Les poids sont-ils ouverts et puis-je exécuter DeepSeek V4 Pro localement ?

Oui, les poids sont publiés sur Hugging Face sous deepseek-ai/DeepSeek-V4-Pro. L'exécuter localement demande un matériel sérieux vu les 1,6T paramètres, donc la plupart utiliseront l'API sauf s'ils disposent d'une configuration multi-GPU importante.

Quel est le coût de DeepSeek V4 Pro et quelle est la limite de contexte ?

Via API, c'est 0,44 $ par million de tokens en entrée et 0,87 $ par million en sortie, avec une fenêtre de contexte d'un million de tokens.

En quoi DeepSeek V4 Pro diffère-t-il de DeepSeek V4 Flash ?

Ils partagent la même architecture d'attention hybride et la fenêtre d'un million de tokens, mais Pro a 1,6T paramètres totaux (49B activés) contre 284B totaux (13B activés) pour Flash. DeepSeek indique que Flash-Max peut approcher le niveau Pro avec un budget de réflexion plus grand, mais Pro reste supérieur sur les tâches de connaissance pure et les workflows agentiques les plus complexes.

▲

22.7%

cette semaine

DeepSeek V4 Pro 0423

8953°

#llm #deepseek #raisonnement #programmation #agents #contexte long

Fonctionne sur Graydient

Lancer ce modèle

Offres / Pub

Easy Creator (Prism) Web

Illimité · forfait fixe

Idéal pour les débutants. Flux de travail puissants, courbe d'apprentissage faible.

PirateDiffusion Telegram

Illimité · forfait fixe

Créez des vidéos, images, personnages de chat personnalisés, et plus encore.

Pro studio (SpyGlass) Web

Illimité · forfait fixe

Parcourez les modèles, générez et affinez depuis n'importe quel navigateur ou téléphone.

Discord bot (Vector)

Illimité · forfait fixe

Ajoutez Vector à votre serveur ou rejoignez le Discord de Vector. Créez tout ce que vous voulez !

Unified Editor Web

Illimité · forfait fixe

Éditeur pour images et vidéos : générez, modifiez, améliorez et plus encore sur une seule page.

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

Applications locales

Nécessite une configuration

Installe des programmes locaux si ton ordinateur est assez puissant.

ModelDuel Web

Paiement à l'usage

Génère la même invite sur jusqu'à 50 modèles checkpoint/base en même temps.

Louer un GPU dans le cloud

Graydient Cloud GPU

Illimité · forfait fixe

Forfait fixe, usage illimité. Ce modèle s’installe en un clic.

RunPod Cloud GPU

Facturé à la minute

Louez un GPU à la minute et installez le modèle vous-même.

Guides pour ce modèle

Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Poids ouverts vs open source vs API uniquement : ce que tu peux vraiment faire

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

DeepSeek | 1,048,576 token context | $0.96/M input, $1.91/M output. DeepSeek V4 Pro is a large-scale Mixture-of-Experts model from DeepSeek with 1.6T total parameters and 49B activated parameters, supporting a 1M-token context window. It is designed for advanced reasoning, coding, and long-horizon agent workflows, with strong performance across knowledge, math, and software engineering benchmarks. Built on the same architecture as DeepSeek V4 Flash, it introduces a hybrid attention system for efficient long-context processing. Reasoning efforts high and xhigh are supported; xhigh maps to max reasoning. It is well suited for complex workloads such as full-codebase analysis, multi-step automation, and large-scale information synthesis, where both capability and efficiency are critical

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

DeepSeek V4 Pro est un modèle Mixture-of-Experts de 1,6T paramètres de DeepSeek, avec 49 milliards de paramètres activés par token et une fenêtre de contexte d'un million de tokens. Son système d'attention hybride réduit drastiquement le coût de calcul sur de longs contextes par rapport à son prédécesseur, ce qui le rend pratique pour l'analyse complète de bases de code et les workflows agentiques multi-étapes. Les poids sont ouverts ; si vous pouvez l'exécuter, vous n'êtes pas lié à une API.

Connu pour

Fenêtre de contexte d'un million de tokens avec un système d'attention hybride qui maintient les coûts d'inférence raisonnables
Performant en programmation, mathématiques, connaissances et benchmarks agentiques au niveau poids ouverts
Effort de raisonnement ajustable, jusqu'à très élevé pour une profondeur de réflexion maximale
1,6T paramètres au total, 49B activés — une échelle de pointe sans activer tout à chaque token
Poids ouverts disponibles sur Hugging Face pour déploiement autonome

Attention à

1,6T paramètres au total implique des exigences matérielles sérieuses pour une exécution locale ; la plupart des utilisateurs passeront par l'API.
Les tokens de sortie coûtent deux fois plus cher que les tokens d'entrée — les longues chaînes de raisonnement s'additionnent plus vite que prévu.
La fiche technique décrit ce modèle comme une version preview ; à prendre en compte pour un usage en production.

Idéal pour

Programmation

Agents et utilisation d'outils

Raisonnement

Contexte long

Fonctionne localement

Prompts à essayer

Audit complet de base de code

Je colle ci-dessous une grande base de code Python. Identifiez chaque fonction qui modifie l'état global, signalez celles qui le font sans sécurité thread, et proposez un refactoring pour les trois plus risquées. Expliquez votre raisonnement pour chaque classement de risque. [collez le code]

Plan d'agent multi-étapes

Vous planifiez un pipeline automatisé pour surveiller un dépôt GitHub public, résumer quotidiennement les nouvelles pull requests, les classer par type (correction de bug, fonctionnalité, documentation, refactorisation), et publier un digest dans un canal Slack. Listez chaque étape, les outils ou API nécessaires, les modes de défaillance à gérer, et l'ordre d'implémentation.

Preuve mathématique difficile

Prouvez que pour tout nombre premier p supérieur à 3, p au carré moins 1 est toujours divisible par 24. Montrez chaque étape de la preuve clairement, énoncez les lemmes utilisés, puis vérifiez le résultat avec trois exemples concrets.

Comparer avec

DeepSeek V4.1 Flash
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $0.04/M, sortie $0.68/M
DeepSeek V4 Flash 0731
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $0.01/M, sortie $1.28/M
DeepSeek V4 Flash 0423
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $0.09/M, sortie $0.18/M
DeepSeek V4 Pro 0813
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $1.32/M, sortie $3.96/M

Plus de modèles de texte de deepseek

Questions fréquentes

Les poids sont-ils ouverts et puis-je exécuter DeepSeek V4 Pro localement ?: Oui, les poids sont publiés sur Hugging Face sous deepseek-ai/DeepSeek-V4-Pro. L'exécuter localement demande un matériel sérieux vu les 1,6T paramètres, donc la plupart utiliseront l'API sauf s'ils disposent d'une configuration multi-GPU importante.
Quel est le coût de DeepSeek V4 Pro et quelle est la limite de contexte ?: Via API, c'est 0,44 $ par million de tokens en entrée et 0,87 $ par million en sortie, avec une fenêtre de contexte d'un million de tokens.
En quoi DeepSeek V4 Pro diffère-t-il de DeepSeek V4 Flash ?: Ils partagent la même architecture d'attention hybride et la fenêtre d'un million de tokens, mais Pro a 1,6T paramètres totaux (49B activés) contre 284B totaux (13B activés) pour Flash. DeepSeek indique que Flash-Max peut approcher le niveau Pro avec un budget de réflexion plus grand, mais Pro reste supérieur sur les tâches de connaissance pure et les workflows agentiques les plus complexes.

Verdict du capitaine
Le modèle à poids ouverts le plus performant publié par DeepSeek — si vous pouvez lui fournir assez de contexte, il mérite sa place.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: #32 Hottest Text / LLM model · #32 Hottest Text / LLM text model

Not this creator?

Get your own badge

Tendance de popularité de DeepSeek V4 Pro 0423

Score de chaleur depuis 24 Apr 2026

Score de popularité

8,953°

Cette semaine

▲

22.7%

8,925° alors, 8,953° maintenant

Ce mois-ci

▲

157%

8,827° alors, 8,953° maintenant

L'année passée

n/a

Pas encore publié/suivi

7,000°

Plancher

L’échelle va de 0° à 9 999°. Tout ce qui est en dessous de 7,000° est réservé aux modèles dont aucune source ne rapporte encore de données, ils portent un nombre de remplacement pour que les listes restent complètes. 7,000° est le point où les données mesurées commencent : un modèle avec de vraies données mais presque aucun téléchargement est au plancher, et les mesures remplissent les degrés au-dessus. Le plancher ne dit rien sur le modèle ; seuls les degrés au-dessus le font, et ce sont eux qui différencient un modèle d’un autre.

+1,654°

Tokens OpenRouter

3,257,945,734,845 tokens traités par ce modèle via OpenRouter au cours des 30 derniers jours, prompts et réponses confondus. Chaque 10,000,000 tokens compte comme un téléchargement dans le terme de téléchargement, 325,794 au total ; les tokens du dernier jour s'ajoutent au taux d'adoption. Source : OpenRouter (openrouter.ai/rankings).

+299°

Taux d’adoption

Environ 9,616 téléchargements par jour, mesurés entre deux relevés des sources, jamais estimés à partir d’une moyenne sur la durée. La vitesse compte pour un quart du terme téléchargement, donc une poussée récente apparaît sans qu’un pic d’un jour dépasse des années d’usage.

Afficher le détail

Chaque chiffre sur ce site peut être vérifié. Le score de popularité de ce modèle est de 8,953°, et voici comment il est construit, ingrédient par ingrédient, avec le total cumulé après chaque étape : le plancher, les degrés ajoutés par chaque source, le bonus pour le type de modèle et ce que l’âge de ses poids enlève. Les couleurs correspondent aux bandes du graphique ci-dessus. Le glossaire à la fin définit chaque terme.

1
Commence au plancher.
Pourquoi 7,000° et pas zéro : l’échelle va de 0° à 9 999°, et la partie en dessous de 7,000° est réservée aux modèles dont aucune source ne rapporte encore de données, qui portent un nombre de remplacement pour que les listes restent complètes et ne dépassent jamais un modèle avec données. 7,000° est le point où les données mesurées commencent. Un modèle avec de vraies données mais presque aucun téléchargement est ici ; tout ce qui suit est une mesure, et l’espace au-dessus du plancher contient dix paliers de dix fois plus de téléchargements à 300° chacun. Le plancher est le même pour tous les modèles, donc il ne décide rien ; ce sont les degrés au-dessus qui le font.
7,000°
total en cours
2
Ajoute les téléchargements.
325,794 équivalents de téléchargement au total, venant de Tokens OpenRouter. Multiplier les téléchargements par dix ajoute le même 300°, donc la taille compte mais ne domine jamais le score.
+1,654°
8,654°
total en cours
3
Ajoute le taux d’adoption.
Environ 9,616 téléchargements par jour en ce moment, mesurés entre deux relevés, à un quart du poids.
+299°
8,953°
total en cours
=
Le score de chaleur.
La place de ce modèle dans chaque liste de ce site. Rien d’autre ne le modifie.
8,953°

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Voici comment la popularité de ce modèle a évolué par rapport au reste du catalogue : sa croissance en téléchargements, likes et utilisation à chaque période, comparée à la croissance typique des modèles sur la même période, avec son score de chaleur à ce moment-là. Au-dessus de la croissance typique, c’est une hausse, en dessous, une baisse. Le passé est reconstitué à partir des totaux d’aujourd’hui, du premier jour du modèle et de sa vitesse de téléchargement mesurée quand il y a deux relevés ; un modèle qui n’existait pas au début d’une période affiche n/a.

Modèles similaires

Modèles d'IA pour générer image, vidéo et texte

DeepSeek V4 Pro 0423 est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM, consultez son score de chaleur pour suivre sa tendance et ouvrez-le sur PirateDiffusion ou BitVector pour l'essayer.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm deepseek raisonnement programmation agents contexte long local

Parcourir par famille de modèles