DeepSeek V4 GA (Juli 2026): Preise, Architektur und Benchmarks im Vergleich zu GPT-5.6

DeepSeek V4 GA (General Availability) ist die produktionsreife Modellfamilie, die DeepSeek am 20. Juli 2026 freigab. Sie umfasst V4-Pro (1,6 Billionen Parameter) und V4-Flash (284 Milliarden Parameter), beide unter MIT-Lizenz mit 1.000.000 Token Kontextfenster und bis zu 384K Token Ausgabe pro Anfrage.

Gegenüber der April-Vorschau adressiert die GA-Version gezielt Agenten-Aufgaben, mathematisches Reasoning und Codegenerierung und bringt ein formales Abrechnungssystem — Peak-Valley-Differenzpreise. Die Legacy-Endpunktnamen deepseek-chat und deepseek-reasoner werden am 24. Juli dauerhaft abgeschaltet.

• Selbst hostbar unter MIT: Unternehmen können privat deployen und Datensouveränität sowie grenzüberschreitende Compliance sichern.
• 1M Kontext in der Praxis nutzbar: KV-Cache-Speicher beträgt nur 10 % von V3.2 (Flash bis 7 %).
• Open-Source SWE-bench Rekord: 80,6 % Verified, gleichauf mit Gemini 3.1 Pro als bester Open-Score.
• API-Preisführer: V4-Pro Output Off-Peak $0,87/M, Peak $1,74/M — etwa 1/57 von Claude Fable 5.

Modellfamilie im Überblick

Hybride Attention (CSA + HCA)

DeepSeek V4 verzichtet auf das MLA-Design aus V2/V3 zugunsten einer Hybridarchitektur aus zwei neuen Attention-Mechanismen:

Compressed Sparse Attention (CSA): KV-Sequenzen werden per Softmax-gesteuertem Pooling 4× komprimiert; ein FP4-„Lightning Indexer“ wählt sparse Top-k-Tokens (Pro: top-1024, Flash: top-512), während ein 128-Token-Sliding-Window für jüngsten Kontext erhalten bleibt. Bei 1M Tokens benötigt die Inferenz nur 27 % der FLOPs gegenüber V3.2.

Heavy Compressed Attention (HCA): Tokens werden 128× komprimiert, danach globale dichte Attention für Langstreckenabhängigkeiten. Flash nutzt HCA in den ersten zwei Schichten, danach alternieren CSA und HCA; Pro folgt einem ähnlichen Muster.

Gesamteffekt: Bei 1M Tokens beträgt der KV-Cache-Speicher nur 10 % von V3.2 (Flash bis 7 %).

Manifold-Constrained Hyper-Connections (mHC) und Muon-Optimierer

mHC erweitert Standard-Residualverbindungen um einen 4-Kanal-Residualstrom und doppelt-stochastische Matrixbeschränkungen (Birkhoff-Polytop), sodass Signale über 61 Schichten stabil bleiben. Der Muon-Optimierer orthogonalisiert Gradienten per Newton-Schulz für schnellere Konvergenz und stabileres Training.

Drei Inferenzmodi

Offizielle Sampling-Empfehlung: temperature=1.0, top_p=1.0 in allen Modi.

SWE-bench Verified prüft echte GitHub-Bugfixes; 80,6 % ist der aktuelle Open-Model-Höchstwert. SWE-bench Pro ist strenger — Claude Fable 5 führt mit 80,3 %.

Kosten-Nutzen-Querschnitt

Artificial-Analysis-Daten zu Strategy-&-Ops-Index-Aufgaben:

• Claude Fable 5: $3,48 pro Lauf, Score 50
• DeepSeek V4-Pro: $0,03 pro Lauf, Score 38
• DeepSeek V4-Flash: unter $0,04 pro Lauf über alle sechs Index-Aufgabentypen

Fable 5 kostet 116× mehr als V4-Pro bei nur ~12 Punkten Mehrwert (~31 %). Vergleich mit unserem Kimi-K3-Review: K3 ist auf dem Papier größer, API-Output liegt bei $15/M — V4-Pro dominiert kostensensitive Workloads weiterhin.

Auswahlhilfe:

• Knappes Budget / hohes Volumen / Private Deploy: V4-Pro oder V4-Flash
• Maximale Code-Qualität, Kosten zweitrangig: Claude Fable 5 (höchster SWE-bench Pro)
• Schwere Algorithmen und Mathe-Reasoning: GPT-5.6 Sol / Ultra
• Massive Log- oder Dokumentenverarbeitung: V4-Flash (Cache-Hit-Input nur $0,0028/M)

Die meistbeachtete GA-Änderung: DeepSeeks erste Peak-Valley-Differenzpreise, analog zu zeitabhängigen Stromtarifen. Peak-Stunden (Peking-Zeit): Werktags 09:00–12:00 und 14:00–18:00 — Sätze verdoppeln sich.

Vier Sparhebel:

1. Nicht-echtzeitkritische Jobs außerhalb der Peak-Fenster planen (nach 18:00 oder vor 09:00)
2. Prompt Cache nutzen — V4-Flash Cache-Hits kosten nur $0,0028/M
3. Einfachen Traffic auf Flash routen; schweres Reasoning an Pro eskalieren
4. Abrechnungsänderungs-E-Mails beobachten (DeepSeek kündigt 24 Stunden vorher an)

Selbst im Peak kostet V4-Pro Output mit $1,74/M noch 8,6× weniger als Claude Opus 4.8 ($15/M).

client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=[...],
)

client = anthropic.Anthropic(
    api_key="your-deepseek-api-key",
    base_url="https://api.deepseek.com"
)
message = client.messages.create(
    model="deepseek-v4-pro",
    max_tokens=4096,
    messages=[{"role": "user", "content": "Hello, DeepSeek V4!"}]
)

V4 unterstützt OpenAI ChatCompletions und Anthropic Messages. Die base_url bleibt gleich — nur den model-Parameter aktualisieren.

1. 01
   Codebase auditieren: global nach deepseek-chat und deepseek-reasoner suchen; alle Aufrufstellen und Umgebungsvariablen listen.
2. 02
   Zielmodelle wählen: leichte Dialoge auf deepseek-v4-flash; komplexe Agenten/Code auf deepseek-v4-pro; Thinking-Modus per extra_body aktivieren.
3. 03
   Staging-Smoke-Tests: vor dem 24. Juli Non-think, Think High und Think Max in der Vorproduktion auf Output-Qualität prüfen.
4. 04
   Peak-Valley-Scheduling konfigurieren: Batch-Dokumentenverarbeitung und Code-Review per Cron nach 18:00 oder am Wochenende; Cache-Hit-Ziel 80 %+.
5. 05
   Flash-zu-Pro-Routing aufbauen: Intent-Klassifikation und FAQ auf Flash ($0,28/M Output); schweres Reasoning an Pro eskalieren.
6. 06
   Agent-Hosts bereitstellen: langlaufende V4-Agenten-Sessions brauchen stabiles SSH und dedizierte Rechenkapazität. Auf der Preisseite NUKCLOUD dedizierte Mac-Knoten als CI- und Agent-Build-Ebene prüfen — Tail-Latenz in Shared Pools kann API-Kostenvorteile zunichtemachen.

DeepSeek V4 GA ist einer der wichtigsten Open-Model-Meilensteine 2026. Es schlägt Claude Fable 5 oder GPT-5.6 nicht auf jeder Achse — noch nicht — liefert aber die stärkste Open-Source-Leistung zu etwa 1/10 bis 1/100 der Kosten geschlossener Flaggschiffe. Peak-Valley-Preise erhöhen die operative Komplexität, bleiben Off-Peak aber hart konkurrenzfähig. DeepSeeks Weg vom Preisdisruptor zur regelbasierten kommerziellen Plattform ist ein Reifezeichen.

Teams, die V4-Agenten gegen große Codebasen laufen lassen, brauchen weiterhin eine stabile, auditierbare lokale Dev- und CI-Ebene. Geteilte Minutenpools, Schreibtisch-Macs und überbuchte VPS erzeugen Bandbreiten-Jitter, Nachbar-CPU-Konkurrenz und abgebrochene Langzeitverbindungen — Reibung, die Token-Ersparnisse schnell auffrisst. Für produktionsreife Agent-Hosts bieten NUKCLOUD Multi-Region Bare-Metal-Mac- / Cloud-Mac-Knoten dedizierte Apple-Silicon-Kapazität mit klaren Mandantengrenzen. Spezifikationen auf der Preisseite vergleichen und über die Bestellseite testen.

Datenstand: 2026-07-20. Quellen: DeepSeek offizielle Dokumentation, arXiv:2606.19348, HuggingFace-Modellseiten, LLMReference, Artificial Analysis, MangoMind Blog.