DeepSeek V4 Pro: Flaggschiff-Modell mit 1M Token-Kontext, 384K Ausgabe und 96.2 τ²-Bench-Wert.
DeepSeek V4 Pro ist das führende Textgenerierungsmodell von DeepSeek, das über die API von OrcaRouter verfügbar ist. Es wurde für Aufgaben entwickelt, die die Verarbeitung sehr großer Token-Kontexte erfordern – bis zu 1.048.576 Token – und die Generierung von Ausgaben mit bis zu 384.000 Token ermöglichen. Das Modell ist rein textbasiert, d. h. es akzeptiert oder erzeugt keine Bilder, Audios oder andere nicht-textuelle Modalitäten. Die Preisgestaltung ist transparent: 0,44 USD pro 1 Million Eingabe-Token und 0,87 USD pro 1 Million Ausgabe-Token, wobei OrcaRouter den Anbieterpreis ohne Aufschlag weitergibt. Das Modell erreicht einen τ²-Bench-Score von 96,2, was eine starke Leistung in agentischen Tool-Nutzungsszenarien widerspiegelt. Der Zugriff erfolgt über einen OpenAI-kompatiblen API-Endpunkt unter https://api.orcarouter.ai/v1 unter Verwendung der Modellkennung 'deepseek/deepseek-v4-pro'.
DeepSeek V4 Pro richtet sich an Entwickler, Data Scientists und Forscher, die regelmäßig mit sehr langen Kontexten arbeiten – etwa juristischen Dokumenten, dateiübergreifenden Codebasen oder umfangreichen Forschungspapieren. Das große Ausgabelimit (384.000 Token) eignet sich auch für Anwendungen, die die Erzeugung umfangreicher strukturierter Inhalte erfordern, wie z. B. buchlange Entwürfe oder umfassende Berichte. Aufgrund seiner hohen Kontextkapazität ist es besonders wertvoll für Multi-Turn-Anwendungen, bei denen der gesamte Gesprächsverlauf im Blick des Modells bleiben muss. Für kurze Einzelanfragen oder Aufgaben mit begrenztem Kontext kann jedoch ein kleineres oder günstigeres Modell kosteneffizienter sein. Dieses Modell eignet sich auch für das Benchmarking von agentischem Verhalten, dank seines starken τ²-Bench-Scores.
Die wichtigsten Spezifikationen umfassen ein Kontextfenster von 1.048.576 Token und eine maximale Ausgabe von 384.000 Token. Das Modell verarbeitet ausschließlich Texteingaben. Die Preisgestaltung beträgt 0,44 $ pro 1 Million Eingabe-Token und 0,87 $ pro 1 Million Ausgabe-Token, ohne Aufschlag auf den Anbieterpreis. Das herausragende Benchmark-Ergebnis des Modells beträgt 96,2 im τ²-Bench, einer Metrik, die die Fähigkeit eines Modells bewertet, Werkzeuge in einer agentischen Umgebung einzusetzen. Es wird von OrcaRouter gehostet und kann über die OpenAI-kompatible API unter https://api.orcarouter.ai/v1 mit der Modell-ID 'deepseek/deepseek-v4-pro' aufgerufen werden. Diese Spezifikationen machen es zu einem der leistungsfähigsten Textmodelle hinsichtlich Kontext- und Ausgabelänge, das über OrcaRouter verfügbar ist.
OrcaRouter bietet DeepSeek V4 Pro über seine OpenAI-kompatible API an. Benutzer senden Anfragen an https://api.orcarouter.ai/v1 mit dem Modellparameter auf 'deepseek/deepseek-v4-pro' gesetzt. Die API unterstützt die standardmäßigen Chat-Completion-Endpunkte und -Parameter (z. B. temperature, max_tokens, stop). OrcaRouter fügt keine Aufschläge auf die Preise des Anbieters hinzu, sodass der abgerechnete Satz den $0,44/$0,87 pro Million Tokens entspricht. Dieses Setup vereinfacht die Migration für Teams, die bereits die OpenAI-Clientbibliothek verwenden – sie müssen lediglich die Basis-URL und den Modellnamen ändern. OrcaRouter übernimmt das Routing und die Zuverlässigkeit, ohne dass über einen API-Schlüssel hinaus eine zusätzliche Authentifizierung erforderlich ist.
DeepSeek V4 Pro zeichnet sich bei Aufgaben aus, die das Verständnis langer Texte erfordern, wie das Zusammenfassen ganzer Bücher, das Beantworten von Fragen über tausende von Token Kontext hinweg und das Extrahieren strukturierter Daten aus langen Dokumenten. Seine große Ausgabelimit ermöglicht die Erstellung ausführlicher Analysen, von Code oder kreativen Texten, die Hunderttausende von Token umfassen. Da es reiner Text ist, beschränken sich seine Fähigkeiten auf textbasierte Argumentation, Generierung und Befehlsbefolgung. Es unterstützt keine visuellen, audio- oder anderen Modalitäten. Die hohe τ²-Bench-Punktzahl (96.2) des Modells deutet auf eine starke Leistung in agentischen Umgebungen hin, in denen das Modell externe Werkzeuge oder APIs zur Erledigung von Aufgaben verwenden muss.
Während DeepSeek V4 Pro eine enorme Kontext- und Ausgabekapazität bietet, ist es mit höheren Kosten pro Token verbunden als kompaktere Modelle. Für Aufgaben, die nur ein paar hundert Token Kontext und Ausgabe erfordern, kann der Einsatz dieses Flaggschiff-Modells verschwenderisch sein. Typische Szenarien, in denen ein kleineres, günstigeres Modell ausreicht, umfassen Einzel-Klassifizierung, kurze Zusammenfassungen oder einfache Übersetzungen kurzer Passagen. Wenn Ihre Anwendung nicht von dem vollen 1M-Kontextfenster oder der 384K-Ausgabelimit profitiert, können Sie Latenz und Kosten reduzieren, indem Sie ein Modell aus einer niedrigeren Stufe wählen. OrcaRouter bietet eine Reihe von Modellen; erwägen Sie ein nicht-Flaggschiff-Modell für alltägliche Abfragen.
Das Modell ist ideal für Anwendungen, die die Verarbeitung gesamter Codebasen zum Refactoring oder zur Dokumentation, die Analyse von mehrhundertseitigen Rechts- oder Regulierungsdokumenten sowie die Aufrechterhaltung zusammenhängender Gespräche über viele Runden hinweg umfassen, bei denen die gesamte Historie benötigt wird. Es eignet sich auch für die Erstellung von Langtextinhalten wie detaillierten technischen Handbüchern, Romanen oder umfassenden Forschungsübersichten. Seine Fähigkeit, in einer einzigen Antwort bis zu 384.000 Token auszugeben, macht es zu einem der wenigen Modelle, die sehr große strukturierte Ausgaben ohne Aufteilung erzeugen können. Für agentische Arbeitsabläufe, die die Nutzung von Werkzeugen über lange Kontexte erfordern, weist der τ²-Bench-Score auf eine hohe Zuverlässigkeit hin.
DeepSeek V4 Pro unterstützt nur Texteingabe und -ausgabe. Es kann keine Bilder, Audios, Videos oder andere nicht-textuelle Formate verarbeiten oder generieren. Wenn Ihre Anwendung multimodale Fähigkeiten erfordert – wie das Analysieren eines Diagramms oder das Transkribieren von Sprache – müssen Sie ein anderes Modell verwenden, das diese Modalitäten unterstützt, oder DeepSeek V4 Pro mit separaten externen Prozessoren kombinieren. Innerhalb seines rein textbasierten Bereichs ist das Modell darauf ausgelegt, sehr große Token-Anzahlen zu verarbeiten, was es für Aufgaben geeignet macht, bei denen die Ein- oder Ausgabe hauptsächlich textuell und umfangreich ist.
Der Benchmark-Wert für DeepSeek V4 Pro liegt bei 96,2 auf τ²-Bench. τ²-Bench bewertet die Fähigkeit eines Modells, Werkzeuge zu nutzen und Anweisungen in einer agentischen Umgebung zu befolgen, und simuliert Aufgaben, bei denen das Modell Funktionen aufrufen, Ergebnisse interpretieren und iterieren muss. Ein Wert von 96,2 zeigt hohe Genauigkeit und Zuverlässigkeit in solchen Umgebungen an. Für dieses Modell sind keine weiteren Benchmark-Werte (z. B. MMLU, HumanEval) angegeben, daher sollten direkte Vergleiche auf die τ²-Bench-Leistung beschränkt bleiben. Nutzer, die an anderen Dimensionen (Argumentation, Programmierung usw.) interessiert sind, müssen möglicherweise öffentliche Drittanbieterbewertungen heranziehen.
Die Latenz hängt von der Länge der Eingabe und Ausgabe, der Serverlast und den spezifischen Anforderungsparametern ab. OrcaRouter leitet Anfragen an die Infrastruktur von DeepSeek weiter, und typische Antwortzeiten für lange Kontexte sind höher als für kurze. Da das Modell bis zu 384.000 Token ausgeben kann, kann die Generierung bei sehr langen Antworten Minuten dauern. Für Echtzeitanwendungen, die eine Latenz von unter einer Sekunde erfordern, sollten Sie ein kleineres Modell mit kürzeren Ausgaben verwenden. OrcaRouter veröffentlicht keine standardmäßigen Latenz-Benchmarks; Sie können die Leistung abschätzen, indem Sie Testanfragen mit repräsentativen Nutzdaten ausführen.
Basierend auf seinen Spezifikationen liegen die Hauptstärken von DeepSeek V4 Pro in extrem großen Kontext- und Ausgabekapazitäten, kombiniert mit einer starken agentischen Leistung, gemessen an τ²-Bench. Das 1M-Token-Kontextfenster ermöglicht es dem Modell, ganze Lehrbücher oder umfangreiche Codebasen in einem einzigen Durchlauf zu behalten und zu verarbeiten, wodurch die Notwendigkeit von Chunking oder Retrieval-Augmented Generation reduziert wird. Das Ausgabelimit von 384K ermöglicht die Erzeugung sehr langer, kohärenter Texte ohne Abschneiden. Diese Eigenschaften machen es besonders wertvoll für Aufgaben, die gleichzeitig Breite und Tiefe erfordern.
Das Modell ist rein textbasiert und kann daher keine multimodalen Eingaben oder Ausgaben verarbeiten. Der Preis pro Token ist höher als bei kleineren Modellen, was es für Aufgaben mit kurzem Kontext unwirtschaftlich macht. Obwohl die Leistung bei τ²-Bench stark ist, werden keine Informationen zu anderen Standard-Benchmarks (z. B. Reasoning, mehrsprachige Aufgaben, Code) bereitgestellt, sodass die allgemeinen Fähigkeiten außerhalb der agentischen Werkzeugnutzung hier nicht quantifiziert werden. Benutzer sollten zudem beachten, dass sehr lange Ausgaben erhebliche Kosten und Latenz verursachen können. Darüber hinaus kann das Modell, wie alle großen Sprachmodelle, falsche oder voreingenommene Antworten liefern.
Die Preisgestaltung ist unkompliziert: $0,44 pro 1 Million Input-Token und $0,87 pro 1 Million Output-Token. Diese Sätze werden von DeepSeek festgelegt und von OrcaRouter ohne Aufschlag weitergegeben. Sowohl Input- als auch Output-Token werden nach dem Tokenizer des Anbieters gezählt. Es werden keine zusätzlichen Plattformgebühren, Nutzungsstufen oder Mengenrabatte angegeben. Die Gesamtkosten für eine Anfrage betragen (input_tokens * $0,44/1M) + (output_tokens * $0,87/1M). Zum Beispiel würde eine Anfrage mit 100K Input-Token und 50K Output-Token ungefähr $0,044 + $0,0435 = $0,0875 kosten.
Es wurden keine Informationen zu Caching-Rabatten oder Prompt-Caching für DeepSeek V4 Pro bereitgestellt. OrcaRouter fügt keine Markups hinzu, es ist jedoch unbekannt, ob DeepSeek reduzierte Tarife für wiederholte Prompt-Präfixe oder gecachte Kontexte anbietet. Benutzer sollten davon ausgehen, dass jeder generierte Token zum Standardpreis pro Token abgerechnet wird. Bei Anwendungen mit hoher Wiederholung in Prompts sollte erwogen werden, ob ein anderer Anbieter oder ein Modell mit expliziter Caching-Unterstützung die Kosten senken könnte. Zum jetzigen Zeitpunkt basiert das Preismodell rein auf dem Verbrauch pro Token ohne Stufen.
Die Kosten pro Token von DeepSeek V4 Pro sind höher als bei vielen kleineren oder älteren Modellen, die über OrcaRouter verfügbar sind. Beispielsweise könnte ein leichtes Modell nur ein Zehntel der Kosten pro Token verursachen. Wenn Ihre Aufgabe nur einen kleinen Teil des Kontextfensters (z. B. 4K Token) nutzt und kurze Ausgaben erzeugt, zahlen Sie mehr als nötig. Das Flaggschiff-Modell wird kosteneffizient, wenn der größere Kontext oder die größere Ausgabelänge die Anzahl der API-Aufrufe oder die Notwendigkeit externer Abrufsysteme direkt reduziert. Bei Anwendungen mit hohem Volumen und kurzem Kontext senkt ein günstigeres Modell Ihre Rechnung erheblich.
OrcaRouter gibt an, dass DeepSeek V4 Pro zum Anbietertarif ohne Aufschlag abgerechnet wird. Das bedeutet, dass der Preis, den Sie pro Token zahlen, genau dem entspricht, was OrcaRouter an DeepSeek zahlt, ohne zusätzliche Marge. Diese Richtlinie gilt für alle auf der Plattform gelisteten Modelle. Die Transparenz ermöglicht es Ihnen, die Kosten direkt mit anderen Anbietern zu vergleichen, ohne sich um versteckte Gebühren sorgen zu müssen. Allerdings können sich die Tarife ändern, wenn DeepSeek seine Preisgestaltung aktualisiert; es wird erwartet, dass OrcaRouter diese Änderungen unverändert weitergibt.
Verwenden Sie den OpenAI-kompatiblen Chat-Completions-Endpunkt: POST https://api.orcarouter.ai/v1/chat/completions. Setzen Sie den Parameter 'model' auf 'deepseek/deepseek-v4-pro'. Fügen Sie Ihren API-Schlüssel im Authorization-Header als 'Bearer YOUR_API_KEY' hinzu. Standardparameter wie 'messages', 'temperature', 'max_tokens', 'top_p', 'stop' und 'frequency_penalty' werden unterstützt. Wenn Sie zum Beispiel 'max_tokens' auf 384000 setzen, kann das Modell bis zu dieser Anzahl Tokens generieren. Bezüglich weiterer unterstützter Parameter lesen Sie bitte die Dokumentation von OrcaRouter. Die Antwort folgt dem gleichen Format wie die OpenAI API.
Alle standardmäßigen Chat-Abschlussparameter sind verfügbar: 'messages' (erforderliches Array von Nachrichtenobjekten mit 'role' und 'content'), 'temperature' (0-2, Standard wahrscheinlich 1), 'top_p' (0-1), 'max_tokens' (bis zu 384000), 'stop' (Zeichenkette oder Array von Zeichenketten), 'frequency_penalty' (-2 bis 2), 'presence_penalty' (-2 bis 2), 'seed' (Ganzzahl für deterministisches Sampling) und 'stream' (boolesch). Beachten Sie, dass 'max_tokens' die maximale Ausgabe des Modells von 384000 Tokens nicht überschreiten darf; das Senden eines höheren Werts wird abgeschnitten oder gibt einen Fehler zurück. Die Modellkennung muss genau 'deepseek/deepseek-v4-pro' lauten. Es wurden keine zusätzlichen anbieterspezifischen Parameter bekannt gegeben.
Wenn Sie die OpenAI Python-Client-Bibliothek verwenden, sind für die Migration nur zwei Änderungen erforderlich: Setzen Sie die Basis-URL auf 'https://api.orcarouter.ai/v1' und aktualisieren Sie den Modellnamen auf 'deepseek/deepseek-v4-pro'. Ihr vorhandener Code, der 'openai.ChatCompletion.create()' oder die neuere Client-API verwendet, sollte mit diesen Anpassungen funktionieren. Stellen Sie sicher, dass Sie einen OrcaRouter-API-Schlüssel haben. Die Anfrage- und Antwortschemata sind identisch mit denen von OpenAI, sodass keine weiteren Änderungen erforderlich sind. Aktualisieren Sie für andere Programmiersprachen (JavaScript, Java, curl) entsprechend die Endpunkt-URL und das Modellfeld.
Die Basis-URL für alle API-Anfragen lautet https://api.orcarouter.ai/v1. Die exakte Modell-ID, die im Feld 'model' verwendet werden muss, ist 'deepseek/deepseek-v4-pro'. Diese ID unterscheidet zwischen Groß- und Kleinschreibung und muss genau wie angegeben angegeben werden. Anfragen an andere Endpunkte oder mit einer falschen Modell-ID führen zu einem Fehler. Die OrcaRouter-API unterstützt sowohl Streaming- als auch Non-Streaming-Modi. Für Streaming setzen Sie 'stream': true im Anforderungstext, und Sie erhalten SSE-Ereignisse im gleichen Format wie das Streaming von OpenAI.
Im Vergleich zu anderen Flaggschiffmodellen, die über OrcaRouter verfügbar sind, bietet DeepSeek V4 Pro einen der größten Kontextfenster (1M Tokens) und Ausgabelimits (384K Tokens). Sein τ²-Bench-Wert von 96,2 ist ein direkter Vergleichspunkt. Ohne Benchmark-Daten für andere Modelle auf derselben Metrik ist jedoch kein direktes Ranking möglich. Viele andere Flaggschiffmodelle unterstützen multimodale Eingaben, was DeepSeek V4 Pro nicht tut. Die Kosten pro Token variieren; einige Konkurrenten haben möglicherweise niedrigere Preise pro Token, aber kleinere Kontextfenster. Die Wahl hängt davon ab, ob Sie die extrem großen Kontext- und Ausgabekapazitäten oder multimodale Fähigkeiten benötigen.
Wenn Ihre Anwendung Vision (Bildverständnis) oder Audioverarbeitung erfordert, müssen Sie ein multimodales Modell wählen. Wenn Ihre Aufgaben typischerweise kurz sind (<10K Tokens) und keine agentische Werkzeugnutzung erfordern, kann ein günstigeres universelles Flaggschiff kosteneffizienter sein. Einige Wettbewerber bieten möglicherweise schnellere Inferenz für kurze Kontexte oder niedrigere Latenz. Die Stärke von DeepSeek V4 Pro liegt in Szenarien, in denen langer Kontext und Ausgabe unerlässlich sind. Wenn Ihr Anwendungsfall die Verarbeitung vieler separater kurzer Dokumente umfasst, könnte ein Modell mit einem kleineren Kontextfenster, aber einem niedrigeren Preis pro Token wirtschaftlicher sein.
DeepSeek bietet mehrere Modelle an. DeepSeek V4 Pro ist das Flaggschiff mit dem größten Kontext und den höchsten Kosten. Kleinere DeepSeek-Modelle können Kontextfenster von 32K oder 128K Token haben und niedrigere Preise, was sie für typische Arbeitslasten geeigneter macht. Wenn Sie bereits ein DeepSeek-Modell verwenden und mehr Kontextkapazität oder bessere agentische Leistung benötigen, ist das Upgrade auf V4 Pro der logische Schritt. Für die meisten Aufgaben, die nicht den maximalen Kontext erfordern, bietet jedoch ein DeepSeek-Modell der unteren Preisklasse ähnliche Qualität zu geringeren Kosten. Sehen Sie sich den Katalog von OrcaRouter für verfügbare DeepSeek-Modelle an.
τ²-Bench misst die Fähigkeit eines Modells, Werkzeuge in einem agentischen Umfeld zu nutzen. Ein Wert von 96,2 deutet darauf hin, dass DeepSeek V4 Pro sehr zuverlässig darin ist, Funktionen korrekt aufzurufen, Ergebnisse zu parsen und mehrstufige Anweisungen zu befolgen. Beim Vergleich mit anderen Modellen können Sie direkt vergleichen, wenn diese einen τ²-Bench-Wert haben. Falls nicht, müssen Sie möglicherweise auf Basis anderer Benchmarks oder qualitativer Tests bewerten. Für Anwendungen, die keine Werkzeugnutzung beinhalten, ist der τ²-Bench-Wert weniger relevant. In diesen Fällen sollten Sie andere Metriken wie Reasoning, Codierung oder Sprachverständnis berücksichtigen, falls verfügbar.
from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="deepseek/deepseek-v4-pro",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)| Eingabe / 1M Tokens | $0.442 |
| Ausgabe / 1M Tokens | $0.884 |
| Cache-Lesen / 1M | $0.060 |
| Währung | USD |