DeepSeek Agentkosten: V4 Flash en V4 Pro API-prijzen voor Lussen

DeepSeek heeft V4 Flash stopgezet. De vervanger is DeepSeek V4.1 Flash, in de API deepseek-flash genoemd; de oude naam deepseek-v4-flash werkt nog en wordt tegen dezelfde Flash-prijs gefactureerd.

V4.1 Flash kost $0.30 per miljoen invoertokens en $1.20 per miljoen uitvoer tijdens piekuren. Piek is van 01:00 tot 04:00 en van 06:00 tot 10:00 UTC op weekdagen; elk ander uur kost de helft. Deze pagina gebruikt piektarieven voor de berekening. Bij de referentie-12-staps agentrun, die 172.800 invoertokens leest en 4.800 uitvoertokens schrijft, is dat 172.800 × $0.30 + 4.800 × $1.20 = ongeveer $0.058. DeepSeek V4 Pro voor $1.32 / $3.96 piek draait dezelfde lus voor ongeveer $0.25. Claude Sonnet 5 kost $0.39, GPT-5.4 $0.50 en Gemini 3.8 Flash $0.15. Claude Haiku 5.5 kost 172.800 × $0.10 + 4.800 × $0.50 = ongeveer $0.020, minder dan V4.1 Flash, zelfs buiten piek.

De trace achter die kolom: een systeemprompt van 4.000 tokens plus tools, een taak van 500 tokens, en twaalf stappen die elk een toolaanroep van 300 tokens en een resultaat van 1.500 tokens toevoegen. Het per stap opnieuw verzenden van alles wat ervoor komt, is wat de invoerkolom laat domineren; zie [hoeveel kost het om een AI-agent te laten draaien](/guides/how-much-does-an-ai-agent-cost-to-run). DeepSeek-prijzen gecontroleerd op 2026-10-27 op api-docs.deepseek.com. Claude Haiku 5.5 gecontroleerd op 2026-11-03 op de prijspagina van Anthropic; het tarief is van toepassing op prompts tot 100.000 tokens, en de grootste aanroep in deze trace is 24.300. Het verving Claude Haiku 4.5, nu een verouderd model voor $1 / $5 ($0.197 bij deze run).

Drie dingen aan de prijslijst zijn specifiek van belang voor lussen.

Invoer is waar agenten uitgeven. V4.1 Flash's piekinvoertarief van $0.30 is ongeveer 7 keer lager dan Sonnet 5 ($2) en ongeveer 8 keer lager dan GPT-5.4 ($2.50). Uitvoer is een klein deel van een agentenrekening, dus het invoertarief is het te vergelijken.

Context is 1M tokens op zowel V4.1 Flash als V4 Pro, met tot 384K uitvoer, dus een lange lus zal geen vensterlimiet bereiken voordat je stapgrens dat doet; een 200-stappen run van de referentietrace eindigt bij 362,700 tokens context. Of het model die hoeveelheid geschiedenis goed gebruikt, is een aparte vraag, die hieronder wordt behandeld.

Caching bestaat op DeepSeek's eigen endpoint en factureert herhaalde prefix-hits tegen een veel lager invoertarief: $0.006 per miljoen op V4.1 Flash en $0.044 op V4 Pro tijdens piek. Dit artikel prijst alles ongecached, dus een lus met een grote stabiele prefix zal minder kosten dan de tabellen tonen. Als je lus een grote stabiele prefix opnieuw verzendt, zijn de [prompt caching voor AI-agenten](/guides/prompt-caching-for-ai-agents) regels ook van toepassing op DeepSeek.

In onze ervaring en in de rapporten die we zien van teams die het gebruiken, presteerde V4 Flash goed in drie situaties. We hebben ze nog niet opnieuw getest op V4.1 Flash:

• Gestructureerde toolaanroepen bij goed gespecificeerde taken: een duidelijke systeemprompt, tools met strakke schema's en beschrijvende namen, en een taak die aangeeft hoe "klaar" eruitziet. Read-file, query-database, call-this-API lussen vallen hieronder.
• Lange-context reads: samenvatten of extraheren uit een paar honderdduizend tokens van opgehaald materiaal, waar het 1M-venster en het $0.30-tarief een 300,000-tokens pass ongeveer $0.09 laten kosten.
• Hoogvolume, laag-risico lussen: classificatiepijplijnen, log-triage, first-pass code review, alles waar een fout antwoord goedkoop is om te detecteren en opnieuw uit te voeren.

V4 Pro is dezelfde vorm met meer marge voor beoordeling, tegen ongeveer 4 keer de Flash-prijs, voor wanneer je één leverancier en één endpoint wilt, maar een sterkere planningsstap.

Dezelfde rapporten en ons eigen gebruik wijzen op drie zwakke punten. We beschrijven ze als observaties, niet als benchmarkresultaten, omdat we geen benchmark kunnen citeren die ze isoleert:

• Ambigue taken. Wanneer de opdracht ruimte laat om intentie af te leiden, neigde V4 Flash naar een letterlijke interpretatie en ging daarmee door, en tegen stap 6 heeft het veel zelfverzekerd werk aan het verkeerde probleem gedaan.
• Lange multi-turn planning. Na ongeveer tien stappen met vertakkende beslissingen raakt het kwijt wat het al heeft geprobeerd en herhaalt toolaanroepen. Het venster is groot; de planning niet.
• Strikte JSON-randgevallen. Geneste optionele velden, arrays van objecten, ongebruikelijke escaping en enum-waarden met bijna-duplicaten zijn waar argument-JSON subtiel fout terugkomt. Valideer elke toolaanroep tegen het schema voordat je deze uitvoert, en behandel een validatiefout als een signaal om te escaleren, niet om opnieuw te proberen met hetzelfde model.

Deze zwakke punten definiëren de grens van het hybride patroon hieronder.

De directe API van DeepSeek wordt beheerd door DeepSeek, en verzoeken worden verwerkt op hun infrastructuur volgens hun databeleid. Voor sommige organisaties is dat een absolute no-go, ongeacht de prijs, en het feit dat de modelgewichten open zijn, verandert niets aan de bestemming van je prompts wanneer je het gehoste endpoint aanspreekt.

OpenRouter routeert DeepSeek-modellen naar hostingproviders van derden en stelt je in staat te beperken welke providers of regio's een verzoek afhandelen, wat de praktische oplossing is voor dataresidency-eisen. Het nadeel is dat elke host zijn eigen tarief hanteert, dus een rij in OpenRouter voor hetzelfde model kan boven de directe prijs uitkomen; de [modelcatalogus](/models) toont de huidige rijen naast elkaar. De volledige vergelijking, inclusief verschillen in caching en betrouwbaarheid, staat in [OpenRouter vs directe API](/compare/openrouter-vs-direct-api).

Voer de tool-lus uit op V4.1 Flash en stuur het voltooide transcript één keer naar een sterker model, om het werk te verifiëren en het uiteindelijke antwoord te schrijven. Het vlaggenschip leest de hele context één keer in plaats van twaalf keer, dus de kosten zijn begrensd en klein.

Referentie-run, elf lusstappen op V4.1 Flash tijdens piek: invoer 11 × 4,500 + 1,800 × 55 = 148,500 tokens, uitvoer 3,300 tokens. 148,500 × $0.30 + 3,300 × $1.20 = $0.049. Verificatiestap, één aanroep die het volledige transcript van 24,300 tokens leest en 1,500 tokens schrijft:

De taak van de verifier is smal: controleren of de toolresultaten de conclusie ondersteunen en de uiteindelijke uitvoer produceren. Geef het een tool om de run af te wijzen en stuur afwijzingen door naar een volledige vlaggenschip-herrun; als minder dan een op de tien runs wordt afgewezen, blijft de hybride veel goedkoper dan het vlaggenschip alleen. Dezelfde splitsing schaalt op naar de planner-en-werknemers opstelling in [kosten van multi-agent systeem](/guides/multi-agent-system-cost).

De DeepSeek API is OpenAI-compatibel, dus de officiële openai-bibliotheek werkt met een andere basis-URL. Deze lus voert de toolstappen uit op V4.1 Flash en berekent de kosten op basis van usage bij elke reactie:

import json, os
from openai import OpenAI

client = OpenAI(api_key=os.environ["DEEPSEEK_API_KEY"], base_url="https://api.deepseek.com")
MODEL = "deepseek-flash"   # V4.1 Flash; de oude "deepseek-v4-flash"-naam factureert hetzelfde
spent = 0.0
messages = [{"role": "system", "content": SYSTEM_PROMPT}, {"role": "user", "content": task}]
for step in range(11):
    resp = client.chat.completions.create(model=MODEL, messages=messages, tools=TOOLS, max_tokens=1024)
    u = resp.usage
    spent += (u.prompt_tokens * 0.30 + u.completion_tokens * 1.20) / 1e6   # V4.1 Flash piektarieven per 1M
    msg = resp.choices[0].message
    messages.append(msg)
    if not msg.tool_calls:
        break
    for call in msg.tool_calls:
        args = json.loads(call.function.arguments)          # valideer vóór uitvoering
        messages.append({"role": "tool", "tool_call_id": call.id,
                         "content": run_tool(call.function.name, args)[:6000]})
# geef `messages` door aan het verificatiemodel; stap 12 op Sonnet 5 ≈ 24.300 × $2 + 1.500 × $10 = $0,064

Het afkappen van toolresultaten op 6.000 tekens (ongeveer 1.500 tokens) zorgt dat het spoor overeenkomt met de tabel. De [DeepSeek 101-cursus](/tutorials/deepseek-101) behandelt de basis van de endpoint.

Claude Haiku 5.5 is nu de goedkoopste rij op deze pagina, met $0.020 voor de referentierun, onder V4.1 Flash, zelfs buiten piek ($0.029). We hebben het nog niet op deze lussen getest, dus test het op je eigen taken voordat je overstapt. Voor goed gespecificeerde tool-lussen is V4.1 Flash het goedkoopste model op deze pagina dat we in productie hebben zien standhouden, voor $0.058 tijdens piek. Gemini 3.8 Flash voor $0.15 is de volgende stap met een ander faalprofiel; de rangschikking van allemaal staat in [goedkoopste LLM voor AI-agenten](/guides/cheapest-llm-for-ai-agents).

Betaal voor een vlaggenschip op de hele lus, niet alleen de laatste stap, wanneer de taak vanaf stap één dubbelzinnig is, wanneer de lus meer dan tien stappen van echte planning nodig heeft, of wanneer een fout antwoord meer kost dan de $0.34 die je bespaart. Claude Opus 5 voor $0.98 of GPT-5.5 voor $1.01 voor de referentierun is nog steeds goedkoop vergeleken met één slechte beslissing.

Goedkope lussen draaien onbewaakt, en zo ontstaat een lus van 200 stappen. Tegen V4.1 Flash-piektarieven is een uit de hand gelopen lus van 200 stappen 36,72M input × $0,30 + 80.000 output × $1,20 = ongeveer $11,11. Dat is klein genoeg dat niemand het opmerkt tot het op tienduizend taken draait. Houd dezelfde vier controles als je op Sonnet 5 zou gebruiken:

• max_tokens per aanroep, 1.024 voor toolstappen
• Een stap limiet, 12 tot 25, afgedwongen in de lus
• Een stopconditie: eindig bij een reactie zonder tool_calls en breek af bij een herhaalde identieke aanroep
• Een dollarbudget per run, opgeteld uit usage.prompt_tokens en usage.completion_tokens, plus het gebruik van de verificateur

De runner in [tokenbudget-richtlijnen](/guides/ai-agent-token-budget-guardrails) doet dit voor Anthropic en wordt overgezet naar deze endpoint door de veldnamen van usage te wisselen. Prijs je eigen trace bij verschillende leveranciers in de [calculator](/calculator).