DeepSeek V4 Flash 0423
9192°
<deepseek-v4-flash>
Apps, die ModelTrends-Tags unterstützen, ermöglichen es dir, Modelle auszuführen/zu installieren, indem du diesen Code einfach in deinen Prompt kopierst – ganz ohne Einrichtung. Achte auf unser Symbol in unterstützten Apps wie Prism (siehe unten).
Modell ausführen
Angebote / Werbung
Easy Creator (Prism) Web
Unbegrenzt · Pauschalpreis
Am besten für Anfänger. Leistungsstarke Workflows, geringe Lernkurve.
PirateDiffusion Telegram
Unbegrenzt · Pauschalpreis
Erstelle Videos, Bilder, individuelle Chat-Personas und mehr.
Pro studio (SpyGlass) Web
Unbegrenzt · Pauschalpreis
Durchsuche Modelle, rendere und verfeinere von jedem Browser oder Handy aus.
Discord bot (Vector)
Unbegrenzt · Pauschalpreis
Füge Vector zu deinem Server hinzu oder tritt dem Vector Discord bei. Erschaffe alles!
Unified Editor Web
Unbegrenzt · Pauschalpreis
Editor für Bilder und Videos: rendern, bearbeiten, hochskalieren und mehr auf einer Seite.
OpenRouter Terminal / API
Bezahlung pro Token
Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.
Lokale Apps
Einrichtung erforderlich
Richte lokale Programme ein, wenn dein Computer leistungsstark genug ist.
ModelDuel Web
Bezahlen pro Nutzung
Erzeuge denselben Prompt gleichzeitig auf bis zu 50 Checkpoint-/Basismodellen.
Anleitungen zu diesem Modell
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)
DeepSeek | 1.048.576 Token Kontext | $0,09/M Eingabe, $0,18/M Ausgabe. DeepSeek V4 Flash ist ein auf Effizienz optimiertes Mixture-of-Experts-Modell von DeepSeek mit 284 Mrd. Gesamtparametern und 13 Mrd. aktivierten Parametern, das ein 1M-Token-Kontextfenster unterstützt. Es ist für schnelle Inferenz und Workloads mit hohem Durchsatz ausgelegt und bietet dabei starke Reasoning- und Coding-Leistungen. Das Modell beinhaltet hybride Aufmerksamkeit für effiziente Langzeit-Kontextverarbeitung. Reasoning-Stufen high und xhigh werden unterstützt; xhigh entspricht maximalem Reasoning. Es eignet sich gut für Anwendungen wie Coding-Assistenten, Chat-Systeme und Agenten-Workflows, bei denen Reaktionsfähigkeit und Kosteneffizienz wichtig sind.
Captain's Notizen
Notizen vom 2026-10-13
DeepSeek V4 Flash ist ein Mixture-of-Experts-Modell mit 284 Milliarden Parametern von DeepSeek, bei dem pro Token nur 13 Milliarden Parameter aktiviert werden. Es ist für schnelle Inferenz und hohe Durchsatzraten zu sehr niedrigen Kosten gebaut. Die hybride Attention-Architektur bewältigt ein echtes Kontextfenster von einer Million Tokens effizient. Es eignet sich für Entwickler, die ein fähiges Reasoning- und Coding-Modell ohne Frontier-Model-Preise benötigen.
Bekannt für
- 1M-Token-Kontextfenster mit effizienter hybrider Attention, nicht nur nominales Limit.
- Nur 13B Parameter pro Inferenz aktiviert – schnell und günstig im Betrieb.
- Einstellbarer Reasoning-Aufwand: Standard, hoch oder maximal (xhigh).
- Starke Coding- und Reasoning-Leistung im Verhältnis zu den Inferenzkosten.
- Offene Gewichte auf Hugging Face für Selbsthosting verfügbar.
Achte auf
- Bei reinem Wissens- und den komplexesten Agenten-Workflows liegt es hinter dem Schwestermodell DeepSeek V4 Pro.
- 284B Gesamtparameter bedeuten, dass Selbsthosting ernsthafte Hardware erfordert; prüfen Sie VRAM-Anforderungen vor dem Einsatz.
- Gewichte nutzen FP4 für MoE-Experten und FP8 sonst – nicht alle Inferenz-Stacks unterstützen gemischte Präzision sauber.
Prompts zum Ausprobieren
Async-Bug debuggen
Hier ist eine Python-Async-Funktion, die gelegentlich einen RuntimeError: 'Task attached to a different loop' auslöst. Die Funktion ruft URLs parallel mit asyncio.gather innerhalb einer Klasse ab, die in __init__ ihre eigene Event-Loop erstellt. Erklären Sie genau, warum das passiert, und schreiben Sie die Klasse so um, dass sie sowohl synchron als auch asynchron korrekt funktioniert.
Mehrstufigen Agenten planen
Entwerfen Sie eine minimale Agenten-Schleife in Python, die Werkzeugaufrufe nutzt, um die Frage zu beantworten: Welcher der letzten fünf US-Präsidenten hatte die höchste durchschnittliche Zustimmungsrate? Definieren Sie die benötigten Werkzeuge, zeigen Sie die Schleifenlogik und erklären Sie, wie der Agent entscheidet, wann er genug Informationen hat, um die Werkzeuge nicht mehr aufzurufen und eine finale Antwort zu geben.
Logikrätsel durchdenken
Fünf Ingenieure treten in fünf aufeinanderfolgenden Jahren einem Unternehmen bei. Alex kam vor der Person, die Rust benutzt. Der Go-Entwickler kam als Dritter. Morgan kam direkt nach dem Python-Entwickler. Der C++-Entwickler kam zuletzt. Jamie kam als Zweiter. Wer benutzt welche Sprache und in welcher Reihenfolge traten sie bei? Zeigen Sie Ihre Überlegungen Schritt für Schritt.
Vergleichen mit
- DeepSeek V4.1 FlashModell mit offenen Gewichten1,048,576 Token Kontext · $0.04/M Eingabe, $0.68/M Ausgabe
- DeepSeek V4 Flash 0731Modell mit offenen Gewichten1,048,576 Token Kontext · $0.01/M Eingabe, $1.28/M Ausgabe
- DeepSeek V4 Pro 0813Modell mit offenen Gewichten1,048,576 Token Kontext · $1.32/M Eingabe, $3.96/M Ausgabe
- DeepSeek V4 Pro 0423Modell mit offenen Gewichten1,048,576 Token Kontext · $0.96/M Eingabe, $1.91/M Ausgabe
Mehr Textmodelle von deepseek
Häufig gestellte Fragen
- Sind die Gewichte offen und kann ich DeepSeek V4 Flash lokal ausführen?
- Ja, die Gewichte sind auf Hugging Face unter deepseek-ai/DeepSeek-V4-Flash veröffentlicht. Mit 284B Gesamtparametern in FP4/FP8-Mischpräzision benötigen Sie erhebliche GPU-Ressourcen für den lokalen Betrieb – prüfen Sie die VRAM-Anleitung vor dem Download.
- Was kostet DeepSeek V4 Flash und wie groß ist das Kontextfenster?
- Über API kostet es 0,09 $ pro Million Eingabe-Tokens und 0,18 $ pro Million Ausgabe-Tokens, mit einem Kontextfenster von 1.048.576 Tokens.
- Worin unterscheidet sich DeepSeek V4 Flash von DeepSeek V4 Pro?
- Flash aktiviert 13B Parameter pro Token gegenüber 49B bei Pro, was es schneller und günstiger macht; Pro hat 1,6T Gesamtparameter und ist bei wissensintensiven Aufgaben und anspruchsvollsten Agenten-Workflows überlegen, während Flash-Max (maximale Reasoning-Stufe) bei größerem Denkbudget Pro-Niveau erreichen kann.
Captain's UrteilEin wirklich günstiges, wirklich langkontextiges Reasoning-Modell – die offenen Gewichte machen es einen Blick wert, bevor Sie zu einer geschlossenen Alternative greifen.
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.
Also ranked: #12 Hottest Text / LLM model · #12 Hottest Text / LLM text model
Not this creator?
Get your own badge
Beliebtheitstrend von DeepSeek V4 Flash 0423
Heat-Score seit 24 Apr 2026
Heat-Score
9,192°
Diese Woche
▲
24.0%
9,163° damals, 9,192° jetzt
Diesen Monat
▲
169%
9,060° damals, 9,192° jetzt
Vergangenes Jahr
n/a
Noch nicht veröffentlicht/erfasst
7,000°
Grundwert
Die Skala reicht von 0° bis 9.999°. Alles unterhalb von 7,000° ist für Modelle reserviert, über die noch keine Quelle berichtet hat. Diese tragen dort eine Platzhalterzahl, damit die Listen vollständig bleiben. 7,000° ist der Punkt, an dem gemessene Daten beginnen: Ein Modell mit echten Daten, aber fast keinen Downloads, sitzt auf dem Grundwert, und die Messungen füllen die Grade darüber. Der Grundwert sagt nichts über das Modell aus; nur die Grade darüber tun das und trennen ein Modell vom anderen.
+1,844°
OpenRouter Tokens
14,026,338,867,497 Tokens hat dieses Modell in den letzten 30 Tagen über OpenRouter verarbeitet, Eingaben und Antworten zusammen. Je 10,000,000 Tokens zählen als ein Download im Download-Zeitraum, insgesamt 1,402,633; die Tokens des letzten Tages fließen in die Adoptionsrate ein. Quelle: OpenRouter (openrouter.ai/rankings).
+348°
Verbreitungsrate
Etwa 43,432 Downloads pro Tag, gemessen zwischen zwei Abfragen der Quellen, nie geschätzt aus einem Durchschnitt über die gesamte Lebenszeit. Die Geschwindigkeit zählt ein Viertel des Download-Werts, sodass ein frischer Anstieg sichtbar wird, ohne dass ein eintägiger Spitzenwert jahrelange Nutzung übertrumpft.
Detaillierte Aufschlüsselung anzeigen
Jede Zahl auf dieser Seite kann überprüft werden. Der Heat-Score dieses Modells beträgt 9,192°, und hier wird er Schritt für Schritt aufgebaut, mit dem laufenden Gesamtwert nach jedem Schritt: der Grundwert, die Grad, die jede Quelle hinzufügt, der Bonus für die Art des Modells und was das Alter seiner Gewichte abzieht. Die Farben entsprechen den Bereichen der obigen Grafik. Das Glossar am Ende erklärt jeden Begriff.
- 1Starte beim Grundwert.Warum 7,000° und nicht null: Die Skala reicht von 0° bis 9.999°, und der Bereich unter 7,000° ist für Modelle reserviert, über die noch keine Quelle berichtet hat. Diese tragen dort eine Platzhalterzahl, damit die Listen vollständig bleiben und niemals über einem Modell mit Daten stehen. 7,000° ist der Punkt, an dem gemessene Daten beginnen. Ein Modell mit echten Daten, aber fast keinen Downloads, sitzt hier; alles, was folgt, ist Messung, und der Bereich über dem Grundwert enthält zehn zehnfache Schritte bei Downloads zu je 300°. Der Grundwert ist für jedes Modell gleich, er entscheidet also nichts; die Grade darüber tun das.7,000°laufende Summe
- 2Füge die Downloads hinzu.1,402,633 Download-Äquivalente insgesamt, von OpenRouter Tokens. Zehnmal die Downloads ergeben denselben 300°, also zählt die Größe, aber sie dominiert die Bewertung nie.+1,844°8,844°laufende Summe
- 3Füge die Verbreitungsrate hinzu.Momentan etwa 43,432 Downloads pro Tag, gemessen zwischen zwei Messungen, mit einem Viertel der Gewichtung.+348°9,192°laufende Summe
- =Der Heat-Score.Wo dieses Modell auf jeder Liste dieser Seite steht. Nichts anderes beeinflusst ihn.9,192°
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.
Wie sich die Beliebtheit dieses Modells im Vergleich zum Rest des Katalogs entwickelt hat: sein Wachstum bei Downloads, Likes und Nutzung in jedem Zeitraum, gemessen am typischen Wachstum eines Modells im gleichen Zeitraum, mit dem Heat-Score zu diesem Zeitpunkt. Über dem typischen Wachstum bedeutet ein Anstieg, darunter ein Rückgang. Die Vergangenheit wird aus den heutigen Gesamtzahlen, dem ersten Tag des Modells und seiner gemessenen Download-Geschwindigkeit rekonstruiert, wenn zwei Messungen vorliegen; ein Modell, das zu Beginn eines Zeitraums nicht existierte, zeigt n/a an.
DeepSeek V4 Flash 0423 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, prüfe den Hitzewert, um den Trend zu sehen, und öffne es auf PirateDiffusion oder BitVector, um es auszuprobieren.
Nach Modellfamilie stöbern
Text / LLM-Modelle
434
Anima-Modelle
528
Chroma-Modelle
19
Fibo-Modelle
2
Flux-Modelle
1,496
Flux 2 / Klein-Modelle
1,239
Flux 3-Modelle
3
Moss-Modelle
3
Iris-Modelle
1
MiniMax H3-Modelle
364
Hunyuan-Modelle
204
Ideogram-Modelle
20
Krea2-Modelle
717
Qwen-Modelle
20
Qwen2-Modelle
47
Ltx2-Modelle
153