Sind die DeepSeek V3-Gewichte offen und kann ich es lokal ausführen?

Ja, die Gewichte sind öffentlich auf Hugging Face im deepseek-ai/DeepSeek-V3-Repository verfügbar. Beachte, dass das volle Modell 685B Parameter hat, daher erfordert der lokale Betrieb erhebliche GPU-Infrastruktur.

Was kostet DeepSeek V3 und wie groß ist das Kontextfenster?

Per API kostet es $0,32 pro Million Eingabetokens und $0,89 pro Million Ausgabetokens, mit einem Kontextfenster von 163.840 Tokens.

Worin unterscheidet sich DeepSeek V3 von DeepSeek R1?

V3 ist ein allgemeines Instruktionsmodell; R1 ist DeepSeeks dediziertes Denkmodell mit langer Chain-of-Thought. V3 erhielt einige von R1s Denkmustern durch Destillation, was es stärker im Denken macht als frühere V-Modelle, ohne den ausführlichen CoT-Ausgabestil von R1.

DeepSeek V3

3886°

#llm #deepseek #programmieren #logik #schreiben #lokal

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

DeepSeek | 163,840 token context | $0.26/M input, $1.03/M output. DeepSeek-V3 is the latest model from the DeepSeek team, building upon the instruction following and coding abilities of the previous versions. Pre-trained on nearly 15 trillion tokens, the reported evaluations reveal that the model outperforms other open-source models and rivals leading closed-source models. For model details, please visit the DeepSeek-V3 repoOpens in new tab for more information, or see the launch announcementOpens in new tab.

Anleitungen zu diesem Modell

Die 10 günstigsten ChatGPT-Alternativen 2026: kostenlose lokale Modelle, Gratis-Stufen und Flatrate-Tarife

Beste lokale LLM nach Anwendungsfall (Oktober 2026): Das richtige offene Modell für jede Aufgabe

Wie viel VRAM brauche ich eigentlich für lokale KI?

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

DeepSeek V3 ist ein 671B Mixture-of-Experts-Modell von DeepSeek, bei dem pro Token nur 37B Parameter aktiv sind, was den Betrieb deutlich günstiger macht als die Gesamtgröße vermuten lässt. Es wurde auf 14,8 Billionen Tokens trainiert und erhielt Denkfähigkeiten durch Destillation vom DeepSeek R1, wodurch es seine Leistung deutlich über die meisten Open-Weights-Konkurrenten hebt. Mit unter einem Dollar pro Million Ausgabetokens via API eignet es sich für Entwickler und Forscher, die Frontier-Klasse-Ausgaben ohne Frontier-Kosten wollen.

Bekannt für

Starke Programmier- und Instruktionsbefolgung, verfeinert über mehrere DeepSeek-Generationen
Denkfähigkeit durch Destillation von DeepSeek R1s Chain-of-Thought verbessert
671B Gesamtparameter, nur 37B aktiv pro Token dank MoE-Architektur
Offene Gewichte auf Hugging Face für Self-Hosting verfügbar
Ungewöhnlich niedriger API-Preis für ein Modell dieser Leistungsklasse

Achte auf

685B Gewichte auf Hugging Face: Self-Hosting erfordert ernsthafte Hardware, kein Consumer-GPU-Setup.
DeepSeek hat keine Standard-Open-Source-Lizenz veröffentlicht; prüfe die Repo-Bedingungen vor kommerzieller Nutzung.
Kontextfenster via API beträgt 163.840 Tokens; die Modellkarte nennt 128K für die herunterladbaren Gewichte.

Am besten für

Prompts zum Ausprobieren

Refaktoriere eine unübersichtliche Funktion

Hier ist eine Python-Funktion, die funktioniert, aber schwer lesbar ist und keine Fehlerbehandlung hat. Refaktoriere sie für Klarheit, füge Typannotationen hinzu, behandle offensichtliche Fehlerfälle und erkläre jede Änderung. def proc(d, k, v): d[k] = v return d[k] * 2 if d[k] > 10 else d[k]

Logikrätsel durchdenken

Fünf Personen besitzen jeweils ein anderes Haustier und trinken ein anderes Getränk. Alice besitzt nicht die Katze. Die Person, die Tee trinkt, besitzt den Hund. Bob trinkt Kaffee. Carol besitzt den Fisch. Die Person, die Wasser trinkt, sitzt neben der Person, die die Schlange besitzt. Dave trinkt Saft. Wem gehört die Schlange und wie hast du das herausgefunden?

Technisches Argument kritisieren

Ein Kollege argumentiert: 'Wir sollten für neue Projekte immer eine NoSQL-Datenbank verwenden, weil SQL-Datenbanken nicht skalieren.' Schreibe eine strukturierte Kritik dieser Behauptung. Identifiziere, was richtig, was falsch ist, welcher Kontext fehlt und welche Fragen du stellen würdest, bevor du eine Datenbank wählst.

Vergleichen mit

DeepSeek V4.1 Flash
Modell mit offenen Gewichten
1,048,576 Token Kontext · $0.04/M Eingabe, $0.68/M Ausgabe
DeepSeek V4 Flash 0731
Modell mit offenen Gewichten
1,048,576 Token Kontext · $0.01/M Eingabe, $1.28/M Ausgabe
DeepSeek V4 Flash 0423
Modell mit offenen Gewichten
1,048,576 Token Kontext · $0.09/M Eingabe, $0.18/M Ausgabe
DeepSeek V4 Pro 0813
Modell mit offenen Gewichten
1,048,576 Token Kontext · $1.32/M Eingabe, $3.96/M Ausgabe

Mehr Textmodelle von deepseek

Häufig gestellte Fragen

Sind die DeepSeek V3-Gewichte offen und kann ich es lokal ausführen?: Ja, die Gewichte sind öffentlich auf Hugging Face im deepseek-ai/DeepSeek-V3-Repository verfügbar. Beachte, dass das volle Modell 685B Parameter hat, daher erfordert der lokale Betrieb erhebliche GPU-Infrastruktur.
Was kostet DeepSeek V3 und wie groß ist das Kontextfenster?: Per API kostet es $0,32 pro Million Eingabetokens und $0,89 pro Million Ausgabetokens, mit einem Kontextfenster von 163.840 Tokens.
Worin unterscheidet sich DeepSeek V3 von DeepSeek R1?: V3 ist ein allgemeines Instruktionsmodell; R1 ist DeepSeeks dediziertes Denkmodell mit langer Chain-of-Thought. V3 erhielt einige von R1s Denkmustern durch Destillation, was es stärker im Denken macht als frühere V-Modelle, ohne den ausführlichen CoT-Ausgabestil von R1.

Captain's Urteil
Der kosteneffektivste Weg, heute nahezu Frontier-Textqualität zu erhalten, vorausgesetzt, du kannst mit DeepSeeks Lizenzbedingungen leben.

Model Card auf Hugging Face

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

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

Not this creator?

Get your own badge

Wie sich dieser Wert zusammensetzt

Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Ähnliche Modelle

Llama 3.2 90B Vision Instruct

KI-Modelle für Bild-, Video- und Texterzeugung

DeepSeek V3 ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm deepseek programmieren logik schreiben lokal budget

Nach Modellfamilie stöbern