{"id":18044,"date":"2026-08-14T07:02:28","date_gmt":"2026-08-14T11:02:28","guid":{"rendered":"https:\/\/wp.glbgpt.com\/?p=18044"},"modified":"2026-08-14T07:07:50","modified_gmt":"2026-08-14T11:07:50","slug":"deepseek-v4-pro-vs-flash","status":"publish","type":"post","link":"https:\/\/wp.glbgpt.com\/id\/hub\/deepseek-v4-pro-vs-flash","title":{"rendered":"DeepSeek V4 Pro VS Flash: Pemrograman, Agen, dan Lainnya"},"content":{"rendered":"

DeepSeek kini menawarkan dua model V4 dengan jendela konteks sebesar satu juta token yang sama, namun profil komputasi yang sangat berbeda. Apakah Anda sebaiknya membayar lebih untuk V4 Pro, ataukah V4 Flash yang lebih kecil sudah cukup untuk menangani pekerjaan yang sebenarnya Anda lakukan?<\/p>\n\n\n\n

Perbandingan ini mengkaji spesifikasi resmi, harga API, tolok ukur pemrograman dan agen, kecepatan, kemampuan menangani proses bersamaan, serta uji coba dengan prompt yang sama yang dikendalikan. Perbandingan ini membedakan hasil yang dipublikasikan oleh DeepSeek dari pengukuran independen dan pengujian API yang kami lakukan sendiri.<\/p>\n\n\n\n

Jawaban singkat:<\/strong> V4 Flash merupakan titik awal yang praktis ketika latensi, throughput, dan biaya menjadi faktor penting. V4 Pro menawarkan kapasitas aktif yang lebih besar serta hasil resmi yang lebih baik pada tugas-tugas yang menantang terkait pengetahuan, konteks panjang, pemrograman, dan tugas agen multi-langkah.<\/p><\/div>\n\n\n\n

Kedua model tersebut tercantum dalam GlobalGPT<\/a>, sehingga memudahkan perbandingan tanpa perlu mengelola integrasi terpisah.<\/p>\n\n\n\n

\n
\"deepseek<\/figure>\n\n\n\n
\n
Coba DeepSeek V4 Pro di GlobalGPT Sekarang<\/strong><\/a><\/div>\n<\/div>\n<\/div>\n\n\n\n

Apa Itu DeepSeek V4?<\/h2>\n\n\n\n

DeepSeek V4 merupakan keluarga model campuran ahli dengan bobot terbuka. Model ini kartu model resmi<\/a> mencantumkan V4 Pro di Total 1,6T \/ 49 miliar parameter aktif<\/strong> dan V4 Flash di Total 284B \/ 13B parameter aktif<\/strong>. Keduanya mendukung jendela konteks sebesar 1 juta token dan menggunakan lisensi MIT.<\/p>\n\n\n\n

DeepSeek V4 Pro vs Flash: Spesifikasi<\/h2>\n\n\n\n
Spesifikasi<\/th>V4 Flash<\/th>V4 Pro<\/th><\/tr><\/thead>
Versi<\/td>Flash-0731<\/td>Pro-0813<\/td><\/tr>
Parameter<\/td>284B \/ 13B aktif<\/td>1,6T \/ 49B aktif<\/td><\/tr>
Konteks \/ hasil<\/td>1M \/ 384K<\/td>1M \/ 384K<\/td><\/tr>
Koncurrency<\/td>2,500<\/strong><\/td>500<\/td><\/tr><\/tbody><\/table>\n\n\n\n

The halaman model dan harga resmi<\/a> mencantumkan panggilan alat, keluaran JSON, Respons API, serta dukungan API yang kompatibel dengan Anthropic untuk keduanya.<\/p>\n\n\n\n

\"Tabel
Dokumentasi API resmi DeepSeek memuat informasi mengenai versi V4 Flash dan V4 Pro saat ini, batasan, fitur, serta harga.<\/figcaption><\/figure>\n\n\n\n

Harga dan Laju Pengolahan<\/h2>\n\n\n\n

Biaya Flash sebesar $0,14 per juta token masukan yang mengalami cache miss dan $0,28 per juta token keluaran. Biaya Pro masing-masing sebesar $0,435 dan $0,87. Flash sekitar 68% lebih murah<\/strong> untuk lalu lintas biasa yang tidak disimpan dalam cache.<\/p>\n\n\n\n

Peringatan harga:<\/strong> DeepSeek menyatakan berencana menaikkan harga API secara keseluruhan. Silakan periksa kembali halaman resminya sebelum menyusun anggaran.<\/div>\n\n\n\n

Apa yang Sebenarnya Ditunjukkan oleh Tolok Ukur Tersebut<\/h2>\n\n\n\n

Pada pengaturan \"Max effort\", DeepSeek menunjukkan bahwa Pro unggul atas Flash di LiveCodeBench (93,5 vs 91,6), peringkat Codeforces (3206 vs 3052), Terminal Bench 2.0 (67,9 vs 56,9), SWE Verified (80,6 vs 79,0), BrowseComp (83,4 vs 73,2), dan MRCR 1M (83,5 vs 78,7).<\/p>\n\n\n\n

Artificial Analysis mencantumkan V4 Pro 0813 secara terpisah di 53 pada Indeks Kecerdasan v4.1.1<\/strong> dan mengenai 83,2 token keluaran per detik<\/strong>. Saat kami melakukan pengecekan, halaman detail terpisah untuk Flash-0731 belum tersedia, sehingga ini bukanlah hasil perbandingan langsung yang independen.<\/p>\n\n\n\n

Resmi DeepSeek \u00b7 Usaha maksimal<\/small>

Hasil pengujian perbandingan terpilih<\/h3><\/div>
LiveCodeBench<\/small>93.5 vs 91,6<\/span><\/strong>Pro vs Flash<\/span><\/div>
Terminal Bench 2.0<\/small>67.9 vs 56,9<\/span><\/strong>Pro vs Flash<\/span><\/div>
BrowseComp<\/small>83.4 vs 73,2<\/span><\/strong>Pro vs Flash<\/span><\/div>
MRCR 1M<\/small>83.5 vs 78,7<\/span><\/strong>Pro vs Flash<\/span><\/div><\/div>

Hasil yang dilaporkan oleh penyedia layanan; pengaturan dan cakupan sampel mengikuti tabel yang dipublikasikan oleh DeepSeek. Hasil tersebut bukanlah skor yang kami peroleh secara langsung.<\/p><\/div>\n\n\n\n

Analisis Buatan<\/small>53<\/strong>Indeks Kecerdasan v4.1.1 \u00b7 Khusus versi Pro<\/span><\/div>
Kecepatan keluaran yang diukur<\/small>83,2 t\/s<\/strong>Analisis Buatan \u00b7 Khusus versi Pro<\/span><\/div>
Batas bukti<\/small>Halaman detail tanpa Flash<\/strong>Ini bukanlah pertandingan head-to-head yang independen.<\/span><\/div><\/div>\n\n\n\n
\"Ringkasan
Laporan Analisis Buatan hanya menyajikan data kinerja dan kecepatan khusus versi Pro; ini bukanlah perbandingan Flash yang independen.<\/figcaption><\/figure>\n\n\n\n

DeepSeek V4 Pro vs Flash: Uji Coba Langsung<\/h2>\n\n\n\n

Kedua model tersebut menerima prompt, suhu, input, dan rute API yang sama. Waktu yang telah berlalu secara lokal mencakup overhead jaringan dan platform.<\/p>\n\n\n\n

Uji Praktis 01 \u00b7 Pemrograman<\/span>

Pemeriksaan Kesalahan Penetapan Harga Berbasis Beberapa Berkas<\/h3><\/div>Pemenang: V4 Pro<\/span><\/div>
V4 Flash<\/span>18,5 detik \u00b7 519 token<\/strong>

Menemukan pembulatan yang dilakukan terlalu dini, tetapi melewatkan perhitungan persentase dan membiarkan fungsi pembulatan yang bermasalah tetap tidak diubah.<\/p><\/div>

V4 Pro<\/span>84,9 detik \u00b7 6.857 token<\/strong>

Telah menemukan ketiga kesalahan tersebut dan telah mengembalikan berkas-berkas yang telah diperbaiki beserta uji regresi yang diminta.<\/p><\/div><\/div>

Pengaturan tugas:<\/strong> Mendiagnosis bug terkait penetapan harga di TypeScript yang terjadi di beberapa berkas, mempertahankan API publik, memperbaiki perilaku perhitungan diskon dan pembulatan mata uang, serta mengusulkan uji regresi.<\/p>

Hal ini menunjukkan:<\/strong> Flash mengidentifikasi satu gejala penting, sementara Pro melacak cacat-cacat yang saling terkait di ketiga berkas tersebut.<\/p>

Kesimpulan redaksi:<\/strong> V4 Pro telah memenuhi seluruh kriteria penerimaan. Flash memerlukan perbaikan materi sebelum patch tersebut aman digunakan.<\/p><\/section><\/div>\n\n\n\n

Uji coba langsung 02 \u00b7 Agen<\/span>

Penilaian Awal Insiden dan Perencanaan Terstruktur<\/h3><\/div>Keputusan yang terbelah<\/span><\/div>
V4 Flash<\/span>51,6 detik \u00b7 1.656 token<\/strong>

Telah menghasilkan rencana yang aman dan dapat digunakan, namun membungkus JSON yang diminta dalam blok kode Markdown.<\/p><\/div>

V4 Pro<\/span>111,6 detik \u00b7 9.172 token<\/strong>

Hanya mengembalikan JSON yang valid, dengan kriteria validasi yang lebih jelas dan penerapan batasan yang lebih ketat.<\/p><\/div><\/div>

Pengaturan tugas:<\/strong> Melakukan triase terhadap suatu insiden berdasarkan bukti yang bersifat read-only, memisahkan fakta dari asumsi, mengidentifikasi tindakan yang memerlukan persetujuan, menyusun rencana verifikasi, dan menghasilkan keluaran yang terstruktur secara ketat.<\/p>

Hal ini menunjukkan:<\/strong> Kedua model tersebut mematuhi batas keamanan baca-saja. Perbedaan praktisnya terletak pada kedisiplinan format versus kecepatan dan efisiensi keluaran.<\/p>

Kesimpulan redaksi:<\/strong> Pilih V4 Pro jika hasil keluaran yang dapat dibaca mesin secara ketat menjadi hal yang penting; pilih V4 Flash jika rencana tersebut dapat ditinjau oleh manusia dan efisiensi menjadi prioritas.<\/p><\/section><\/div>\n\n\n\n

Uji coba langsung 03 \u00b7 Pekerjaan sehari-hari<\/span>

Catatan Rapat dalam Format JSON yang Ketat<\/h3><\/div>Keputusan yang terbelah<\/span><\/div>
V4 Flash \u00b7 18,6 detik \u00b7 418 token<\/b>

JSON-nya valid dan lebih cepat, tetapi salah mengklasifikasikan status anggaran yang sudah dikonfirmasi sebagai \"belum pasti\".<\/p><\/div>

V4 Pro \u00b7 220,9 detik \u00b7 17.244 token<\/b>

JSON yang valid dengan pelabelan fakta versus ketidakpastian yang lebih akurat.<\/p><\/div><\/div>

Pengaturan tugas:<\/strong> Ubah memo proyek yang sudah kadaluwarsa menjadi skema JSON tetap tanpa menambahkan fakta.<\/p>

Hal ini menunjukkan:<\/strong> Flash jauh lebih efisien; Pro mengidentifikasi kondisi risiko dengan lebih akurat.<\/p>

Kesimpulan redaksi:<\/strong> Pro untuk pengambilan keputusan risiko secara otomatis; Flash untuk ekstraksi yang ditinjau oleh manusia.<\/p><\/div>\n\n\n\n

Uji coba langsung 04 \u00b7 Penelitian<\/span>

Catatan Keputusan Berbasis Bukti<\/h3><\/div>Keduanya lulus<\/span><\/div>
V4 Flash \u00b7 9,9 detik \u00b7 333 token<\/b>

Tetap menggunakan paket sumber yang ada dan menghasilkan rute berdasarkan tugas.<\/p><\/div>

V4 Pro \u00b7 60,4 detik \u00b7 4.189 token<\/b>

Rekomendasi yang sama dengan batasan bukti dan langkah-langkah pengamanan yang lebih jelas.<\/p><\/div><\/div>

Pengaturan tugas:<\/strong> Tulis sebuah memo yang terdiri dari 180\u2013230 kata dengan hanya menggunakan paket sumber yang telah ditentukan dan tepat tiga poin mengenai kesenjangan bukti.<\/p>

Hal ini menunjukkan:<\/strong> Keduanya menolak klaim yang tidak didukung bukti dan mencapai rekomendasi yang sama.<\/p>

Kesimpulan redaksi:<\/strong> Keduanya berhasil; Pro sedikit lebih akurat, sedangkan Flash jauh lebih efisien.<\/p><\/div>\n\n\n\n

Uji Praktis 05 \u00b7 Penalaran<\/span>

Penjadwalan dengan Batasan dan Pemeriksaan Mandiri<\/h3><\/div>Pemenang: V4 Pro<\/span><\/div>
V4 Flash \u00b7 6,3 detik \u00b7 173 token<\/b>

Memasukkan E ke dalam PM meskipun ada aturan yang hanya memperbolehkan AM, lalu menandai jadwal tersebut sebagai sah.<\/p><\/div>

V4 Pro \u00b7 31,5 detik \u00b7 2.118 token<\/b>

Telah menghasilkan jadwal yang valid dan memeriksa setiap batasan dengan akurat.<\/p><\/div><\/div>

Pengaturan tugas:<\/strong> Tetapkan lima tugas yang saling bergantung ke lima slot, patuhi enam batasan, kembalikan hanya dalam format JSON, dan lakukan pemeriksaan mandiri terhadap setiap aturan.<\/p>

Hal ini menunjukkan:<\/strong> Validasi yang dilakukan Flash sendiri bertentangan dengan jadwalnya.<\/p>

Kesimpulan redaksi:<\/strong> V4 Pro menang karena jadwal dan pengecekannya sama-sama benar.<\/p><\/div>\n\n\n\n

Model DeepSeek V4 Mana yang Sebaiknya Anda Gunakan?<\/h2>\n\n\n\n

Pemrograman<\/h3>

Mulailah dengan Flash<\/strong> untuk fungsi-fungsi yang berdiri sendiri, pengujian, SQL, dan perbaikan yang cakupannya jelas.<\/p>