Тринадцатикратная разница в чеках за автономный кодинг на DeepSeek и Claude

Суммарные списания за 39 запусков в OpenCode составили $0,67 для модели DeepSeek Flash против $8,76 для Claude Opus. Эксперимент строился на решении 13 прикладных задач на Python при трех попытках на каждую, что в сумме дало 156 прогонов.
Экономика автономного кодинга меняет правила бюджетирования разработки: разница в стоимости токенов между моделями исчисляется кратно при идентичном качестве тестов. В неинтерактивном режиме OpenCode 1.19.6 без изменения дефолтных параметров все четыре участника испытания закрыли 39 проверок из 39. Вопрос о том, стоит ли переплачивать за решения Anthropic, упирается в архитектуру генерации и скрытые накладные расходы.
Архитектура расходов и ценовой разрыв
В тестировании участвовали четыре модели: DeepSeek V4.1 Flash (1017), DeepSeek V4 Pro, Claude Sonnet 5.5 и Claude Opus 5.5. Запросы к решениям DeepSeek направлялись через OpenAI-совместимый эндпоинт, к семейству Claude — через Anthropic-совместимый интерфейс. Обработка шла через шлюз TeamoRouter, баланс которого зафиксировал суммарные затраты за 156 запусков на уровне $15,98. Модель Sonnet обошлась в $3,65, а V4 Pro потребовала списания $2,89.
По неокруглённым суммам списаний Opus оказался в 13 раз дороже Flash, тогда как Sonnet превзошел базовую модель DeepSeek по затратам в 5,4 раза. На бенчмарке DeepSWE модель V4.1-Flash-1017 показала результат в 77,0 процента, как отмечалось в предыдущих замерах.
Пересчет зафиксированных токенов по официальным тарифам вендоров показал общую сумму $47,64: для Flash расчетная величина составила $0,79, а для Opus достигла $30,67. Разница между реальными списаниями через шлюз и номинальным прайсом объясняется правилами кеширования контекста.
Чистый код против избыточных тестов
Тестовый набор включал десять отдельных функций с жесткими краевыми условиями и три небольших репозитория объемом от 87 до 299 строк кода. Все четыре модели справились с проверками, не добравшись до собственного предела сложности. Однако одинаковые зеленые тесты скрыли принципиально разные поведенческие паттерны агентов в рабочей директории проекта.
В задаче с транзакциями Claude оставил в репозитории десятки новых тестов, а DeepSeek проверил код и убрал временные скрипты.
Существует возражение, согласно которому тринадцатикратный разрыв в чеке полностью оправдан глубиной анализа и надежностью покрытия кода автоматическими проверками. Подобное разрастание тестовой базы не изменило итоговый результат валидации, но увеличило накладные расходы на контекст.
Что было раньше
Эксперимент на 13 задачах по Python показал: когда все кандидаты одинаково закрывают сто процентов проверок, переплата за контекстное поведение раздувает общий чек. При номинальном тарифе в $30,67 для Claude Opus его китайский соперник обошелся меньше чем в доллар даже без оптимизаций через шлюз.
Наши материалы: Цена Claude Code: почему ИИ-агенты Anthropic дороже конкурентов (6 августа); Deepseek-V4.1-Flash режет расходы на корпоративный ИИ до $0.20 (17 октября).
Источник: Хабр ML