13 задач на Python в OpenCode: DeepSeek Flash обошёлся в $0,67, Claude Opus — в $8,76. Claude.. Claude. claude opus.. Claude. claude opus. claude sonnet.. Claude. claude opus. claude sonnet. deepseek.. Claude. claude opus. claude sonnet. deepseek. llm.. Claude. claude opus. claude sonnet. deepseek. llm. opencode.. Claude. claude opus. claude sonnet. deepseek. llm. opencode. python.. Claude. claude opus. claude sonnet. deepseek. llm. opencode. python. ии-агенты.. Claude. claude opus. claude sonnet. deepseek. llm. opencode. python. ии-агенты. искусственный интеллект.. Claude. claude opus. claude sonnet. deepseek. llm. opencode. python. ии-агенты. искусственный интеллект. кодинг-агенты.. Claude. claude opus. claude sonnet. deepseek. llm. opencode. python. ии-агенты. искусственный интеллект. кодинг-агенты. Машинное обучение.. Claude. claude opus. claude sonnet. deepseek. llm. opencode. python. ии-агенты. искусственный интеллект. кодинг-агенты. Машинное обучение. Программирование.. Claude. claude opus. claude sonnet. deepseek. llm. opencode. python. ии-агенты. искусственный интеллект. кодинг-агенты. Машинное обучение. Программирование. стоимость API.. Claude. claude opus. claude sonnet. deepseek. llm. opencode. python. ии-агенты. искусственный интеллект. кодинг-агенты. Машинное обучение. Программирование. стоимость API. тесты.

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.

Автор: zach88

Источник