Sind die Gewichte offen und kann ich DeepSeek V4 Pro lokal ausführen?

Ja, die Gewichte sind auf Hugging Face unter deepseek-ai/DeepSeek-V4-Pro veröffentlicht. Die lokale Ausführung erfordert aufgrund der 1,6 Billionen Gesamtparameter ernsthafte Hardware, daher nutzen die meisten die API, sofern sie keine große Multi-GPU-Anlage haben.

Was kostet DeepSeek V4 Pro und wie groß ist das Kontextfenster?

Über die API kostet es 0,44 $ pro Million Eingabetokens und 0,87 $ pro Million Ausgabetokens, mit einem Kontextfenster von einer Million Tokens.

Worin unterscheidet sich DeepSeek V4 Pro von DeepSeek V4 Flash?

Beide teilen die gleiche hybride Aufmerksamkeitsarchitektur und das eine-Million-Token-Kontextfenster, aber Pro hat 1,6 Billionen Gesamtparameter (49 Milliarden aktiviert) gegenüber Flash mit 284 Milliarden Gesamtparametern (13 Milliarden aktiviert). DeepSeek sagt, Flash-Max kann mit größerem Denkbudget Pro-ähnliche Leistungen erreichen, aber Pro ist bei reinem Wissen und komplexen agentenbasierten Workflows überlegen.

▲

22.7%

diese Woche

DeepSeek V4 Pro 0423

8953°

#llm #deepseek #logik #programmieren #agenten #langer kontext

Läuft auf Graydient

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.

GPU in der Cloud mieten

Graydient Cloud GPU

Unbegrenzt · Pauschalpreis

Pauschalpreis, unbegrenzte Nutzung. Dieses Modell mit einem Klick installieren.

RunPod Cloud GPU

Abrechnung pro Minute

GPU pro Minute mieten und Modell selbst einrichten.

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?

Offene Gewichte vs. Open Source vs. Nur API: Was du wirklich darfst

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

Alle Anleitungen

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

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

DeepSeek V4 Pro ist ein Mixture-of-Experts-Modell mit 1,6 Billionen Parametern von DeepSeek, bei dem pro Token 49 Milliarden Parameter aktiv sind und ein Kontextfenster von einer Million Tokens genutzt wird. Sein hybrides Aufmerksamkeits-System reduziert den Rechenaufwand für lange Kontexte im Vergleich zum Vorgänger drastisch, was es praktikabel für vollständige Codebasis-Analysen und mehrstufige Agenten-Workflows macht. Die Gewichte sind offen; wenn Sie es ausführen können, sind Sie nicht an eine API gebunden.

Bekannt für

1-Million-Token-Kontextfenster mit einem hybriden Aufmerksamkeits-System, das die Inferenzkosten überschaubar hält
Stark bei Programmierung, Mathematik, Wissens- und agentenbasierten Benchmarks auf Open-Weights-Niveau
Anpassbarer Denkaufwand, bis zu xhoch für maximale Denktiefe
1,6 Billionen Gesamtparameter, 49 Milliarden aktiviert – Grenzbereich ohne Aktivierung aller Parameter pro Token
Offene Gewichte auf Hugging Face für selbstgehostete Bereitstellung verfügbar

Achte auf

1,6 Billionen Gesamtparameter bedeuten erhebliche Hardwareanforderungen für lokale Ausführung; die meisten Nutzer werden die API verwenden.
Ausgabetokens kosten doppelt so viel wie Eingabetokens – lange Denkketten summieren sich schneller als erwartet.
Das Modelldokument beschreibt dies als Preview-Version; für den Produktionseinsatz entsprechend vorsichtig sein.

Am besten für

Programmieren

Agenten und Werkzeugnutzung

Logisches Denken

Langer Kontext

Lokal ausführbar

Prompts zum Ausprobieren

Vollständige Codebasis-Prüfung

Ich füge unten eine große Python-Codebasis ein. Identifiziere jede Funktion, die den globalen Zustand verändert, markiere alle, die dies ohne Thread-Sicherheit tun, und schlage eine Refaktorisierung für die drei riskantesten vor. Erkläre deine Begründung für jede Risikobewertung. [Code einfügen]

Mehrstufiger Agentenplan

Du planst eine automatisierte Pipeline, die ein öffentliches GitHub-Repository überwacht, täglich neue Pull Requests zusammenfasst, sie nach Typ (Bugfix, Feature, Dokumentation, Refaktorierung) klassifiziert und eine Zusammenfassung in einem Slack-Kanal postet. Liste jeden Schritt, die benötigten Tools oder APIs, Fehlerfälle, die behandelt werden müssen, und die Reihenfolge der Umsetzung auf.

Schwerer mathematischer Beweis

Beweise, dass für jede Primzahl p größer als 3 gilt: p² minus 1 ist immer durch 24 teilbar. Zeige jeden Schritt des Beweises klar auf, nenne verwendete Lemmas und überprüfe das Ergebnis mit drei konkreten Beispielen.

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 Gewichte offen und kann ich DeepSeek V4 Pro lokal ausführen?: Ja, die Gewichte sind auf Hugging Face unter deepseek-ai/DeepSeek-V4-Pro veröffentlicht. Die lokale Ausführung erfordert aufgrund der 1,6 Billionen Gesamtparameter ernsthafte Hardware, daher nutzen die meisten die API, sofern sie keine große Multi-GPU-Anlage haben.
Was kostet DeepSeek V4 Pro und wie groß ist das Kontextfenster?: Über die API kostet es 0,44 $ pro Million Eingabetokens und 0,87 $ pro Million Ausgabetokens, mit einem Kontextfenster von einer Million Tokens.
Worin unterscheidet sich DeepSeek V4 Pro von DeepSeek V4 Flash?: Beide teilen die gleiche hybride Aufmerksamkeitsarchitektur und das eine-Million-Token-Kontextfenster, aber Pro hat 1,6 Billionen Gesamtparameter (49 Milliarden aktiviert) gegenüber Flash mit 284 Milliarden Gesamtparametern (13 Milliarden aktiviert). DeepSeek sagt, Flash-Max kann mit größerem Denkbudget Pro-ähnliche Leistungen erreichen, aber Pro ist bei reinem Wissen und komplexen agentenbasierten Workflows überlegen.

Captain's Urteil
Das leistungsfähigste Open-Weights-Modell, das DeepSeek bisher veröffentlicht hat – wenn Sie genug Kontext liefern können, verdient es seinen Platz.

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

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

Not this creator?

Get your own badge

Beliebtheitstrend von DeepSeek V4 Pro 0423

Heat-Score seit 24 Apr 2026

Heat-Score

8,953°

Diese Woche

▲

22.7%

8,925° damals, 8,953° jetzt

Diesen Monat

▲

157%

8,827° damals, 8,953° 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.

+1,654°

OpenRouter Tokens

3,257,945,734,845 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 325,794; die Tokens des letzten Tages fließen in die Adoptionsrate ein. Quelle: OpenRouter (openrouter.ai/rankings).

+299°

Verbreitungsrate

Etwa 9,616 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 8,953°, 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.

1
Starte 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
2
Füge die Downloads hinzu.
325,794 Download-Äquivalente insgesamt, von OpenRouter Tokens. Zehnmal die Downloads ergeben denselben 300°, also zählt die Größe, aber sie dominiert die Bewertung nie.
+1,654°
8,654°
laufende Summe
3
Füge die Verbreitungsrate hinzu.
Momentan etwa 9,616 Downloads pro Tag, gemessen zwischen zwei Messungen, mit einem Viertel der Gewichtung.
+299°
8,953°
laufende Summe
=
Der Heat-Score.
Wo dieses Modell auf jeder Liste dieser Seite steht. Nichts anderes beeinflusst ihn.
8,953°

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.

Ähnliche Modelle

KI-Modelle für Bild-, Video- und Texterzeugung

DeepSeek V4 Pro 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.

Weitere Text / LLM-Modelle llm deepseek logik programmieren agenten langer kontext lokal

Nach Modellfamilie stöbern