DeepSeek V4 en disponibilité générale (juillet 2026) :
tarifs, benchmarks et comparaison avec GPT-5.6

Points de friction avant de basculer :

• Fin des endpoints legacy le 24 juillet : deepseek-chat et deepseek-reasoner seront définitivement désactivés. Tout code de production non migré tombe immédiatement.
• La tarification en pointe ajoute de la planification : les tarifs doublent en semaine de 09h00 à 12h00 et de 14h00 à 18h00, heure de Pékin. Les pipelines d'agents 24/7 doivent être replanifiés.
• Les perfs GA diffèrent de la preview : agent, mathématiques et code ont reçu des améliorations ciblées. Les benchmarks d'avril ne sont plus fiables.
• Le routage Pro vs Flash compte : 1,6T et 284B ne se comportent pas pareil. Un mauvais routage gaspille le budget ou sacrifie la qualité.

La GA n'est pas une nouvelle architecture — c'est la preview d'avril qui entre en production avec des gains de stabilité et une structure tarifaire commerciale formalisée.

DeepSeek a remplacé la Multi-head Latent Attention (MLA) des V2/V3 par un système hybride à deux voies :

• Compressed Sparse Attention (CSA) : compresse les entrées KV par un facteur 4 via pooling softmax-gated, puis utilise un indexeur FP4 lightning pour la sélection top-k (top-1024 sur Pro, top-512 sur Flash), plus une fenêtre glissante de 128 tokens. À 1M tokens, l'inférence ne consomme que 27 % des FLOPs de V3.2.
• Heavily Compressed Attention (HCA) : compression 128× suivie d'une attention dense globale. Capture les motifs longue portée que la CSA peut manquer. CSA et HCA alternent entre les couches.
• Manifold-Constrained Hyper-Connections (mHC) : un flux résiduel à 4 canaux régi par une matrice doublement stochastique stabilise les gradients sur 61 couches profondes.
• Optimiseur Muon : l'orthogonalisation Newton-Schulz conditionne mieux les pas de gradient qu'AdamW, accélérant la convergence.

Résultat net : le cache KV à 1M tokens tombe à 10 % de la mémoire V3.2 (7 % sur V4-Flash).

Échantillonnage officiel recommandé : temperature=1.0, top_p=1.0 pour tous les modes.

Selon Artificial Analysis sur les tâches Strategy & Ops : Claude Fable 5 obtient 50 à 3,48 $ par tâche ; DeepSeek V4-Pro obtient 38 à 0,03 $ par tâche. Soit 116× moins cher pour un écart de performance de 24 %.

Choisir V4-Pro ou V4-Flash pour le budget, les volumes élevés ou l'auto-hébergement. Choisir Claude Fable 5 pour les dépôts multi-fichiers les plus exigeants. Choisir GPT-5.6 pour les workflows agentiques orientés terminal et l'intégration M365/Azure.

Le changement GA le plus marquant : une tarification horaire. Les tarifs doublent en semaine aux heures de pointe de Pékin : 09h00–12h00 et 14h00–18h00.

Quatre leviers concrets pour baisser la facture :

• Planifier les batchs hors pointe : lancer synthèse, revue de code et pipelines de données après 18h00 ou avant 09h00, heure de Pékin.
• Maximiser le taux de cache hit : placer les prompts système statiques en tête. Les cache hits V4-Flash ne coûtent que 0,0028 $/M.
• Routage Flash pour les requêtes simples : classification d'intention et FAQ sur Flash ; escalade vers Pro pour le raisonnement complexe.
• Surveiller les e-mails de facturation : DeepSeek envoie un préavis de 24 h avant tout changement tarifaire.

Même en pointe, la sortie V4-Pro à 1,74 $/M reste 8,6× moins chère que Claude Opus 4.8 (15 $/M) et GPT-5.6 Sol (~15 $/M).

Échéance : 24 juillet 2026, 15h59 UTC. Les noms legacy deepseek-chat et deepseek-reasoner seront définitivement désactivés.

Ancien (expire le 24 juillet)
client.chat.completions.create(
    model="deepseek-chat",
    messages=[...]
)

Nouveau
client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=[...],
    extra_body={"thinking": {"type": "enabled", "budget_tokens": 8000}}
)

V4 prend en charge les formats OpenAI ChatCompletions et Anthropic Messages. L'URL de base reste identique ; seul le nom de modèle change.

Sources officielles principales — revérifiez les liens après toute mise à jour en amont :

https://api-docs.deepseek.com

https://arxiv.org/abs/2606.19348

https://huggingface.co/deepseek-ai

Checklist de migration en six étapes :

1. Auditer le code : repérer toutes les références à deepseek-chat et deepseek-reasoner dans le code, les CI et les variables d'environnement.
2. Mapper les remplacements : chat léger vers deepseek-v4-flash (Non-think) ; raisonnement vers Flash en mode thinking ou deepseek-v4-pro.
3. Mettre à jour les appels SDK : les clients compatibles OpenAI ne changent que le nom de modèle. Le SDK Anthropic conserve base_url=https://api.deepseek.com.
4. Configurer le mode thinking : les anciens utilisateurs de reasoner activent le thinking via extra_body. Think Max exige un contexte 384K+.
5. Tester en staging : validation bout en bout avant le 24 juillet. Vérifier l'impact de la tarification pointe sur le budget.
6. Planifier les batchs hors pointe : traitement documentaire et revue de code après 18h00 ou le week-end. Combiner avec le Prompt Cache pour maximiser les économies.

Données techniques citables :

• SWE-bench Verified 80,6 % : meilleur score open source, à égalité avec Gemini 3.1 Pro (source : documentation officielle DeepSeek, juil. 2026).
• Cache KV à 10 % : les scénarios à 1M tokens n'utilisent que 10 % de la mémoire V3.2 ; V4-Flash descend à 7 % (source : arXiv:2606.19348).
• Avantage coût 116× : Artificial Analysis Strategy & Ops : V4-Pro 0,03 $/tâche vs Fable 5 3,48 $/tâche (source : Artificial Analysis, juil. 2026).

Verdict : la GA DeepSeek V4 ne vise pas à battre Claude Fable 5 ou GPT-5.6 sur chaque benchmark — elle livre la meilleure performance open source à 1/10 à 1/100 du coût des modèles frontier propriétaires.

Brancher l'API DeepSeek V4 sur une passerelle OpenClaw locale ou une stack Cursor pose deux contraintes : un Mac en veille interrompt les runs longs type SWE-bench, et les pipelines 24/7 en heures de pointe sont difficiles à planifier sur un portable. Les appels API purs n'exigent pas de GPU local, mais les setups hybrides (passerelle locale + inférence cloud + orchestration always-on) manquent souvent d'hôte stable pour les boucles agent. Pour les environnements de production avec agents de code IA, routage multi-modèles OpenClaw ou cycles agent 24/7, la location Mac Mini bare metal CALMVPS convient en général mieux : Apple Silicon dédié, accélération Metal native, facturation mensuelle flexible, provisioning en ~120 secondes. Consultez la page tarifs.