DeepSeek vs ChatGPT: pris, kvalitet och det folk missar

Det korta svaret

På textresonemang, matematik och kod är DeepSeek genuint konkurrenskraftig med ledande västerländska modeller, och den kostar en bråkdel att köra via ett API. Det är ingen hype, det är anledningen till att branschen reagerade när R1 lanserades, och varför alla leverantörers priser har pressats sedan dess.

På allt som inte är den råa modellen ligger ChatGPT före, och det är inte ens jämnt. Bild- och ljudförståelse, röst, kodkörning på dina egna filer, kopplingar, egna assistenter, utvecklarverktygen, tillförlitligheten under belastning, dokumentationen, ekosystemet. Om du väljer en daglig assistent snarare än en modell att bygga vidare på spelar det gapet mer roll än benchmarkpoängen. Samma uppdelning mellan produkt och modell syns i jämförelsen Grok vs ChatGPT.

Så det ärliga sättet att ställa frågan är inte "vilken är bäst". Det är "köper du en modell eller en produkt?" DeepSeek säljer en mycket bra modell mycket billigt. OpenAI säljer en produkt med en mycket bra modell inuti. Det är olika köp.

Först, vilken DeepSeek pratar du om?

Nästan varje förvirrad diskussion om DeepSeek beror på att två personer pratar om olika saker. Det finns tre olika sätt att använda den, och de skiljer sig åt i pris, integritet och vad du får göra med resultatet.

	Appen och webbplatsen	DeepSeek API	De öppna vikterna
Kostnad	Gratis	Mycket lågt pris per token	Din egen beräkningskraft
Var din data hamnar	DeepSeeks servrar	DeepSeeks servrar	Där du väljer att köra den
Kan du självhosta	Nej	Nej	Ja
Kan du finjustera	Nej	Nej	Ja
Ämnesrestriktioner	Ja, kring politiskt känsliga ämnen	Ja	Minskade, men beteende från träningen finns kvar
Bra för	Att testa	Billig produktionstext och kod	Integritetskänsligt eller reglerat arbete

Den tredje kolumnen är den folk glömmer, och den är den mest intressanta. DeepSeek publicerar modellvikter under en tillåtande licens, vilket betyder att modellen kan laddas ner, köras på din egen hårdvara, hostas av en leverantör i din egen jurisdiktion, och anpassas. Ingen ledande västerländsk labb gör så med sina bästa modeller.

Den praktiska konsekvensen: ett team som inte får skicka data till ett kinesiskt företag kan ändå använda DeepSeek genom att köra vikterna själva eller via en leverantör som hostar dem någon annanstans. Om du läser att ett land har förbjudit DeepSeek menar de nästan alltid appen och det hostade API:et, inte vikterna.

Där DeepSeek är genuint konkurrenskraftig

Resonemang och matematik. Resonemangslinjen är DeepSeeks starkaste arbete. På svåra flerstegsproblem, tävlingsmatematik och logikgåtor presterar den i samma klass som modeller som kostar mycket mer att köra. Har du ett problem med ett verifierbart rätt svar är det värt att testa där först.

Kod. Solid på implementation, refaktorering, felsökning och att förklara okänd kod. Inte bäst på resonemang kring stora kodbaser, där ett mycket stort kontextfönster hjälper mer, men stark per krona med god marginal.

Synligt resonemang. Resonemangsmodellerna visar sitt tankearbete på ett sätt som är genuint användbart vid granskning. När svaret är fel kan du oftast se vilket steg som gick fel, vilket är värt mer än det låter när du kontrollerar resultatet i stället för att bara lita på det.

Kostnad. Detta är huvudnyheten. DeepSeek V3.2 listas till $0.269 per miljon inmatningstoken och $0.40 per miljon utmatningstoken, mot $5 och $30 för GPT-5.5, vilket motsvarar cirka $0.0005 per vanligt svar mot $0.02 (Whizis modellkostnadsindex, augusti 2026). Cachningsrabatter breddar skillnaden ytterligare. För allt som körs i volym är det ingen liten besparing, det är skillnaden mellan att en funktion är lönsam eller inte.

Effektivitet som designmål. Det intressanta i DeepSeeks forskning är arkitektoniskt: mixture-of-experts-routing, gles uppmärksamhet (sparse attention), och träningstekniker som ger resultat i toppklass utan toppklassbudgetar. Det arbetet har publicerats och har synligt påverkat hur alla andra prissätter och bygger.

Där ChatGPT ligger klart före

Multimodalt arbete. Ge ChatGPT en skärmdump, ett foto av en whiteboard, ett diagram eller en skannad faktura, och den hanterar det bra. DeepSeeks textmodeller är textmodeller. Om ditt arbete rör bilder är detta avgörande i sig.

Verktygsanvändning och kodkörning. ChatGPT kan köra kod mot dina uppladdade data, ta fram ett diagram och ge dig filen. Det arbetsflödet, plus kopplingar till arbetsverktyg, är en produktfunktion, och ingen modell ensam ersätter det.

Tillförlitlighet och kapacitet. DeepSeeks hostade tjänst har haft synliga perioder av försämrad prestanda och pauser i registreringen vid hög belastning. Bygger du något kunder är beroende av spelar drifthistoriken lika stor roll som kvaliteten.

Ekosystem. SDK:er, väldokumenterad funktionsanrop, integrationer, communitysvar på ovanliga problem, och en rekryteringspool som redan kan verktygen. När du stöter på ett konstigt specialfall klockan två på natten är oddsen mycket högre att någon redan skrivit om det.

Konsekvent beteende. ChatGPT följer komplexa formaterings- och rollinstruktioner mer pålitligt genom långa konversationer. DeepSeek driver mer, vilket syns snabbt i agentliknande arbetsflöden där samma prompt körs tusen gånger.

Röst, bilder ut och allt annat. Generering bortom text är en stor del av det folk betalar för och ingår egentligen inte i DeepSeeks erbjudande.

Kostnadsjämförelsen, gjord ordentligt

Använder du ett chattgränssnitt spelar detta avsnitt knappt någon roll: DeepSeeks app är gratis och ChatGPT Plus kostar $20 i månaden. Hoppa vidare.

Bygger du något ökar skillnaden per token snabbt. Ta ett realistiskt arbetsflöde för en supportassistent: 2 000 inmatningstoken och 500 utmatningstoken per förfrågan, 50 000 förfrågningar i månaden. Det är 100 miljoner inmatningstoken och 25 miljoner utmatningstoken. Till GPT-5.5:s listpriser ($5 per miljon inmatning, $30 per miljon utmatning) kostar månaden $1,250. Till DeepSeek V3.2:s priser ($0.269 och $0.40) kostar samma arbetsflöde cirka $37, en skillnad på mer än 30 gånger. Även efter de prissänkningar som DeepSeek självt utlöste i hela branschen har det gapet förblivit brett.

Tre saker som förändrar räkningen, och de är det folk missar:

• Resonemangsmodeller genererar många token du aldrig ser. Utökat tänkande kan vara flera gånger så mycket som den synliga utmatningen. Lågt pris per token gånger många fler token är inte alltid billigt. Mät totalt antal token, inte pris per token.
• Cachepriser spelar större roll än listpriset för allt med en stabil systemprompt. En stor rabatt på upprepad inmatning kan slå ett lägre listpris.
• Den billigaste modellen som klarar din utvärdering vinner. Inte den bästa modellen. Bygg en liten testuppsättning av verkliga inmatningar med kända bra svar och kör den mot båda. De flesta produktionsarbetsflöden behöver ingen toppmodell, och det upptäcker du bara genom att mäta.

Ett förnuftigt mönster för team: dirigera merparten av trafiken till den billiga modellen, eskalera till den dyra när säkerheten är låg eller uppgiften har höga insatser. Det är mycket lättare att bygga när du inte är låst till en enda leverantörs API.

Integritet, jurisdiktion och censur

Detta förtjänar att hanteras sakligt snarare än som skrämselpropaganda, för detaljerna avgör om det överhuvudtaget påverkar dig.

Var datan hamnar. DeepSeeks hostade tjänst bearbetar och lagrar data på servrar i Kina, och det står i deras integritetspolicy. Kinesisk lag ger myndigheter bredare tillgång till data som lagras inhemskt än de flesta västerländska regelverk gör. Om det spelar roll beror helt på vad du skickar. En receptfråga är ingen risk. Kundkontrakt, patientdata, ej publicerad kod, eller allt som omfattas av GDPR eller ett databehandlingsavtal är en annan sak. Jämförelsen av integritet mellan chattbottar ställer dessa policyer sida vid sida hos alla större leverantörer.

Regulatoriskt svar. Flera regeringar och tillsynsmyndigheter har begränsat DeepSeek-appen på officiella enheter eller inom sina jurisdiktioner, med hänvisning till datahantering. Har din organisation en upphandlings- eller säkerhetsgranskningsprocess, förvänta dig att den hostade tjänsten faller igenom, och att det beslutet handlar om jurisdiktion snarare än modellkvalitet.

Innehållsrestriktioner. Den hostade tjänsten avböjer eller undviker politiskt känsliga ämnen, särskilt sådana som är känsliga inom Kina. Att köra de öppna vikterna minskar detta, eftersom avvisningslagret delvis ligger i serveringsskiktet, men en del beteende är inbyggt i träningen och försvinner inte helt. Rör ditt arbete historia, geopolitik eller något jämförande om regeringar, testa det innan du litar på det.

Lösningen som faktiskt fungerar. Använd de öppna vikterna via en leverantör som hostar dem i din egen jurisdiktion, eller kör dem själv. Du behåller kostnads- och kvalitetsfördelarna, och frågan om datalagringsplats försvinner. Det är precis därför öppna vikter spelar strategisk roll, långt utöver den goodwillgest de ibland tolkas som.

För en fylligare jämförelse av hur de stora leverantörerna hanterar chattdata, lagring och möjligheten att välja bort träning, täcker vår guide om AI-prenumerationskostnader köpsidan, och varje leverantörs aktuella policysidor är den mest tillförlitliga källan för resten.

Vem bör använda vad

Om du är	Använd	Eftersom
En vanlig daglig användare	ChatGPT	Produkten runt modellen är merparten av värdet
Kostnadskänslig och bygger i volym	DeepSeek API	Mer än 30 gånger billigare till listpriser för text och kod
I en reglerad bransch	DeepSeeks öppna vikter, självhostade, eller en västerländsk modell	Datalagringsplats är hela frågan
Sysslar med tung matematik eller logik	Testa båda	DeepSeek är genuint stark här och billig att prova
Arbetar med bilder, ljud eller filer	ChatGPT	DeepSeeks textmodeller täcker inte detta
Kör en agentloop i produktion	ChatGPT, optimera sedan	Konsekvent instruktionsföljande slår pris till en början
Forskar eller experimenterar	Båda	Kostnaden att prova DeepSeek är nära noll

Mönstret de flesta team landar i är inte det ena eller det andra. Det är en billig och kapabel modell för volymarbetet, en toppmodell för de svåra fallen och allt kundvänt, och en regel som dirigerar mellan dem. Det är en förnuftig arkitektur, och det är därför inlåsning hos en enda leverantör är värt att undvika även när du gillar leverantören. Om den toppmodell som ingår i paret är Anthropic snarare än OpenAI, kör Claude vs DeepSeek samma jämförelse mot Claude.

Vill du testa DeepSeeks resonemang mot GPT, Claude och Gemini utan att öppna fyra konton och utan att skicka något till en hostad kinesisk slutpunkt, inkluderar Whizi alla på en prenumeration, och kostnadsskillnaden följer med: ett DeepSeek V3.2-meddelande kostar 1 kredit mot 20 för GPT-5.5. Kör samma prompt genom två modeller, behåll det bästa svaret, och se att jämföra modeller sida vid sida för hur det fungerar i praktiken.