13 задач на Python в OpenCode: DeepSeek Flash обошёлся в $0,67, Claude Opus — в $8,76

—

от автора

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.

ссылка на оригинал статьи https://habr.com/ru/articles/1109658/