Сколько стоит поручить одну и ту же задачу DeepSeek и Claude в OpenCode? Для проверки взял 13 задач на Python: десять отдельных функций и три небольших репозитория. Четыре модели, по три попытки на задачу — 156 запусков. Суммы в заголовке — реальные списания за все 39 запусков каждой модели.
После исправления ошибки в моём скрипте проверки у каждой модели получилось 39 из 39. С баланса TeamoRouter за Flash списалось $0,67, за Sonnet — $3,65, за Opus — $8,76. V4 Pro обошёлся в $2,89. После предыдущего сравнения API-шлюзов выбрал этот сервис из-за цены.
Но одних зелёных тестов для сравнения мало. В задаче с транзакциями Claude оставил в репозитории десятки новых тестов, а DeepSeek проверил код и убрал временные скрипты. Ниже — расходы и несколько таких различий, которые нашлись в логах.
Как и на чём тестировал
Гонял OpenCode 1.19.6 в неинтерактивном режиме (opencode run), дефолтные параметры моделей не менял. Из прав оставил агенту редактирование файлов в рабочей директории и запуск python3, python, ls и cat — остальные команды запретил.
Права агента в конфиге OpenCode
"permission": { "edit": "allow", "bash": {"*": "deny", "python3 *": "allow", "python *": "allow", "ls*": "allow", "cat *": "allow"}, "webfetch": "deny", "external_directory": "deny"}
Модели взял четыре: DeepSeek V4.1 Flash (1017), DeepSeek V4 Pro, Claude Sonnet 5.5 и Claude Opus 5.5. В запросах к Flash указывал deepseek-flash-1017; дальше называю эту модель просто Flash. К обоим DeepSeek запросы шли через OpenAI-совместимый эндпоинт, к Claude — через Anthropic-совместимый. Все запросы отправлял через TeamoRouter; расходы взял из выгрузки биллинга. В таблице отдельно показаны реальные списания и пересчёт зафиксированных токенов по прайсам DeepSeek и Anthropic. Напрямую у вендоров эти задачи я не запускал: при другом маршруте могли измениться кеширование, число шагов и итоговый расход.
Задачи целиком на Python. Начал с десяти одиночных функций с подробной спецификацией и плотным набором краевых случаев (парсинг размеров вроде 1.5 KiB, glob, cron, semver и тому подобное). Все четыре модели закрыли их без единой ошибки, поэтому следом я добавил три задачи на небольших репозиториях — от 87 до 299 строк кода в пакете:
-
добавить вложенные транзакции в key-value-хранилище и не сломать существующие тесты;
-
найти и починить баги в движке таблиц по четырём жалобам пользователей (причины лежат в двух разных файлах);
-
поменять интерфейс отправки уведомлений, обновив также три модуля, которые его вызывают, тесты и README.
Перед каждым запуском создавал чистую копию папки.
Проверял решения скрытыми тестами, которые лежали за пределами рабочей папки агента (от 17 до 34 проверок на задачу), а для репозиториев дополнительно прогонял родные тесты проекта. Критерии записал до запуска каждой серии. Одну слишком буквальную проверку удаления старого API уточнил после разбора результата Opus и применил ко всем моделям; ниже показываю, что именно изменилось.
Для пересчёта брал официальные тарифы за 1 млн токенов на 18 ноября 2026 года. У DeepSeek использовал пиковый тариф; отдельных запусков для сравнения с внепиковым не проводил.
Модель
Вход
Чтение из кеша
Запись в кеш
Выход
DeepSeek V4.1 Flash
$0,30
$0,006
отдельно не оплачивается
$1,20
DeepSeek V4 Pro
$1,32
$0,044
отдельно не оплачивается
$3,96
Claude Sonnet 5.5
$2
$0,10
$2,50
$10
Claude Opus 5.5
$4
$0,20
$5
$20
Что вышло по деньгам и времени
Модель
Прошло проверку
Списано в TeamoRouter
Пересчёт по прайсам
Шагов
Выходных токенов
Медиана времени: функции / репо
DeepSeek V4.1 Flash
39 из 39
$0,67
$0,79
299
287 тыс.
42 с / 80 с
DeepSeek V4 Pro
39 из 39
$2,89
$3,40
235
364 тыс.
99 с / 128 с
Claude Sonnet 5.5
39 из 39
$3,65
$12,77
658
383 тыс.
80 с / 293 с
Claude Opus 5.5
39 из 39
$8,76
$30,67
407
776 тыс.
75 с / 440 с
Время в таблице — медиана по 30 запускам функций и отдельно по 9 запускам задач на репозиториях для каждой модели, без усреднения медиан отдельных задач. Выходные токены посчитаны вместе с размышлениями (reasoning): у Opus на них пришлось 469 тыс., у V4 Pro — 272 тыс., у Flash — 172 тыс. У Sonnet тут ноль — с настройками по умолчанию OpenCode запускал его без режима размышлений.
За 156 запусков списалось $15,98. Пробные запуски и запросы для проверки подключения в эту сумму не входят. По неокруглённым суммам Opus обошёлся в 13 раз дороже Flash, Sonnet — в 5,4 раза.
Результаты по каждой задаче
Задача
DeepSeek V4.1 Flash
DeepSeek V4 Pro
Claude Sonnet 5.5
Claude Opus 5.5
parse_size
3 из 3 · $0,03
3 из 3 · $0,12
3 из 3 · $0,15
3 из 3 · $0,35
shell_split
3 из 3 · $0,03
3 из 3 · $0,15
3 из 3 · $0,13
3 из 3 · $0,24
evaluate
3 из 3 · $0,03
3 из 3 · $0,21
3 из 3 · $0,29
3 из 3 · $0,39
glob_match
3 из 3 · $0,06
3 из 3 · $0,24
3 из 3 · $0,21
3 из 3 · $0,56
parse_ini
3 из 3 · $0,04
3 из 3 · $0,22
3 из 3 · $0,20
3 из 3 · $0,47
earliest_slot
3 из 3 · $0,03
3 из 3 · $0,11
3 из 3 · $0,12
3 из 3 · $0,31
topo_sort
3 из 3 · $0,02
3 из 3 · $0,10
3 из 3 · $0,12
3 из 3 · $0,21
parse_url
3 из 3 · $0,05
3 из 3 · $0,21
3 из 3 · $0,26
3 из 3 · $0,69
next_cron
3 из 3 · $0,06
3 из 3 · $0,29
3 из 3 · $0,53
3 из 3 · $0,74
semver_satisfies
3 из 3 · $0,07
3 из 3 · $0,43
3 из 3 · $0,32
3 из 3 · $0,88
Репозиторий: транзакции в key-value-хранилище
3 из 3 · $0,10
3 из 3 · $0,26
3 из 3 · $0,60
3 из 3 · $1,87
Репозиторий: баги в движке таблиц
3 из 3 · $0,09
3 из 3 · $0,27
3 из 3 · $0,43
3 из 3 · $1,37
Репозиторий: смена интерфейса уведомлений
3 из 3 · $0,06
3 из 3 · $0,27
3 из 3 · $0,30
3 из 3* · $0,69
Всего
39 из 39 · $0,67
39 из 39 · $2,89
39 из 39 · $3,65
39 из 39 · $8,76
В каждой ячейке — сколько запусков из трёх прошло проверку и сколько за эти три запуска списано. Суммы в ячейках округлены до цента, поэтому по столбцу они могут расходиться с итогом на один цент.
* Один из трёх запусков зачтён после уточнения правила проверки, об этом ниже.
Пересчёт тех же токенов по прайсам даёт $47,64: для Flash — $0,79, для Opus — $30,67. Отсюда получается разница в 38,6 раза. Это расчётная колонка, не второй эксперимент. У Claude разрыв между ней и реальным списанием здесь больше: Sonnet — $12,77 против $3,65, Opus — $30,67 против $8,76. Эти соотношения относятся к условиям оплаты во время теста.
Отдельно про разброс между попытками. Одна и та же модель на одной и той же задаче от запуска к запуску ходит немного разными путями: самый дорогой из трёх запусков обходится в полтора раза дороже самого дешёвого (по медиане), в четверти случаев — больше чем в 1,8 раза, а в самом заметном выбросе разница дошла до 4,2 раза. По трём попыткам на задачу я не стал бы делать уверенные выводы о небольших различиях в цене. Все четыре модели прошли проверки на этих 13 задачах; до их предела сложности этот набор не добрался.
Из чего складывается стоимость запуска
В пересчёте по прайсам 40% расходов Opus и 48% расходов Sonnet пришлось на запись в кеш (cache write). У Anthropic она стоит на четверть дороже обычного входа. Агент дописывает контекст на каждом шаге, поэтому таких записей набирается много. У DeepSeek отдельной платы за запись нет.
Opus также выдал в 2,7 раза больше выходных токенов, чем Flash: 776 тыс. против 287 тыс. Больше половины объёма Opus составили размышления. На расходы могли повлиять и отказы при вызове инструментов: у Claude их было больше. Число отказов и ограничения этого сравнения привожу ниже.
У Flash 51% расходов, рассчитанных по прайсу, пришлось на вход мимо кеша, 43% — на выход и 5% — на чтение из кеша. При этом у всех четырёх моделей из кеша читалось от 73 до 94% входных токенов. Если считать весь вход по обычному тарифу, оценка будет завышена. Чтобы оценить стоимость всей задачи, мало знать цену за миллион токенов: модели тратят разное число токенов и шагов на её выполнение.
Какие тесты остались в репозитории
Одинаковые «39 из 39» в таблице не значат, что модели сдавали одинаковый код и одинаковый объём работы. Нагляднее всего разница в подходе проявилась в задаче с транзакциями для key-value-хранилища.
В задании требовалось реализовать транзакции, не сломать существующие тесты и обновить README. Дописывать новые тесты я не просил. В исходном репозитории лежало пять базовых проверок. После трёх запусков Sonnet в проекте оказывалось 28, 44 и 42 теста, у Opus — 33, 28 и 30. У обеих моделей DeepSeek во всех шести попытках в репозитории так и осталось пять исходных тестов.
При этом DeepSeek свой код тоже проверял — просто делал это однострочниками в консоли или временными скриптами, которые не оставлял в проекте. Например, в одном из запусков Flash создал _verify_tx.py, прогнал проверки и удалил файл:
python3 -c "import os; os.remove('_verify_tx.py')"
Все четыре модели прошли мои скрытые тесты. Число тестов, оставленных в репозитории, в критерии проверки не входило. Для дальнейшей работы с этим репозиторием разница полезная: у Claude остались дополнительные проверки, которые можно запускать после следующих изменений. Их число само по себе не доказывает качество покрытия — отдельно я его не оценивал.
В задаче с поиском багов новые тесты появились только в четырёх запусках из двенадцати, а разница в расходах сохранилась. Отдельно стоимость написания тестов я не измерял. В задаче со сменой интерфейса обновить тесты требовалось прямо по условию; с этим справились все четыре модели.
Почему пришлось исправить скрипт проверки
В третьей репозиторной задаче нужно было перевести модуль уведомлений на новый интерфейс и полностью удалить старую функцию send_message. Проверку на удаление я изначально записал слишком прямолинейно: подстрока send_message не должна встречаться ни в одном .py-файле пакета и тестов.
Скрипт проверки не засчитал второй запуск Opus, хотя все 20 скрытых тестов и 18 тестов в проекте прошли. Когда я открыл дифф, выяснилось, что саму функцию агент удалил и все вызовы переписал, но добавил в набор тестов явную защиту от регрессии:
def test_no_send_message_alias(self): import notify self.assertFalse(hasattr(notify, "send_message"))
Этот тест проверяет, что старого имени больше нет в публичном API. Из-за строки с именем старой функции мой скрипт ошибочно пометил запуск как не прошедший проверку.
После этого изменил правило: в коде пакета старого имени быть не должно, а в tests/ нельзя импортировать или вызывать send_message(...). По новому правилу перепроверил все 12 запусков этой задачи. У 11 результат остался прежним, а этот запуск Opus теперь прошёл проверку. Поэтому в таблице у него 39 из 39. В локальных данных сохранены оба результата: до исправления скрипта и после.
Как Flash один раз пошёл искать ответ за пределами рабочей папки
Ещё один любопытный эпизод нашёлся в логах на задаче с glob. В одном из запусков Flash решил осмотреться уровнем выше рабочей директории:
ls -la .. && ls -la ../..
а следом попробовал поискать имя функции по домашнему каталогу (путь ниже сокращён):
rg -l "glob_match" /Users/… --glob '!Library/**' --glob '!.*'
Вторую команду OpenCode заблокировал, так как rg не было в списке разрешённых. Первую пропустил: ls и cat я разрешил без ограничения по путям. Модель увидела названия соседних каталогов с другими запусками, затем написала реализацию.
Это недоработка моей изоляции: скрытые тесты лежали вне рабочей папки, но держалось это на урезанном списке команд, а не на полноценной песочнице. Я проверил записи всех 1763 вызовов инструментов по характерным путям — обращений к скрытым тестам, эталонным решениям и содержимому чужих папок не нашёл. Такая проверка логов не даёт исчерпывающей гарантии изоляции. Следующие тесты буду запускать уже внутри контейнера.
Как буду выбирать модель для следующей задачи
Следующую небольшую задачу с понятным условием и готовыми проверками сначала отдам Flash. Здесь он прошёл все проверки, обошёлся дешевле остальных и показал наименьшую медиану времени в обеих группах. V4 Pro тоже справился, но на этих задачах доплата не дала прироста по числу успешных запусков.
Тесты, которые Claude оставил в проекте, можно запускать после следующих изменений. Если захочу получить такие же файлы от Flash, прямо добавлю это в задание и посмотрю на результат и счёт. Сейчас это ещё не проверено. Сложный рефакторинг и сопровождение большого проекта требуют отдельного сравнения.
Что стоит учесть при чтении результатов
-
Все задачи небольшие: Python, до десяти файлов в репозитории, чёткие условия и быстрые тесты. Все модели справились, поэтому для сравнения их пределов нужен более сложный набор. На крупный проект с неполными требованиями эти результаты переносить рано.
-
Использовал только OpenCode 1.19.6 с настройками по умолчанию. Первый запрос у Claude занимал около 31 тыс. токенов, у DeepSeek — около 20 тыс. Похоже, агент по-разному собирает системный промпт и описания инструментов для этих провайдеров. В Claude Code расход может быть другим.
-
Из-за правил доступа две модели Claude получили в сумме 102 отказа при вызове инструментов, две модели DeepSeek — 30. В это число входят как отклонённые команды, так и попытки записать или изменить файл. Среди команд блокировались, например, составные команды и команды с переменными окружения перед именем программы. Это могло увеличить число шагов, время и расходы; отдельно величину этого эффекта я не измерял.
-
Каждую задачу запускал в новой сессии, поэтому стартовый запрос занимал заметную долю бюджета. В длинной сессии соотношение расходов может измениться.
-
Haiku, GPT, Gemini, Qwen, Kimi и GLM в этой серии не участвовали.
-
Запуски шли в четыре параллельных потока. Медианы в таблице рассчитаны по этим запускам. При другой нагрузке на серверы время может отличаться.
-
Десять функций взял из своего предыдущего набора. Три репозитория, скрытые тесты и эталонные решения помогал готовить другой Claude, не из тестируемых версий.
Результаты по каждой задаче и права агента вынесены под спойлеры выше.
Если вы уже пробовали заменить Claude на DeepSeek в OpenCode, на какой задаче пришлось переключиться обратно? Интересно посмотреть на условие задачи и на то, где модель застряла.
Источник: habr.com