max

DeepSeek 与竞争对手的定价对比

新的价格体系重塑了 DeepSeek 的市场竞争格局。以下是基于标准短上下文 API 价格的对比（每 1M tokens）。

（来源：DeepSeek , OpenAI , Anthropic ）

对比 OpenAI GPT-5.6 Luna

OpenAI 于 2026 年 7 月 30 日将 GPT-5.6 Luna 的价格大幅下调了 80%，降至输入$0.20、输出$1.20 。这使得竞争格局发生了显著变化：

• V4-Pro 高峰输出（$3.96）比 Luna（$1.20）贵了 3.3 倍。
• V4-Flash 高峰输出（$1.26）与 Luna 的输出价格相当，仅高出约 5%。
• V4-Flash 非高峰输出（$0.63）比 Luna 便宜了 47%，在一定程度上保留了 DeepSeek 历史性的成本优势。

DeepSeek 曾经是当之无愧的性价比之王，但现在它在定价上遇到了 OpenAI 最强有力的挑战 。

对比 Anthropic Claude Fable 5

Anthropic 的旗舰推理模型 Fable 5 定价为输入$10、输出$50 。相比之下，DeepSeek 仍然是更经济的选择：

• V4-Pro 高峰输出（$3.96）比 Fable 5（$50）便宜了 92%。
• V4-Flash 高峰输出（$1.26）比 Fable 5 便宜了 97.5%。

即使在涨价后，DeepSeek 的两款模型对比 Anthropic 的最高端产品仍然具有巨大的价格优势 。

对比 xAI Grok 4.6

在提供的资料中，未找到关于 xAI Grok 4.6 的定价信息，因此无法进行直接比较。

涨价背后的驱动力

DeepSeek 将涨价的主要原因归结为需求激增导致推理算力承压 。自 2026 年 4 月预览版发布以来，V4 模型获得了大量用户的采用，迅速耗尽了 GPU 算力容量，公司无法再以之前的超低价格维持运营 。

以下几个市场因素共同导致了这一结果：

• 采用率超过基础设施承载能力：DeepSeek 凭借 100 万 Token 上下文、MIT 开源许可和低价策略，吸引了海量开发者和企业用户 。
• OpenAI 的激进降价：2026 年 7 月 30 日，OpenAI 将 GPT-5.6 Luna 价格下调 80%，直接冲击了 DeepSeek 的“高性价比”定位 。此次涨价在一定程度上是为了缩小（而非扩大）与 OpenAI 的价差。
• 结构性容量管理：DeepSeek 将此次调整描述为支持“更灵活的工作负载调度”，实质上是通过价格杠杆，将非紧急请求引导至非高峰时段，以缓解算力紧张 。这使其成为 API 行业首家推出结构性分时动态定价的公司 。

给开发者的建议

• 将非紧急任务迁移至非高峰时段，以享受 50% 的费用折扣。
• 优化 Prompt 缓存，充分利用约 100 倍的缓存命中优惠。对于 V4-Pro 来说，在高峰时段，命中缓存的输入（约 $0.004）比未命中（约 $0.98）便宜得多 。
• 评估自托管方案：两款 V4 模型均为 MIT 许可，可在 Hugging Face 下载。对于高负载工作场景，尽管前期有基础设施成本，但自托管可能带来更优的经济效益 。
• 重新对比 GPT-5.6 Luna：现在 Luna 的输入/输出价格仅为 $0.20/$1.20。如果您的任务对输出要求高，且不需要 DeepSeek 的 100 万 Token 上下文或特定架构优势，那么 Luna 可能是更便宜的选择。

关键结论

DeepSeek 此次涨价标志着一个时代的终结：它不再是那个价格碾压所有对手的 API 提供商。在某些维度上，其价格已与 OpenAI 最具性价比的模型看齐，但相比 Anthropic 的高端产品仍有巨大优势。对于开发者而言，峰谷计费、深度的缓存折扣以及 MIT 开源权重这三大因素意味着：最终的 API 费用将更多地取决于工作负载架构的巧妙设计，而不仅仅是模型的原始选择。