DeepSeek V4 : remplacer deepseek-chat sans gonfler la facture

Une facture augmente après le remplacement de deepseek-chat, alors que votre code ne semble avoir changé que le nom du modèle.

La solution la plus rapide consiste à remplacer deepseek-chat par deepseek-v4-flash et à désactiver explicitement le mode thinking pour les conversations ordinaires et les traitements en volume. Pour les tâches de raisonnement, ne basculez pas automatiquement vers Pro : comparez d’abord Flash thinking et Pro thinking sur le même jeu de tests.

Dernière mise à jour : 31 juillet 2026. Les informations sur les noms de modèles, le mode thinking, les champs de réponse et les règles de facturation ont été vérifiées dans la documentation officielle de DeepSeek et doivent être contrôlées à nouveau après toute modification du fournisseur. (api-docs.deepseek.com)

Cet article s’adresse à vous si vous maintenez une application de discussion, une chaîne de résumé ou de classification, un traitement par lots, un agent avec outils, ou une passerelle de modèles. Il concerne également les équipes qui doivent faire signer une migration sans se limiter à la modification d’un fichier de configuration.

Calendrier de migration et action à mener cette semaine

Depuis le 24 juillet 2026 à 15 h 59 UTC, les noms deepseek-chat et deepseek-reasoner ne sont plus des noms de modèles disponibles. Pendant la période de compatibilité, DeepSeek les associait respectivement au mode non-thinking et au mode thinking de deepseek-v4-flash. Cette compatibilité historique ne signifie pas que deepseek-reasoner doit désormais être remplacé partout par deepseek-v4-pro. (api-docs.deepseek.com)

Voici la décision à appliquer avant d’élargir le trafic :

• Conversation, résumé, extraction ou classification : deepseek-v4-flash avec thinking.type à disabled.
• Agent simple avec peu d’outils : commencez par Flash ; activez thinking seulement si le taux d’échec le justifie.
• Agent complexe ou raisonnement exigeant : comparez Flash thinking et Pro thinking avec les mêmes entrées, outils et critères d’acceptation.
• Ancien deepseek-reasoner : ne choisissez pas Pro par simple correspondance de nom ; vérifiez la qualité et le coût du parcours complet.

Le premier contrôle ne doit pas porter sur votre fichier .env, votre registre interne ou votre tableau de routage. Il doit porter sur la requête finale réellement sortie de votre service, puis sur la réponse reçue.

Remplacement de deepseek-chat pour les conversations ordinaires

Pour une interface de questions-réponses, une aide produit, une génération courte ou une reformulation, le choix de départ est deepseek-v4-flash sans thinking. Les deux modèles V4 prennent en charge les modes thinking et non-thinking, mais la documentation indique que le mode thinking est activé par défaut. Modifier uniquement model peut donc changer le comportement effectif de la requête. (api-docs.deepseek.com)

Le paramètre doit être présent dans le corps envoyé à l’API. Dans une intégration au format compatible Chat Completions, la structure minimale ressemble à ceci :

{
  "model": "deepseek-v4-flash",
  "messages": [
    {
      "role": "user",
      "content": "Résumez ce texte en cinq points."
    }
  ],
  "extra_body": {
    "thinking": {
      "type": "disabled"
    }
  }
}

Le nom exact du champ peut être transformé par votre bibliothèque ou votre passerelle. C’est pourquoi vous devez vérifier trois éléments dans les journaux d’exécution :

• le model de la requête réellement émise ;
• la valeur de thinking dans le corps final ;
• le champ usage retourné par la réponse.

La réponse API contient également un identifiant de modèle utilisable pour confirmer que le serveur a traité la requête avec le modèle attendu. La documentation de création de complétion décrit model comme l’identifiant du modèle utilisé et thinking comme le commutateur entre les deux modes. (api-docs.deepseek.com)

Avantages de Flash sans thinking :

• comportement plus proche de l’ancien deepseek-chat pendant la compatibilité ;
• routage simple à expliquer aux équipes produit ;
• moins de risque d’activer involontairement une génération de raisonnement ;
• meilleure base pour comparer l’usage avant et après migration.

Limites à accepter :

• les tâches demandant plusieurs étapes logiques peuvent perdre en robustesse ;
• une réponse plus rapide n’est pas une preuve de qualité suffisante ;
• le mode non-thinking ne convient pas nécessairement aux agents qui doivent planifier, appeler plusieurs outils ou corriger leur propre stratégie.

Traitements par lots et création de contenu

Pour les résumés de catalogue, le classement de tickets, l’extraction de champs, la normalisation de descriptions ou la génération de variantes audio et vidéo, le coût doit être observé tâche par tâche. Il ne faut pas activer thinking parce que le nouveau modèle le permet.

Le premier profil à tester est deepseek-v4-flash avec thinking désactivé. Ensuite, mesurez séparément :

• les tokens d’entrée et de sortie dans usage ;
• les requêtes dont le préfixe est réutilisé ;
• les erreurs suivies d’une nouvelle tentative ;
• la longueur moyenne des réponses ;
• le taux de rejet par un validateur JSON ou métier.

La page officielle de tarification distingue les entrées avec cache, les entrées sans cache et les sorties. Elle précise aussi que la facturation dépend du nombre de tokens traités, et non du seul nombre de requêtes. Les montants pouvant évoluer, utilisez la page de tarification officielle comme référence au moment du déploiement, plutôt qu’une valeur copiée dans un ancien document interne. (api-docs.deepseek.com)

Pour le cache, l’objectif n’est pas de déclarer qu’il « réduit toujours la facture ». Vous devez vérifier dans les données de consommation si les requêtes répétées présentent effectivement un état de cache favorable. Un long préambule système, des exemples variables ou une modification du début des messages peuvent empêcher la réutilisation attendue.

Les relances constituent un autre poste souvent oublié. Une tentative échouée, suivie d’une requête complète, peut coûter davantage qu’une réponse unique légèrement plus longue. Avant d’activer thinking pour améliorer la qualité, fixez une condition de sortie :

• le taux de résultats valides doit augmenter sur le jeu d’évaluation ;
• les relances ne doivent pas annuler ce gain ;
• le volume de sortie doit rester compatible avec votre budget ;
• la différence doit être visible sur un échantillon représentatif, pas sur deux exemples choisis.

Pour une chaîne éditoriale, testez par exemple les résumés de textes longs, les descriptions de produits et les scripts de narration séparément. Une amélioration sur un scénario créatif ne justifie pas nécessairement d’activer thinking pour toute la file de classification.

Agents et appels d’outils

Un agent ne doit pas être routé uniquement selon le nom historique du modèle. La question utile est : combien d’étapes l’agent doit-il franchir, quel est le prix d’un échec et combien d’appels d’outils sont nécessaires pour terminer une tâche ?

Pour un agent qui extrait une donnée, appelle un outil une fois et produit une réponse structurée, Flash sans thinking peut suffire. Pour un agent qui doit rechercher, vérifier, comparer puis agir, testez Flash thinking. Pro thinking devient un candidat lorsque la qualité reste insuffisante malgré un prompt stable, des outils correctement décrits et une gestion fiable de l’historique.

Le mode thinking accepte les appels d’outils, mais le parcours peut contenir plusieurs tours de raisonnement et plusieurs requêtes. La documentation précise que reasoning_content doit être conservé et renvoyé dans les tours suivants lorsqu’un appel d’outil intervient ; son omission peut provoquer une erreur de requête. (api-docs.deepseek.com)

Votre métrique ne doit donc pas être « coût d’un appel principal ». Elle doit couvrir :

• le nombre total de requêtes par tâche terminée ;
• le nombre d’appels d’outils ;
• les tokens d’entrée et de sortie de chaque sous-requête ;
• le nombre d’échecs ou de relances ;
• la latence de bout en bout ;
• la réussite fonctionnelle finale.

Un agent qui répond correctement après quatre appels n’est pas nécessairement meilleur qu’un agent qui réussit après deux appels. À l’inverse, un modèle moins cher à l’unité peut devenir plus coûteux si ses décisions déclenchent davantage de recherches ou de corrections.

Raisonnement avancé et passage éventuel à Pro

Pour le code, l’analyse technique, la planification multi-étapes ou les décisions à fort coût d’erreur, conservez le mode thinking dans le protocole d’évaluation. Mais séparez bien deux variables : le modèle et le mode.

Votre banc de test doit comparer au minimum :

• Flash avec thinking désactivé ;
• Flash avec thinking activé ;
• Pro avec thinking activé.

Utiliser directement Pro thinking ne vous dira pas si l’amélioration provient de la capacité du modèle, du mode de raisonnement ou des deux. L’ancien deepseek-reasoner correspondait au mode thinking de Flash pendant la compatibilité, mais DeepSeek n’a pas publié de règle imposant une migration universelle vers Pro. (api-docs.deepseek.com)

Pour chaque scénario, conservez les mêmes consignes, les mêmes documents, les mêmes outils et le même budget de sortie. Notez ensuite :

• la précision ou le score métier ;
• le nombre de corrections humaines ;
• le nombre de requêtes ;
• les tokens réellement consommés ;
• la latence de la tâche complète ;
• la décision de repli si le modèle échoue.

Un gain de qualité est exploitable uniquement s’il est supérieur au coût opérationnel qu’il entraîne. Pour un assistant de code interne, quelques erreurs critiques évitées peuvent justifier Pro. Pour une génération de variantes marketing ou de scripts vidéo, Flash thinking peut offrir un compromis plus rationnel, à condition de valider le rendu et la conformité.

Routage de passerelle et preuve de migration

Les équipes plateforme doivent supprimer les alias ambigus de leurs propres interfaces. Un champ interne comme reasoning-model, smart-default ou legacy-chat ne permet pas de reconstituer le comportement réel plusieurs semaines plus tard.

Enregistrez plutôt, pour chaque requête ou groupe de requêtes :

• le modèle final, par exemple deepseek-v4-flash ;
• l’état enabled ou disabled de thinking ;
• l’équipe ou le produit appelant ;
• la règle de routage appliquée ;
• le modèle de repli ;
• les valeurs de usage ;
• l’identifiant de tâche lorsque plusieurs appels composent un agent.

Contrôlez également les couches qui peuvent écraser le paramètre : adaptateur de bibliothèque, proxy, configuration de service, passerelle partagée ou variable d’environnement. Une application peut envoyer disabled, puis recevoir un corps final où la passerelle a supprimé le champ ; dans ce cas, le défaut du fournisseur peut reprendre le dessus.

Utilisez l’interface officielle de liste des modèles comme contrôle périodique de disponibilité, puis comparez-la avec votre registre interne. Elle expose notamment les identifiants actuellement référencés par l’API. (api-docs.deepseek.com)

Pour un service encore non migré, créez une règle temporaire explicite :

• entrée : alias historique ;
• sortie : modèle V4 et état thinking ;
• date de revue ;
• équipe responsable ;
• condition de suppression ;
• journal obligatoire du modèle final.

Cette règle doit être traitée comme une dette de migration, pas comme une compatibilité permanente.

Checklist de validation avant d’élargir le trafic

• [ ] Remplacer deepseek-chat par deepseek-v4-flash pour les conversations et traitements ordinaires.
• [ ] Ajouter explicitement thinking.type: disabled lorsque le raisonnement n’est pas requis.
• [ ] Vérifier le corps final sorti par le service, et non seulement le fichier de configuration.
• [ ] Contrôler le model présent dans la réponse API.
• [ ] Enregistrer les champs usage pour les entrées, les sorties et l’état du cache lorsqu’il est exposé.
• [ ] Regrouper les appels d’un même agent sous un identifiant de tâche.
• [ ] Compter les relances, les appels d’outils et les sous-requêtes.
• [ ] Comparer Flash sans thinking, Flash thinking et Pro thinking sur le même jeu de tests.
• [ ] Définir un modèle de repli et tester son déclenchement.
• [ ] Retirer les anciens alias lorsque toutes les applications utilisent le routage explicite.
• [ ] Faire signer la matrice par les responsables qualité, plateforme et budget.
• [ ] Attendre une fenêtre d’observation sans routage inattendu avant d’augmenter la part de trafic.

Conditions de signature pour le responsable technique

La migration est prête lorsque chaque charge de travail possède une ligne de décision compréhensible : usage, modèle final, mode thinking, preuve observée, seuil de qualité et cible de repli.

Ne validez pas une migration simplement parce que la facture totale baisse pendant une journée. Une baisse peut venir d’un volume temporairement plus faible, tandis qu’un agent continue de multiplier les sous-requêtes. À l’inverse, une facture stable peut masquer une hausse des sorties compensée par une baisse du trafic.

La signature doit donc associer les données de facturation aux journaux applicatifs : nombre de tâches, tokens d’entrée, tokens de sortie, cache, relances et appels d’outils. Les règles officielles indiquent que la dépense est calculée à partir des tokens et du tarif applicable au modèle et au type d’entrée ou de sortie. (api-docs.deepseek.com)

Questions fréquentes

deepseek-chat retiré : quelle cible choisir pour une application classique ?

Choisissez deepseek-v4-flash avec thinking désactivé. Cette combinaison est la plus proche de l’usage non réflexif associé à deepseek-chat pendant la période de compatibilité. Pour un agent ou une tâche de raisonnement, faites un test séparé avant de modifier le mode ou le modèle, car le meilleur choix dépend du nombre d’étapes et du coût d’un échec.

Flash ou Pro pour une conversation ordinaire ?

Commencez par Flash sans thinking. Pro n’est pas une amélioration gratuite à appliquer à toutes les conversations : il faut mesurer la qualité réellement nécessaire, la longueur des réponses, le nombre de relances et la latence. Si vos utilisateurs demandent surtout des réponses directes, le raisonnement systématique ajoute une complexité difficile à justifier sans évaluation.

Comment couper thinking sur deepseek-v4-flash ?

Ajoutez extra_body: {"thinking": {"type": "disabled"}} dans la requête finale au format compatible utilisé par votre intégration. Vérifiez ensuite le trafic capturé par votre passerelle et le champ usage de la réponse. Si le paramètre disparaît entre l’application et l’API, le serveur peut appliquer son comportement par défaut, qui est documenté comme activé.

deepseek-reasoner doit-il toujours devenir V4 Pro ?

Non. La correspondance historique concernait le mode thinking de Flash, pas une obligation de choisir Pro. Conservez Flash thinking comme référence, puis comparez Pro thinking sur les tâches où la qualité, la robustesse des outils ou le coût d’une erreur sont réellement déterminants. Une migration uniforme vers Pro rendrait impossible l’analyse de la variable qui a produit l’amélioration.

Si le problème apparaît uniquement dans un client macOS ou iOS, dans une chaîne Xcode ou dans un adaptateur spécifique, l’API n’est peut-être pas la seule source de l’écart. Une passerelle locale peut modifier le corps de la requête, un environnement de test peut utiliser une autre version du SDK, et une application mobile peut conserver une configuration embarquée.

Dans ce cas, louer temporairement un Mac auprès de VpsGona peut être plus pertinent que de mélanger les essais dans votre environnement de production. Vérifiez d’abord la disponibilité du système nécessaire, le mode de livraison et la durée de location ; les informations générales peuvent être consultées dans la page d’aide de VpsGona. Pour comparer une courte campagne de validation avec un environnement conservé plus longtemps, consultez aussi les options et tarifs régionaux de VpsGona.

Cette approche ne remplace pas l’achat d’un Mac pour une charge stable, intensive ou dépendante d’interfaces physiques. Elle devient intéressante lorsque vous devez isoler rapidement un client Apple, reproduire une migration, comparer plusieurs versions de SDK ou exécuter une régression sans toucher à l’application en production. Un environnement temporaire évite alors trois défauts d’une validation improvisée : paramètres mélangés, journaux incomplets et retour arrière difficile.