Sind die Gewichte offen und kann ich das lokal ausführen?

Ja – die Gewichte sind auf Hugging Face unter deepseek-ai/DeepSeek-V4-Pro-0813 veröffentlicht. Es ist ein großes Mixture-of-Experts-Modell, daher erfordert die lokale Bereitstellung erhebliche Hardware; der Hersteller hat die genaue Parameterzahl nicht veröffentlicht.

Was kostet es und wie groß ist das Kontextfenster?

Über die API kostet es 0,66 $ pro Million Eingabetokens und 1,98 $ pro Million Ausgabetokens, mit einem Kontextfenster von 1.048.576 Tokens.

Wie unterscheidet sich das von DeepSeek V4 Pro Preview?

Die 0813-Version fügt ein DSpark spekulatives Decoding-Modul für geringere Latenz hinzu, verbessert die agentenbasierten Fähigkeiten deutlich und erzielt Benchmark-Verbesserungen, die besonders bei produktiven Codierungsagenten auffallen – die Vorschau erreichte 12,8 bei DeepSWE, diese Version 62,7.

▲

29.0%

diese Woche

DeepSeek V4 Pro 0813

9010°

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

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 | 1,048,576 token context | $1.32/M input, $3.96/M output. DeepSeek V4 Pro 0813 is a large-scale mixture-of-experts model from DeepSeek. This is the GA release of DeepSeek V4 Pro.

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

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

DeepSeek V4 Pro 0813 ist die allgemein verfügbare Version von DeepSeeks großem Mixture-of-Experts-Modell und ersetzt die frühere Vorschau mit deutlich stärkerer agentenbasierter und Codierungsleistung. Es wird mit einem DSpark-Spekulativen-Decoding-Modul und einem einstellbaren Vernunftaufwandsparameter geliefert, was es in produktiven Agentenschleifen spürbar schneller und leistungsfähiger macht als seinen Vorgänger. Offene Gewichte sind auf Hugging Face verfügbar, und die API-Preise liegen deutlich unter denen der meisten Frontier-Konkurrenten.

Bekannt für

Agentenbasierte Codierungsaufgaben: starke Ergebnisse bei SWE-Bench-ähnlichen und Terminal-Benchmarks.
DSpark spekulatives Decoding ist eingebaut und reduziert die Latenz bei selbstgehosteten Deployments.
Drei Vernunftaufwandsstufen (niedrig, hoch, maximal) erlauben den Kompromiss zwischen Kosten und Gründlichkeit.
Über eine Million Tokens Kontextfenster.
Offene Gewichte verfügbar, auf eigener Infrastruktur ausführbar.

Achte auf

Keine Standard-Jinja-Chat-Vorlage; die bereitgestellten Python-Encoding-Skripte müssen zur korrekten Formatierung der Eingaben verwendet werden.
Als großes MoE-Modell erfordert die lokale Bereitstellung ernsthafte Hardware – der Hersteller hat keine genauen Parameterzahlen veröffentlicht.
Benchmark-Vergleiche werden von DeepSeek selbst durchgeführt; interne Tests (DSBench) sollten mit angemessenem Skeptizismus betrachtet werden.

Am besten für

Programmieren

Agenten und Werkzeugnutzung

Logisches Denken

Langer Kontext

Lokal ausführbar

Prompts zum Ausprobieren

Fehlschlagendes Test-Suite debuggen

Ich habe eine Python-Funktion, die ISO-8601-Dauern parst und in Sekunden umwandelt. Sie besteht Unit-Tests für einfache Fälle wie PT1H, schlägt aber bei P1Y2M3DT4H5M6S fehl. Gehe durch, was der Parser abdecken muss, schreibe eine korrigierte Implementierung und füge drei Randfalltests hinzu, die Schaltjahre und Bruchteile von Sekunden abdecken.

Mehrstufige Agentenaufgabe planen

Du bist ein Agent mit Zugriff auf ein Bash-Terminal und eine Web-Suchfunktion. Der GitHub Actions-Workflow eines Nutzers schlägt mit 'exit code 137' bei einem Matrix-Build fehl. Beschreibe die genaue Abfolge der Werkzeugaufrufe, die du zur Diagnose machen würdest, welche Informationen du bei jedem Schritt sammelst und welche Lösung du anwendest, falls die Ursache ein Out-of-Memory-Kill ist.

Schwierigkeitsgrad bei harten Einschränkungen durchdenken

Fünf Ingenieure müssen drei Projekten zugewiesen werden. Jedes Projekt benötigt mindestens einen Ingenieur. Alice und Bob weigern sich, im selben Projekt zu arbeiten. Carol muss in Projekt 2 sein. Dave und Eve müssen auf unterschiedlichen Projekten sein. Liste jede gültige Zuweisung auf und erkläre, wie du die ungültigen ausgeschlossen hast.

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 0423
Modell mit offenen Gewichten
1,048,576 Token Kontext · $0.96/M Eingabe, $1.91/M Ausgabe

Mehr Textmodelle von deepseek

Häufig gestellte Fragen

Sind die Gewichte offen und kann ich das lokal ausführen?: Ja – die Gewichte sind auf Hugging Face unter deepseek-ai/DeepSeek-V4-Pro-0813 veröffentlicht. Es ist ein großes Mixture-of-Experts-Modell, daher erfordert die lokale Bereitstellung erhebliche Hardware; der Hersteller hat die genaue Parameterzahl nicht veröffentlicht.
Was kostet es und wie groß ist das Kontextfenster?: Über die API kostet es 0,66 $ pro Million Eingabetokens und 1,98 $ pro Million Ausgabetokens, mit einem Kontextfenster von 1.048.576 Tokens.
Wie unterscheidet sich das von DeepSeek V4 Pro Preview?: Die 0813-Version fügt ein DSpark spekulatives Decoding-Modul für geringere Latenz hinzu, verbessert die agentenbasierten Fähigkeiten deutlich und erzielt Benchmark-Verbesserungen, die besonders bei produktiven Codierungsagenten auffallen – die Vorschau erreichte 12,8 bei DeepSWE, diese Version 62,7.

Captain's Urteil
Wenn Sie Agenten gegen echte Codebasen einsetzen, ist dies DeepSeeks schärfstes Werkzeug bisher – und der Preis macht es schwer, es zu ignorieren.

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: #25 Hottest Text / LLM model · #25 Hottest Text / LLM text model

Not this creator?

Get your own badge

Beliebtheitstrend von DeepSeek V4 Pro 0813

Heat-Score seit 12 Aug 2026

Heat-Score

9,010°

Diese Woche

▲

29.0%

8,976° damals, 9,010° jetzt

Diesen Monat

▲

287%

8,831° damals, 9,010° 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.

+1,695°

OpenRouter Tokens

4,479,902,661,686 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 447,990; die Tokens des letzten Tages fließen in die Adoptionsrate ein. Quelle: OpenRouter (openrouter.ai/rankings).

+315°

Verbreitungsrate

Etwa 15,819 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 9,010°, 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.
447,990 Download-Äquivalente insgesamt, von OpenRouter Tokens. Zehnmal die Downloads ergeben denselben 300°, also zählt die Größe, aber sie dominiert die Bewertung nie.
+1,695°
8,695°
laufende Summe
3
Füge die Verbreitungsrate hinzu.
Momentan etwa 15,819 Downloads pro Tag, gemessen zwischen zwei Messungen, mit einem Viertel der Gewichtung.
+315°
9,010°
laufende Summe
=
Der Heat-Score.
Wo dieses Modell auf jeder Liste dieser Seite steht. Nichts anderes beeinflusst ihn.
9,010°

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 0813 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 logik programmieren agenten langer kontext lokal

Nach Modellfamilie stöbern