DeepSeek V4.1-Flash und V4-Pro: API, Preise und Hardware

DeepSeek führt in seiner API derzeit zwei Modelle: V4.1-Flash unter deepseek-flash und V4-Pro-0813 unter deepseek-v4-pro. Flash ist deutlich günstiger, nimmt als einziges der beiden Bilder an und steht zusätzlich mit offenen Gewichten bereit. Selbst getestet habe ich nur die ältere Generation V4-Flash, als stark quantisierte Community-GGUF auf einer Maschine der DGX-Spark-Klasse.

Welche DeepSeek-Modelle sind aktuell?

V4-Flash und das experimentelle V4-Flash-Vision-Exp sind eingestellt. Ihre alten Namen deepseek-v4-flash und deepseek-v4-flash-vision-exp nimmt die API vorübergehend noch an, beantwortet die Anfragen aber mit V4.1-Flash zum Flash-Preis. Ein unveränderter Modellname garantiert also keine unveränderte Modellversion, und Evaluierungen mit Vision-Exp gelten für den Nachfolger nicht automatisch.

Die Release-Notiz zu V4.1-Flash kündigte an, Pro ab dem 14. September auf Flash umzuleiten. Laut Changelog hat DeepSeek das auf Nutzerwunsch zurückgenommen; Pro läuft mit unveränderter Abrechnung weiter.

V4.1-Flash ist ein multimodales Mixture-of-Experts-Modell mit Causal-Encoder-Decoder-Architektur. Beim Einlesen der Eingabe sind pro Token halb so viele Parameter aktiv wie beim Erzeugen der Ausgabe; DeepSeek begründet damit niedrigere Kosten bei eingabelastigen Agenten-Workloads. Ein kleines Modell ist es trotz der niedrigen Aktivzahlen nicht.

Architektur laut Modellkarten, API-Status laut Preisseite und Changelog, Stand 6. Oktober 2026.

DeepSeek API: V4.1-Flash und V4-Pro

Beide Modelle bieten 1M Token Kontext, maximal 384K Output-Tokens, JSON-Output, Tool Calls, die Responses API und eine Anthropic-kompatible Schnittstelle. Fill-in-the-Middle funktioniert nur ohne Thinking.

Thinking ist standardmässig aktiv, mit Default-Effort high. Die API kennt low, high und max und bildet medium und xhigh auf high ab. Im Thinking-Modus ignoriert sie temperature, presence_penalty und frequency_penalty ohne Fehlermeldung, top_p wirkt nur zwischen 0,95 und 1,0, niedrigere Werte setzt die API auf 0,95. Ohne Thinking ist top_p fest auf 1,0. Vergleichsmessungen über diese Parameter laufen deshalb leicht ins Leere.

Folgenreicher ist eine Vorgabe für Agenten. Enthält eine Anfrage tools, muss reasoning_content aus allen vorherigen Turns vollständig zurückgereicht werden, auch aus Turns ohne Werkzeugaufruf. Sonst antwortet die API mit HTTP 400. Ohne tools ist das nicht nötig. Middleware, die diesen Teil des Verlaufs kürzt, bricht damit Tool-Aufrufe.

Peak gilt Montag bis Freitag von 01:00 bis 04:00 und von 06:00 bis 10:00 UTC, ausgenommen chinesische Feiertage; alle übrigen Zeiten sind off-peak. Die Tabelle zeigt Off-Peak-Preise, in den Peak-Fenstern gilt der doppelte Betrag.

Off-Peak-Preise in US-Dollar pro Million Tokens.

Für neue Integrationen ist deepseek-flash damit der naheliegende Einstieg, auch mit Bildinput. Pro bleibt für bestehende Integrationen und eigene Vergleiche; einen pauschalen Qualitätsvorsprung gegenüber V4.1-Flash belegen die Quellen nicht.

DeepSeek lokal: was auf eigener Hardware möglich ist

Der offizielle Gewichtsindex von V4.1-Flash summiert 510,3 GB (475,2 GiB) in 48 Safetensors-Dateien. Das ist Tensor-Speicher, kein exakter Laufzeitbedarf. Der komprimierte KV-Cache mit 890 Byte pro Token, laut DeepSeek etwa ein Viertel von V4-Flash, spart Kontextspeicher, aber keine Gewichte. Die Referenzimplementierung zeigt ein Beispiel mit achtfacher Modellparallelität und versteht sich ausdrücklich nicht als Serving-Engine für den Produktivbetrieb; eine Mindestzahl an GPUs folgt daraus nicht.

Praktisch geprüft habe ich im August 2026 V4-Flash mit 284 Milliarden Parametern, auf meinem ASUS Ascent GX10 mit NVIDIA GB10 und 128 GB Unified Memory, das sich Modell, Runtime, KV-Cache und System teilen. Möglich machte das eine 84,7 GiB grosse Community-GGUF in IQ2-Quantisierung mit zwei Bit, ausserhalb von DeepSeeks offiziellem FP4/FP8-Pfad. Bei 32K Kontext lief sie stabil. Das ist ein enger Befund für genau diese Kombination, kein Test von V4.1 und kein Beleg für Produktionsbetrieb oder Wirtschaftlichkeit. Details stehen im Lab zu V4-Flash auf DGX Spark.

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