Fiche modèle
DeepSeek-V4-Pro
DeepSeek · poids ouverts · sorti le 24/04/2026
Date de sortie, éditeur et accès : Epoch AI, CC BY 4.0. Fiche régénérée le 07/10/2026.
Taille
1 600 Md
49 Md actifs
Scores
Rang parmi les 274 modèles de l’indice ECI évalués par la même source. Un nom de benchmark mène à son explication.
| Benchmark | Score | Rang | Réglage | Source |
|---|---|---|---|---|
| Indice de capacités ECI (Epoch AI)Capacités générales | 149,1147,3–150,7 | 61 / 274 | Epoch AI, CC BY 4.0, non daté par la source, vu publié le 07/10/2026 | |
| LMArena texte, contrôle du styleConversation (préférence humaine) | 1 4581 454–1 462 | 39 / 166 | « deepseek-v4-pro » | LMArena, CC BY 4.0, publié le 02/10/2026 |
| GPQA Diamond (Epoch AI)Sciences | 90,9 %86,9–94,9 | 30 / 186 | réglage « deepseek-v4-pro_high » | Epoch AI, CC BY 4.0, publié le 06/08/2026 |
| FrontierMath, niveaux 1 à 3 (Epoch AI)Maths | 45,3 %39,5–51,1 | 49 / 81 | réglage « deepseek-v4-pro_max » | Epoch AI, CC BY 4.0, publié le 17/06/2026 |
| OTIS Mock AIME 2024-2025 (Epoch AI)Maths de concours | 96,7 %92,7–100,6 | 28 / 176 | réglage « deepseek-v4-pro_max » | Epoch AI, CC BY 4.0, publié le 17/06/2026 |
| SimpleQA Verified (Epoch AI)Connaissances factuelles | 47,0 %43,9–50,1 | 33 / 77 | réglage « deepseek-v4-pro_max » | Epoch AI, CC BY 4.0, publié le 27/08/2026 |
| SWE-bench Verified (Epoch AI)Code | 77,6 %73,9–81,4 | 6 / 32 | réglage « deepseek-v4-pro_max » | Epoch AI, CC BY 4.0, publié le 18/06/2026 |
Sources : Epoch AI, « Capabilities & benchmarking », epoch.ai/benchmarks (CC BY 4.0) ; LMArena, leaderboard-dataset (Hugging Face), CC BY 4.0. Données adaptées : pourcentages, arrondis, meilleur réglage retenu, prix mélangé, rangs et frontière calculés ici.
Prix par fournisseur d’API
| Fournisseur | Entrée $/M | Sortie $/M | Mélangé | Clé LiteLLM |
|---|---|---|---|---|
| DeepSeekéditeur | 1,32 $ | 3,96 $ | 1,98 $ | deepseek-v4-pro |
| Tencent Cloud | 0,44 $ | 0,87 $ | 0,54 $ | tencent/deepseek-v4-pro |
| Fireworks AI | 1,20 $ | 1,20 $ | 1,20 $ | fireworks_ai/accounts/fireworks/models/deepseek-v4-pro |
| Weights & Biases | 1,15 $ | 2,55 $ | 1,50 $ | wandb/deepseek-ai/DeepSeek-V4-Pro |
| DeepInfra | 1,30 $ | 2,60 $ | 1,63 $ | deepinfra/deepseek-ai/DeepSeek-V4-Pro |
| Novita AI | 1,60 $ | 3,20 $ | 2,00 $ | novita/deepseek/deepseek-v4-pro |
| Baseten | 1,74 $ | 3,48 $ | 2,18 $ | baseten/deepseek-ai/DeepSeek-V4-Pro |
| Microsoft Azure AI Foundry | 1,74 $ | 3,48 $ | 2,18 $ | azure_ai/deepseek-v4-pro |
| Nebius | 1,75 $ | 3,50 $ | 2,19 $ | nebius/deepseek-ai/DeepSeek-V4-Pro |
| Alibaba Cloud (DashScope) | 2,40 $ | 4,80 $ | 3,00 $ | dashscope/deepseek-v4-pro |
| Alibaba Cloud (Qwen AI Platform) | 2,40 $ | 4,80 $ | 3,00 $ | qwen_ai_platform/deepseek-v4-pro |
| Alibaba Cloud (Qwen Cloud) | 2,40 $ | 4,80 $ | 3,00 $ | qwencloud/deepseek-v4-pro |
$ par million de jetons, tarif catalogue sans remise, sans cache ni traitement par lots. 12 offres rapprochées. Écart entre le moins cher (Tencent Cloud, 0,54 $) et le plus cher : × 5,5. Relevé du 07/10/2026 ; vérifier chez le fournisseur avant de choisir. Sources : Prix : LiteLLM (BerriAI), licence MIT, © 2023 Berri AI. Données adaptées : pourcentages, arrondis, meilleur réglage retenu, prix mélangé, rangs et frontière calculés ici.
L’héberger soi-même
- Accès aux poids
- poids libres (usage sans restriction) (Epoch AI, CC BY 4.0)
- Licence
- MIT (carte du dépôt, déclaration de l’éditeur lue le 01/10/2026 ; lire la licence avant tout usage commercial)
- Taille
- 1 600 Md de paramètres, dont 49 Md actifs à chaque jeton (modèle à experts) (Epoch AI, CC BY 4.0 ; confiance d’Epoch : Likely ; note : « 1.6T total, 49B active »)
- Poids
- huggingface.co/deepseek-ai/DeepSeek-V4-Pro (dépôt rapproché par la table de correspondance, existence vérifiée auprès de Hugging Face le 01/10/2026)
Mémoire nécessaire
| Format des poids | Poids seuls | Ordre de grandeur du matériel |
|---|---|---|
| BF16 (pleine précision usuelle) | 3 200 Go | plusieurs serveurs à huit cartes |
| FP8 / 8 bits | 1 600 Go | plusieurs serveurs à huit cartes |
| 4 bits (GGUF Q4_K_M, environ 4,8 bits par paramètre) | 960 Go | un serveur à huit cartes de 141 à 192 Go |
Calcul du Crible : 1 600 Md de paramètres × 2 octets (BF16), × 1 (FP8), × 0,6 environ (4 bits). Ajouter le cache de contexte, qui grandit avec la longueur des conversations et le nombre d’utilisateurs. Un modèle à experts doit charger tous ses paramètres en mémoire, mais n’en calcule que 49 Md par jeton : il répond plus vite que sa taille ne le laisse penser.
Outils
- vLLM (serveur, cartes graphiques) :
vllm serve deepseek-ai/DeepSeek-V4-Prosert le dépôt Hugging Face derrière une API compatible OpenAI. Le modèle doit être pris en charge par la version installée. - llama.cpp (ordinateur, processeur ou carte graphique) : lit les poids au format GGUF, souvent publiés en 4 bits par la communauté. Chercher une version GGUF (rien ne garantit qu’elle existe ni qu’elle est fidèle), puis
llama-server -hf <dépôt GGUF>. - Ollama (le plus simple sur un ordinateur) :
ollama run hf.co/<dépôt GGUF>lance une version GGUF publiée sur Hugging Face.
Commandes d’après la documentation de chaque outil (liens ci-dessus). Les tailles, l’accès et les liens viennent des sources citées ; de Hugging Face, Le Crible ne reprend que l’adresse du dépôt et l’identifiant de licence déclaré sur sa carte. Sources : Epoch AI, « Data on AI models », epoch.ai/data/ai-models (CC BY 4.0) ; LMArena, leaderboard-dataset (Hugging Face), CC BY 4.0. Données adaptées : pourcentages, arrondis, meilleur réglage retenu, prix mélangé, rangs et frontière calculés ici.
Évolution
Aucun changement de prix relevé depuis le début de nos relevés quotidiens.