Comment utiliser DeepSeek-V4-Pro pour programmer?

DeepSeek a sorti DeepSeek-V4-Pro de l’aperçu le 13 août. Le nom du modèle dans l’API reste deepseek-v4-pro, et la version finale apporte trois changements qui comptent pour les programmeurs : de meilleures performances comme agent, un effort de raisonnement réglable (bas pour les tâches simples, élevé pour le travail d’agent courant, maximal pour les problèmes difficiles) et la prise en charge native de la Responses API d’OpenAI, qui permet aux outils de programmation conçus pour cette interface de l’utiliser directement. De nouveaux prix sont entrés en vigueur le 16 août, avec des heures creuses moins chères.

Le modèle peut garder jusqu’à un million de jetons en vue, assez pour une bonne partie d’une base de code, et peut écrire jusqu’à 384 000 jetons dans une seule réponse. Par défaut, il réfléchit avant de répondre, ce qui rend les réponses plus longues et plus lentes, mais habituellement plus soignées.

Trois façons de le mettre au travail

1. Dans l’application de clavardage. Sur le site Web et dans l’application de DeepSeek, V4-Pro est le modèle derrière le mode Expert. Il convient pour expliquer du code ou ébaucher une fonction, mais vous ferez beaucoup de copier-coller.

2. Par l’API, à partir d’un script. L’API de DeepSeek accepte le format d’OpenAI à l’adresse https://api.deepseek.com, si bien que la bibliothèque Python d’OpenAI fonctionne telle quelle :

import os
from openai import OpenAI

client = OpenAI(base_url="https://api.deepseek.com", api_key=os.environ["DEEPSEEK_API_KEY"])

with open("dates.py") as f:
    code = f.read()
with open("test_dates.py") as f:
    test = f.read()

reply = client.chat.completions.create(
    model="deepseek-v4-pro",
    reasoning_effort="high",
    messages=[
        {"role": "system", "content": "Tu es un réviseur Python minutieux. Modifie le moins de code possible."},
        {"role": "user", "content": f"Ce test échoue :\n{test}\n\nCode :\n{code}\n\nExplique la cause en deux phrases, puis donne un diff unifié."},
    ],
)
print(reply.choices[0].message.content)

3. Dans un agent de programmation. Un agent de programmation lit des fichiers, lance des commandes et modifie du code de lui-même. DeepSeek offre une deuxième adresse, https://api.deepseek.com/anthropic, pour les outils qui parlent le format d’Anthropic, et affirme que sa nouvelle prise en charge de la Responses API est optimisée pour Codex d’OpenAI. Dirigez l’outil vers la bonne adresse, réglez le modèle sur deepseek-v4-pro et gardez les réglages de sécurité habituels de l’agent, comme demander la permission avant de lancer des commandes.

Un exemple de correction de bogue

Le bogue, à titre d’illustration : une fonction qui compte les jours ouvrables entre deux dates inclut la date de fin alors qu’elle ne le devrait pas, et un test le détecte. Le prompt qui fonctionne le mieux est étroit et donne les preuves au modèle :

Le test test_two_week_span échoue : attendu 10, obtenu 11.
Voici dates.py et test_dates.py.
1. Explique la cause en deux phrases.
2. Propose la plus petite correction sous forme de diff unifié.
3. Ajoute un autre test pour une période qui commence un samedi.
Ne change pas la signature de la fonction.

Trois habitudes font la différence. Donnez le test qui échoue, pas seulement « ça ne marche pas » : le modèle peut alors vérifier son raisonnement par rapport à une attente concrète. Demandez la cause avant la correction, pour pouvoir juger l’explication avant de lire du code. Et demandez un diff unifié, le format standard qui montre seulement les lignes modifiées, pour que la revue prenne une minute plutôt que dix. Lancez ensuite les tests vous-même. Une correction que le modèle dit exacte reste une proposition tant que votre suite de tests n’est pas d’accord.

Comment se compare-t-il sur le plan des coûts?

Les prix des API sont exprimés par million de jetons, les morceaux de texte qu’un modèle lit et écrit (un jeton équivaut à peu près aux trois quarts d’un mot anglais). DeepSeek facture moins cher l’entrée qu’il a vue récemment, une réponse en cache (cache hit), et il a maintenant deux périodes de prix : les heures de pointe, de 1 h à 4 h et de 6 h à 10 h UTC, et les heures creuses, à moitié prix, le reste de la journée. Dans la moitié est de l’Amérique du Nord, en été, les heures de pointe tombent en deux blocs entre 21 h et 6 h : une journée de travail normale se passe donc en heures creuses.

Pour avoir une idée des coûts réels, prenons une requête de programmation, à titre d’illustration, avec 40 000 jetons d’entrée (plusieurs fichiers et des consignes) et 8 000 jetons de sortie (raisonnement, explication et diff) :

Selon les prix affichés, V4-Pro en heures creuses revient à environ le dixième de Claude Opus 5 pour le même nombre de jetons, et V4-Flash au tiers de V4-Pro. Deux mises en garde gardent cette comparaison honnête. Les modèles ne comptent pas les jetons de la même façon et ne réfléchissent pas aussi longtemps, si bien qu’une même tâche peut produire des totaux de jetons différents avec chacun. Et la requête la moins chère est celle que vous n’avez pas à répéter : si un modèle plus fort corrige un bogue du premier coup là où un modèle moins cher en a besoin de trois, l’écart diminue.

Une approche pratique consiste à faire passer vos cinq ou dix vraies tâches par chaque candidat, à noter le nombre de jetons dans le rapport d’utilisation de chaque API et à vérifier combien de corrections réussissent vos tests. Décidez ensuite selon le coût par correction réussie plutôt que selon le prix par jeton. Pensez aussi à l’endroit où va votre code : l’API hébergée envoie votre code aux serveurs de DeepSeek, alors gardez à l’écart le code propriétaire ou celui de vos clients, sauf si vos ententes le permettent.