DeepSeek publie des modèles de langage sous deux formes à la fois : une API payante compatible avec le format OpenAI et des poids que tu peux télécharger sur Hugging Face sous licence MIT. Les deux voies impliquent des coûts, des limites et des conséquences juridiques différents, donc mieux vaut les séparer dès le départ, avant que quelqu'un dans l'équipe ne dise « mais c'est de l'open source de toute façon ».
Ce que DeepSeek propose réellement
En août 2026, la documentation de l'API listait trois noms de modèles (les changements de septembre et d'octobre sont décrits dans le paragraphe sous le tableau). Tous trois prennent en charge un contexte d'un million de tokens, une sortie maximale de 384 mille tokens, et le mode réflexion activé par défaut. Les alias sont stables : deepseek-v4-flash pointait à l'époque vers la version DeepSeek-V4-Flash-0731 et deepseek-v4-pro vers DeepSeek-V4-Pro-0813, donc ton code n'a pas besoin de changer quand le fournisseur remplace les versions. C'est pratique, et cela a un revers : tu ne peux pas figer une version précise via le nom du modèle, et le comportement peut changer sans aucune modification de ton côté.
| Nom du modèle | Version | Contexte | Sortie maximale | Limite de concurrence |
|---|---|---|---|---|
deepseek-v4-flash | DeepSeek-V4-Flash-0731 | 1M tokens | 384K tokens | 2500 |
deepseek-v4-pro | DeepSeek-V4-Pro-0813 | 1M tokens | 384K tokens | 500 |
deepseek-v4-flash-vision-exp | DeepSeek-V4-Flash-Vision-Exp | 1M tokens | 384K tokens | 2500 |
Le troisième modèle accepte en plus des images et est marqué comme expérimental. Il est sorti le 21 août 2026, un jour avant la rédaction de ce texte, donc considère-le comme un aperçu plutôt qu'une base de production. Les images sont converties en tokens selon leurs dimensions et facturées avec le texte au tarif d'entrée.
Le nom du modèle Flash a changé depuis. D'après le changelog, le 10 septembre 2026 DeepSeek a publié DeepSeek-V4.1-Flash, retiré les modèles V4 Flash et V4 Flash Vision Exp et baissé les prix de l'API. Le nom recommandé est désormais deepseek-flash, servi depuis le 17 octobre par DeepSeek-V4.1-Flash-1017. Les anciens noms deepseek-v4-flash et deepseek-v4-flash-vision-exp sont toujours acceptés, mais ils atteignent le nouveau modèle et sont facturés au tarif Flash, donc les exemples de code de ce texte continuent de fonctionner. Les chiffres de la section sur les tarifs datent d'août, et les tarifs actuels se trouvent sur la page des prix.
Le fournisseur expose deux adresses de base : https://api.deepseek.com pour le format OpenAI et https://api.deepseek.com/anthropic pour le format Anthropic. Depuis le 13 août 2026, l'API prend aussi en charge nativement le format Responses. La limite de concurrence est comptée par compte et non par clé, et c'est la seule limite stricte décrite dans la documentation : il n'y a pas de plafond séparé de requêtes par minute ou de tokens par minute. Dépasser la concurrence renvoie un HTTP 429. Relever la limite passe par un formulaire de demande et, d'après la documentation, n'entraîne aucun supplément.
Le paramètre user_id est un sujet à part. Tu le passes dans extra_body avec le SDK OpenAI ou dans metadata avec le SDK Anthropic. Il fait trois choses à la fois : il isole le cache de contexte entre les utilisateurs de ton application, il isole l'ordonnancement, et il sépare la modération du contenu. Il doit correspondre à [a-zA-Z0-9\-_]+ et rester sous 512 caractères. La documentation demande explicitement de n'y mettre aucune donnée personnelle, ce qu'il est facile d'oublier quand tu as déjà des identifiants d'utilisateurs sous la main.
Le piège du nom : le paquet deepseek n'est pas DeepSeek
L'erreur de départ la plus courante est de taper pip install deepseek en supposant que c'est le client officiel. Ce n'est pas le cas. La version 1.0.0 du paquet deepseek sur PyPI est publiée par Deskpai.com, l'adresse de contact est dev@deskpai.com, et la page du projet pointe vers github.com/deskpai/deepseek. La dernière version date du 3 janvier 2025. C'est un wrapper tiers, pas un produit DeepSeek.
Vérifier la licence dans trois sources donne trois réponses différentes, et c'est le cœur du problème de ce paquet. Les métadonnées PyPI déclarent Apache-2.0. Le wheel publié pèse 4542 octets et contient exactement sept fichiers : deepseek/__init__.py, deepseek/api.py, deepseek/const.py et quatre fichiers dans le répertoire dist-info, dont aucun ne porte de texte de licence. Le dépôt GitHub n'a aucun fichier LICENSE à la racine, alors que README.md affiche un badge « DOSL-1.0 » et renvoie vers une licence qui se trouve dans un tout autre dépôt du même éditeur. Trois sources, trois états : une déclaration Apache 2.0, aucun texte dans le paquet, et une licence personnalisée mentionnée dans la description.
Le code à l'intérieur a vieilli lui aussi. Le fichier const.py code en dur trois adresses : https://api.deepseek.com/chat/completions, https://api.deepseek.com/beta/completions et https://api.deepseek.com/user/balance. La méthode chat_completion utilise par défaut le modèle deepseek-chat, que la documentation actuelle ne liste plus, et envoie une charge fixe avec max_tokens à 2048, temperature à 1 et tool_choice à none. Le paquet est antérieur au mode réflexion et au paramètre reasoning_effort, donc il ne connaît ni l'un ni l'autre. Sa seule dépendance est requests.
Côté npm, le tableau est similaire, en plus maigre. Le paquet deepseek y est à la version 0.0.2 du 22 janvier 2025, la description dit « Coming soon... », le paquet contient trois fichiers totalisant 311 octets décompressés, et le manifeste n'a aucun champ license. C'est un nom réservé, pas une bibliothèque.
DeepSeek ne publie aucun SDK propre et ne prétend pas le contraire. La documentation de démarrage dit clairement que l'API est compatible avec les formats OpenAI et Anthropic et qu'il suffit de modifier la configuration d'un SDK existant. Tous les exemples de la documentation utilisent les bibliothèques openai et anthropic. C'est la voie montrée ci-dessous.
Comment le fournisseur recommande de se connecter
La version Python est un client OpenAI ordinaire avec un base_url remplacé. La bibliothèque openai est à la version 3.3.1 sur PyPI au moment de la rédaction, sous Apache 2.0.
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ.get("DEEPSEEK_API_KEY"),
base_url="https://api.deepseek.com",
)
response = client.chat.completions.create(
model="deepseek-v4-pro",
messages=[
{"role": "system", "content": "You are a helpful assistant"},
{"role": "user", "content": "Hello"},
],
stream=False,
reasoning_effort="high",
extra_body={"thinking": {"type": "enabled"}, "user_id": "tenant-42"},
)
print(response.choices[0].message.reasoning_content)
print(response.choices[0].message.content)En Node, c'est la même chose via baseURL. Le paquet openai sur npm est actuellement à la version 7.5.0, lui aussi sous Apache 2.0.
import OpenAI from "openai";
const openai = new OpenAI({
baseURL: "https://api.deepseek.com",
apiKey: process.env.DEEPSEEK_API_KEY,
});
const completion = await openai.chat.completions.create({
messages: [{ role: "system", content: "You are a helpful assistant." }],
model: "deepseek-v4-pro",
thinking: { type: "enabled" },
reasoning_effort: "high",
stream: false,
});
console.log(completion.choices[0].message.content);Si tu préfères le format Anthropic, l'adresse de base est https://api.deepseek.com/anthropic, le mode réflexion est piloté par le champ reasoning.effort, et l'identifiant du client va dans metadata.user_id. Le choix du format dépend de ce que ton code parle déjà. Si tu construis sur le SDK d'OpenAI, reste avec le format OpenAI. Si ton code parle déjà le format de Claude, utilise la seconde adresse et laisse ta couche cliente tranquille.
Mode réflexion et paramètres qui cessent de fonctionner
Le mode réflexion est activé par défaut et le niveau d'effort par défaut est high. Le contrôle a deux niveaux : l'interrupteur thinking et le niveau reasoning_effort. La correspondance déclarée par la documentation est identique pour les deux modèles textuels et elle n'est pas linéaire.
reasoning_effort demandé | Effort réel du modèle |
|---|---|
low | low |
medium | high |
high | high |
xhigh | high |
max | max |
Une conséquence de ce tableau peut te surprendre en ajustant les coûts : medium et xhigh ne sont pas des niveaux distincts, ce sont des alias de high. Il n'y a que trois vrais paliers.
Le deuxième lot de surprises concerne des paramètres qui ne font tout simplement rien en mode réflexion. La documentation liste temperature, top_p, presence_penalty et frequency_penalty. Les définir ne lève aucune erreur, car l'API reste compatible avec les logiciels existants, mais n'a aucun effet non plus. Si tu as une couche qui règle la température selon le type de tâche, ce réglage est mort en mode réflexion.
Le troisième point est plus délicat et facile à oublier en construisant un agent. Le texte de raisonnement revient dans le champ reasoning_content, à côté de content. Quand une requête ne porte pas de paramètre tools, les anciens reasoning_content peuvent être écartés lors de la concaténation du contexte, car l'API les ignore de toute façon. Quand la requête porte tools, reasoning_content doit être renvoyé à l'API à chaque tour d'utilisateur suivant, même sur les tours sans appel d'outil. L'omettre se termine par une réponse 400. C'est une vraie différence avec la plupart des implémentations compatibles OpenAI, donc une couche maison d'historique de conversation a besoin d'une correction.
Tarifs, cache de contexte et heures de pointe
La nouvelle grille tarifaire est entrée en vigueur à 16:00 UTC le 16 août 2026 et introduit une séparation entre heures de pointe et heures creuses. Les tarifs ci-dessous sont par million de tokens, en dollars.
| Poste | flash heures creuses | flash pointe | pro heures creuses | pro pointe |
|---|---|---|---|---|
| Entrée, cache hit | 0.007 | 0.014 | 0.022 | 0.044 |
| Entrée, cache miss | 0.22 | 0.44 | 0.66 | 1.32 |
| Sortie | 0.66 | 1.32 | 1.98 | 3.96 |
Les heures de pointe vont de 01:00 à 04:00 et de 06:00 à 10:00 UTC. Cela fait sept heures de pointe par jour et dix-sept heures creuses, donc le tarif bas est en pratique le prix par défaut plutôt qu'une promotion. Pour des tâches par lots lancées depuis l'Europe, cela signifie qu'une file du soir tombe dans la fenêtre bon marché sans aucune astuce de planification.
L'arithmétique de ce tableau ne tombe pas rond à deux endroits. D'abord, le modèle pro coûte exactement trois fois le prix de flash sur la ligne cache miss et sur la ligne sortie, mais sur la ligne cache hit c'est 0.022 au lieu de 0.021, un peu plus que le triple. Ensuite, le rapport entre miss et hit diffère selon les modèles : pour pro il est exactement de 30 pour 1, pour flash d'environ 31,4 pour 1. Si tu construis une calculatrice de coûts, ne suppose pas un multiplicateur unique pour les deux modèles.
Le cache de contexte est activé par défaut pour tout le monde et ne demande aucun changement de code, mais les règles de hit sont plus strictes qu'une simple correspondance de préfixe. Chaque requête crée des unités de cache à la fin de l'entrée de l'utilisateur et à la fin de la sortie du modèle. Une requête ultérieure n'atteint le cache que si elle correspond entièrement à une telle unité. Quand deux requêtes partagent un début mais diffèrent à la fin, aucune n'atteint le cache, bien que le système détecte le préfixe commun et le stocke comme une unité séparée que seule une troisième requête peut utiliser. Pour les longues entrées et sorties, des unités sont aussi découpées à intervalles fixes de tokens. Tu vérifies l'état dans la réponse, dans les champs prompt_cache_hit_tokens et prompt_cache_miss_tokens sous usage.
usage = response.usage
hit = usage.prompt_cache_hit_tokens
miss = usage.prompt_cache_miss_tokens
# flash off-peak rates, USD per million tokens
cost_input = hit / 1_000_000 * 0.007 + miss / 1_000_000 * 0.22
cost_output = usage.completion_tokens / 1_000_000 * 0.66
print(round(cost_input + cost_output, 6))La documentation indique que le cache fonctionne au mieux (best effort) sans garantie de taux de hit complet, que la construction d'une entrée prend quelques secondes, et qu'une entrée inutilisée disparaît généralement dans un délai de quelques heures à quelques jours. Planifier un budget uniquement sur le taux de hit est donc risqué.
Poids Hugging Face contre API du fournisseur
Les poids ouverts et l'API sont deux produits différents avec des licences différentes. L'organisation deepseek-ai sur Hugging Face publie des poids que tu peux télécharger et exécuter toi-même. La fiche du modèle DeepSeek-V4-Pro-0813 indique clairement que le dépôt et les poids du modèle sont couverts par la licence MIT, et la même mention apparaît sur DeepSeek-V4-Flash-0731, DeepSeek-V3.2-Exp, DeepSeek-V3.1 et DeepSeek-R1.
Cela n'a pas toujours été le cas, c'est pourquoi la licence doit être vérifiée modèle par modèle. Le dépôt DeepSeek-V3 d'origine, de décembre 2024, contient deux fichiers distincts : LICENSE-CODE avec le texte MIT et LICENSE-MODEL avec un document intitulé « DEEPSEEK LICENSE AGREEMENT Version 1.0 » daté du 23 octobre 2023. Cette seconde licence contient des restrictions d'usage et exige que les versions dérivées reprennent les mêmes restrictions. Ce n'est qu'à partir de DeepSeek-V3-0324 que les dépôts livrent un seul fichier LICENSE avec le texte MIT. Si quelqu'un dans l'équipe a hérité d'un ancien checkpoint, sa licence n'est pas celle qui régit les nouvelles versions.
L'échelle de ces poids est souvent sous-estimée. L'index des tenseurs rapporté par Hugging Face donne environ 1,65 billion de paramètres pour DeepSeek-V4-Pro-0813 et environ 304 milliards pour DeepSeek-V4-Flash-0731. La configuration Pro liste 61 couches, 384 experts routés plus un expert partagé, six experts par token, et une quantification fp8 au format e4m3. À environ un octet par paramètre, les fichiers de poids de Pro atteignent l'ordre de 1,6 téraoctet et ceux de Flash l'ordre de 300 gigaoctets. La fiche du modèle donne un exemple de commande de service pour un seul nœud avec quatre cartes GB300.
vllm serve deepseek-ai/DeepSeek-V4-Pro-0813 \
--trust-remote-code --kv-cache-dtype fp8 --block-size 256 \
--data-parallel-size 4 --enable-expert-parallel \
--moe-backend deep_gemm_mega_moe \
--attention-config '{"use_fp4_indexer_cache": true}' \
--speculative-config '{"method":"dspark","num_speculative_tokens":7,"draft_sample_method":"greedy"}'C'est du matériel de centre de données, pas un laptop. Les chemins locaux raisonnables passent par vLLM ou SGLang sur des cartes louées, pas par Ollama, qui convient aux modèles plus petits et aux distillations. Un détail de plus casse beaucoup d'intégrations prêtes à l'emploi : la version DeepSeek-V4-Pro-0813 ne contient aucun template de chat Jinja. À la place, le dépôt livre un répertoire encoding avec les fonctions encode_messages et parse_message_from_completion_text, que tu dois appeler toi-même pour construire le prompt et analyser la réponse.
| Critère | API DeepSeek | Poids Hugging Face |
|---|---|---|
| Licence | conditions de la plateforme, pas de licence open source | MIT pour les versions à partir de V3-0324 |
| Coût d'entrée | recharge d'un solde | cartes GPU ou location |
| Lieu de traitement | serveurs du fournisseur | ton infrastructure |
| Figer la version | l'alias pointe vers la version courante | un commit précis du dépôt |
| Cache de contexte | intégré, facturé séparément | tu le configures toi-même |
Données, conformité et risque d'un fournisseur hors de l'Union
La politique de confidentialité est émise par Hangzhou DeepSeek Artificial Intelligence Co., Ltd. avec une adresse enregistrée en Chine, et l'adresse de contact pour les données est privacy@deepseek.com. Le document indique clairement que les données personnelles peuvent être stockées sur un serveur situé hors du pays où vit l'utilisateur. La durée de conservation est décrite de façon délibérément large : les données sont conservées aussi longtemps que le compte existe, plus partout où des obligations contractuelles et légales ou un intérêt commercial légitime l'exigent, y compris pour améliorer et développer les services. En d'autres termes, aucun délai strict de suppression n'est donné pour le contenu des requêtes.
Pour une équipe dans l'Union européenne, cela se traduit en tâches concrètes plutôt qu'en vague inquiétude. Un transfert vers un pays tiers a besoin d'une base juridique et d'une analyse d'impact. Dans la documentation de la plateforme, je n'ai trouvé aucune offre de traitement dans une région de l'UE et aucun modèle prêt d'accord de traitement des données, donc vérifie cela directement auprès du fournisseur avant de laisser des données personnelles atteindre cette API. Si la réponse n'arrive pas par écrit, c'est déjà une réponse.
Les conditions de la plateforme développeur contiennent bien une clause plus favorable que ce que proposent plusieurs concurrents. La section sur les entrées et sorties dit que tu conserves les droits sur tes entrées, que DeepSeek te cède les droits sur les sorties, et que les sorties peuvent être utilisées largement, y compris pour entraîner d'autres modèles, par exemple par distillation. Quiconque construit un modèle interne plus petit sur des données synthétiques devrait lire cette section en entier, car elle autorise explicitement un scénario interdit par les conditions de plus d'un concurrent.
Le risque opérationnel est la troisième dimension. Il y a eu des périodes où le fournisseur a limité l'inscription de nouveaux comptes sous charge. La documentation technique n'enregistre pas de tels événements, donc je ne donnerai aucune date, mais le mécanisme mérite d'être anticipé : crée le compte et la clé plus tôt que nécessaire, et garde un chemin de repli prêt. La réponse pratique est une couche de routage comme LiteLLM ou OpenRouter, qui permet de déplacer le trafic vers un autre fournisseur sans toucher au code de l'application.
Regarder le catalogue d'OpenRouter fait apparaître deux chiffres qui ne correspondent pas aux documents du fournisseur. L'entrée deepseek/deepseek-v4-pro-0813 est tarifée à 1.188 dollar par million de tokens d'entrée et 3.564 par million de tokens de sortie, exactement quatre-vingt-dix pour cent du tarif de pointe de DeepSeek. L'entrée deepseek/deepseek-v4-flash-0731 déclare une longueur de contexte de 1 310 720 tokens, alors que le config.json du même modèle indique max_position_embeddings à 1 048 576. Les catalogues d'agrégateurs décrivent aussi des offres d'hébergeurs tiers, donc les différences s'expliquent, mais ne les recopie pas dans ta propre documentation sans vérifier la source.
Le second fournisseur chinois qui vaut la comparaison est Qwen d'Alibaba, qui offre une gamme plus large de tailles de modèles ainsi que des variantes distinctes pour le code et le multimodal. La différence la plus importante sur le plan juridique réside dans les licences des poids : DeepSeek a publié la famille V4 uniformément sous MIT, alors que chez Qwen la licence est un champ propre à chaque modèle et peut différer entre variantes voisines d'une même série. Le plus grand modèle de la famille porte sa propre licence avec des seuils de revenus, et l'un des modèles de code repose sur une licence qui n'autorise que l'usage non commercial, donc vérifier un seul fichier de licence avant de télécharger des poids n'est pas ici de la prudence mais une nécessité.
Mise à jour d'octobre 2026 : ordre du DHS pour les agences civiles fédérales américaines
Le 20 octobre 2026, le Federal Register a publié une notification du Département de la Sécurité intérieure des États-Unis (DHS), document 2026-21447, déposée le 19 octobre. Elle annonce un ordre émis par le secrétaire à la Sécurité intérieure en deux parties. La première exclut les produits et services informatiques développés par Hangzhou DeepSeek Artificial Intelligence Co., Ltd, y compris les entités affiliées, des marchés publics des agences civiles fédérales. La seconde ordonne le retrait des systèmes informatiques de ces agences de tous les produits DeepSeek et de ses affiliés, ainsi que des produits et services tiers développés à l'aide d'implémentations DeepSeek.
La base juridique est le Federal Acquisition Supply Chain Security Act de 2018, et l'ordre fait suite à l'examen d'une recommandation du Federal Acquisition Security Council. La notification est signée par le conseiller juridique général du DHS, désigne une équipe de mise en œuvre à la CISA comme contact, et l'ordre signé est joint en annexe et disponible sur regulations.gov sous le dossier DHS-2026-0628.
Le périmètre mérite d'être lu littéralement : il couvre les marchés et les systèmes informatiques des agences exécutives civiles fédérales américaines. La notification ne dit rien sur les utilisateurs privés, les entreprises ou les institutions extérieures à ces agences, y compris en Europe. Si tu fournis des logiciels à de telles agences, cependant, la formulation sur les produits tiers développés à l'aide d'implémentations DeepSeek peut couvrir aussi ton produit, donc consulte un juriste avant d'utiliser ces modèles dans ce type d'offre.
Erreurs courantes
Installer le paquet deepseek au lieu de openai est l'erreur numéro un, et son effet n'est pas évident tout de suite, car le paquet fonctionne bel et bien. Il envoie une requête valide à une adresse valide, mais avec un modèle par défaut que la documentation actuelle ne liste plus et sans prise en charge du mode réflexion.
La deuxième erreur est de traiter la licence MIT des poids comme la licence de l'API. Les poids peuvent être téléchargés, modifiés et déployés commercialement. L'accès à api.deepseek.com est régi par l'accord avec le fournisseur, et rien dans cet accord ne découle de MIT.
La troisième erreur est de supprimer reasoning_content en assemblant l'historique dans un agent qui utilise des outils. Le code fonctionne bien au premier tour et plante avec un 400 au second, une fois que tools apparaît, ce qui envoie chercher le bug au mauvais endroit pendant des heures.
La quatrième erreur est de régler temperature en mode réflexion. Pas d'erreur, pas d'effet, et un faux sentiment de contrôle. Si tu as besoin de piloter l'aléatoire, désactive explicitement la réflexion avec {"thinking": {"type": "disabled"}}.
La cinquième erreur concerne le budget. Une prévision de coût calculée au taux de cache hit peut être fausse d'un ordre de grandeur, car le cache fonctionne au mieux et les entrées expirent. Calcule la borne haute au tarif miss et au tarif de pointe, et traite toute économie comme un bonus.
La sixième erreur est d'écrire dans user_id un identifiant d'utilisateur final sous forme d'adresse email ou de numéro de document. La documentation demande aucune donnée personnelle dans ce champ, et le motif [a-zA-Z0-9\-_]+ rejetterait de toute façon la plupart des adresses. Utilise un hachage irréversible.
FAQ
Le paquet de pip install deepseek vient-il de DeepSeek ?
Non. La version 1.0.0 sur PyPI vient de Deskpai.com et le dépôt est github.com/deskpai/deepseek. La dernière version date du 3 janvier 2025, le wheel pèse 4542 octets, ne contient aucun fichier de licence et ne sait rien du mode réflexion. Le fournisseur recommande la bibliothèque openai ou anthropic avec une adresse de base remplacée.
Puis-je exécuter DeepSeek-V4 sur mon propre matériel ?
Oui, les poids sont sur Hugging Face sous MIT, mais l'échelle est sérieuse : environ 1,65 billion de paramètres pour la version Pro et environ 304 milliards pour Flash. L'exemple de la fiche du modèle suppose un nœud avec quatre cartes GB300. Pour des expériences sur une seule carte, les distillations et les modèles plus petits conviennent bien mieux.
Comment DeepSeek facture-t-il le cache de contexte ?
Par des tarifs séparés pour les tokens d'entrée qui atteignent le cache et ceux qui le manquent. Un hit coûte 0.007 dollar par million pour flash en heures creuses et 0.022 pour pro. La réponse renvoie prompt_cache_hit_tokens et prompt_cache_miss_tokens, donc le vrai taux de hit peut être mesuré au lieu d'être supposé.
DeepSeek convient-il aux données personnelles de l'Union européenne ?
Pas sans dispositions supplémentaires. L'opérateur est une société basée en Chine, la politique de confidentialité autorise le stockage hors du pays de l'utilisateur, et aucun délai de suppression n'est donné pour le contenu des requêtes. La documentation de la plateforme n'offre pas de traitement dans une région de l'UE. Pour des données personnelles, envisage d'auto-héberger les poids ou de choisir un fournisseur dans l'Union.
Combien de travail représente le passage du code existant à DeepSeek ?
Avec le format OpenAI, ce sont généralement deux lignes : base_url et le nom du modèle. Le vrai travail commence ensuite, autour de la gestion de reasoning_content dans les agents qui utilisent des outils, autour des paramètres d'échantillonnage qui ne font rien en mode réflexion, et autour des tests de régression, car l'alias du modèle pointe vers la version courante.
Sources : tarifs et liste des modèles dans la documentation de l'API, la fiche du modèle DeepSeek-V4-Pro-0813, la page du paquet deepseek sur PyPI.