DeepSeek V4 Pro pour l'e-commerce : fiches produit et réponses au service client

Réponse courte

DeepSeek V4 Pro est un modèle de raisonnement purement textuel — il n'a pas de point de terminaison d'image et ne peut donc pas traiter les « images produit ». Ce dans quoi il excelle réellement dans une stack e-commerce, c'est le travail textuel autour de ces images : transformer des tableaux de spécifications bruts en fiches produit, et rédiger des réponses au service client conformes aux politiques qui exigent d'appliquer précisément les règles de retour et de livraison de la boutique. Voici deux appels réels au point de terminaison deepseek-v4-pro en direct sur hiapi, avec des prompts réels, des sorties réelles et des coûts réels en tokens.

Pourquoi choisir ce modèle plutôt qu'un modèle d'image

Si vous êtes arrivé ici parce qu'un brief produit mentionnait « utiliser deepseek-v4-pro pour les images produit », il s'agit d'une erreur de routage : deepseek-v4-pro n'expose que les types de points de terminaison openai (Chat Completions) et openai-response (Responses API) — pas de point de terminaison task, que tous les modèles d'image ou de vidéo sur hiapi utilisent. Il n'a aucune capacité de génération d'images. Si vous avez besoin de photographie produit, utilisez plutôt un modèle d'image comme GPT Image 2.

La valeur de DeepSeek V4 Pro réside dans la couche textuelle qui entoure ces photos produit : rédiger la fiche produit qui accompagne la photo, et répondre aux tickets de service après-vente. D'après sa propre description, il est conçu pour le « raisonnement complexe, le codage et les workflows agentiques », avec une fenêtre de contexte de 1 million de tokens et un appel d'outils natif — ce qui est utile lorsque les réponses au service client nécessitent de raisonner sur une politique de boutique à plusieurs étapes, plutôt que de simplement remplir un modèle avec des réponses prédéfinies.

Un comportement mérite d'être connu avant de bâtir un système autour de lui : DeepSeek V4 Pro active le raisonnement par défaut, même pour des prompts triviaux. En envoyant simplement « Say OK. » sans autres paramètres, la réponse renvoie tout de même un champ reasoning_content non vide. La plupart des autres modèles textuels sur hiapi utilisent par défaut un mode de raisonnement plus léger ; ce modèle est plus lourd par défaut. Si vous générez du texte à haute fréquence et faible complexité et souhaitez réduire la latence et le coût en tokens de complétion, vous pouvez le baisser via le paramètre reasoning_effort — mais pour tout scénario où une erreur sur un détail de politique coûte cher (comme l'exemple de service client ci-dessous), le réglage par défaut est sans doute le bon choix.

Exemple réel 1 : générer une fiche produit à partir d'un tableau de spécifications

Le prompt ci-dessous est le message system + user exact envoyé à deepseek-v4-pro via /v1/chat/completions, sans modification :

Prompt système :

Vous êtes rédacteur e-commerce pour un détaillant d'équipement de plein air de taille moyenne. Transformez un tableau de spécifications brut en fiche produit : un titre percutant (70 caractères maximum), deux phrases d'accroche, 5 points à lire rapidement (couvrant les spécifications les plus pertinentes pour la conversion), et une méta-description SEO d'une phrase. N'inventez aucune spécification non fournie. Rédigez en texte brut avec des libellés de section clairs, sans titres markdown.

Prompt utilisateur (tableau de spécifications brut) :

Produit : TrailForge 3L Rain Shell Jacket
Matière : ripstop en nylon recyclé 3 couches, traitement déperlant DWR sans PFAS
Imperméabilité : 20 000 mm de colonne d'eau
Respirabilité : 15 000 g/m2/24h, indice RET
Poids : 340 g (taille M homme)
Caractéristiques : zips d'aération sous les bras, capuche à 3 points de réglage compatible casque, zips YKK AquaGuard, 2 poches mains + 1 poche poitrine, se range dans sa propre poche
Tailles : XS-XXL
Couleurs : Storm Grey, Moss Green, Black
Prix : 189 $
Acheteur cible : randonneurs du week-end et traileurs ayant besoin d'une veste imperméable packable pour un temps changeant

Sortie réelle du modèle :

Titre : TrailForge 3L Rain Shell Jacket — imperméable, respirante, packable

Accroche : Conçue pour les randonneurs du week-end et les traileurs, la TrailForge 3L Rain Shell repousse les fortes pluies grâce à une imperméabilité de 20 000 mm. Elle se range dans sa propre poche, vous pouvez donc la ranger dès que le ciel se dégage.

Points clés :
• Ripstop en nylon recyclé 3 couches avec traitement déperlant DWR sans PFAS, pour une protection durable et responsable contre les intempéries.
• 20 000 mm de colonne d'eau et 15 000 g/m2/24h de respirabilité vous protègent de la pluie comme de la transpiration.
• Zips d'aération sous les bras et capuche à 3 points de réglage compatible casque, pour une ventilation rapide et un ajustement stable par-dessus un couvre-chef.
• Zips YKK AquaGuard, 2 poches mains + 1 poche poitrine ; se range dans sa propre poche, poids de 340 g (taille M homme).
• Disponible en XS-XXL, en Storm Grey, Moss Green et Black, au prix de 189 $.

Méta-description : Découvrez la TrailForge 3L Rain Shell Jacket : une veste imperméable sans PFAS, 20 000 mm, respirante et packable, pour les randonneurs du week-end et les traileurs.

Aucune spécification inventée — chaque affirmation de la sortie se retrouve dans une ligne du tableau d'entrée. Cette adhésion aux contraintes est sa véritable valeur : un générateur de fiches produit qui fabule des spécifications est pire que pas de générateur du tout.

Cet appel a consommé 327 tokens de prompt et 1 842 tokens de complétion (dont 1 586 tokens de raisonnement, utilisés pour calculer la longueur du titre et l'ordre des points avant de rédiger le texte final). Au tarif de 1,50 $ par million de tokens d'entrée et 4,50 $ par million de tokens de sortie, une fiche produit complète coûte 0,0088 $.

Exemple réel 2 : réponse au service client conforme aux politiques

L'automatisation du service client est un test plus exigeant que la rédaction : le modèle doit citer de véritables clauses de politique, et pas seulement produire un texte fluide. Même configuration, appel réel :

Prompt système :

Vous êtes agent du service client d'une boutique en ligne d'équipement de plein air. Politique de la boutique : les articles sont retournables dans les 30 jours suivant la livraison, à condition qu'ils n'aient pas été portés et que leurs étiquettes soient intactes ; les frais de retour sont à la charge de la boutique uniquement pour les articles défectueux ou erronés, sinon ils sont à la charge du client ; le remboursement est effectué sur le moyen de paiement d'origine dans les 5 à 7 jours ouvrés suivant la réception du retour par l'entrepôt. Rédigez une réponse chaleureuse et concise (130 mots maximum) qui répond directement au client, cite les clauses de politique applicables et indique une prochaine étape claire. N'inventez aucun détail de politique non énuméré ci-dessus.

Prompt utilisateur (message du client) :

Bonjour, j'ai commandé la TrailForge 3L Rain Shell en taille M, mais elle est trop petite pour moi. Je ne l'ai pas portée, les étiquettes sont toujours là, et cela fait 12 jours qu'elle est arrivée. Puis-je la retourner et être remboursé ? Et qui paie les frais de retour ?

Sortie réelle du modèle :

Bonjour ! Oui, vous pouvez retourner la TrailForge 3L Rain Shell et obtenir un remboursement. Comme elle est arrivée il y a 12 jours, n'a pas été portée et que ses étiquettes sont intactes, elle satisfait à notre politique de retour sous 30 jours. Comme le problème est la taille et que l'article n'est ni défectueux ni erroné, les frais de retour sont à votre charge. Dès que notre entrepôt recevra le retour, le remboursement sera effectué sur votre moyen de paiement d'origine dans un délai de 5 à 7 jours ouvrés.

Prochaine étape : répondez à cet e-mail et je vous enverrai l'autorisation de retour et les instructions d'expédition.

Deux choses ressortent. Premièrement, il distingue correctement l'« éligibilité au retour » (oui, 12 jours < 30 jours, non portée, étiquettes intactes) et le « qui paie les frais de retour » (le client, car le problème de taille n'est pas un défaut) — une distinction que les modèles simples se trompent souvent, en faisant par défaut payer la boutique pour tout retour. Deuxièmement, il respecte strictement la politique fournie ; il n'invente pas de frais de restockage ni d'option d'échange absente du prompt système.

Cet appel a coûté 0,0040 $ — 258 tokens de prompt, 801 tokens de complétion (689 tokens de raisonnement). À l'usage, moins d'un demi-centime par ticket suffit pour trancher correctement la politique du premier coup, avant toute intervention humaine.

Quand cela vaut mieux qu'un flux de service client purement template

Un système de macros/templates fixes coûte moins cher par réponse, mais il est fragile : il ne peut pas gérer le cas où le client pose deux questions de politique à la fois (éligibilité au retour et frais de retour) sans une explosion de templates ou un transfert vers un humain. Le coût de DeepSeek V4 Pro ici est si faible qu'il en devient presque gratuit, le facteur décisif est donc généralement le volume de tickets et la fréquence à laquelle un ticket nécessite de simples renvois croisés entre les règles de la boutique — plutôt que le prix brut.

Si votre prompt de service client répète le même bloc de politique sur des milliers de tickets, le tarif d'entrée en cache de 0,05 $ par million de tokens compte : en cas de cache hit, un prompt système répété est facturé environ 1/30 du tarif d'entrée normal, ce qui s'accumule vite à grande échelle. Les tarifs complets et à jour figurent sur la page de tarification hiapi et la page du modèle DeepSeek V4 Pro.

Questions fréquentes

DeepSeek V4 Pro peut-il générer des images produit ? Non. Il n'expose que des points de terminaison texte (Chat Completions et Responses API) — aucun type de tâche image ou vidéo n'est attaché à ce modèle. Associez-le à un modèle d'image pour la partie visuelle de la fiche produit.

Prend-il en charge le format Chat Completions d'OpenAI ? Oui — supported_endpoint_types contient à la fois openai (Chat Completions) et openai-response (la Responses API plus récente), de sorte que les intégrations Chat Completions existantes fonctionnent sans modification.

Pourquoi un prompt d'une seule ligne renvoie-t-il aussi des tokens de raisonnement ? Ce modèle active le raisonnement par défaut, alors que la plupart des autres modèles de la plateforme utilisent un mode plus léger par défaut. Si vous générez du texte simple à haute fréquence et souhaitez réduire la latence et le coût, réglez explicitement reasoning_effort plus bas dans la requête.

Dans un contexte e-commerce, vaut-il mieux l'utiliser qu'un modèle sans raisonnement ? Pour les tâches à contraintes strictes — ne pas inventer de spécifications, ne pas mal énoncer la politique — l'étape de raisonnement est précisément ce qui maintient la sortie exacte. Pour une simple réécriture de ton/style sans vérification de contraintes, un modèle plus léger peut être moins cher sans perte de qualité. Voir l'application de Kimi K3 à la rédaction e-commerce et au service client pour une analyse comparative similaire.

Points clés

• deepseek-v4-pro est un modèle purement textuel — routez les besoins d'image vers un modèle d'image et utilisez celui-ci pour la couche rédactionnelle et conversationnelle.
• Dans ce test, générer une fiche produit complète (titre, accroche, 5 points, méta-description) à partir d'un tableau de spécifications brut a coûté 0,0088 $, sans aucune spécification inventée.
• Une réponse au service client conforme à la politique, y compris la distinction sur « qui paie les frais de retour », a coûté 0,0040 $.
• Le modèle active le raisonnement par défaut — il produit des tokens de raisonnement même sur des prompts triviaux, sauf si vous baissez reasoning_effort.
• Avec 1,50/4,50 $ par million de tokens d'entrée/sortie et environ 0,05 $ par million de tokens d'entrée en cache, les prompts système répétés (comme un bloc de politique de service client fixe) deviennent nettement moins chers à grande échelle grâce au cache de prompt.

Prêt à essayer ? La page du modèle DeepSeek V4 Pro propose une tarification en direct et un playground, et la documentation API couvre la configuration de Chat Completions et de la Responses API, si vous souhaitez l'intégrer à votre propre pipeline de service client ou de fiches produit.