Laster katalogen …
Laster katalogen …
DeepSeeks MIT-lisensierte V4 Pro-resonneringsmodell med åpne vekter – et stort mixture-of-experts-system med et kontekstvindu på én million token og valgbart resonneringsnivå for lange oppgaver med mange steg.
Oversikt. DeepSeek-V4-Pro-0813 er den generelt tilgjengelige utgivelsen av DeepSeeks V4 Pro-linje, og etterfølger V4-Pro Preview. Det er en sparse mixture-of-experts-modell med omtrent 1,6 billioner parametere totalt og 49 milliarder aktive per token, utgitt under en MIT-lisens med åpne vekter publisert på HuggingFace. Utviklere bruker den når de trenger en resonneringsfokusert modell som kan håndtere et kontekstvindu på én million token i ett enkelt kall.
Viktigste styrker. Modellen er bygget som et dedikert resonneringssystem, med valgbare resonneringsnivåer (low, high, max) som viser synlige resonneringsspor under generering. Kapasitetstallene er imponerende: et kontekstvindu på 1 048 576 token kombinert med opptil 384k token i utdata, slik at den kan behandle svært store inndata og lange utdata med mange steg i én enkelt kjøring. På Artificial Analysis Intelligence Index skårer den 42 ved maksimalt resonneringsnivå – godt nok til en 6.-plass blant 112 sporede modeller og klart over medianen for modeller med åpne vekter av tilsvarende størrelse (median: 22).
Når du bør bruke den. Bruk DeepSeek-V4-Pro-0813 til analyse av lange dokumenter og store kodebaser, resonnering i flere steg, eller agentiske arbeidsflyter der verdien av et enormt kontekstvindu og justerbar resonneringsdybde veier tyngre enn behovet for umiddelbare svar. Genereringsprofilen – utvidede resonneringsspor og store utdatabudsjetter – passer bedre for batch- og asynkrone behandlingskjeder enn for svartidssensitive, interaktive samtaler. Sett resonneringsnivået ned til low for raskere og lettere kjøringer, eller opp til max når oppgavens kompleksitet rettferdiggjør den ekstra resonneringstiden.
Begrensninger. Modellen er kun tekstbasert: den har ingen støtte for bilder, lyd eller innebygd innlesing av dokumentfiler, så brukstilfeller som krever bilde- eller taleinndata trenger en annen modell. Batch-orientert svartidsprofil og utvidede resonneringsspor gjør den lite egnet for sanntids- og svartidssensitive applikasjoner, og det er ikke oppgitt når treningsdataene slutter. Tilgjengelige benchmarkdata er foreløpig begrenset til én samlet Intelligence Index-skår, uten bekreftede resultater per fagområde (kode, matematikk, agentiske oppgaver osv.).
Suverenitetsnotat. DeepSeek-V4-Pro-0813 er utgitt under en MIT-lisens med åpne vekter, slik at den kan driftes på infrastruktur du selv kontrollerer i stedet for å være avhengig av et tredjeparts-API. Detaljer om datalokasjon og CLOUD Act-eksponering for driftede endepunkter av denne modellen er foreløpig ikke bekreftet.
| Inferensleverandør | Suverenitet | Kjører i | Inn / ut per 1M | Status | Lås |
|---|---|---|---|---|---|
| L0 | 1,17 / 2,33€ | Tilkoblet |
15 bruksområder klassifisert av kuratoren. Notatet forklarer hvorfor.
Innebygd verktøykall støtter direkte strukturerte applikasjonsmønstre for funksjonskall.
Det svært store kontekstvinduet egner seg godt til å lese inn flere fullstendige artikler samtidig for komparativ litteraturgjennomgang.
Et kontekstvindu på 1 million token gjør det mulig å oppsummere hele dokumenter uten avkorting – en direkte arkitektonisk fordel sammenlignet med modeller med mindre kontekstvindu.
Et kontekstvindu på 1 million token gjør det mulig å syntetisere på tvers av mange lange kildedokumenter uten oppdeling – et sentralt krav for forskningssynteser.
Et kontekstvindu på 1 048 576 token gjør det mulig å lese inn svært store dokumenter i én omgang – en tydelig arkitektonisk fordel for spørsmål og svar over dokumenter.
Et svært stort kontekstvindu kombinert med verktøykall støtter hentingsbasert svargenering over svært store dokumentsamlinger.
Støtte for verktøykall muliggjør agentiske kodingsløkker, men fraværet av publiserte SWE-bench- eller kodebaserte referanseverdier holder dette på akseptabelt snarere enn sterkt.
Et kontekstvindu på 1 million token støtter gjennomgang av store kodebaser i én omgang, men ingen kodespecifikke referanseverdier er publisert som kan begrunne en sterkere vurdering.
Det store kontekstvinduet støtter langformet skriving og revisjonssykluser, selv om ingen kuraterte referanseverdier for skrivekvalitet er tilgjengelige ennå.
Verktøykall kombinert med et svært stort kontekstvindu støtter lange planleggingskjeder, men ingen resonneringsverdier er publisert som bekrefter planleggingskvalitet på sterkt nivå.
Det store kontekstvinduet er nyttig for hentingsarbeidsflyter i kontekst, selv om dette er en generativ modell og ikke et dedikert system for innbygging eller henting.
Ingen visuelle egenskaper eller OCR-egenskaper er dokumentert, noe som gjør modellen uegnet for dokumentskanning.
Mangler visuelle egenskaper helt, noe som utelukker brukstilfeller knyttet til forståelse av skjermbilder.
Ingen visuelle egenskaper er oppgitt for denne modellen, så den kan ikke brukes til bildebaserte spørsmål og svar.
Innhentede tall, ikke våre egne evalueringer. Persentilene er mot hele Stav-katalogen.
Beregnet fra aa-intelligence-index, gpqa-diamond, aa-engineering-index, aa-coding-index, livecodebench, terminal-bench-v4, aa-lcr.
curl https://api.stav.ai/v1/chat/completions \
-H "Authorization: Bearer $STAV_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "deepseek-ai/deepseek-v4-pro-0813",
"messages": [{"role": "user", "content": "Hello!"}]
}'→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level – nivået forespørselen ble betjent på