DeepSeek V4-Pro und Flash: API, Preise und lokale Hardware

DeepSeek ist im August vom unübersichtlichen Modellkatalog zu einer brauchbaren Produktentscheidung geworden. Pro ist die stärkere API für schwierige Coding- und Agentenaufgaben, Flash die günstigere Variante für Volumen, Vision-Exp ein noch experimenteller Bildpfad. Lokal bleibt die Lage härter: V4-Flash lief in meinem Lab auf einer DGX Spark mit 128 GB, aber nur als stark quantisierte Community-GGUF. Wer eine normale Workstation besitzt, bekommt damit noch keinen alltagstauglichen V4-Pfad.

Kurzentscheidung

Für anspruchsvolle Coding- und Agentenaufgaben ist die API-ID deepseek-v4-pro mit Version DeepSeek-V4-Pro-0813 der Kandidat. Für Klassifikation, Extraktion und andere Volumenlasten ist deepseek-v4-flash mit Version DeepSeek-V4-Flash-0731 günstiger; bei Cache Miss und Output kostet Flash ein Drittel von Pro. Vision-Exp gehört in Prototypen. Für lokalen V4-Betrieb gibt es keinen belastbaren Consumer-Pfad: Der dokumentierte Flash-Lauf auf 128 GB Unified Memory ist ein Labortest, keine Workstation-Empfehlung.

Auf normaler Consumer-Hardware sind Qwen und Gemma 4 die realistischeren lokalen Alternativen, weil aktuelle DeepSeek-V4-Modelle selbst stark quantisiert weit mehr Speicher verlangen.

Welche DeepSeek Modelle sind aktuell?

DeepSeek Hardware-Entscheidungen beginnen mit der Modellwahl, und die hat sich im August 2026 sortiert. Die Models-&-Pricing-Seite führt genau drei API-IDs: deepseek-v4-pro als DeepSeek-V4-Pro-0813, deepseek-v4-flash als DeepSeek-V4-Flash-0731 und deepseek-v4-flash-vision-exp. Die alten Namen deepseek-chat und deepseek-reasoner tauchen dort nicht mehr auf.

V4-Pro-0813 ist der wichtigste Punkt dieses Updates: am 13. August als allgemein verfügbar gemeldet, mit nativer Responses API und laut DeepSeek für Codex angepasst. Der frühere Vorbehalt einer ausstehenden Pro-Freigabe gilt nicht mehr. Flash-0731 ist seit dem 31. Juli offiziell MIT-Open-Weight. Beide sind MoE-Architekturen: Flash mit 284 Milliarden Gesamt- und 13 Milliarden aktiven Parametern, Pro mit 1,6 Billionen Gesamt- und 49 Milliarden aktiven Parametern, beide mit 1M Kontext und Instruct-Gewichten in gemischter FP4/FP8-Präzision unter MIT-Lizenz.

Vision-Exp steht seit dem 21. August in einer eigenen Kategorie: Text- und Bildinput über Chat Completions, Messages und Responses, Abrechnung mit bis zu 384 Tokens pro Bild. Einen Open-Weight-Checkpoint nennt DeepSeek dafür nicht; für Selbstbetrieb fällt das Modell damit aus.

Parameterzahlen aus den offiziellen Modellkarten, API-Angaben aus der Models-&-Pricing-Seite.

DeepSeek V4 lokal: Was auf eigener Hardware möglich ist

Die offiziellen V4-Gewichte sind für Rechenzentrumspfade gedacht. Der einzige hier praktisch geprüfte Einzelmaschinenweg ist eine stark quantisierte Community-GGUF von V4-Flash. Sie lief auf 128 GB Unified Memory, sagt aber nichts über offizielles FP4/FP8-Serving oder produktiven Durchsatz aus.

Unified Memory ist kein dedizierter Grafikspeicher. Von den 128 GB der DGX Spark stehen Modell, Runtime, KV-Cache und System gemeinsam im selben Pool. Dass die IQ2-GGUF startet und bei 32K stabil bleibt, ist deshalb ein enger Betriebsbefund für genau diese Kombination.

Was der lokale V4-Flash-Test tatsächlich zeigt

Dass 284 Milliarden Parameter auf einer einzelnen 128-GB-Maschine überhaupt starten, habe ich im Lab zu V4-Flash auf DGX Spark geprüft. Möglich wurde das durch eine 84,7 GiB grosse Community-IQ2-GGUF mit zwei Bit, ausserhalb von DeepSeeks offiziellem FP4/FP8-Pfad. Bei 32K Kontext lief diese Kombination stabil.

Die Grenze ist genauso wichtig wie das Ergebnis. Der Test belegt weder einen offiziellen Serving-Pfad noch wirtschaftlichen Produktionsbetrieb. Für V4-Pro nennt DeepSeek keine belastbare Einzelmaschinenkonfiguration. Die offiziellen vLLM- und SGLang-Rezepte zielen auf Multi-Beschleuniger-Knoten, weil Gewichtsspeicher, Expert Placement, MoE-Routing und Gerätekommunikation gemeinsam gelöst werden müssen. Zwei Consumer-GPUs ergeben dabei nicht automatisch einen zusammenhängenden Speicherpool.

DeepSeek API: Pro, Flash und Vision-Exp

Alle drei API-Modelle liefern laut Models-&-Pricing-Seite 1M Kontext, maximal 384K Output-Tokens, JSON-Output und Tool Calls über Chat Completions, die Responses API und eine Anthropic-kompatible API. Fill-in-the-Middle bleibt eingeschränkt: Flash und Pro beherrschen es nur im Non-Thinking-Modus, Vision-Exp gar nicht.

Beim Reasoning Effort drohen Fehlmessungen. Thinking ist bei Flash und Pro standardmässig aktiv, der Default-Effort ist high, und die Doku kennt genau drei Stufen: low, high und max. Wer medium oder xhigh sendet, bekommt intern high. Das erklärt, warum Effort-Experimente mit selbst erfundenen Zwischenstufen identische Ergebnisse liefern und trotzdem als saubere Messreihe gelten. Im Thinking-Modus greifen temperature, top_p, presence_penalty und frequency_penalty laut aktueller Doku nicht mehr. Beim Tool Calling muss reasoning_content in Folgeturns vollständig zurückgereicht werden, sonst kann die API mit HTTP 400 antworten. Symptom sind Agenten-Loops, die nach dem zweiten oder dritten Werkzeugaufruf abbrechen, meist weil eine Middleware den Verlauf kürzt.

Die seit dem 16. August geltende Preisliste unterscheidet Peak und Off-Peak. Peak ist Montag bis Freitag von 01:00 bis 04:00 und von 06:00 bis 10:00 UTC, alle übrigen Zeiten sind off-peak. Flash und Vision-Exp kosten pro Million Tokens 0,007 US-Dollar Cache-Hit-Input off-peak und 0,014 US-Dollar peak, 0,22 respektive 0,44 US-Dollar bei Cache Miss sowie 0,66 respektive 1,32 US-Dollar Output. Pro liegt beim Cache Hit bei 0,022 und 0,044 US-Dollar, bei Cache Miss und Output beim Dreifachen der Flash-Werte: 0,66 und 1,32 US-Dollar Cache Miss, 1,98 und 3,96 US-Dollar Output. Für europäische Betreiber sind diese festen UTC-Fenster ein planbarer Hebel für zeitlich verschiebbare Last.

Zu den Herstellerwerten für Pro-0813 gehört ein Caveat. Terminal Bench 2.1 mit 87,9, NL2Repo mit 61,5 und DeepSWE mit 62,7 hat DeepSeek mit eigenem Harness im Minimal-Modus gemessen, bei max effort, top_p 0,95 und temperature 1,0. DSBench-FullStack und DSBench-Hard sind interne Testsets. Das sind Herstellerangaben und keine AISyndicate-eigenen Messungen, nur eingeschränkt vergleichbar, weil Harness, Effort-Stufe und Prompting variieren.

API oder Self-Hosting?

Bei API-Nutzung liegen Anfragen und Antworten auf Servern des Anbieters. Für regulierte Branchen sind Auftragsverarbeitung, Log-Retention und Exit-Optionen vorab zu klären und zu dokumentieren; pauschale Ausschlüsse sind aber selten begründet.

Ob eigene V4-Hardware günstiger wird, bleibt hier offen, weil dieser Artikel kein Kostenmodell aufmacht. Anschaffung, Auslastung, Strom, Abschreibung und Betriebsaufwand müssten gegen die Token-Preise gerechnet werden. Der lokale Flash-Lauf zeigt technische Machbarkeit unter starker Quantisierung, noch keinen wirtschaftlichen Vorteil.