Greutățile sunt deschise și pot rula asta local?

Da — greutățile sunt publicate pe Hugging Face sub deepseek-ai/DeepSeek-V4-Pro-0813. Este un model mare mixture-of-experts, deci implementarea locală necesită hardware substanțial; producătorul nu a publicat numărul exact de parametri.

Cât costă și cât este fereastra de context?

Prin API costă 0,66 USD per milion de tokeni de intrare și 1,98 USD per milion de tokeni de ieșire, cu o fereastră de context de 1.048.576 tokeni.

Cum diferă de DeepSeek V4 Pro Preview?

Lansarea 0813 adaugă un modul DSpark de decodare speculativă pentru latență mai mică, capabilități agentice mult îmbunătățite și îmbunătățiri de benchmark care sunt deosebit de pronunțate în setările de agenți de codare în producție — preview-ul a avut scor 12,8 pe DeepSWE; această versiune are 62,7.

▲

29.0%

săptămâna aceasta

DeepSeek V4 Pro 0813

9010°

#llm #deepseek #raționament #programare #agenți #context lung

Rulează modelul

Oferte / Reclame

OpenRouter Terminal / API

Plătește pe token

Conversează cu acest model în browser sau apelează-l din codul tău cu o singură cheie API.

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.

Ghiduri pentru acest model

Cel mai bun LLM local după caz de utilizare (octombrie 2026): modelul open potrivit pentru fiecare job

De câțiva GB de VRAM am nevoie cu adevărat pentru AI local?

Greutăți deschise vs open source vs doar API: ce ai voie să faci cu adevărat

Ce este un fișier GGUF? Modele cuantificate explicate (Q4, Q8, fp8, NF4)

Toate ghidurile

Notele căpitanului

Scris de Captain, editorul casei

Note din 2026-10-13

DeepSeek V4 Pro 0813 este lansarea generală a modelului mare mixture-of-experts DeepSeek, înlocuind previzualizarea anterioară cu performanțe agentice și de codare substanțial mai puternice. Vine cu un modul DSpark de decodare speculativă și un parametru reglabil de efort de raționament, făcându-l semnificativ mai rapid și mai capabil în bucle agentice de producție decât predecesorul său. Greutățile deschise sunt disponibile pe Hugging Face, iar prețurile API sunt mult sub majoritatea competitorilor frontieră.

Cunoscut pentru

Sarcini agentice de codare: scoruri puternice pe benchmark-uri de tip SWE-bench și terminal.
Decodarea speculativă DSpark este integrată, reducând latența în implementările auto-găzduite.
Trei niveluri de efort de raționament (scăzut, ridicat, maxim) permit schimbarea costului cu temeinicia.
Fereastră de context de peste un milion de tokeni.
Greutăți deschise disponibile, rulabile pe infrastructura ta.

Atenție la

Nu există un șablon standard Jinja pentru chat; trebuie să folosești scripturile Python furnizate pentru a formata corect intrările.
Ca model mare MoE, implementarea locală cere hardware serios — producătorul nu a publicat numărul exact de parametri.
Comparațiile benchmark sunt făcute de DeepSeek însuși; tratează seturile interne de teste (DSBench) cu scepticism adecvat.

Cel mai bun pentru

Programare

Agenți și utilizare unelte

Raționament

Context lung

Rulează local

Sugestii de încercat

Depanare suită de teste eșuată

Am o funcție Python care parsează durate ISO 8601 și le convertește în secunde. Trec testele unitare pentru cazuri simple ca PT1H, dar eșuează pe P1Y2M3DT4H5M6S. Parcurge ce trebuie să gestioneze parserul, scrie o implementare corectată și adaugă trei teste pentru cazuri-limită care acoperă ani bisecți și secunde fracționare.

Planifică o sarcină agent multi-pas

Ești un agent cu acces la un terminal bash și un instrument de căutare web. Workflow-ul GitHub Actions al unui utilizator eșuează cu 'exit code 137' pe o construcție matrix. Descrie secvența exactă de apeluri de unelte pe care le-ai face pentru a diagnostica cauza, informațiile pe care le-ai colecta la fiecare pas și remedierea pe care ai aplica-o dacă cauza este un kill din lipsă de memorie.

Raționează printr-o problemă cu constrângeri dificile

Cinci ingineri trebuie alocați la trei proiecte. Fiecare proiect are nevoie de cel puțin un inginer. Alice și Bob refuză să lucreze pe același proiect. Carol trebuie să fie pe Proiectul 2. Dave și Eve trebuie să fie pe proiecte diferite. Listează fiecare alocare validă și explică cum ai eliminat pe cele invalide.

Compară cu

DeepSeek V4.1 Flash
Model cu greutăți deschise
context de 1,048,576 tokeni · $0.04/M intrare, $0.68/M ieșire
DeepSeek V4 Flash 0731
Model cu greutăți deschise
context de 1,048,576 tokeni · $0.01/M intrare, $1.28/M ieșire
DeepSeek V4 Flash 0423
Model cu greutăți deschise
context de 1,048,576 tokeni · $0.09/M intrare, $0.18/M ieșire
DeepSeek V4 Pro 0423
Model cu greutăți deschise
context de 1,048,576 tokeni · $0.96/M intrare, $1.91/M ieșire

Mai multe modele text de la deepseek

Întrebări frecvente

Greutățile sunt deschise și pot rula asta local?: Da — greutățile sunt publicate pe Hugging Face sub deepseek-ai/DeepSeek-V4-Pro-0813. Este un model mare mixture-of-experts, deci implementarea locală necesită hardware substanțial; producătorul nu a publicat numărul exact de parametri.
Cât costă și cât este fereastra de context?: Prin API costă 0,66 USD per milion de tokeni de intrare și 1,98 USD per milion de tokeni de ieșire, cu o fereastră de context de 1.048.576 tokeni.
Cum diferă de DeepSeek V4 Pro Preview?: Lansarea 0813 adaugă un modul DSpark de decodare speculativă pentru latență mai mică, capabilități agentice mult îmbunătățite și îmbunătățiri de benchmark care sunt deosebit de pronunțate în setările de agenți de codare în producție — preview-ul a avut scor 12,8 pe DeepSWE; această versiune are 62,7.

Verdictul căpitanului
Dacă rulezi agenți pe baze reale de cod, acesta este cel mai ascuțit instrument DeepSeek de până acum — iar prețul îl face greu de ignorat.

Fișa modelului pe Hugging Face

Căpitanul scrie aceste note pe baza descrierii modelului și a fișei modelului. Prețurile și dimensiunile contextului sunt cele ale furnizorului la momentul scrierii și pot varia.

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

Tendința de popularitate a DeepSeek V4 Pro 0813

Scor de căldură din 12 Aug 2026

Scor de popularitate

9,010°

Săptămâna aceasta

▲

29.0%

8,976° atunci, 9,010° acum

Luna aceasta

▲

287%

8,831° atunci, 9,010° acum

Ultimul an

n/a

Nu a fost lansat/urmărit

7,000°

Prag minim

Scara merge de la 0° la 9.999°. Tot ce este sub 7,000° este rezervat pentru modelele despre care nicio sursă nu raportează încă, care au un număr provizoriu acolo ca să rămână listele complete. 7,000° este punctul de start pentru datele măsurate: un model cu date reale, dar aproape fără descărcări, stă la prag, iar măsurătorile umplu gradele de deasupra. Pragul nu spune nimic despre model; doar gradele de deasupra îl diferențiază de alte modele.

+1,695°

Tokeni OpenRouter

4,479,902,661,686 tokeni procesați de acest model prin OpenRouter în ultimele 30 de zile, împreună cu prompturile și răspunsurile. Fiecare 10,000,000 tokeni contează ca un download în termenul de descărcări, 447,990 în total; tokenii ultimei zile se adaugă la rata de adoptare. Sursa: OpenRouter (openrouter.ai/rankings).

+315°

Rata de adoptare

Aproximativ 15,819 descărcări pe zi, măsurate între două citiri ale surselor, niciodată estimate dintr-o medie pe viață. Viteza cântărește un sfert din termenul descărcărilor, așa că o creștere recentă se vede fără să lase un vârf de o zi să depășească ani de utilizare.

Arată detalii

Fiecare număr de pe acest site poate fi verificat. Scorul de popularitate al acestui model este 9,010°, iar aici este construit pas cu pas, cu totalul acumulat după fiecare ingredient: pragul minim, gradele adăugate de fiecare sursă, bonusul pentru tipul modelului și ce scade vârsta greutăților. Culorile sunt benzile din graficul de mai sus. Glosarul de la final definește fiecare termen.

1
Începe de la prag.
De ce 7,000° și nu zero: scara merge de la 0° la 9.999°, iar partea de sub 7,000° este rezervată modelelor despre care nicio sursă nu raportează încă, care au un număr provizoriu acolo ca să rămână listele complete și să nu depășească niciodată un model cu date. 7,000° este punctul de start pentru datele măsurate. Un model cu date reale, dar aproape fără descărcări, stă aici; tot ce urmează este măsurare, iar spațiul de deasupra pragului conține zece pași de zece ori mai multe descărcări, fiecare la 300°. Pragul este același pentru toate modelele, deci nu decide nimic; gradele de deasupra fac diferența.
7,000°
total curent
2
Adaugă descărcările.
447,990 echivalente de descărcări în total, de la Tokeni OpenRouter. De zece ori descărcările adaugă același 300°, deci mărimea contează, dar nu domină scorul.
+1,695°
8,695°
total curent
3
Adaugă rata de adoptare.
Aproximativ 15,819 descărcări pe zi acum, măsurate între două citiri, cu un sfert din greutate.
+315°
9,010°
total curent
=
Scorul de căldură.
Unde se situează acest model pe fiecare listă de pe site. Nimic altceva nu îl ajustează.
9,010°

Glosar: termenii folosiți aici

Scor de căldură: Un număr care arată cât de mult este folosit și dorit un model acum, de la 0° la 9.999°. Fiecare listă de pe site care spune „cele mai călduroase” este sortată după acest scor și nimic altceva.
Prag: 7.000° este punctul de start pentru orice model cu date reale. Scara merge de la 0° la 9.999°; partea de sub prag este rezervată pentru înlocuitori (modele fără date), ca să fie sigur că un model cu date e mereu mai sus decât unul fără. Pragul e același pentru toți și nu decide nimic; gradele de deasupra lui sunt măsurătoarea.
Echivalente descărcări: Tot ce scorul tratează ca o descărcare, adunat: descărcările în sine, fiecare seeder de torrent ca 1.000, fiecare imagine AI Horde și fiecare rulare pe un site de generare ca una.
Scară logaritmică: Se numără la zeci, nu la unități: trecerea de la 1.000 la 10.000 descărcări adaugă aceleași grade ca trecerea de la 10.000 la 100.000. Astfel, modelele mari nu acoperă tot ce e mic.
Aprecieri: Like-uri și aprecieri de oriunde, fiecare valorează jumătate dintr-o descărcare pe scara logaritmică.
Rata de adoptare: Câte descărcări pe zi primește un model acum, calculat din diferența dintre două citiri ale unei surse. Are un sfert din greutatea termenului de descărcare.
Măsurat și estimat: Măsurat înseamnă că există două citiri ale unei surse și diferența este reală. Estimat înseamnă că se știe doar totalul de azi, iar trecutul este împărțit pe durata vieții modelului; site-ul spune care dintre ele este afișat.
Seeder: Cineva care păstrează o copie a greutăților online pentru ca alții să le descarce prin torrent, sau o oglindă găzduită care face același lucru. Fiecare contează ca 1.000 de descărcări.
AI Horde: O rețea de voluntari care generează imagini gratuit pe calculatoare donate. Numărul de imagini create cu un model este public și fiecare contează ca o descărcare.
Site-uri de generare: Site-uri care găzduiesc propriile copii ale unui model și permit oamenilor să genereze cu el, cum ar fi PixAI, SeaArt și Yodayo. Descărcările lor contează ca cele de pe Civitai, iar fiecare rulare de generare ca o descărcare.
Tokeni OpenRouter: Un model de text servit printr-un API, cum ar fi Claude sau GPT, nu are greutăți de descărcat, deci utilizarea sa se măsoară în tokeni: bucățile de text citite și scrise prin OpenRouter, un gateway folosit de multe aplicații, în ultimele 30 de zile. Fiecare 10,000,000 tokeni contează ca un download. Sursa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model complet (checkpoint): Greutățile în sine, fișierul care generează singur. Primește un bonus pentru că depind de el add-on-urile.
LoRA și embedding: Fișiere mici add-on care direcționează greutățile altcuiva spre un stil, un personaj sau un concept. Nu pot rula singure.
Familie și greutăți: Baza pe care este construit un model, cum ar fi SD 1.5, SDXL, Flux sau Wan. Fiecare model moștenește data lansării greutăților familiei sale.
Vârstă: Grade scăzute în funcție de cât timp a trecut de când au apărut greutățile familiei: 150° pe an, până la 750°. Păstrează descărcările vechi care au avut ani să se acumuleze, blocând topul listei.
Boost de familie: Un mic impuls limitat pentru LoRA-urile unei familii pe care site-ul o promovează acum, întotdeauna listat în detaliu.
Scor de rezervă: Un număr stabil sub prag, dat unui model despre care nicio sursă nu raportează încă, ca listele să rămână complete. Nu se clasează niciodată peste un model cu date.
Nou! (perioadă de grație): Un model mai nou de 7 zile afișează Nou! în loc de scor și nu ocupă loc în clasamente. Scorul său este calculat de la prima zi, dar un model de o zi crește mai rapid decât orice altceva, deci fără această așteptare, modelul #1 al săptămânii ar fi întotdeauna cel apărut ieri, nu cel care a rezistat o săptămână.
Tendință: Cum se compară creșterea unui model într-o perioadă cu creșterea tipică a unui model în aceeași perioadă. Mai rapid decât tipicul înseamnă creștere, mai lent scădere.
Model tipic: Mijlocul catalogului: jumătate dintre modele cu o cifră au crescut mai repede în perioada respectivă, jumătate mai încet.

Cum s-a schimbat popularitatea acestui model față de restul catalogului: creșterea lui în descărcări, aprecieri și utilizare în fiecare perioadă, comparată cu creșterea tipică a unui model în aceeași perioadă, plus scorul său de căldură la momentul respectiv. Dacă e peste creșterea tipică, înseamnă că a crescut, dacă e sub, a scăzut. Istoricul se reconstruiește din totalurile de azi, prima zi a modelului și viteza lui de descărcare măsurată când sunt două citiri; un model care nu exista la începutul perioadei arată n/a.

Modele similare

Modele AI pentru generare de imagini, video și text

DeepSeek V4 Pro 0813 este un model de text pentru familia Text / LLM, listat pe ModelTrends.ai, un catalog doar pentru citire al modelelor AI open source pentru imagini, video și text. Compară-l cu alte modele Text / LLM și verifică-i scorul de căldură pentru a vedea cât este de popular.

Mai multe modele Text / LLM llm deepseek raționament programare agenți context lung local

Răsfoiește după familia de modele