Den 13 augusti 2026 hände något ovanligt i AI-branschen: två konkurrerande labb, ett i Mountain View och ett i Hangzhou, släppte sina nya flaggskeppsmodeller för kostnadseffektiv kodning och agentarbete samma dag. Google gav ut Gemini 3.7 Flash med halverat pris jämfört med föregångaren. DeepSeek tog samtidigt V4-Pro ur förhandsversion och in i full produktion efter nästan fyra månaders test. För svenska utvecklingsteam, byråer och IT-avdelningar som redan känner GDPR-trycket från Schrems II betyder det ett nytt vägval: en snabb, EU-tillgänglig molnmodell mot en öppen, självhostningsbar konkurrent med ett par frågetecken kring var datan faktiskt hamnar.

Den här artikeln går igenom specifikationerna, priserna, benchmarkresultaten och de praktiska konsekvenserna av att välja den ena över den andra, med siffror hämtade direkt från Googles och DeepSeeks egna releasesidor samt oberoende mätningar från Artificial Analysis och flera modellspårare.

Vi utgår ifrån fyra frågor de flesta team i praktiken ställer sig innan de bestämmer sig: Vad kostar det per uppgift? Hur presterar modellen på kod och långa dokument? Var lagras datan när ni skickar en prompt? Och, om ni behöver byta senare, hur svårt blir det att migrera bort? Svaren skiljer sig markant mellan Google och DeepSeek, och skillnaderna handlar om mer än bara benchmarkpoäng.

Två lanseringar, en dag: vad hände den 13 augusti 2026

Gemini 3.7 Flash landade som Googles nya “arbetshäst”-modell i Flash-serien, med tydligt fokus på kodning, felsökning och dokumentförståelse jämfört med föregångaren 3.6 Flash. Google skriver i sitt lanseringsinlägg att modellen är byggd för agentiska arbetsflöden där kostnad per uppgift spelar större roll än rå kapacitet.

Samma dag bekräftade DeepSeek att V4-Pro, som varit i offentlig förhandsversion sedan den 24 april 2026, nu är generellt tillgänglig som bolagets flaggskepp. Unite.ai rapporterade att modellen släpps med öppna vikter under MIT-licens, tillgängliga för nedladdning parallellt med det betalda API:et. Det är en ovanlig kombination: en modell som konkurrerar med de stängda giganterna på prestanda, men som ändå går att ladda ner och köra på egen maskinvara.

Timingen är knappast en slump. Båda labben har sedan sommaren jagat samma målgrupp: utvecklare och företag som redan har provat GPT-5.6 och Claude Opus 5, men som tycker att priset per miljon token blir en kostnadspost värd att optimera bort. Vår tidigare genomgång av GPT-5.6 mot Claude Opus 5 visade att de dyrare flaggskeppen fortfarande vinner på ren kodningsförmåga. Frågan den här artikeln besvarar är om Gemini 3.7 Flash eller DeepSeek V4-Pro är rätt val när budgeten är en faktor.

Gemini 3.7 Flash: vad är nytt jämfört med 3.6 Flash

Gemini 3.7 Flash bygger vidare på Gemini 3-familjens arkitektur men är omtränad med fokus på tre saker: kodning, felsökning i långa kodbaser samt att läsa och förstå PDF-tunga dokument. Enligt DeepMinds modellkort har modellen en kunskapsgräns satt till mars 2026, även om vissa fackområden fortfarande begränsas till januari 2025 i linje med resten av Gemini 3-familjen.

Kontextfönstret ligger på 1 048 576 token, vilket i praktiken räcker till en medelstor monorepo eller flera hundra sidor dokumentation i ett enda anrop. Max utdata är satt till 65 536 token per svar, vilket är tillräckligt för längre kodändringar men inte för att generera hela böcker eller mycket stora rapporter i ett svep. Modellen tar emot text, bilder, ljud, video och PDF som indata, men svarar enbart med text. Det finns ingen inbyggd bild- eller ljudgenerering i 3.7 Flash.

Prismässigt är nyheten tydligast: Google halverade Flash-priset. Där 3.6 Flash kostade 1,50 dollar per miljon indata-token och 7,50 dollar per miljon utdata-token, landar 3.7 Flash på 0,75 respektive 3,75 dollar, ett introduktionspris som gäller till den 31 december 2026 innan det stiger till samma nivå som föregångaren.

DeepSeek V4-Pro: från förhandsversion till flaggskepp

DeepSeek V4-Pro är den större, mer kapabla systermodellen till V4 Flash som redan finns i vår genomgång av DeepSeeks officiella prishöjning. Enligt CoderSeras teknikgenomgång delar V4-Pro och V4 Flash samma kontextfönster på 1 miljon token, men V4-Pro sticker ut med ett maximalt utdatafönster på hela 384 000 token, nästan sex gånger mer än Gemini 3.7 Flash klarar i ett enda svar.

Modellen beskrivs av Kie.ai som en 1,6 biljoner parameter stor modell, byggd för kod, forskningsassistans och verktygsanvändande agenter. Till skillnad från Gemini är hela modellen släppt som öppna vikter under MIT-licens och går att ladda ner från Hugging Face, vilket öppnar för att köra V4-Pro på egen infrastruktur helt utan att skicka data till DeepSeeks servrar.

Där DeepSeek blir mer komplicerat är prissättningen. Forbes rapporterar, med hänvisning till den oberoende mätfirman Artificial Analysis, att V4-Pro-0813 kostar 1,32 dollar per miljon indata-token och 3,96 dollar per miljon utdata-token via det hostade API:et, alltså 14 gånger dyrare än bolagets billigaste modell i samma familj.

Specifikationer sida vid sida

Tabellen nedan samlar de tekniska nyckeltalen från respektive tillverkares dokumentation och oberoende granskningar.

EgenskapGemini 3.7 FlashDeepSeek V4-Pro
UtvecklareGoogle DeepMindDeepSeek AI
Lanseringsdatum (GA)13 augusti 202613 augusti 2026
Kontextfönster1 048 576 token1 000 000 token
Max utdata per svar65 536 token384 000 token
KunskapsgränsMars 2026 (vissa domäner jan 2025)Ej officiellt publicerad
Öppna vikterNej, stängd molntjänstJa, MIT-licens via Hugging Face
ParametrarEj publicerat av GoogleCirka 1,6 biljoner (enligt Kie.ai)
Indata-modaliteterText, bild, ljud, video, PDFText (multimodala detaljer ej fullt specificerade)
Utdata-modalitetEndast textEndast text
Pris indata / 1M token0,75 dollar (introduktion t.o.m. 31/12 2026)1,32 dollar
Pris utdata / 1M token3,75 dollar (stiger till 7,50 dollar 2027)3,96 dollar
RegiontillgänglighetGlobal, US och EU (inkl. Finland europe-north1)Kina-baserad serverdrift, ingen EU/US-datacenterval för API
Självhostning möjligNejJa, via nedladdade vikter

Två saker sticker ut direkt. För det första är DeepSeeks utdatafönster på 384 000 token ett rejält övertag för uppgifter som kräver långa, sammanhängande svar, som att skriva om en hel modul i en kodbas i ett enda anrop. För det andra är regiontillgängligheten den tydligaste skiljelinjen: Gemini går att köra i EU-regioner, inklusive en nordisk datacenterregion i Finland, medan DeepSeeks hostade API saknar möjlighet att välja en europeisk eller amerikansk datacenterregion.

Ingen av tillverkarna har publicerat exakta siffror för hastighetsgräns i form av förfrågningar per minut eller token per sekund för respektive modell, så den typen av kapacitetsplanering får testas mot den egna arbetsbelastningen innan produktionslansering. Det gäller särskilt DeepSeek V4-Pro, där en självhostad installation ger full kontroll över genomströmningen men samtidigt gör teamet ansvarigt för att dimensionera GPU-klustret rätt, till skillnad från en hanterad molntjänst där leverantören sköter skalningen.

Prissättning: vad kostar tokens i praktiken

API-priset är sällan hela bilden. Nedan är en jämförelse som också tar med systermodeller i respektive serie, för att visa var Gemini 3.7 Flash och DeepSeek V4-Pro faktiskt landar i sina egna produktfamiljer.

ModellIndata / 1M tokenUtdata / 1M tokenAnmärkning
Gemini 3.7 Flash0,75 dollar3,75 dollarIntroduktionspris t.o.m. 31 dec 2026
Gemini 3.6 Flash (föregångare)1,50 dollar7,50 dollarPriset Google nu halverat med 3.7
DeepSeek V4-Pro1,32 dollar3,96 dollarEnligt Artificial Analysis, via Forbes
DeepSeek V4 Flash 07310,14 dollar0,28 dollarBilligare systermodell i samma familj
Claude Opus 5 (jämförelse)5,00 dollar25,00 dollarAnthropics flaggskepp, för kontext
GPT-5.6 Sol (jämförelse)5,00 dollar30,00 dollarOpenAIs dyraste 5.6-variant

Ställer man Gemini 3.7 Flash och DeepSeek V4-Pro sida vid sida syns det att Google faktiskt landat något billigare på utdata, 3,75 mot 3,96 dollar, trots att DeepSeek marknadsfört sig som det budgetvänliga alternativet. Skillnaden krymper ytterligare om man räknar in att Googles pris är tidsbegränsat och stiger till 7,50 dollar i januari 2027. Den som vill ha lägsta möjliga kostnad över tid och kan acceptera enklare uppgifter bör snarare titta på DeepSeek V4 Flash 0731, som ligger nästan tio gånger lägre än båda flaggskeppen.

Så här ser ett enkelt API-anrop ut mot respektive modell, för den som vill testa priserna själv mot verklig arbetsbelastning:

Räkneexempel: vad kostar 10 miljoner token i månaden

Siffror i dollar per miljon token är svåra att förhålla sig till utan ett konkret exempel. Säg att ett team skickar 10 miljoner indata-token och genererar 2 miljoner utdata-token varje månad, en rimlig nivå för ett agentiskt kodningsverktyg med måttlig användning. Med Gemini 3.7 Flashs introduktionspris landar den kostnaden på 7,50 dollar för indata plus 7,50 dollar för utdata, totalt 15 dollar i månaden. Med DeepSeek V4-Pro blir samma arbetsbelastning 13,20 dollar för indata plus 7,92 dollar för utdata, totalt 21,12 dollar. Skillnaden känns marginell i den här skalan, men växer proportionerligt med volym, och blir mer kännbar för Gemini efter den 1 januari 2027 när priset fördubblas till 30 dollar för samma volym.

Ställer man samma räkneexempel mot Claude Opus 5 och GPT-5.6 Sol blir kostnadsskillnaden desto tydligare: 10 miljoner indata-token och 2 miljoner utdata-token hos Claude Opus 5 kostar 50 dollar för indata och 50 dollar för utdata, totalt 100 dollar, mer än sex gånger dyrare än båda budgetalternativen. Det är precisionen i den skillnaden, inte bara riktningen, som gör Gemini 3.7 Flash och DeepSeek V4-Pro relevanta för team som kör AI-funktioner i skala snarare än enstaka experiment.

# Gemini 3.7 Flash via Google AI Studio
curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.7-flash:generateContent" \
  -H "x-goog-api-key: $GOOGLE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"contents":[{"parts":[{"text":"Sammanfatta denna kodbas i tio punkter"}]}]}'

# DeepSeek V4-Pro via öppet API
curl "https://api.deepseek.com/v1/chat/completions" \
  -H "Authorization: Bearer $DEEPSEEK_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"deepseek-v4-pro","messages":[{"role":"user","content":"Sammanfatta denna kodbas i tio punkter"}]}'

Benchmarks: hur presterar modellerna i kodning och agentuppgifter

Ingen av tillverkarna publicerar exakt samma benchmarksvit, vilket gör en rak jämförelse svårare än den borde vara. Vi har samlat siffror från tre oberoende källor och märkt tydligt vilken modell varje mätning faktiskt jämför.

Googles egna benchmarks: 3.7 Flash mot sin föregångare

Granskningssajterna Miraflow och Apidog har publicerat identiska sviter som visar hur stort hoppet är mellan Gemini-generationerna. På DeepSWE v1.1, ett agentiskt kodningstest, går 3.7 Flash från 49,0 procent till 65,3 procent. På FrontierCode 1.1 Main stiger resultatet från 34,4 till 43,6 procent. I WebDev Arena, som mäter webbappsgenerering på Elo-skala, går modellen från 1538 till 1588 poäng. Störst är skillnaden i Terminal-Bench 3.0, ett test av kommandoradsbaserade agentuppgifter, där 3.7 Flash mer än tredubblar föregångarens resultat, från 5,4 till 14,9 procent.

På långt kontextminne, mätt med GDM-MRCR v2 (åtta-nålars återhämtning), landar 3.7 Flash på 97,0 procent jämfört med 91,8 för 3.6 Flash. Det är en stark siffra som stöder Googles påstående att modellen är byggd för att faktiskt använda sitt miljon-token-fönster, inte bara annonsera det.

Artificial Analysis och tredjepartsrankningar

Granskningssajten FelloAI, som bygger sin rankning på Artificial Analysis intelligensindex, placerar Gemini 3.7 Flash på första plats av 186 spårade modeller med ett indexvärde på 56 poäng, en placering som väger in både kapacitet och kostnad per uppgift. Samma källa noterar att DeepSeeks egen V4 Flash 0731 fick 50 poäng på samma index, sex poäng högre än den dyrare V4-Pro, vilket indikerar att V4-Pro själv landar runt 44 poäng på Artificial Analysis-skalan.

Modellspåraren LMMarketCap, som använder en egen skalning, ger både Gemini 3.7 Flash och DeepSeeks systermodell V4 Flash Vision Exp samma poäng, 40 av 100, i sin tabell uppdaterad i slutet av augusti. Att två helt olika rankningssystem ger olika resultat är själva poängen med att titta på flera källor: Artificial Analysis väger in kostnadseffektivitet tungt, medan LMMarketCap mäter rå kapacitet. Ingen av dessa index innehåller ännu officiella SWE-bench-, MMLU- eller GPQA-siffror för DeepSeek V4-Pro, vilket är en lucka värd att hålla koll på när fler oberoende granskningar publiceras under hösten.

Sammantaget pekar de tre källorna åt samma håll: Gemini 3.7 Flash har det starkare, mer väldokumenterade benchmarkresultatet just nu, särskilt på agentiska kodningsuppgifter och långt kontextminne. DeepSeek V4-Pro saknar fortfarande en lika omfattande offentlig testsvit, men kompenserar med öppna vikter som gör det möjligt för tredje part att köra sina egna oberoende tester, något som redan pågår i flera forskningsmiljöer.

Det är värt att notera varför benchmarkunderlaget skiljer sig så mycket åt. Google publicerar sina siffror direkt i modellkortet och låter granskare som Miraflow och Apidog reproducera dem inom dagar efter lansering. DeepSeek, som historiskt hållit en mer teknisk, forskningsorienterad kommunikationsstil, har i stället låtit tredjepartsfirmor som Artificial Analysis göra egna mätningar utifrån de nedladdade vikterna. Det tar helt enkelt längre tid, och resultatet är att fullständiga siffror för V4-Pro på standardiserade tester som SWE-bench, MMLU och GPQA sannolikt dyker upp i september eller oktober snarare än i samband med lanseringen.

Konkurrensläget: fler utmanare dyker upp samtidigt

Gemini 3.7 Flash och DeepSeek V4-Pro lanserades inte i ett vakuum. Samma vecka i augusti 2026 släppte Alibaba öppna vikter för Qwen3.8-Max under en egen, mer restriktiv licens än MIT, och kinesiska Zhipu AI följde upp med GLM-5.3 bara några dagar senare, den 18 augusti. Mistral AI hade redan i slutet av juli skickat ut Mistral Large 3, som i skrivande stund haft sin första hela produktionsmånad hos europeiska företagskunder.

Mönstret är tydligt för alla som följt AI-branschen under 2026: utvecklingstakten har gått från kvartalsvisa releaser till i praktiken veckovisa uppdateringar bland de stora labben. Det gör livscykeln för en enskild artikel som denna kortare än den brukade vara, men det ändrar inte grundfrågan för ett svenskt team som ska välja verktyg idag. Snarare förstärker det poängen: bind inte er arkitektur för hårt till en enskild leverantörs API, eftersom nästa generations modell kan vara utdaterad om sex månader oavsett vilken av dagens två utmanare ni väljer. Just därför är DeepSeeks öppna vikter attraktiva utöver integritetsfrågan, de garanterar att modellen finns kvar och går att köra även om företaget självt skulle ändra prissättning eller tillgänglighet i framtiden.

Öppen källkod mot stängd modell: vad det betyder i praktiken

Det här är den mest grundläggande skillnaden mellan de två modellerna, och den som avgör mest för hur ett team faktiskt bör välja. Gemini 3.7 Flash går enbart att använda via Googles API, Vertex AI eller Gemini Enterprise. Det finns ingen väg att ladda ner modellen eller köra den på egen maskinvara.

DeepSeek V4-Pro är motsatsen. Modellvikterna finns fritt tillgängliga på Hugging Face under MIT-licens, vilket innebär att vem som helst kan ladda ner, finjustera och köra modellen kommersiellt utan royalties. Det öppnar för att bygga interna verktyg som aldrig skickar en enda token till en extern server, något som är särskilt relevant för team i reglerade branscher som bank, försäkring eller offentlig sektor. Vår guide om att köra DeepSeek och Llama 4 lokalt via Ollama går igenom hur den typen av installation faktiskt går till.

Nackdelen är att självhostning av en 1,6 biljoner parameter stor modell inte är gratis i praktiken. Det kräver flera högpresterande GPU:er, oftast i klustret snarare än på en enskild maskin, och driftskostnaden i egen infrastruktur kan snabbt bli dyrare än att bara betala DeepSeeks hostade API-pris, om man inte redan har hårdvaran på plats.

Ekosystemet runt öppna vikter har dock mognat rejält under 2026. Verktyg som Ollama, vLLM och LM Studio stöder redan DeepSeeks modellformat, vilket sänker tröskeln för att gå från nedladdad modellfil till ett fungerande API på egen maskin. Den som redan har provat vår genomgång av att köra DeepSeek och Llama 4 lokalt känner igen upplägget: samma verktygskedja fungerar för V4-Pro, även om modellens storlek ställer betydligt högre krav på GPU-minne än de mindre modellerna i den guiden. För team som redan investerat i den infrastrukturen är steget till att lägga till V4-Pro som ytterligare en modellvariant relativt litet.

Dataresidens och integritet: EU, Norden och Kina-frågan

Det här är avsnittet svenska IT-avdelningar bör läsa två gånger. Enligt en granskning från Layer3 Labs skickas all data som skickas till DeepSeeks hostade API till servrar i Kina, utan möjlighet att välja en amerikansk eller europeisk datacenterregion. DeepSeeks egen integritetspolicy bekräftar att användardata, inklusive promptar och uppladdat innehåll, lagras på servrar i Folkrepubliken Kina.

Det har fått konkreta konsekvenser. Enligt en sammanställning från Infomly har flera länder infört restriktioner mot DeepSeek på statliga enheter, däribland USA (federala myndigheter och flera delstater), Sydkorea, Australien, Taiwan och Indien, medan EU och Kanada beskrivs som under granskning. AP News har tidigare rapporterat att forskare kopplat DeepSeeks chattbot till statliga telekomaktörer i Kina, vilket ytterligare skärpt tonen i debatten. Läs mer i AP News genomgång av säkerhetsfrågorna.

Gemini 3.7 Flash har ett tydligare svar på GDPR-frågan. Enligt Googles egen dokumentation för Gemini Enterprise Agent Platform är modellen generellt tillgänglig i regionerna global, us och eu, med europeiska datacenterendpoints som inkluderar Finland (europe-north1) och Warszawa (europe-central2). Det innebär att ett svenskt företag kan begränsa var data faktiskt bearbetas på ett sätt som inte är möjligt med DeepSeeks hostade tjänst.

Viktigt att skilja på: den regulatoriska oron gäller DeepSeeks hostade API, inte nödvändigtvis de öppna vikterna. Ett team som laddar ner V4-Pro och kör den på egen infrastruktur i till exempel en svensk eller finsk datahall undviker Kina-frågan helt, eftersom ingen data någonsin lämnar den egna miljön. Det är en av de starkaste anledningarna att öppen källkod väger tungt i den här jämförelsen, trots regionfrågan kring det hostade alternativet.

För en svensk organisation som redan är van vid att göra en DPIA (dataskyddskonsekvensbedömning) inför nya molntjänster blir slutsatsen relativt rak: DeepSeeks hostade API bör hanteras på samma sätt som vilken annan tjänst med tredjelandsöverföring som helst, med de extra skyddsåtgärder GDPR kräver för överföring till länder utan adekvansbeslut. Gemini 3.7 Flash, körd via ett EU-regionval, förenklar den bedömningen avsevärt eftersom databehandlingen kan hållas inom unionen från start.

Verkliga användningsfall: så används modellerna redan idag

  • Interna kodassistenter via Gemini Enterprise. Företag som redan kör Vertex AI använder 3.7 Flash som backend för kodgranskning och automatiska pull request-kommentarer, med stöd för verktygsanrop och filsökning inbyggt i plattformen.
  • Dokumentgranskning inom juridik och finans. Gemini 3.7 Flashs starka resultat på GDP.pdf och det juridiska testet Harvey LAB-AA, där modellen når 90,7 procent, gör den attraktiv för att läsa långa avtal, årsredovisningar och regulatoriska dokument.
  • Arbetsflödesautomation i SaaS-plattformar. AutomationBench-resultaten visar hur 3.7 Flash klarar flerstegsuppgifter som att orkestrera verktyg, köra kommandon och interagera med gränssnitt, vilket redan syns i flera agentbyggande plattformar som lagt till modellen som standardval.
  • Självhostade kodassistenter på DeepSeek V4-Pro. Team som vill undvika API-beroende bygger interna Copilot-liknande verktyg direkt på de nedladdade MIT-vikterna, ofta integrerade med befintliga CI/CD-pipelines utan någon extern nätverkstrafik.
  • Öppen källkods-agentramverk. Flera community-drivna agentprojekt har redan bytt standardmotor till V4-Pro just för att kunna distribuera hela lösningen, inklusive modellen, som en självständig, licensfri produkt.
  • Forskning kring långsiktiga kodagenter. Universitet och forskningslabb använder de öppna V4-Pro-vikterna för att studera hur modeller planerar och exekverar flerstegs kodningsuppgifter, något som är svårt att göra reproducerbart med en stängd modell där vikterna kan bytas ut utan förvarning.
  • Långvideo- och dokumentanalys. Gemini 3.7 Flashs stöd för video som indata används redan för att sammanfatta timslånga inspelningar, till exempel styrelsemöten eller kundsupportsamtal, vilket inte är en funktion DeepSeek V4-Pro erbjuder i sin nuvarande form.

Verktygsstöd och integration i befintliga pipelines

Ingen av modellerna används isolerat i praktiken, de flesta team kopplar in dem via ramverk som LangChain, LlamaIndex eller egna orkestreringslager. Här skiljer sig upplevelsen åt på ett sätt som sällan syns i en ren specifikationstabell.

Gemini 3.7 Flash nås via Googles Gemini API, med SDK:er för Python, Node.js, Go och Java som uppdaterats samma dag som modellen släpptes. Integrationen med Vertex AI och Gemini Enterprise Agent Platform gör att funktioner som kodkörning, filsökning och funktionsanrop följer med utan extra konfiguration, vilket är en stor fördel för team som redan står på Google Cloud.

DeepSeek V4-Pro exponerar ett API som är kompatibelt med OpenAIs format i grunden, vilket gör att de flesta befintliga integrationer bara kräver att man byter bas-URL och modellnamn. Skillnaden märks först när man vill använda mer avancerade funktioner som strukturerad verktygsanvändning, där vissa parameternamn och svarsformat avviker något från OpenAIs standard och kräver en anpassningsomgång innan allt fungerar som väntat. För självhostade installationer tillkommer dessutom ett eget lager av komplexitet: att sätta upp en OpenAI-kompatibel proxy framför den lokalt körda modellen, något verktyg som vLLM löser relativt smärtfritt.

För team som redan använder agentramverk med inbyggd modellrouting, som LiteLLM eller egna wrapperbibliotek, är bytet mellan de två i regel en fråga om konfiguration snarare än kodomskrivning. Det gör det praktiskt möjligt att låta samma applikation testa båda modellerna mot verklig trafik under en period, jämföra kostnad och kvalitet i skarpt läge, och sedan fatta ett datadrivet beslut istället för att lita blint på benchmarksiffror som redan kan vara några veckor gamla när ni läser dem.

Vilken modell passar vilket användningsfall

Baserat på specifikationerna, priserna och regelläget ovan, här är våra konkreta rekommendationer beroende på situation.

  • EU-baserade team med dataresidens-krav: Gemini 3.7 Flash, tack vare regionval i EU och Norden.
  • Team som vill äga sin infrastruktur helt: DeepSeek V4-Pro, körd självhostad via de öppna MIT-vikterna.
  • Uppgifter med mycket långa, sammanhängande svar (stora refaktoreringar, hela rapporter): DeepSeek V4-Pro, tack vare 384 000 tokens utdatagräns mot Geminis 65 536.
  • Juridik-, finans- och dokumenttunga arbetsflöden: Gemini 3.7 Flash, med stöd för PDF-läsning och starka resultat på Harvey LAB-AA.
  • Reglerad eller känslig data (patientjournaler, personuppgifter enligt GDPR, NIS2-klassad infrastruktur): undvik DeepSeeks hostade API helt, välj antingen Gemini eller en självhostad DeepSeek-installation.
  • Kostnadskänsliga startups som experimenterar just nu: Gemini 3.7 Flash under introduktionsperioden, eller DeepSeek V4 Flash 0731 om uppgifterna inte kräver flaggskeppsnivå.
  • Video- och ljudtunga arbetsflöden: Gemini 3.7 Flash, eftersom DeepSeek V4-Pro i nuläget saknar dokumenterat stöd för video och ljud som indata.

Migrationsguide: byta modell utan att bryta pipelinen

Att byta huvudmodell i en produktionsmiljö är sällan så enkelt som att ändra en modellsträng. Så här går du tillväga oavsett vilket håll du migrerar.

Från Gemini 3.6 Flash till 3.7 Flash

  • Uppdatera modellidentifieraren i dina API-anrop och testa mot en delmängd av produktionstrafiken innan full utrullning.
  • Kör om din promptsvit mot både 3.6 och 3.7 Flash parallellt i minst en vecka för att fånga eventuella regressions i tonalitet eller formatering.
  • Justera eventuella hårdkodade gränser för utdatalängd, då 65 536 token är samma tak som tidigare men vissa team har byggt runt lägre standardvärden.
  • Bekräfta vilken region dina anrop faktiskt routas genom, särskilt om du behöver EU-baserad bearbetning för GDPR-efterlevnad.

Till DeepSeek V4-Pro, hostad eller självhostad

  • Bestäm om du kör mot DeepSeeks hostade API (snabbast att komma igång) eller laddar ner vikterna för självhostning (krävs för reglerad data).
  • Om du väljer självhostning, budgetera för minst flera GPU-noder med tillräckligt VRAM för en 1,6 biljoner parameter-modell, oftast i ett kluster snarare än en enskild server.
  • Skriv om eventuella integrationer som förlitar sig på OpenAI-kompatibla API-fält, DeepSeeks API är kompatibelt i grunden men vissa parametrar för verktygsanrop skiljer sig åt.
  • Kör en juridisk genomgång av MIT-licensen mot era interna policyer för öppen källkod innan modellen används i kundvänd produktion.
  • Om ni tidigare skickat känslig data till en hostad tjänst, dokumentera att självhostningen faktiskt stänger av all extern nätverkstrafik, det är den punkt en revisor kommer fråga om först.

Oavsett vilket håll ni migrerar, undvik att byta modell för hela produktionstrafiken på en gång. Lägg upp en gradvis utrullning, börja med intern testning, gå vidare till en liten andel riktig trafik och mät felfrekvens, svarstid och användarnöjdhet innan ni skalar upp. De flesta problem som uppstår vid modellbyten handlar inte om att den nya modellen presterar sämre rent tekniskt, utan om att prompttexter som var finjusterade för en specifik modells kvirkar plötsligt ger sämre resultat i en annan.

Fördelar och nackdelar

Gemini 3.7 Flash

Fördelar: Starkare, bredare dokumenterade benchmarkresultat. EU- och Nordenregion tillgänglig direkt. Stöd för bild, ljud, video och PDF som indata. Halverat pris jämfört med föregångaren, åtminstone fram till årsskiftet 2026/2027.

Nackdelar: Ingen möjlighet till självhostning. Max utdata på 65 536 token kan bli en begränsning vid mycket stora sammanhängande uppgifter. Introduktionspriset dubbleras i januari 2027, vilket kan komma som en överraskning för team som inte planerar för det.

DeepSeek V4-Pro

Fördelar: Öppna vikter under MIT-licens möjliggör full kontroll och självhostning. Betydligt större utdatafönster på 384 000 token. Konkurrenskraftigt pris även utan att räkna in möjligheten till gratis egen drift.

Nackdelar: Hostat API saknar EU- eller USA-datacenterval, med data som går till Kina-baserade servrar. Flera länder har redan infört restriktioner mot tjänsten på statliga enheter. Betydligt tunnare offentligt benchmarkunderlag än Gemini, vilket gör kapaciteten svårare att verifiera oberoende.

Så jämför de sig med GPT-5.6 och Claude Opus 5

Det är lätt att glömma att Gemini 3.7 Flash och DeepSeek V4-Pro båda tävlar i budgetsegmentet, inte flaggskeppsklassen. Som vår genomgång av GPT-5.6 mot Claude Opus 5 visade, når Claude Opus 5 hela 96,0 procent på SWE-bench Verified, långt över någon Flash- eller budgetmodell. Skillnaden är priset: Claude Opus 5 kostar 5 dollar per miljon indata-token och 25 dollar per miljon utdata-token, mer än sex gånger dyrare i utdata än både Gemini 3.7 Flash och DeepSeek V4-Pro.

För team som redan jämför mot Kinas öppna AI-ekosystem är det värt att också läsa vår genomgång av Qwen3.8-27B mot Claude Opus 4.6 och vår bredare artikel om öppen källkods-AI som slår stängda alternativ. Mönstret är konsekvent: kinesiska labb, DeepSeek inkluderat, konkurrerar allt oftare på ren kapacitet, men datasuveränitetsfrågan följer med som en fast kostnad som inte syns i prislistan.

Det finns också ett mellanläge många team missar: att använda flaggskeppsmodellerna för de svåraste 10-20 procenten av uppgifterna, och låta Gemini 3.7 Flash eller DeepSeek V4-Pro hantera resten. En router som skickar enkla kodningsfrågor till budgetmodellen och eskalerar komplexa arkitekturbeslut till Claude Opus 5 eller GPT-5.6 Sol ger i praktiken det bästa av två världar: låg kostnad för volym, hög kapacitet där det verkligen behövs. Det är precis den typen av modellval vår tidigare artikel om GPT-5 mot Claude Sonnet 5 också landade i, och mönstret håller i sig även med augustis nya modellgeneration.

Slutsats: vilken modell vinner hösten 2026

Det finns inget entydigt svar, men datan pekar ganska tydligt åt olika håll beroende på vad som väger tyngst för ditt team. Gemini 3.7 Flash har det starkare offentliga benchmarkunderlaget, ett lägre pris på utdata (3,75 mot 3,96 dollar per miljon token) och en tydlig väg till EU-baserad databehandling, inklusive en nordisk region i Finland. För de flesta svenska företag som behöver en snabb, molnbaserad modell med GDPR-vänlig regiontillhörighet är det det enklare valet.

DeepSeek V4-Pro vinner däremot på flexibilitet. Sex gånger större utdatafönster, öppna vikter under en av de mest tillåtande licenserna som finns, och möjligheten att helt eliminera Kina-frågan genom att köra modellen på egen infrastruktur. Den vägen kräver mer teknisk investering upfront, men ger i gengäld ett oberoende ingen hostad tjänst, oavsett tillverkare, kan matcha.

Vår rekommendation: välj Gemini 3.7 Flash som standardval för molnbaserade arbetsflöden med europeiska datakrav, och håll DeepSeek V4-Pro i bakfickan för de tillfällen då du antingen behöver extremt långa utdatasvar eller vill äga hela stacken själv.

Det som talar starkast för att inte se det här som ett permanent val är hastigheten i branschen just nu. Nio distinkta modellsläpp registrerades bara under augusti 2026 från sex olika labb, enligt spårningssajten Capital & Compute, vilket betyder att både Gemini 3.7 Flash och DeepSeek V4-Pro sannolikt har efterföljare inom några månader. Bygg er arkitektur så att modellvalet går att byta ut utan att skriva om hela applikationen, oavsett vilken av de två ni landar i idag.

Vanliga frågor

Är Gemini 3.7 Flash billigare än DeepSeek V4-Pro?
Ja, marginellt på utdata (3,75 mot 3,96 dollar per miljon token) under introduktionsperioden som gäller till den 31 december 2026. Efter det stiger Geminis pris till 7,50 dollar, vilket gör DeepSeek billigare på lång sikt om inget nytt pris annonseras.

Kan jag köra DeepSeek V4-Pro i Sverige utan att skicka data till Kina?
Ja, men bara om du laddar ner de öppna vikterna från Hugging Face och kör modellen på egen eller molnhyrd infrastruktur inom EU. DeepSeeks hostade API skickar all trafik till servrar i Kina, utan regionval.

Är Gemini 3.7 Flash öppen källkod?
Nej. Modellen är enbart tillgänglig via Googles egna API:er, Vertex AI och Gemini Enterprise. Det finns ingen nedladdningsbar version.

Vilken modell har längst kontextfönster?
Gemini 3.7 Flash har ett marginellt större kontextfönster, 1 048 576 mot 1 000 000 token. Skillnaden är i praktiken försumbar, men DeepSeek V4-Pro drar istället ifrån på maximal utdatalängd med 384 000 mot 65 536 token.

Har DeepSeek förbjudits i EU?
Inte helt, men flera länder har infört restriktioner på statliga enheter, och Nederländernas dataskyddsmyndighet har inlett en granskning. EU som helhet beskrivs som under granskning snarare än att ha infört ett fullständigt förbud, enligt de källor vi granskat.

Vilken modell presterar bäst på kodning?
Gemini 3.7 Flash har det mest omfattande offentliga underlaget, med tydliga förbättringar mot föregångaren på DeepSWE v1.1 (65,3 procent) och FrontierCode 1.1 (43,6 procent). DeepSeek V4-Pro saknar ännu lika detaljerade offentliga siffror på samma testsviter, vilket gör en helt rak jämförelse svår just nu.

Kan jag använda båda modellerna i samma applikation?
Ja, många team routar mellan modeller beroende på uppgift, till exempel Gemini för dokumentanalys och DeepSeek för långa kodgenereringsuppgifter. Båda har OpenAI-liknande API-format som gör routing relativt enkel att implementera.

Vad händer med priset när introduktionsperioden tar slut?
Gemini 3.7 Flash stiger till 1,50 dollar indata och 7,50 dollar utdata per miljon token från den 1 januari 2027. DeepSeek har inte annonserat något motsvarande tidsbegränsat pris för V4-Pro, men bolaget har historiskt sänkt priser snarare än höjt dem under 2026.

Behöver jag GPU:er för att testa DeepSeek V4-Pro själv?
Inte om ni bara vill testa modellen mot det hostade API:et, då räcker en vanlig API-nyckel precis som med Gemini. GPU-kraft blir bara nödvändig om ni väljer att köra de nedladdade vikterna på egen infrastruktur, vilket är den enda vägen att undvika Kina-baserad datalagring helt.

Är DeepSeek V4-Pro bättre än Qwen3.8-Max eller GLM-5.3?
Det går inte att svara säkert ännu. Qwen3.8-Max fick sina öppna vikter publicerade samma vecka som V4-Pro, och GLM-5.3 följde bara några dagar senare, vilket betyder att oberoende jämförelser mellan alla tre kinesiska modellerna fortfarande är under uppbyggnad i granskningssamhället.

Relaterad läsning