DeepSeek bringt V4-Pro still auf den Markt: 1,6 Billionen Parameter, 1-Million-Token-Kontext, 0,87 $ pro Million Tokens
Nachrichtenübersicht
DeepSeek hat still die fertige Version seines Flaggschiff-Sprachmodells DeepSeek-V4-Pro-0813 veröffentlicht und das System ohne Blogbeitrag, ohne Pressekonferenz und ohne formelle Ankündigung aus dem Vorschaustatus genommen. Der Build erschien in der offiziellen API-Dokumentation des Unternehmens und auf Hugging Face und ist nun für Entwickler über die API und für Verbraucher über chat.deepseek.com verfügbar. Seit 6:00 Uhr US-Ostküstenzeit am 13. August 2026 ist das Modell allgemein verfügbar, nachdem die DeepSeek-V4-Familie am 24. April 2026 erstmals als Vorschau veröffentlicht wurde.
Ein Start ohne Tamtam
Die Einführung steht in scharfem Kontrast zu dem Moment, der DeepSeek erstmals auf die Weltkarte brachte. Als DeepSeek-R1 am 20. Januar 2025 startete, löste es eine dramatische Marktreaktion aus und trug dazu bei, dass innerhalb einer Woche rund 593 Milliarden Dollar vom Marktwert von Nvidia verschwanden. Das V4-Pro-0813-Update hatte nichts von diesem Spektakel. Ingenieure und Forscher, die das Hugging-Face-Repository und das API-Änderungsprotokoll des Unternehmens überwachten, gehörten zu den Ersten, die bemerkten, dass der neue Build die Vorschauversion ersetzt hatte – ein Zeichen dafür, wie routiniert große Modell-Updates für das schnelllebige Labor geworden sind.
Was sich unter der Haube geändert hat
DeepSeek-V4-Pro basiert auf einer Mixture-of-Experts-Architektur (MoE) mit insgesamt 1,6 Billionen Parametern, von denen 49 Milliarden pro Token aktiviert werden. Im Vergleich zu seinem Vorgänger DeepSeek-V3 mit 671 Milliarden Gesamtparametern und 37 Milliarden aktiven Parametern hat V4-Pro etwa die 2,4-fache Gesamtparameterzahl und etwa das 1,3-fache an aktiver Rechenleistung pro Token.
Das bedeutendste architektonische Upgrade betrifft die Verarbeitung langer Kontexte. Das Kontextfenster des Modells wurde um das Achtfache erweitert, von 128.000 Tokens in V3 auf 1 Million Tokens in V4-Pro, mit einer maximalen Ausgabelänge von 384.000 Tokens. Möglich wird dies durch einen neuen hybriden Aufmerksamkeitsmechanismus, der Compressed Sparse Attention (CSA) und Heavily Compressed Attention (HCA) kombiniert, sowie durch eine Technik, die das Unternehmen Manifold-Constrained Hyper-Connections (mHC) nennt. Laut dem technischen Bericht von DeepSeek benötigt V4-Pro bei voller Kontextlänge von 1 Million Tokens nur etwa 27 Prozent der Inferenzrechenleistung pro Token und 10 Prozent des Key-Value-Cache-Speichers, die das frühere Modell DeepSeek-V3.2 benötigte.
Die V4-Familie umfasst auch ein kleineres Schwestermodell, DeepSeek-V4-Flash, ein Modell mit 284 Milliarden Parametern und 13 Milliarden aktiven Parametern, das für schnellere Workloads mit höherem Volumen entwickelt wurde. Beide Modelle behalten das DeepSeekMoE-Framework und die in V3 eingeführte Multi-Token-Prädiktionsstrategie bei, und beide wurden mit offenen Gewichten unter der MIT-Lizenz veröffentlicht, zusammen mit einem vollständigen technischen Bericht und Hugging-Face-Modellkarten.
Preisgestaltung und Marktposition
DeepSeek-V4-Pro-0813 ist über die API mit etwa 0,435 $ pro Million Eingabetokens und 0,87 $ pro Million Ausgabetokens bepreist. Diese Preisgestaltung liegt deutlich unter vergleichbaren Spitzenmodellen westlicher Labore, wobei einige Branchenvergleiche Eingabe- und Ausgabekosten für führende Konkurrenzmodelle im Bereich von 10 $ bzw. 50 $ pro Million Tokens für Eingabe und Ausgabe nennen.
So schneidet es bei Benchmarks ab
Eine unabhängige Reproduktion der vom Anbieter gemeldeten Zahlen steht noch aus, daher sollten die folgenden Benchmark-Ergebnisse als von DeepSeek selbst gemeldete Werte betrachtet werden. Bei SWE-bench Verified, einem weit verbreiteten Coding-Benchmark, erzielte V4-Pro 80,6 Punkte und liegt damit etwa auf Augenhöhe mit anderen führenden Modellen, nur einen Bruchteil eines Punktes hinter den besten Closed-Source-Konkurrenten. Bei SWE-bench Pro, einem Benchmark, der als Indikator für produktionsreife Coding-Fähigkeiten gilt, erzielte V4-Pro 55,4 Prozent und liegt damit fast neun Prozentpunkte hinter den besten Closed-Source-Modellen. Bei Terminal-Bench 2.0 erzielte V4-Pro 67,9 Prozent, etwa 1,5 Punkte hinter dem führenden Closed-Source-Ergebnis.
Über eine breitere Reihe von neun agentenorientierten Benchmarks, für die vergleichbare Werte vorliegen, führte der stärkste Closed-Source-Konkurrent im Durchschnitt mit etwa 5 Prozentpunkten; wenn man einen Ausreißer-Benchmark ausschließt, verringert sich diese Lücke auf unter 3 Prozentpunkte, wobei DeepSeek-V4-Pro bei zwei der neun Messgrößen tatsächlich führt.
Warum der stille Start wichtig ist
Branchenbeobachter merken an, dass der zurückhaltende Veröffentlichungsstil einen breiteren Wandel widerspiegelt, wie häufig Spitzenlabore jetzt Modell-Updates herausbringen und wie routiniert solche Updates selbst dann geworden sind, wenn die zugrunde liegenden Leistungssteigerungen erheblich sind. Für Entwickler und Unternehmen, die große Sprachmodelle evaluieren, positioniert die Kombination aus nahezu Spitzen-Benchmark-Leistung und einem Bruchteil der Kosten pro Token führender westlicher Alternativen DeepSeek-V4-Pro als bemerkenswerte Option für kostenbewusste, groß angelegte Bereitstellungen – insbesondere für solche, die die Analyse langer Dokumente betreffen, angesichts des erweiterten Kontextfensters von 1 Million Tokens.
Was als Nächstes zu beobachten ist
Da die zusammen mit V4-Pro-0813 veröffentlichten Benchmark-Zahlen vom Anbieter stammen, wird erwartet, dass unabhängige Evaluatoren und Drittanbieter-Ranglisten in den kommenden Wochen ihre eigenen Reproduktionsergebnisse veröffentlichen, die ein klareres Bild davon vermitteln, wie das Modell außerhalb der eigenen Testumgebung von DeepSeek abschneidet. Entwickler, die das Modell ausprobieren möchten, können es sofort über die DeepSeek-API oder die Optionen Expert Mode und Instant Mode auf chat.deepseek.com nutzen, und Forscher können die vollständigen Architekturdetails im technischen Bericht zu DeepSeek-V4 einsehen, der zusammen mit der Hugging-Face-Veröffentlichung publiziert wurde.