Är vikterna öppna och kan jag köra detta lokalt?

Ja – vikterna är publicerade på Hugging Face under deepseek-ai/DeepSeek-V4-Pro-0813. Det är en stor mixture-of-experts-modell, så lokal distribution kräver betydande hårdvara; tillverkaren har inte publicerat exakt parameterantal.

Vad kostar det och hur stort är kontextfönstret?

Via API kostar det $0,66 per miljon inmatningstokens och $1,98 per miljon utmatningstokens, med ett kontextfönster på 1 048 576 tokens.

Hur skiljer sig detta från DeepSeek V4 Pro Preview?

0813-versionen lägger till en DSpark spekulativ avkodningsmodul för lägre latens, kraftigt förbättrade agentbaserade kapaciteter och benchmarkförbättringar som är särskilt tydliga i produktionskodningsagentmiljöer – preview-versionen fick 12,8 på DeepSWE; denna version får 62,7.

▲

29.0%

den här veckan

DeepSeek V4 Pro 0813

9010°

#llm #deepseek #resonemang #kodning #agenter #lång kontext

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

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.

Guider för denna modell

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

DeepSeek V4 Pro 0813 är den allmänt tillgängliga versionen av DeepSeeks stora mixture-of-experts-modell, som ersätter den tidigare förhandsversionen med avsevärt starkare agentbaserad och kodningsprestanda. Den levereras med en DSpark spekulativ avkodningsmodul och en justerbar parameter för resonemangsinsats, vilket gör den märkbart snabbare och mer kapabel i produktionsagentloopar än sin föregångare. Öppna vikter finns tillgängliga på Hugging Face, och API-prissättningen ligger väl under de flesta gränsmodeller.

Känd för

Agentbaserade kodningsuppgifter: starka poäng på SWE-bench-stil och terminalbenchmarks.
DSpark spekulativ avkodning ingår, vilket minskar latens vid självhostad distribution.
Tre nivåer av resonemangsinsats (låg, hög, max) låter dig byta kostnad mot noggrannhet.
Över en miljon tokens kontextfönster.
Öppna vikter tillgängliga, körbara på egen infrastruktur.

Se upp för

Ingen standard Jinja-chattmall; du måste använda de medföljande Python-kodningsskripten för att formatera indata korrekt.
Som en stor MoE-modell kräver lokal distribution seriös hårdvara – tillverkaren har inte publicerat exakta parameterantal.
Benchmarkjämförelser körs av DeepSeek själva; behandla interna testset (DSBench) med lämplig skepsis.

Bäst för

Kodning

Agenter och verktygsanvändning

Resonemang

Lång kontext

Kör lokalt

Promptar att prova

Felsök en misslyckad testsvit

Jag har en Python-funktion som parserar ISO 8601-durar och konverterar dem till sekunder. Den klarar enhetstester för enkla fall som PT1H men misslyckas på P1Y2M3DT4H5M6S. Gå igenom vad parsern behöver hantera, skriv en korrigerad implementation och lägg till tre kantfallstester som täcker skottår och bråksekunder.

Planera en flerstegs agentuppgift

Du är en agent med tillgång till ett bash-terminal och ett webbsökverktyg. En användares GitHub Actions-arbetsflöde misslyckas med 'exit code 137' på en matrix-build. Beskriv den exakta sekvensen av verktygsanrop du skulle göra för att diagnostisera orsaken, vilken information du samlar in vid varje steg och vilken åtgärd du skulle vidta om orsaken är en minnesavslutning.

Resonera kring ett svårt begränsningsproblem

Fem ingenjörer måste tilldelas tre projekt. Varje projekt behöver minst en ingenjör. Alice och Bob vägrar arbeta på samma projekt. Carol måste vara på Projekt 2. Dave och Eve måste vara på olika projekt. Lista varje giltig tilldelning och förklara hur du eliminerade de ogiltiga.

Jämför med

DeepSeek V4.1 Flash
Öppen vikt-modell
1,048,576 tokens kontext · $0.04/M indata, $0.68/M utdata
DeepSeek V4 Flash 0731
Öppen vikt-modell
1,048,576 tokens kontext · $0.01/M indata, $1.28/M utdata
DeepSeek V4 Flash 0423
Öppen vikt-modell
1,048,576 tokens kontext · $0.09/M indata, $0.18/M utdata
DeepSeek V4 Pro 0423
Öppen vikt-modell
1,048,576 tokens kontext · $0.96/M indata, $1.91/M utdata

Fler textmodeller från deepseek

Vanliga frågor

Är vikterna öppna och kan jag köra detta lokalt?: Ja – vikterna är publicerade på Hugging Face under deepseek-ai/DeepSeek-V4-Pro-0813. Det är en stor mixture-of-experts-modell, så lokal distribution kräver betydande hårdvara; tillverkaren har inte publicerat exakt parameterantal.
Vad kostar det och hur stort är kontextfönstret?: Via API kostar det $0,66 per miljon inmatningstokens och $1,98 per miljon utmatningstokens, med ett kontextfönster på 1 048 576 tokens.
Hur skiljer sig detta från DeepSeek V4 Pro Preview?: 0813-versionen lägger till en DSpark spekulativ avkodningsmodul för lägre latens, kraftigt förbättrade agentbaserade kapaciteter och benchmarkförbättringar som är särskilt tydliga i produktionskodningsagentmiljöer – preview-versionen fick 12,8 på DeepSWE; denna version får 62,7.

Kaptens omdöme
Om du kör agenter mot riktiga kodbaser är detta DeepSeeks vassaste verktyg hittills – och priset gör det svårt att ignorera.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Popularitetstrend för DeepSeek V4 Pro 0813

Värmenpoäng sedan 12 Aug 2026

Värmescore

9,010°

Den här veckan

▲

29.0%

8,976° då, 9,010° nu

Den här månaden

▲

287%

8,831° då, 9,010° nu

Senaste året

n/a

Inte släppt/spårad än

7,000°

Golvet

Skalan går från 0° till 9 999°. Allt under 7,000° är reserverat för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta. 7,000° är där mätta data börjar: en modell med riktiga data men nästan inga nedladdningar ligger på golvet, och mätningarna fyller graderna ovanför. Golvet säger inget om modellen; det gör bara graderna ovanför, och det är de som skiljer en modell från en annan.

+1,695°

OpenRouter-token

4,479,902,661,686 token som denna modell bearbetat via OpenRouter de senaste 30 dagarna, både prompts och svar. Varje 10,000,000 token räknas som en nedladdning i nedladdningsterm, totalt 447,990; token från senaste dagen räknas in i användningstakten. Källa: OpenRouter (openrouter.ai/rankings).

+315°

Adoptionshastighet

Ungefär 15,819 nedladdningar per dag, mätt mellan två avläsningar av källorna, aldrig uppskattat från ett livstidsgenomsnitt. Hastigheten väger en fjärdedel av nedladdningstermen, så en ny våg syns utan att en dags toppar slår ut år av användning.

Visa detaljerad uppdelning

Varje siffra på den här sidan kan kontrolleras. Den här modellens heat-poäng är 9,010°, och här byggs den upp en ingrediens i taget, med löpande total efter varje: golvet, graderna varje källa lägger till, bonusen för modelltypen och vad vikternas ålder drar bort. Färgerna är banden i diagrammet ovan. Ordlistan i slutet förklarar varje term.

1
Börja vid golvet.
Varför 7,000° och inte noll: skalan går från 0° till 9 999°, och delen under 7,000° är reserverad för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta och aldrig rankas högre än en modell med data. 7,000° är där mätta data börjar. En modell med riktiga data men nästan inga nedladdningar ligger här; allt som följer är mätning, och utrymmet ovanför golvet rymmer tio tiofaldiga steg i nedladdningar på 300° vardera. Golvet är detsamma för varje modell, så det avgör inget; det gör graderna ovanför.
7,000°
löpande total
2
Lägg till nedladdningarna.
447,990 nedladdnings-ekvivalenter totalt, från OpenRouter-token. Tio gånger nedladdningarna ger samma 300°, så storlek spelar roll men tar aldrig över poängen.
+1,695°
8,695°
löpande total
3
Lägg till adoptionshastigheten.
Ungefär 15,819 nedladdningar per dag just nu, mätt mellan två mätningar, med en fjärdedels vikt.
+315°
9,010°
löpande total
=
Heat-poängen.
Var den här modellen står på varje lista på den här sidan. Ingenting annat ändrar den.
9,010°

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Hur den här modellens popularitet har rört sig jämfört med resten av katalogen: dess tillväxt i nedladdningar, gillningar och användning under varje period, mätt mot en typisk modells tillväxt under samma period, med dess heat-poäng vid den tiden. Över den typiska tillväxten ses som en uppgång, under som en nedgång. Det förflutna rekonstrueras från dagens totalsummor, modellens första dag och dess uppmätta nedladdningshastighet där två mätningar finns; en modell som inte fanns i början av en period visar n/a.

Liknande modeller

Qwen3 Max

TEXT / LLM

Trinity Large Thinking

AI-modeller för bild-, video- och textgenerering

DeepSeek V4 Pro 0813 är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm deepseek resonemang kodning agenter lång kontext lokal

Bläddra efter modellfamilj