DeepSeek V4 Pro 0813 上線：百萬 token 上下文，輸入每百萬 0.435 美元
輸入每百萬 token 0.435 美元、輸出 0.87 美元。DeepSeek V4 Pro 0813 已於 2026 年 8 月 12 日正式上線，上下文長度 100 萬 token。
規格與定價出自 OpenRouter 模型頁，本文發稿日為 2026 年 8 月 13 日，也就是它上線的隔天。這個價格真正影響的是你桌上那疊沒人想讀的長文件——整份合約、整年財報、三萬則客服紀錄。過去 token 成本讓這些任務的 ROI 算不過來，現在算得過來了。
DeepSeek V4 Pro 0813 到底發布了什麼？
一句話：DeepSeek 把它的大型混合專家模型 V4 Pro 推進到正式版，規格是 100 萬 token 上下文，價格是輸入每百萬 token 0.435 美元、輸出 0.87 美元，上線日 2026 年 8 月 12 日（OpenRouter 模型頁）。
混合專家模型（Mixture-of-Experts，MoE）：白話講，模型裡面養了一群分工的小專家，每次回答只叫醒其中一小部分來算。所以總參數可以做得很大，但單次推論的計算量沒有跟著等比例膨脹。價格為什麼能壓到這個水位，來源沒有解釋，以下是我個人的推測：架構省下來的推論成本，是它敢開這個價的底氣之一。這不是官方說法，別當定論引用。
GA（General Availability，正式上線）：從限量測試轉成正式對外供應，代表供應方認為它可以承接一般生產流量。對你的意義是它可以進評估名單了，而不是還在實驗室階段。
有一件事要先知道：這個模型目前在 OpenRouter 上由單一供應商託管，平台會把每個請求直接轉發過去（OpenRouter 模型頁）。把它放進正式流程之前，你要自己準備一套備援方案，別假設有人替你兜底。
至於它的評測分數、吞吐量、實際延遲，官方頁面上都有對應區塊，但截至發稿日可引用的公開摘要並未列出具體數值，這裡就不編。要看數字請自己開頁面確認當下狀態。
100 萬 token 上下文是什麼意思？對我的實際差別在哪？
100 萬 token 上下文的意思是：模型一次能同時看進去的文字量上限。以中文文件來說，這個量級大約落在數十萬字，一整份長合約加附件、一整年的月報，都能一次塞進去。
過去做長文件，標準做法是切塊加向量檢索（RAG，把文件切成小段、檢索最相關的幾段再送進模型）。這條路能用，但有三個老問題：切在哪裡會切壞語意、檢索會漏掉關鍵段落、跨段落的交叉比對做不準。
上下文放大到百萬等級之後，整份文件可以直接丟進去讓模型做全局比對。條款之間互相牴觸、附註跟本文對不上、同一個客訴在三個月裡出現七次——這類要看全局才看得出來的問題，整份餵入的命中率明顯高於切塊檢索。
要提醒一件事：上下文變大不等於品質自動變好。輸入越長，模型注意力被稀釋的風險越高，指令要更明確、輸出結構要要求得更死。這一段要靠工程調整，買單解決不了。
這個價格便宜到什麼程度？我一份合約丟進去要花多少錢？
用官方定價直接算：輸入每百萬 token 0.435 美元、輸出每百萬 token 0.87 美元（OpenRouter 模型頁）。下面是常見長文件任務的單次成本推估，token 量是估計值，請用你自己的檔案實測校正。
| 任務 | 輸入 token（估） | 輸出 token（估） | 單次成本（美元） | 約合新台幣 |
|---|---|---|---|---|
| 一份長合約全文與對照版逐條比對 | 200,000 | 4,000 | 0.090 | 約 2.9 元 |
| 產品手冊加歷史工單生成 FAQ | 300,000 | 6,000 | 0.136 | 約 4.4 元 |
| 一整年財報與附註做重點摘要 | 500,000 | 8,000 | 0.224 | 約 7.2 元 |
| 一年客服對話紀錄做主題歸納 | 1,000,000 | 10,000 | 0.444 | 約 14.2 元 |
計算方式：成本等於輸入 token 除以 1,000,000 乘 0.435，加上輸出 token 除以 1,000,000 乘 0.87。新台幣以 1 美元兌 32 元估算。最後一列已經吃滿 100 萬 token 的上下文上限，實務上要留餘裕給輸出，別真的塞到頂。
翻成老闆聽得懂的話：一份長合約做完整條文比對，模型端的成本不到一杯超商咖啡的十分之一。真正貴的從來是人的時間——法務讀三小時、客服主管翻半天，那才是你每年在燒的錢。
計價前提要看清楚：這是按 token 計費的 API 價格，不含你自己的開發時間、不含資料整理、不含輸出不對重跑的次數。編預算時抓 2 到 3 倍的實際支出比較安全。
怎麼跟 OpenAI、Anthropic 的旗艦模型比價？各自適合做什麼？
先講原則：跨模型比價要用同一天的官方定價頁對照，不要用二手數字。各家調價頻繁、型號更迭也快，又有快取折扣與批次折扣，任何寫死在文章裡的對手價格與版本號，過兩週就是錯的。所以這一段不寫任何競品的型號與數字，也不給你一個「便宜幾倍」的結論，給你一套自己算得出來的比法。
本文只確認一件有來源的事：DeepSeek V4 Pro 0813 的公告價是輸入 0.435 美元、輸出 0.87 美元每百萬 token（OpenRouter 模型頁）。要比對請自己開 Anthropic 官方定價頁、OpenAI 官方定價頁 與 OpenRouter 模型列表，確認當下的最新型號，用同一天的數字算同一個任務的總成本。
至於怎麼分工，這張表是我們給客戶的預設起手式：
| 任務類型 | 建議主力 | 理由 |
|---|---|---|
| 大量長文件的第一輪掃描、摘要、分類 | 低價大上下文模型（V4 Pro 屬此類） | 量大、可容忍偶爾出錯、後面有人覆核 |
| 對外文案、提案、客戶會看到的成品 | 你最信得過的旗艦模型 | 錯一次的品牌成本遠高於 token 差價 |
| 涉及個資、合約條款、財務數字的判斷 | 模型只做草稿，人做最終判斷 | 責任落在簽名的人身上，不在供應商身上 |
| 高頻、低難度的分類與標記 | 更小更便宜的模型即可 | 用旗艦模型做這件事等於燒錢 |
表裡的「旗艦模型」刻意不指名，你自己填當下評估過的那一個。判斷邏輯很單純：便宜的模型負責量，貴的模型負責臉。你一天要處理三百份文件，第一輪就上旗艦模型是拿錢換不必要的品質；你要寄給客戶的提案，省那零點幾美元毫無意義。
這對台灣中小企業意味著什麼？
意味著你該回頭盤點一件事：哪些工作當初是因為太貴才沒做。換供應商是後面的事。
大部分台灣中小企業導入 AI 都卡在同一個地方——拿 AI 去做本來就便宜的事（寫貼文、改錯字），卻不敢碰真正吃人力的事（讀完整份文件、翻完整年紀錄）。原因就是成本：把一份三百頁文件整份餵進旗艦模型，一次的花費讓人不敢例行化。這個門檻現在明顯降下來了。
具體該做的三件事，這週就能做完：
- 列出公司裡「沒人想讀但一定要讀」的長文件清單。供應商合約、保單條款、法規更新、客訴紀錄、驗收報告、招標文件。先列出來就好，不要想技術。
- 每一項標上「一年發生幾次 乘以 每次花幾小時人力」。這是分子。用上面那張表估 token 成本，這是分母。兩者相除超過 20 倍的，就是你該先動的；低於 5 倍的先放著，為它做流程不划算。中間那段等前面幾項跑順了再回頭處理。
- 挑一項做一次手動實測。不要先寫程式。人工把檔案貼進去、把提示詞寫清楚、看輸出對不對，重複五次。五次都堪用再談自動化；五次有兩次亂講，問題八成在提示詞跟資料整理，換模型救不了。
至於要不要用中國模型，請當成資料治理題來解，用資料分級決定，別停在立場之爭。
| 資料層級 | 例子 | 建議做法 |
|---|---|---|
| 公開資料 | 法規條文、公開財報、產品型錄、招標公告 | 直接用，成本優先 |
| 內部非敏感 | 內部流程文件、去識別化後的客服對話 | 可用，但要先去識別化，並確認供應商的資料留存政策 |
| 敏感資料與個資 | 個人身分資料、往來聯絡明細、未公開合約 | 不送第三方 API，或走有合約保障的企業方案 |
另外提醒，台灣的個人資料保護法對跨境傳輸有規範，涉及個資的處理請先確認法遵路徑（法規全文可查全國法規資料庫）。這段法規敘述屬於一般背景知識，不在本文引用的 OpenRouter 來源範圍內，與上面那些有來源的定價數字不是同一個查證標準，實際適用請以法規全文與你的法律顧問意見為準。這一關的重點在於誰簽名負責，技術做得到不代表可以做。
便宜的模型有什麼代價？哪些坑會踩到？
代價有四個，一個都不能裝作沒看到。
單一供應商。這個模型目前在 OpenRouter 上由單一供應商託管，請求直接轉發（OpenRouter 模型頁）。放進正式流程前，先想好它掛掉的那天你的流程怎麼走。
規格會變。模型版本、定價、上下文上限都可能調整。把價格寫死在企劃書裡遲早出事，把它當變數處理，每季重算一次。
長輸入不等於好輸出。餵進去一百萬 token，模型不會自動知道你要什麼。輸入越長，指令與輸出格式的要求就要越硬，驗收標準也要寫得更具體。
便宜會誘發浪費。價格降下來之後最常見的失控是「反正很便宜就整份丟」，一個月後帳單長出三倍。從第一天就記錄每個任務的 token 用量，設月度上限。
我該怎麼在一週內算出自己的 ROI？
用這個順序，五天做完，不需要工程師。
- 第 1 天：列長文件清單，標註年度發生次數與人力工時。
- 第 2 天：挑成本效益比最高的一項（比值超過 20 倍的優先，低於 5 倍的這輪不碰），準備 5 份真實檔案，記得先去識別化。
- 第 3 天：手動實測 5 次，逐次記錄輸出可用程度（完全可用／要小改／不能用）。
- 第 4 天：算帳。省下的人力工時乘以人力成本，對比 token 成本乘以年度次數。
- 第 5 天：可用率低於六成，回去修提示詞跟資料整理；高於八成，才進入自動化討論。
這套流程我們拿去跑過不少中小企業的內部文件任務，最常見的結論是：瓶頸出在公司裡根本沒人把那疊文件整理成機器讀得到的樣子，模型能力反而不是限制。一位老闆做完第 3 天就決定先花兩週把合約掃描檔統一命名與轉成文字檔——那才是他真正的卡點。
想把這套盤點做成常態流程，順便讓你的專業內容在 AI 搜尋裡被引用到，可以看看我們的 AEO 內容布局做法。
所以，這件事我該怎麼下決定？
DeepSeek V4 Pro 0813 在 2026 年 8 月 12 日上線，把便宜的百萬字上下文變成常態供應。對台灣中小企業來說，正確反應是回頭盤點被成本卡住的長文件任務，用上面那張成本表算清楚，比值超過 20 倍的挑一項做五次實測，低於 5 倍的直接放掉，再決定要不要進自動化。
我的立場很直接：先算帳、再選供應商，順序倒過來就是白花錢。模型每三個月換一輪，你盤點出來的那張長文件清單能用三年。清單做出來，換誰家的模型都只是改一行設定。
常見問題
DeepSeek V4 Pro 0813 的價格與上下文規格具體是多少？
根據 OpenRouter 模型頁，DeepSeek V4 Pro 0813 於 2026 年 8 月 12 日正式上線，是大型混合專家模型的 GA 版本，上下文長度 100 萬 token，輸入每百萬 token 0.435 美元、輸出每百萬 token 0.87 美元。這個模型在 OpenRouter 上由單一供應商託管，請求直接轉發過去。評測分數、吞吐量這類數值請以官方頁面當下顯示為準。
100 萬 token 大概等於多少中文字？
token 與中文字不是一比一，實際比例依內容、標點與專有名詞而定，中文通常比英文更耗 token。100 萬 token 的量級大約能容納數十萬字的中文文件，相當於一整份長合約加附件，或一整年的月報。要精算請拿你自己的真實檔案實測一次，別用網路上的通用換算表當依據，誤差會直接反映在你的預算表上。
要怎麼跟 OpenAI、Anthropic 的旗艦模型比價？
本文只引用有來源的數字：DeepSeek V4 Pro 0813 為輸入 0.435 美元、輸出 0.87 美元每百萬 token。本文不列出任何競品的價格或版本號，因為各家旗艦模型的型號與定價調整頻繁，還有快取與批次折扣，任何寫死在文章裡的對手數字過兩週就是錯的。要比較請開 Anthropic 與 OpenAI 的官方定價頁，確認當下的最新型號，用同一天的數字算同一個任務的總成本，這才是有意義的比法。
中小企業可以把客戶資料丟進 DeepSeek 嗎？
不建議直接丟。把資料分三層：公開資料可以直接用；內部非敏感資料先去識別化再用；個人身分資料、往來聯絡明細、未公開合約這類敏感資料不要送第三方 API，或改走有合約保障的企業方案。另外提醒，台灣的個人資料保護法對跨境傳輸有規範——這段屬於一般法規背景，不在本文引用的 OpenRouter 來源範圍內，請以法規全文與你的法律顧問意見為準，並停在負責人這一關再放行。
有了百萬 token 上下文，還需要做 RAG 嗎？
還是需要，但用途變了。當文件總量遠超過 100 萬 token，或你要壓低成本與延遲時，檢索仍然是必要的前置篩選。改變的是單份文件不必再切碎，可以整份送進去做全局比對，切塊切壞語意與檢索漏掉關鍵段落這兩個老問題因此少掉一大塊。實務做法是先用檢索挑出相關文件，再整份餵入。
我要怎麼判斷這件事對我公司划不划算？
用一個比值判斷：把這項任務一年發生的次數乘上每次的人力工時，得到年度人力成本；再用每百萬 token 0.435 / 0.87 美元估出年度 token 成本。兩者相除超過 20 倍的任務先做，低於 5 倍的先放著。做決定前一定要手動實測五次，可用率低於六成就先修提示詞與資料整理，別急著換模型。
本文由 AIRUN 內容團隊撰寫。我們替台灣中小企業做兩件事：一是對抗式創業體檢，把你的商業模式當成要被打穿的東西來查；二是 AEO 內容布局，讓你的專業在 AI 搜尋裡被引用。要對一份長文件任務算清楚該不該做，可以從我們的 AEO 內容布局做法開始看。
AIRUN 對抗式創業體檢 AgentFlow Solutions（双云行銷試運行）