DeepSeek V4 veröffentlicht: Alles, was du wissen musst

Am 31. Juli 2026 hat DeepSeek DeepSeek-V4-Flash-0731 veröffentlicht, das offizielle Release von V4-Flash, das die April-Vorschau ablöst. Architektur und Preis sind identisch ($0.14 ein / $0.28 aus pro Million Tokens), doch der Fähigkeitssprung ist erheblich: DeepSeek gibt laut eigenem Modellsteckbrief 82,7 auf Terminal Bench 2.1 an, verglichen mit 61,8 für die Vorschau und über dem deutlich größeren V4-Pro-Preview bei 72,1. Artificial Analysis stufte das Modell von 40 auf 50 im Intelligence Index hoch, Platz drei im Open-Weight-Feld.

Die V4-Serie startete am 24. April 2026 als Vorschau: eine quelloffene Mixture-of-Experts-Familie mit einem nativen Kontextfenster von einer Million Tokens. DeepSeek-V4-Pro hat 1,6 Billionen Gesamtparameter, davon 49 Milliarden aktiv pro Token. DeepSeek-V4-Flash hat 284 Milliarden Gesamtparameter, davon 13 Milliarden aktiv. Beide sind auf Hugging Face unter der MIT-Lizenz verfügbar, über die DeepSeek API sowie auf chat.deepseek.com. Dieser Leitfaden erklärt die Architektur, die Benchmark-Ergebnisse und was das 0731-Build ändert.

DeepSeek gehört zu den bekanntesten Namen im Bereich Open-Source-KI, der Kategorie von Modellen, deren Gewichte jeder herunterladen, ausführen und kostenlos feinabstimmen kann.

Das zentrale Versprechen ist Effizienz bei extremer Kontextlänge. Bei einer Million Tokens verbraucht V4-Pro nur 27 % der Einzel-Token-Inferenz-FLOPs und 10 % der KV-Cache-Größe von DeepSeek V3.2. V4-Flash geht noch weiter: 10 % der FLOPs und 7 % des Caches. Auf Codeforces erreicht V4-Pro ein Rating von 3.206 und belegt Platz 23 unter menschlichen Teilnehmern; bei Standard-Reasoning- und Agenten-Benchmarks liegt es zwischen GPT-5.2 und GPT-5.4. OpenAIs GPT-5.5, einen Tag vor V4 am 23. April veröffentlicht, verschiebt die geschlossene Frontier weiter nach vorn.

DeepSeek V4 zählt zu den Spitzenreitern in unserem Leitfaden zu den besten Open-Source-KI-Modellen. Auf Artificial Analysis lautet die Open-Weight-Reihenfolge aktuell: Kimi K3 mit 57, GLM-5.2 mit 51 und V4-Flash-0731 mit 50, während V4-Pro bei 44 liegt. GLM 5.2 ist das Flaggschiff der GLM-Familie von Zhipu. V4 behält seinen deutlichen Vorsprung im Langkontext, wo sonst kein offenes Modell eine Million Tokens so günstig verarbeitet.

Wenn du Fello AI auf Mac, iPhone oder iPad nutzt, findest du DeepSeek V4 zusammen mit ChatGPT, Claude, Gemini, Kimi und Perplexity in einer einzigen App für $9.99/Monat, mit über 25.000 Fünf-Sterne-Bewertungen und ohne zusätzliche Abonnements pro Modell.

Die wichtigsten Punkte

• DeepSeek-V4-Flash-0731 erschien am 31. Juli 2026 und ersetzte die April-Vorschau. Gleiche 284B/13B-Architektur, gleicher Preis, deutlich stärkere Agenten-Performance.
• Terminal Bench 2.1 stieg von 61,8 auf 82,7 auf DeepSeeks eigenem Testrahmen, über dem V4-Pro-Preview bei 72,1. Artificial Analysis, das seinen eigenen Testrahmen verwendet, bewertet es mit 78,7.
• $0.14 / $0.28 pro Million Tokens, was $0.03 pro Intelligence-Index-Aufgabe entspricht, der günstigste Wert im Artificial-Analysis-Ranking. Gemini 3.6 Flash erreicht denselben Wert von 50 und kostet $0.56.
• Beide Modelle sind MIT-lizenziert mit einem nativen 1M-Token-Kontext und bis zu 384K Tokens Ausgabe. V4-Pro ist noch eine Vorschau.
• Das DSpark-Modul für spekulatives Decoding wird jetzt direkt im Checkpoint mitgeliefert und lässt sich in vLLM oder SGLang mit einem einzigen Flag aktivieren.

Was ist DeepSeek V4

DeepSeek V4 ist die vierte Generation der Flaggschiff-Modellfamilie von DeepSeek, dem in Hangzhou ansässigen KI-Labor, das im Januar 2025 mit dem kostengünstigen Reasoning-Modell R1 die globalen Märkte aufgerüttelt hat. V4 löst DeepSeek V3 und V3.2 ab, die nach dem 24. Juli 2026 eingestellt wurden. Das nächste Reasoning-Modell von DeepSeek, R2, verfolgen wir mit Gerüchten und Veröffentlichungszeitpunkt in einem separaten Beitrag.

V4-Flash ist keine Vorschau mehr. Das 0731-Build ist das offizielle Release, und DeepSeek beschreibt es als mit „erheblich verbesserten Agentenfähigkeiten" gegenüber der ersetzten Vorschau. V4-Pro trägt weiterhin den Vorschau-Status. DeepSeek bezeichnet V4 als die erste offene Modellfamilie, die von Grund auf auf Million-Token-Kontexte als Standard ausgelegt ist, nicht als nachträgliches Feature. Der technische Bericht beschreibt dies als Durchbrechen der „Effizienzbarriere bei der Verarbeitung ultra-langer Kontexte" und positioniert langen Kontext als nächste Achse des Test-Time-Scalings, nach der Reasoning-Model-Welle, die R1, o1 und ihre Nachfolger eingeläutet haben.

Beide V4-Modelle sind quelloffen und unter der DeepSeek-Sammlung auf Hugging Face veröffentlicht. Entwickler können die Gewichte herunterladen, lokal ausführen und feinabstimmen. Die API ist heute live unter api-docs.deepseek.com und unterstützt sowohl das OpenAI ChatCompletions- als auch das Anthropic-API-Format.

Zwei Modelle in der V4-Serie

DeepSeek V4 kommt in zwei Größen, beide als Mixture-of-Experts.

Jedes Modell hat einen gemeinsamen Experten plus die oben aufgeführten gerouteten Experten. Die ersten drei MoE-Schichten verwenden Hash-Routing, das Experten anhand eines festen Hashes der Token-ID zuweist, während die restlichen das standardmäßige DeepSeekMoE-Learned-Routing verwenden. Beide Modelle haben Multi-Token Prediction mit Tiefe 1 aktiviert, dieselbe MTP-Strategie wie in V3.

V4-Flash ist als kostengünstiger Standard für die meisten Einsatzszenarien positioniert. V4-Pro ist das Frontier-Modell für Aufgaben, bei denen maximale Intelligenz wichtiger ist als der Preis pro Token. Beide unterstützen denselben 1M-Kontext und dieselben Agentenfähigkeiten und bieten Thinking- und Non-Thinking-Modi.

Die große Architekturwette

Die größte Änderung in V4 betrifft den Attention-Stack. Das DeepSeek-Team argumentiert, dass der quadratische Rechenaufwand der Standard-Attention jetzt der bindende Engpass für weiteren Fortschritt ist, besonders wenn Modelle längere Agentenschleifen ausführen und größere Dokumentmengen verarbeiten. V4 gestaltet die Attention um, um diesen Aufwand zu senken.

Drei Architekturveränderungen prägen das Release:

1. Ein hybrides Attention-Verfahren, das Compressed Sparse Attention (CSA) und Heavily Compressed Attention (HCA) kombiniert.
2. Manifold-Constrained Hyper-Connections (mHC), eine Weiterentwicklung der Residualverbindungen für numerische Stabilität in tiefen Stacks.
3. Der Wechsel zum Muon-Optimizer (von AdamW für die meisten Parameter), der laut DeepSeek schnellere Konvergenz und stabileres Training auf Billion-Parameter-Ebene liefert.

Weitere von V3 übernommene Details umfassen DeepSeekMoE mit feingranulierten gerouteten und gemeinsamen Experten, FP8-Präzision für die meisten Gewichte, Multi-Token Prediction und den 128K-Vokabular-Tokenizer. Die gerouteten Expertengewichte werden jetzt in FP4 gespeichert, was den Speicherbedarf gegenüber FP8 halbiert und auf Hardware mit schnellerer FP4-Mathematik weiteren Effizienzgewinnen den Weg ebnet.

Hybride CSA- und HCA-Attention

Standard-Transformer-Attention berücksichtigt bei jedem neuen Token alle vorherigen Tokens. Bei einer Million Tokens ist das weder in FLOPs noch in der KV-Cache-Größe tragbar. V4 teilt das Problem in zwei komplementäre Durchläufe auf.

Compressed Sparse Attention (CSA) komprimiert zunächst KV-Caches entlang der Sequenzdimension (mit Kompressionsrate 4 in V4) und wendet dann DeepSeek Sparse Attention an, die in V3.2 eingeführt wurde. Ein Lightning-Indexer wählt die top-k relevantesten komprimierten KV-Einträge für jede Anfrage aus. V4-Pro wählt die top 1.024, V4-Flash die top 512. Ein kurzes gleitendes Fenster von 128 Tokens wird seitlich hinzugefügt, damit lokaler Kontext nie verloren geht.

Heavily Compressed Attention (HCA) wendet eine wesentlich aggressivere Kompressionsrate von 128 an und führt dann eine dichte Attention über die komprimierte Darstellung durch. Dies gibt dem Modell in jeder Schicht eine günstige, globale Sicht auf entfernte Tokens.

CSA- und HCA-Schichten wechseln sich durch das Netz ab. Die ersten zwei Schichten von V4-Flash verwenden reines Sliding-Window-Attention, während V4-Pro mit HCA-Schichten beginnt. Das Ergebnis: Das Modell kann auf jeder Tiefe zwischen präzisen Sparse-Lookups (CSA) und breitem komprimiertem Kontext (HCA) wählen, statt sich von vornherein für eine Strategie zu entscheiden.

Trainingsdaten, Rechenleistung und Optimizer

V4-Flash wurde auf 32 Billionen Tokens vortrainiert, V4-Pro auf 33 Billionen. Beide verwendeten einen Batch-Size-Zeitplan, der auf maximal 75,5 Millionen Tokens für Flash und 94,4 Millionen für Pro hochfährt und dort für den Großteil des Trainings bleibt.

Die Trainingssequenzlänge wurde stufenweise erweitert: 4K, dann 16K, 64K und schließlich 1M. Dense Attention lief für die ersten 1T Tokens (länger für Pro), danach wurde Sparse Attention bei 64K Sequenzlänge eingeführt und für den Rest des Trainings beibehalten. Der Lightning-Indexer wurde in einer kurzen Zwischenphase aufgewärmt, bevor das vollständige CSA-Training begann.

Das Team wechselte für die meisten Parameter zu Muon, wobei AdamW nur für Embeddings, den Prediction-Head und RMSNorm-Gewichte beibehalten wurde. Die Peak-Lernrate betrug 2,7e-4 für Flash und 2,0e-4 für Pro, abgeklungen nach einem Cosine-Schedule im Endabschnitt.

FP4-quantisierungsbewusstes Training wurde auf MoE-Expertengewichte und den Indexer-QK-Pfad angewendet. DeepSeek berichtet außerdem von zwei neuen Stabilitätstechniken, die Verlustspitzen bei Billionen-Parameter-Training wesentlich reduzieren:

• Anticipatory Routing entkoppelt Backbone- und Router-Updates, indem aktuelle Gewichte für Features, aber historische Gewichte für Routing-Indizes verwendet werden, und wird automatisch bei erkannter Spitze aktiviert.
• SwiGLU Clamping begrenzt die linearen und Gate-Komponenten von SwiGLU, um Aktivierungen zu stabilisieren.

Post-Training mit On-Policy Distillation

Beim Post-Training weicht V4 am deutlichsten von V3 ab. Statt einer großen gemischten Reinforcement-Learning-Phase über ein Generalisten-Modell trainiert DeepSeek für jede Domäne (Mathematik, Coding, Agenten-Aufgaben, Instruction Following usw.) einen eigenen Spezialisten-Experten. Jeder Experte durchläuft Supervised Fine-Tuning auf hochwertigen Domaindaten, gefolgt von Group Relative Policy Optimization (GRPO) RL mit domänenspezifischen Reward-Modellen.

Das vereinheitlichte Endmodell wird dann durch On-Policy Distillation (OPD) trainiert, bei der es als Student agiert und den inversen KL-Verlust gegenüber den Spezialisten-Lehrern optimiert. Dieser Schritt fügt das gesamte Domänenwissen in ein kohärentes Modell. Es ist dasselbe Verfahren, auf das Kimi K2.6 und mehrere andere aktuelle offene Modelle gesetzt haben, und ein Grund, warum offene Modelle die Lücke zu geschlossenen Frontier-Systemen bei Spezialisten-Benchmarks verringert haben.

DeepSeek hat zudem eine Sandbox-Infrastruktur für agentisches RL aufgebaut, einen unterbrechbaren fehlertoleranten Rollout-Service und ein skaliertes RL-Framework, das Episoden auf Million-Token-Kontexten ausführen kann. Diese Investitionen sind in Benchmark-Tabellen unsichtbar, bestimmen aber, ob langfristige Agentenarbeit auf Skalenebene überhaupt trainierbar ist.

Benchmark-Ergebnisse

Der DeepSeek-Technikbericht veröffentlicht direkte Vergleichszahlen für DeepSeek-V4-Pro-Max gegen Claude Opus 4.6-Max, GPT-5.4-xHigh, Gemini-3.1-Pro-High und die führenden offenen Modelle Kimi K2.6-Thinking und GLM-5.1-Thinking, inzwischen abgelöst von GLM 5.2. Die folgende Tabelle zeigt alle Zeilen.

Ein paar Dinge fallen auf.

V4-Pro-Max setzt mit 57,9 % einen neuen State-of-the-Art für offene Modelle auf SimpleQA-Verified, ein Sprung von 20 Punkten gegenüber dem bisher besten offenen Modell. Es gewinnt klar auf LiveCodeBench (93,5 %), Codeforces-Rating (3.206), Apex Shortlist (90,2 %) und Toolathlon (51,8 %). Besonders beim Codeforces-Rating: 3.206 platziert das Modell auf Rang 23 unter menschlichen Teilnehmern, das erste Mal, dass ein offenes Modell einem geschlossenen Frontier-Modell im Competitive Programming entspricht.

Der Abstand zu proprietären Frontier-Modellen hat sich verringert, aber nicht geschlossen. Gemini 3.1 Pro führt beim Allgemeinwissen (MMLU-Pro, SimpleQA, GPQA Diamond, HLE, Chinese-SimpleQA), GPT-5.4 beim agentischen Coding (Terminal Bench 2.0 mit 75,1 % gegenüber V4-Pro mit 67,9 %), und Claude Opus 4.6 beim Langkontext-Retrieval (MRCR 1M mit 92,9 % gegenüber 83,5 %) und im GDPval-Elo-Ranking für wirtschaftlich wertvolle Arbeit.

DeepSeek beschreibt diese Positionierung direkt im Paper: V4-Pro-Max liegt beim Reasoning „knapp unter GPT-5.4 und Gemini-3.1-Pro" und damit etwa drei bis sechs Monate hinter der Frontier. Für ein Open-Weight-Modell, das kostenlos herunterladbar ist, ist das eine bedeutende Verschiebung gegenüber dem Stand, den R1 vor einem Jahr hinterlassen hat.

V4-Pro-Max im Vergleich zu Opus 4.6, GPT-5.4 und Gemini 3.1 Pro

Drei Muster stechen beim Blick durch die Benchmark-Tabelle hervor.

Gegenüber Claude Opus 4.6 gewinnt V4-Pro-Max auf LiveCodeBench (93,5 vs. 88,8), Codeforces (3.206 vs. nicht getestet), IMOAnswerBench (89,8 vs. 75,3), Apex Shortlist (90,2 vs. 85,9) und Toolathlon (51,8 vs. 47,2). Opus führt bei Wissen (MMLU-Pro, GPQA Diamond, HLE), Langkontext-Retrieval auf MRCR und CorpusQA, SWE Multilingual und GDPval-AA. Fazit: V4 ist die stärkere Wahl für Competitive Programming und Tool-Use, Opus 4.6 bleibt die stärkere Wahl für Wissensarbeit und sehr lange Dokumente. Hinweis: Anthropic hat seitdem Opus 4.7 und die eingeschränkte Claude Mythos Preview veröffentlicht, beide über Opus 4.6 in diesen Benchmarks.

Gegenüber GPT-5.4 hat V4-Pro-Max die Nase vorn bei LiveCodeBench, Codeforces, Apex Shortlist, MCPAtlas und Toolathlon. GPT-5.4 gewinnt HMMT, Apex, GDPval-AA und Terminal Bench 2.0 mit deutlichem Abstand (75,1 vs. 67,9). OpenAI hat seitdem GPT-5.5 mit 82,7 % auf Terminal Bench 2.0 veröffentlicht, was den Abstand beim agentischen Coding erneut vergrößert.

Gegenüber Gemini 3.1 Pro gewinnt V4-Pro-Max auf LiveCodeBench, Codeforces, IMOAnswerBench, Apex Shortlist, CorpusQA 1M und Toolathlon und liegt bei den meisten anderen fast gleichauf. Gemini hat seinen klarsten Vorteil beim Allgemeinwissen (SimpleQA-Verified 75,6, MMLU-Pro 91,0, GPQA Diamond 94,3).

Agentisches Coding und Tool-Use

DeepSeek hat agentisches Coding als Einsatzstory konsequent in den Vordergrund gestellt. Das Team weist ausdrücklich darauf hin, dass V4 „nahtlos mit führenden KI-Agenten wie Claude Code, OpenClaw und OpenCode integriert" ist, und nennt V4 als Antrieb für eigenes internes agentisches Coding. Alibaba hat im Mai denselben Weg mit Qwen3.7-Max eingeschlagen, das das Anthropic-API-Protokoll nativ unterstützt und beim Launch einen 35-Stunden-Autonomous-Coding-Run demonstriert hat. Eine Beispiel-PDF in der Ankündigung wurde von V4-Pro vollständig durchgehend erstellt.

Bei Agenten-Benchmarks erzielt V4-Pro-Max 80,6 % auf SWE-Bench Verified, 55,4 % auf SWE-Bench Pro, 76,2 % auf SWE Multilingual, 67,9 % auf Terminal Bench 2.0, 73,6 % auf MCPAtlas und 51,8 % auf Toolathlon. Die MCPAtlas- und Toolathlon-Werte sind besonders relevant, da diese Benchmarks ein breites Spektrum externer Tools und MCP-Services bewerten, sodass ein starkes Ergebnis zeigt, dass das Modell über den internen Agenten-Testrahmen von DeepSeek hinaus verallgemeinert.

Diese Zahlen stammen aus der April-Vorschau, und das 0731-Build hat dieses Bild umgekehrt. In der Vorschau war V4-Flash-Max der klar schwächere Agent und fiel von V4-Pros 67,9 % auf 56,9 % auf Terminal Bench 2.0. Im offiziellen Release gibt DeepSeeks eigener Steckbrief V4-Flash-0731 mit 82,7 auf Terminal Bench 2.1 an, gegenüber dem V4-Pro-Preview bei 72,1, mit entsprechenden Gewinnen auf NL2Repo (54,2 vs. 38,5), Cybergym (76,7 vs. 52,7) und DeepSWE (54,4 vs. 12,8). DeepSeek beschreibt das als Sieg über Pro „trotz der weit geringeren aktivierten Parameteranzahl".

Der praktische Ratschlag hat sich damit umgekehrt. Starte mit V4-Flash für Agenten-Arbeit, nicht nur für Chat, und greife auf V4-Pro nur zurück, wo reine Wissenstiefe gefragt ist. Ein Vorbehalt zu diesen Zahlen: Sie stammen aus DeepSeeks eigenem Testrahmen bei maximaler Reasoning-Anstrengung. Artificial Analysis bewertet V4-Flash-0731 auf demselben Benchmark mit 78,7. Beide Ergebnisse sind real, stammen aber aus unterschiedlichen Setups, daher gilt 82,7 als Herstellerwert, nicht als neutraler.

DeepSeek berichtet, dass V4-Pro-Max in der internen Bewertung bei Agenten-Aufgaben „Claude Sonnet 4.5 übertrifft und sich dem Niveau von Opus 4.5 annähert". Öffentliche Benchmark-Abstände zu neueren geschlossenen Modellen bestehen weiterhin, doch die interne Zahl deutet darauf hin, dass die Lücke bei realen Workloads kleiner ist, als die Überschriftenwerte vermuten lassen.

Mathematisches Reasoning

Formale Mathematik ist ein Bereich, in dem V4 das Feld klar hinter sich lässt. Auf Putnam-200 Pass@8 mit minimalen Tools (das von Seed-Prover eingeführte Setup) erreicht V4-Flash-Max 81,0, verglichen mit 35,5 für Seed-2.0-Pro, 26,5 für Gemini-3-Pro und 26,5 für Seed-1.5-Prover.

Im Frontier-Putnam-2025-Setup, das informales Reasoning mit formaler Verifikation und höherem Rechenaufwand kombiniert, erreicht V4 ein beweisreifes 120/120, gleichauf mit Axiom und vor Aristotle (100/120) und Seed-1.5-Prover (110/120).

Bei Wettkampfmathe-Benchmarks platzieren HMMT 2026 February mit 95,2 und IMOAnswerBench mit 89,8 V4-Pro-Max in Reichweite von GPT-5.4 (97,7 und 91,4) und vor Gemini 3.1 Pro bei IMOAnswerBench.

Ein-Millionen-Token-Kontext in der Praxis

Beide V4-Modelle unterstützen nativ einen 1M-Token-Kontext. Das ist der Standard, keine besondere Langkontext-Stufe, und er kommt ohne Preisaufschlag für lange Kontexte.

Auf MRCR, einem In-Context-Retrieval-Benchmark, hält V4-Pro bis 128K Tokens eine Retrieval-Genauigkeit von 94 % und bei 512K noch 82 %, die bei 1M Tokens auf 66 % sinkt. DeepSeek berichtet, dass V4-Pro „Gemini-3.1-Pro auf dem MRCR-Task übertrifft" (83,5 vs. 76,3), aber „hinter Claude Opus 4.6 zurückbleibt" (92,9).

Auf CorpusQA, einem Benchmark näher am realen Langdokument-Einsatz, erreicht V4-Pro 62,0 % bei 1M Tokens und schlägt Gemini 3.1 Pro mit 53,8 %. Fazit: Für langes Dokument-QA ist V4-Pro ernsthaft konkurrenzfähig mit den geschlossenen Langkontext-Vorreitern und klar vor dem bisherigen Open-Source-Feld.

Der Technikbericht sieht langen Kontext als nächste Skalierungsachse und öffnet die Tür für längere Agentenschleifen, komplexere dokumentübergreifende Analysen und explorative Paradigmen wie Online-Learning. All das ist nicht möglich, wenn Inferenz bei 1M Tokens zu teuer ist, weshalb die architektonischen Effizienzgewinne hier entscheidend sind.

Effizienz und KV-Cache-Einsparungen

Die wichtigsten Effizienzwerte laut Technikbericht bei einem 1M-Token-Kontext:

Diese Zahlen machen 1M-Token-Kontexte wirtschaftlich machbar. Ein 10x kleinerer KV-Cache bedeutet, dass eine einzelne GPU ungefähr 10-mal so viele gleichzeitige Langkontext-Sitzungen bedienen kann, was den Preiszettel für agentische und Forschungs-Workloads direkt verändert.

Die Gewinne kommen aus drei Quellen: Sparse Attention über CSA, starke Kompression über HCA und FP4-Speicher für MoE-Expertengewichte. Auf zukünftiger Hardware mit schnellerer FP4-Mathematik schätzt DeepSeek zusätzlich ein Drittel Effizienz auf die heutigen Zahlen obendrauf.

Reasoning-Effort-Modi

Jedes V4-Modell bietet drei Reasoning-Effort-Stufen: Non-Think, High und Max. Max verwendet längere Kontexte und reduzierte Längenstrafen im RL und ist der Modus für die schwierigsten Reasoning-Aufgaben.

Zwei Beobachtungen. Erstens sind Reasoning-Modi für schwierige Reasoning-Aufgaben weitaus wichtiger als die rohe Modellgröße: HLE steigt von 7,7 (Pro Non-Think) auf 37,7 (Pro Max), ein fast 5-facher Sprung. Zweitens liegt Flash Max bei Reasoning-Benchmarks überraschend nahe an Pro, wenn genug Thinking-Budget vorhanden ist, weshalb DeepSeek Flash als „hochkostengünstige Architektur für komplexe Reasoning-Aufgaben" bezeichnet. Bei Wissensaufgaben, bei denen die Parameteranzahl eine Rolle spielt, hat Pro einen klaren Vorteil.

Huawei Ascend-Unterstützung und chinesische Hardware

Parallel zum V4-Release hat Huawei angekündigt, dass sein Ascend-Supernode, angetrieben von den neuen Ascend 950 AI-Chips, DeepSeek V4 sofort unterstützt. Das ist ein deutliches Signal: V4 lässt sich damit sofort auf chinesischer KI-Hardware im großen Maßstab einsetzen, ohne Abhängigkeit von US-Herstellern unterliegenden Exportbeschränkungen.

Die Paarung spiegelt den breiteren Aufbau eines eigenständigen chinesischen KI-Stacks wider: chinesische Gewichte, chinesische Chips, chinesische Inferenz-Software. Für Unternehmen und Forschungsgruppen im chinesischen Festland dürfte das mehr wiegen als jede einzelne Benchmark-Zahl.

Preise und API

DeepSeek V4 ist seit dem 24. April 2026 über die DeepSeek API verfügbar. API-Nutzer müssen nur den model-Parameter anpassen, nicht die base_url, und deepseek-v4-flash liefert jetzt automatisch das 0731-Build ohne jede Änderung am Aufruf:

• deepseek-v4-pro für V4-Pro
• deepseek-v4-flash für V4-Flash

Beide Modelle unterstützen das OpenAI-ChatCompletions-Format und das Anthropic-API-Format. Beide bieten 1M Kontext und Thinking- sowie Non-Thinking-Modi, konfigurierbar über den Thinking-Mode-Parameter.

Die finalen Preise sind veröffentlicht. V4-Flash kostet $0.14 pro Million Eingabe-Tokens bei Cache-Miss, $0.0028 bei Cache-Hit und $0.28 pro Million Ausgabe-Tokens. V4-Pro kostet $0.435 / $0.003625 / $0.87 auf denselben drei Positionen. Beide enthalten den vollen 1M-Kontext ohne Aufpreis und begrenzen die Ausgabe auf 384K Tokens. Flash erlaubt 2.500 gleichzeitige Anfragen, Pro 500.

🔴 Die alten Endpunkte sind abgeschaltet. deepseek-chat und deepseek-reasoner wurden nach dem 24. Juli 2026, 15:59 UTC eingestellt, und DeepSeeks Dokumentation listet jetzt genau zwei Modell-IDs. Wenn einer dieser Strings noch in einer Konfigurationsdatei steckt, scheitern die Aufrufe. DeepSeek hat außerdem gesagt, es wird auf Spitzen- und Nebenzeiten-Preise umstellen, bei 2x dem regulären Tarif in Stoßzeiten, aber noch kein Datum genannt.

Das erhält das kommerzielle Argument für DeepSeek. Gegenüber Top-Closed-Modellen zu $5/$30 und $5/$25 pro Million Tokens ist V4-Flash bei Eingabe-Tokens rund 36-mal günstiger. Der Abstand ist deutlich kleiner gegenüber den günstigen Tiers, wo OpenAIs Kürzung im Juli 2026 sein Einstiegsmodell auf $0.20/$1.20 senkte. Den vollständigen Überblick über API-Tiers, Gratis-Zugang und die Consumer-App findest du in unserem DeepSeek-Preisleitfaden.

Verfügbarkeit und Migration von V3

V4 ist heute auf drei Wegen verfügbar.

chat.deepseek.com. Der Web-Chatbot bietet V4 über zwei Schalter an: Expert Mode und Instant Mode, die V4-Pro-Max bzw. V4-Flash für schnelle Antworten abbilden. Wer DeepSeek Chat bereits nutzt, braucht kein neues Konto.

DeepSeek API. Verfügbar über deepseek-v4-pro und deepseek-v4-flash. Beide Modelle haben standardmäßig 1M Kontext. Thinking- und Non-Thinking-Modi sind pro Anfrage wählbar.

Hugging Face. Offene Gewichte sind unter huggingface.co/collections/deepseek-ai/deepseek-v4 veröffentlicht. Der vollständige technische Bericht ist als PDF im V4-Pro-Repository verfügbar. Inferenz erfordert für V4-Pro erhebliche Hardware (Dutzende GPUs für nennenswerten Durchsatz), aber V4-Flash mit 13B aktiven Parametern ist für einen gut ausgestatteten Einzelserver gut erreichbar.

Die Migration von V3 ist weitgehend ein Drop-in. Der Tokenizer ist kompatibel (noch 128K Vokabular, gleiche Sonderzeichen plus einige neue für die Kontextkonstruktion). Die API-Oberfläche für den Thinking-Modus ist unverändert. Die wesentlichen Neuerungen sind der neue 1M-Standard-Kontext und die neuen Modell-IDs.

Einschränkungen

DeepSeek ist im Technikbericht ungewöhnlich offen über die verbleibenden Schwächen von V4.

Architekturkomplexität. Um das Risiko bei den größten Architekturänderungen (mHC, hybride CSA und HCA, Muon, FP4) zu minimieren, hat V4 viele bereits bewährte V3-Komponenten behalten. DeepSeek beschreibt die resultierende Architektur als „relativ komplex" und kündigt an, künftige Versionen werden versuchen, „die Architektur auf ihre wesentlichsten Designs zu reduzieren".

Trainingsstabilität. Anticipatory Routing und SwiGLU Clamping haben in der Praxis funktioniert, aber das Team räumt ein, dass ihre „zugrunde liegenden Prinzipien noch unzureichend verstanden" sind, und nennt Trainingsstabilität als aktives Grundlagenforschungsfeld.

Wissenslücke. V4-Pro-Max liegt bei den meisten wissensintensiven Benchmarks hinter Gemini 3.1 Pro (MMLU-Pro, SimpleQA, GPQA Diamond, HLE). Der Abstand hat sich deutlich verringert, ist aber nicht geschlossen.

Langkontext-Retrieval-Decke. Oberhalb von 128K Tokens sinkt die Retrieval-Genauigkeit und fällt bei 1M Tokens auf dem MRCR auf 66 %. Das ist besser als die meisten offenen Modelle und Gemini 3.1 Pro, aber nicht die nahezu perfekte Treffsicherheit, die einige Benchmarks für Claude Opus 4.6 melden.

Frontier-Agenten-Aufgaben. Auf den April-Vorschau-Zahlen lag V4-Pro-Max bei Terminal Bench 2.0 (67,9) und SWE Pro (55,4) hinter der geschlossenen Frontier. Das 0731-Build hat das auf der Agentenseite deutlich verbessert, aber die aktuellen geschlossenen Flaggschiffe führen noch bei der anspruchsvollsten agentischen Coding-Arbeit. Beide haben sich seitdem weiterentwickelt, zu OpenAIs GPT-5.6-Linie und Claude Opus 5.

Multimodal. V4 ist rein textbasiert. DeepSeek sagt, es „arbeitet daran, multimodale Fähigkeiten in die Modelle zu integrieren", aber das aktuelle Release akzeptiert weder Bilder, Audio noch Video.

Was das für dich bedeutet

Für Entwickler. V4-Flash ist jetzt der Standard für hochvolumiges Serving, da deepseek-chat und deepseek-reasoner eingestellt wurden. Mit 13B aktiven Parametern, einem Million-Token-Kontext und den 0731-Agenten-Gewinnen ist es der günstigste Weg, ein bestimmtes Maß an gemessener Fähigkeit auf dem Artificial-Analysis-Board zu kaufen, zu $0.03 pro Index-Aufgabe. Beachte: Dieser Score stammt von einem älteren Board-Stand, und V4-Flash hat noch keine menschlichen Präferenzstimmen auf einem Arena-Leaderboard. V4-Pro lohnt sich als direkter Ersatz für Claude Opus bei Competitive Coding, werkzeuglastigen Agenten-Workflows und jeder Aufgabe, die von langem Kontext profitiert.

Für Open-Source- und selbst gehostete Deployments. V4 ist heute die stärkste offene Modellfamilie bei Competitive Programming und formaler Mathematik und das erste offene Modell, das geschlossene Frontier-Systeme auf Codeforces erreicht. Es ist auch das erste weit einsetzbare offene Modell, das nativ für Million-Token-Kontexte gebaut wurde. Für jedes Team, das einen eigenen LLM-Stack aufbaut, setzt V4 die Build-vs.-Buy-Kalkulation deutlich neu.

Für Agenten-Entwickler. Die CSA/HCA-Effizienzgewinne sind es, die 1M-Token-Agentenschleifen von Forschungsdemos zu produktionstauglichen Workloads machen. Token-Effizienz bei langem Kontext übersetzt sich direkt in niedrigere Kosten pro Aufgabe und längere Agenten-Durchläufe pro Euro.

Für Alltagsnutzer. Wer einfach alle Frontier-Modelle nutzen will, ohne viele Abonnements zu jonglieren: Fello AI bündelt DeepSeek zusammen mit ChatGPT, Claude, Gemini, Grok und Perplexity in einer nativen Mac-, iPhone- und iPad-App für $9.99/Monat, mit über 25.000 Fünf-Sterne-Bewertungen.

V4 ist das bisher deutlichste Zeichen dafür, dass offene Modelle den Großteil des Abstands zur geschlossenen Frontier aufgeholt haben, während sie einen echten Architekturvorsprung bei Langkontext-Effizienz aufbauen. Die nächste Frage lautet nicht mehr, ob offene Modelle an der Frontier mithalten können. Sie lautet, was möglich wird, wenn Million-Token-Kontexte zur Routine werden, und V4 ist das erste Release, das darauf eine Antwort geben will.

FAQ