DeepSeek-V4-Flash, unterstützt von Novita AI: 1M Kontext für $0,14/M Tokens
Die meisten quelloffenen Modelle mit Reasoning-Fähigkeiten erzwingen einen Kompromiss: kleine Kontextfenster, niedriger Durchsatz oder Preise, die über $1/M Token steigen, sobald Sie erweitertes Denken aktivieren. DeepSeek-V4-Flash umgeht das vollständig – 284B Parameter, nur 13B aktiviert pro Inferenz, ein natives Kontextfenster von 1.048.576 Token und drei auswählbare Reasoning-Modi. Bei $0,14/M Input-Tokens landet es in einer Kategorie, in der reasoning-fähige Modelle selten konkurrieren.
Kurz gesagt: DeepSeek-V4-Flash ist ein MoE-Modell von DeepSeek AI, das 1M-Token-Kontext und anpassbare Reasoning-Tiefe für Entwickler bietet, die Durchsatz ohne den Preisaufschlag geschlossener Modelle benötigen. Seit heute ist es über die Novita AI API verfügbar.
Was ist DeepSeek-V4-Flash?
DeepSeek-V4-Flash ist ein Mixture-of-Experts (MoE) Sprachmodell von DeepSeek AI, veröffentlicht als Teil der DeepSeek-V4-Serie zusammen mit dem größeren DeepSeek-V4-Pro. Das Modell hat insgesamt 284B Parameter, von denen 13B bei der Inferenz aktiviert werden – das hält die Rechenkosten pro Token niedrig, während die Parameterkapazität eines viel größeren Modells erhalten bleibt.
Kernfunktionen auf einen Blick:
- 284B gesamt / 13B aktivierte Parameter – MoE-Architektur, niedrige Inferenzkosten
- 1.048.576-Token-Kontextfenster (1M Token) – ermöglicht durch Hybrid Attention Architecture
- Drei Reasoning-Modi: Non-think (schnell), Think (schrittweise), Think Max (maximales Reasoning-Budget)
- Funktionsaufruf-Unterstützung – Tool-Nutzung, strukturierte Ausgaben, JSON-Modus
- Trainiert auf 32T+ Tokens mit mehrstufigem Post-Training (SFT, RL mit GRPO, On-Policy-Distillation)
- MIT-Lizenz – Gewichte zum Download auf HuggingFace; kommerzielle Nutzung erlaubt
- FP4 + FP8 gemischte Präzision – MoE-Expert-Gewichte in FP4, restliche Schichten in FP8
Hauptmerkmale: Warum DeepSeek-V4-Flash heraussticht
Wählbare Reasoning-Tiefe ohne Modellwechsel
Die meisten Modelle sperren Sie in einen einzigen Inferenzmodus: entweder Reasoning an oder aus. DeepSeek-V4-Flash bietet Ihnen drei verschiedene Betriebsmodi auf demselben API-Endpunkt:
| Modus | Eigenschaften | Am besten geeignet für |
|---|---|---|
| Non-think | Schnell, keine Gedankenkette | Aufgaben mit hohem Volumen, Chat, Zusammenfassungen |
| Think | Schrittweises Reasoning, ausgewogen | Komplexe Fragen & Antworten, Codegenerierung, Analysen |
| Think Max | Maximales Reasoning-Budget | Mathe-Wettbewerbe, schwierige Codierungsaufgaben, Benchmarks |
Der Unterschied zwischen den Modi ist signifikant: Bei GPQA Diamond erreicht V4-Flash Non-think 71,2 vs. Think 87,4 und Think Max 88,1. Bei LiveCodeBench erreicht Think Max 91,6 vs. Non-thinks 55,2. Sie wählen Kosten vs. Qualität pro Anfrage – keine Infrastrukturänderung erforderlich.
Hybrid Attention Architecture für 1M-Token-Kontext
Nativer Million-Token-Kontext ist schwieriger, als es klingt. DeepSeek-V4-Flash erreicht dies durch eine eigens entwickelte Hybrid Attention Architecture, die zwei Mechanismen kombiniert:
- Compressed Sparse Attention (CSA) – reduziert das Rechenbudget für Aufmerksamkeit bei langen Sequenzen drastisch
- Heavily Compressed Attention (HCA) – komprimiert den KV-Cache-Fußabdruck für 1M-Kontext-Inferenz
Das Ergebnis: Inferenz über 1M-Token-Eingaben mit handhabbaren FLOP- und Speicherkosten. Für Arbeitslasten wie Codebase-Analyse, juristische Dokumentenprüfung oder langfristige Agenten macht diese Architektur den Unterschied zwischen machbar und unerschwinglich.
MoE-Effizienz: 13B aktiviert bei 284B Maßstab
Das Verhältnis 284B/13B aktiviert ist der Grund für die Kosteneffizienz. Nur 13B Parameter sind pro Vorwärtspass aktiv, was Latenz und Kosten pro Token nahe an einem 13B dichten Modell hält – während der gesamte Pool von 284B Parametern Wissenskapazität bietet, die mit einem viel größeren dichten Netzwerk vergleichbar ist. Die FP4 + FP8 gemischte Präzision reduziert zusätzlich den Speicherbandbreitendruck auf Expert-Gewichte.
Starke Post-Training-Pipeline
DeepSeek-V4-Flash durchläuft einen zweistufigen Post-Training-Prozess: zuerst domänenspezifische Expertenkultivierung durch SFT und Reinforcement Learning mit GRPO; dann einheitliche Modellkonsolidierung durch On-Policy-Distillation. Dies produziert ein einzelnes Modell mit differenzierten Fähigkeitsprofilen in den Bereichen Codierung, Reasoning und Allgemeinwissen – nicht nur einen generischen Befehlsbefolger.
Benchmark-Leistung
Die Benchmark-Geschichte von DeepSeek-V4-Flash dreht sich um die Auswahl des Reasoning-Modus. Im Non-think-Modus verhält es sich wie ein effizientes 13B-aktiviertes Modell. Stellen Sie auf Think Max um, und es erreicht eine ganz andere Liga.
Leistung von DeepSeek-V4-Flash über Modi im Vergleich zu Frontiermodellen [Quelle: DeepSeek AI / HuggingFace]
Leistung über Reasoning-Modi
Unten sind die Ergebnisse von V4-Flash in wichtigen Benchmarks, die alle drei Betriebsmodi vergleichen:
| Benchmark | V4-Flash Non-Think | V4-Flash Think | V4-Flash Think Max |
|---|---|---|---|
| LiveCodeBench (Pass@1) | 55,2 | 88,4 | 91,6 |
| GPQA Diamond (Pass@1) | 71,2 | 87,4 | 88,1 |
| HMMT 2026 Feb (Pass@1) | 40,8 | 91,9 | 94,8 |
| IMOAnswerBench (Pass@1) | 41,9 | 85,1 | 88,4 |
| Codeforces-Bewertung | — | 2816 | 3052 |
| SWE Verified (Gelöst) | 73,7 | 78,6 | 79,0 |
| MRCR 1M (MMR) | 37,5 | 76,9 | 78,7 |
| MCPAtlas (Pass@1) | 64,0 | 67,4 | 69,0 |
| MMLU-Pro (EM) | 83,0 | 86,4 | 86,2 |
Zuletzt überprüft: 2026-04-27. Quelle: DeepSeek-V4 technischer Bericht und HuggingFace-Modellkarte.
Wie V4-Flash im Vergleich zu Wettbewerbern abschneidet
V4-Flash Think Max (79,0 SWE Verified, 91,6 LiveCodeBench) konkurriert mit Modellen, die zu viel höheren Kosten pro Token laufen. Es führt nicht jede Rangliste an – V4-Pro Max führt bei den meisten Frontiermessungen – aber für Entwickler, die auf Kosten pro Aufgabe statt auf rohe Spitzenleistung achten, ist der Kompromiss günstig:
| Benchmark | V4-Flash Max | V4-Pro Max | Claude Opus 4.6 Max | Gemini 3.1 Pro High |
|---|---|---|---|---|
| LiveCodeBench (Pass@1) | 91,6 | 93,5 | 88,8 | 91,7 |
| GPQA Diamond (Pass@1) | 88,1 | 90,1 | 91,3 | 94,3 |
| SWE Verified (Gelöst) | 79,0 | 80,6 | 80,8 | 80,6 |
| HMMT 2026 Feb (Pass@1) | 94,8 | 95,2 | 96,2 | 94,7 |
| MRCR 1M (MMR) | 78,7 | 83,5 | 92,9 | 76,3 |
Zuletzt überprüft: 2026-04-27. Claude Opus 4.6 Max und Gemini 3.1 Pro High Werte stammen aus dem DeepSeek-V4 technischen Bericht (V4-Pro-Frontier-Vergleichstabelle). Diese Werte wurden in diesem Bericht nicht direkt gegen V4-Flash gemessen.
Bemerkenswert ist, dass V4-Flash Think Max bei MRCR 1M (78,7) Gemini 3.1 Pro High (76,3) bei der Langkontext-Retrieval-Aufgabe schlägt – dem Benchmark, der am direktesten auf 1M-Kontext-Anwendungsfälle abbildet. Bei SWE Verified liegen alle vier Modelle zwischen 79–81, was V4-Flash in der Kategorie der realen Codierungsagenten zu einem Bruchteil des Preises geschlossener Modelle wettbewerbsfähig macht.
So verwenden Sie DeepSeek-V4-Flash über Novita AI
Option 1: Playground (Ohne Code)
Testen Sie das Modell direkt in Ihrem Browser in der Novita AI Modellkonsole. Kein API-Schlüssel erforderlich, um zu starten – wechseln Sie zwischen den Modi Non-think, Think und Think Max über die Chat-Oberfläche.
Option 2: API (Python)
DeepSeek-V4-Flash verwendet die OpenAI-kompatible API. Verwenden Sie die Modell-ID deepseek/deepseek-v4-flash mit der Novita-Basis-URL:
from openai import OpenAI
client = OpenAI(
base_url="https://api.novita.ai/v3/openai",
api_key="IHR_NOVITA_API_SCHLÜSSEL",
)
response = client.chat.completions.create(
model="deepseek/deepseek-v4-flash",
messages=[{"role": "user", "content": "Ihr Prompt hier"}]
)
print(response.choices[0].message.content)
Um den Think- oder Think Max-Modus zu aktivieren, übergeben Sie den reasoning-Parameter im Anfragetext:
from openai import OpenAI
client = OpenAI(
base_url="https://api.novita.ai/v3/openai",
api_key="IHR_NOVITA_API_SCHLÜSSEL",
)
# Think Max Modus – maximales Reasoning-Budget
response = client.chat.completions.create(
model="deepseek/deepseek-v4-flash",
messages=[{"role": "user", "content": "Löse: x^4 - 5x^2 + 4 = 0"}],
extra_body={"reasoning": {"effort": "high"}} # "low" = Think, "high" = Think Max
)
print(response.choices[0].message.content)
Holen Sie sich Ihren API-Schlüssel unter novita.ai/settings.
Option 3: Drittanbieter-Tools
Da Novita AI einen OpenAI-kompatiblen Endpunkt bereitstellt, funktioniert DeepSeek-V4-Flash sofort mit:
- LangChain / LlamaIndex – verwenden Sie
ChatOpenAImitbase_url="https://api.novita.ai/v3/openai" - OpenWebUI – fügen Sie als benutzerdefinierten OpenAI-kompatiblen Endpunkt hinzu
- Continue.dev / Cursor – konfigurieren Sie als benutzerdefiniertes Modell mit der Novita-Basis-URL
Preise
DeepSeek-V4-Flash wird bei allen großen Anbietern einheitlich bepreist. Alle Zahlen pro Million Token, Stand 2026-04-27:
| Anbieter | Input ($/M) | Output ($/M) | Cache-Lesen ($/M) | Maximaler Kontext |
|---|---|---|---|---|
| Novita AI | $0,14 | $0,28 | $0,028 | 1.048.576 Tokens |
| DeepSeek Offiziell | $0,14 | $0,28 | $0,028 | 131.072 Tokens |
| SiliconFlow | $0,14 | $0,28 | $0,028 | 65.536 Tokens |
| DeepInfra | $0,14 | $0,28 | — | 16.384 Tokens |
Der Preis pro Token ist überall gleich – aber der maximale Kontext variiert erheblich. Novita AI bietet das volle 1M-Token-Kontextfenster. DeepInfra begrenzt auf 16.384 Tokens. Wenn Ihre Arbeitslast lange Dokumente, Codebasen oder mehrschrittige Agenten umfasst, ist Novita die praktische Wahl.
Empfohlene Anwendungsfälle
Autonome Codierungsagenten
Das 1M-Kontextfenster von V4-Flash bedeutet, dass ein Agent eine gesamte Codebase in den Kontext laden kann, ohne sie aufteilen zu müssen. In Kombination mit 79,0 SWE Verified im Think Max-Modus bewältigt es mehrdateilige Refactorings und Debugging, ohne den Status zwischen den Durchläufen zu verlieren.
Langdokument-Fragen und Antworten sowie RAG
MRCR 1M (Multi-Round Context Retrieval) bei 78,7% Think Max – der Benchmark misst die Retrieval-Genauigkeit über ein echtes 1M-Token-Fenster. Für die Indexierung juristischer Dokumente, wissenschaftlicher Arbeiten oder langer technischer Spezifikationen ruft V4-Flash genau ab, wo die meisten Modelle nach 32K Tokens nachlassen.
Mathematik- und Naturwissenschafts-Reasoning
94,8% bei HMMT 2026 Februar (Wettbewerbsmathematik) mit Think Max. Der Budget-Thinking-Modus ermöglicht Ihnen, Kosten vs. Genauigkeit abzustimmen – verwenden Sie Think für Standardprobleme, Think Max für die schwierigen. Eine einzelne Anfrage verbraucht kein festes Rechenbudget; Sie wählen.
Produktions-APIs mit Caching
Bei $0,028/M Cache-Lesevorgängen kosten wiederholte System-Prompts und Tool-Schemata im Maßstab praktisch nichts. Chatbot-Produkte und API-Wrapper, die denselben Kontext bei jedem Aufruf erneut einfügen, profitieren von Cache-Lese-Preisen gegenüber rohen Input-Preisen.
Häufig gestellte Fragen
Was ist DeepSeek-V4-Flash?
DeepSeek-V4-Flash ist ein 284B-Parameter-Mixture-of-Experts-Sprachmodell, das von DeepSeek AI entwickelt und am 23.04.2026 veröffentlicht wurde. Es aktiviert nur 13B Parameter pro Vorwärtspass, was es deutlich schneller und günstiger macht als dichte Modelle vergleichbarer Leistungsfähigkeit. Es unterstützt ein Kontextfenster von 1.048.576 Token und drei Reasoning-Modi: Non-thinking (schnell), Budget Thinking und Extended Thinking (Think Max).
Wie unterscheidet sich DeepSeek-V4-Flash von DeepSeek-V4-Pro?
V4-Flash ist die leichtere, schnellere Variante, die auf Geschwindigkeit und Kosten optimiert ist. V4-Pro ist das Flaggschiffmodell mit höheren Spitzen-Benchmark-Werten (z. B. 93,5 vs. 91,6 bei LiveCodeBench Think Max). V4-Flash „erreicht eine vergleichbare Reasoning-Leistung wie die Pro-Version, wenn ein größeres Denkbudget eingeräumt wird“ – in der Praxis schließt V4-Flash Think Max die meiste Lücke zu V4-Pro Think Max bei niedrigeren Kosten pro Token.
Was bedeutet „Flash“ im Modellnamen?
Flash signalisiert eine geschwindigkeitsoptimierte Variante, ähnlich wie Google den Begriff für Gemini Flash verwendet. DeepSeek-V4-Flash priorisiert niedrigere Latenz und Kosten gegenüber der maximalen Rohgenauigkeit, wobei die Denkmodi verfügbar sind, wenn Sie die Leistungslücke schließen müssen.
Unterstützt DeepSeek-V4-Flash ein 1M-Kontextfenster, unterstützt von Novita AI?
Ja. Novita AI stellt das volle Kontextfenster von 1.048.576 Token zur Verfügung – das größte, das derzeit bei allen Anbietern für dieses Modell verfügbar ist. Die maximalen Abschluss-Tokens bei Novita betragen 393.216.
Wie wechsle ich die Reasoning-Modi über die API?
Übergeben Sie den extra_body={"reasoning": {"effort": "low"}}-Parameter für Budget Thinking oder "effort": "high" für Think Max. Lassen Sie den Parameter für den Non-thinking-Modus (schnell) vollständig weg. Die API ist OpenAI-kompatibel – keine SDK-Änderungen erforderlich.
Wie sind die Preise für DeepSeek-V4-Flash, unterstützt von Novita AI?
Stand 2026-04-27: $0,14/M Input-Tokens, $0,28/M Output-Tokens, $0,028/M Cache-Lese-Tokens. Dies entspricht den offiziellen Preisen von DeepSeek und ist über alle Anbieter hinweg konsistent – der Unterschied bei Novita ist das volle 1M-Kontextfenster und zuverlässige Betriebszeit.
Ist DeepSeek-V4-Flash quelloffen?
Ja. Die Modellgewichte sind auf HuggingFace unter der MIT-Lizenz verfügbar – bestätigt im offiziellen DeepSeek-V4-Repository. Selbsthosting und kommerzielle Nutzung sind unter den MIT-Bedingungen erlaubt. Die Nutzung über die Novita AI API erfordert überhaupt kein Selbsthosting.
Starten Sie noch heute mit DeepSeek-V4-Flash
DeepSeek-V4-Flash ist jetzt über Novita AI mit dem vollen 1M-Kontextfenster, wettbewerbsfähigen Preisen und null Infrastrukturaufwand verfügbar. Sie wählen den Reasoning-Modus; Novita kümmert sich um den Rest.
→ DeepSeek-V4-Flash ausprobieren, unterstützt von Novita AI
→ Novita AI LLM API Dokumentation
