Bukás ba ang mga weights at maaari ko bang patakbuhin ito locally?

Oo — ang weights ay inilathala sa Hugging Face sa ilalim ng deepseek-ai/DeepSeek-V4-Pro-0813. Isa itong malaking mixture-of-experts model kaya nangangailangan ng malaking hardware ang lokal na deployment; hindi inilathala ng gumawa ang eksaktong bilang ng parameters.

Magkano ang presyo at gaano kalaki ang context window?

Sa API, ito ay nagkakahalaga ng $0.66 kada milyon input tokens at $1.98 kada milyon output tokens, na may 1,048,576-token context window.

Paano ito naiiba sa DeepSeek V4 Pro Preview?

Ang 0813 release ay may DSpark speculative decoding module para sa mas mababang latency, mas pinahusay na agentic capabilities, at mga benchmark improvements na lalo pang kapansin-pansin sa production coding-agent settings — ang preview ay may score na 12.8 sa DeepSWE; ang release na ito ay 62.7.

▲

29.0%

ngayong linggo

DeepSeek V4 Pro 0813

9010°

#llm #deepseek #pangangatwiran #pag-coding #mga ahente #mahabang konteksto

Patakbuhin ang modelong ito

Alok / Ads

OpenRouter Terminal / API

Bayad kada token

Makipag-chat sa modelong ito sa browser o tawagan ito mula sa iyong code gamit ang isang API key.

DeepSeek | 1,048,576 token context | $1.32/M input, $3.96/M output. DeepSeek V4 Pro 0813 is a large-scale mixture-of-experts model from DeepSeek. This is the GA release of DeepSeek V4 Pro.

Mga gabay para sa model na ito

Pinakamahusay na lokal na LLM ayon sa gamit (Oktubre 2026): ang tamang open model para sa bawat trabaho

Gaano ba talaga kalaki ang VRAM na kailangan ko para sa local AI?

Open weights vs open source vs API-only: ano talaga ang pwede mong gawin

Ano ang GGUF file? Ipinaliwanag ang mga quantized na modelo (Q4, Q8, fp8, NF4)

Lahat ng gabay

Mga tala ng Kapitan

Isinulat ni Captain, ang editor ng bahay

Mga tala mula sa 2026-10-13

Ang DeepSeek V4 Pro 0813 ay ang general-availability release ng malaking mixture-of-experts model ng DeepSeek, na pumapalit sa naunang preview na may mas malakas na agentic at coding performance. Kasama nito ang DSpark speculative decoding module at isang tunable reasoning-effort parameter, na ginagawa itong mas mabilis at mas capable sa production agent loops kaysa sa nauna. Bukas ang weights sa Hugging Face, at ang presyo ng API ay mas mababa kaysa karamihan sa mga frontier competitors.

Kilalang-kilala sa

Agentic coding tasks: malalakas na score sa SWE-bench-style at terminal benchmarks.
Kasama ang DSpark speculative decoding na built-in, na nagpapababa ng latency sa self-hosted deployments.
Tatlong antas ng reasoning-effort (mababa, mataas, max) para mapagpalit ang gastos sa kasinsinupan.
Mahigit isang milyong token context window.
Bukas na weights na maaaring patakbuhin sa sariling infrastructure.

Mag-ingat sa

Walang standard na Jinja chat template; kailangan mong gamitin ang ibinigay na Python encoding scripts para maayos ang inputs.
Bilang isang malaking MoE model, nangangailangan ng seryosong hardware ang lokal na deployment — hindi inilathala ng gumawa ang eksaktong bilang ng parameters.
Ang benchmark comparisons ay isinasagawa ng DeepSeek mismo; dapat maging maingat sa internal test sets (DSBench).

Pinakamainam para sa

Pag-coding

Mga ahente at paggamit ng tool

Pangangatwiran

Mahabang konteksto

Tumakbo nang lokal

Mga prompt na subukan

I-debug ang isang test suite na bumabagsak

Mayroon akong Python function na nagpa-parse ng ISO 8601 durations at kino-convert ito sa seconds. Pumapasa ito sa unit tests para sa simpleng kaso tulad ng PT1H ngunit bumabagsak sa P1Y2M3DT4H5M6S. Ilarawan kung ano ang kailangang hawakan ng parser, gumawa ng tamang implementasyon, at magdagdag ng tatlong edge-case tests na sumasaklaw sa leap years at fractional seconds.

Magplano ng multi-step agent task

Ikaw ay isang agent na may access sa bash terminal at web search tool. Ang GitHub Actions workflow ng isang user ay bumabagsak na may 'exit code 137' sa matrix build. Ilarawan ang eksaktong pagkakasunod-sunod ng mga tool calls na gagawin mo para i-diagnose ang sanhi, ang impormasyong kokolektahin sa bawat hakbang, at ang ayos na gagawin mo kung ang sanhi ay out-of-memory kill.

Mag-isip sa isang mahirap na constraint problem

Limang engineer ang kailangang i-assign sa tatlong proyekto. Bawat proyekto ay nangangailangan ng hindi bababa sa isang engineer. Si Alice at Bob ay ayaw magtrabaho sa parehong proyekto. Si Carol ay dapat nasa Project 2. Si Dave at Eve ay dapat nasa magkaibang proyekto. Ilahad ang bawat valid na assignment at ipaliwanag kung paano mo inalis ang mga invalid.

Ihambing sa

DeepSeek V4.1 Flash
Modelong bukas ang timbang
1,048,576 token na konteksto · $0.04/M input, $0.68/M output
DeepSeek V4 Flash 0731
Modelong bukas ang timbang
1,048,576 token na konteksto · $0.01/M input, $1.28/M output
DeepSeek V4 Flash 0423
Modelong bukas ang timbang
1,048,576 token na konteksto · $0.09/M input, $0.18/M output
DeepSeek V4 Pro 0423
Modelong bukas ang timbang
1,048,576 token na konteksto · $0.96/M input, $1.91/M output

Higit pang mga text model mula sa deepseek

Mga tanong na madalas itanong

Bukás ba ang mga weights at maaari ko bang patakbuhin ito locally?: Oo — ang weights ay inilathala sa Hugging Face sa ilalim ng deepseek-ai/DeepSeek-V4-Pro-0813. Isa itong malaking mixture-of-experts model kaya nangangailangan ng malaking hardware ang lokal na deployment; hindi inilathala ng gumawa ang eksaktong bilang ng parameters.
Magkano ang presyo at gaano kalaki ang context window?: Sa API, ito ay nagkakahalaga ng $0.66 kada milyon input tokens at $1.98 kada milyon output tokens, na may 1,048,576-token context window.
Paano ito naiiba sa DeepSeek V4 Pro Preview?: Ang 0813 release ay may DSpark speculative decoding module para sa mas mababang latency, mas pinahusay na agentic capabilities, at mga benchmark improvements na lalo pang kapansin-pansin sa production coding-agent settings — ang preview ay may score na 12.8 sa DeepSWE; ang release na ito ay 62.7.

Hatol ng Kapitan
Kung nagpapatakbo ka ng mga agent laban sa totoong codebase, ito ang pinakamatalim na tool ng DeepSeek hanggang ngayon — at mahirap itong balewalain dahil sa presyo.

Model card sa Hugging Face

Isinusulat ng Kapitan ang mga tala na ito mula sa sariling paglalarawan at model card ng modelo. Ang mga presyo at laki ng konteksto ay mula sa provider sa oras ng pagsulat at maaaring magbago.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: #25 Hottest Text / LLM model · #25 Hottest Text / LLM text model

Not this creator?

Get your own badge

Trend ng kasikatan ng DeepSeek V4 Pro 0813

Heat score mula 12 Aug 2026

Iskor ng init

9,010°

Ngayong linggo

▲

29.0%

8,976° noon, 9,010° ngayon

Ngayong buwan

▲

286%

8,831° noon, 9,010° ngayon

Nakaraang taon

n/a

Hindi pa nailalabas/natatrack

7,000°

Floor

Ang sukat ay mula 0° hanggang 9,999°. Lahat ng nasa ibaba ng 7,000° ay para sa mga modelong wala pang ulat mula sa pinanggalingan, kaya may stand-in na numero doon para kumpleto ang mga listahan. Sa 7,000° nagsisimula ang nasusukat na datos: ang modelong may totoong datos pero halos walang downloads ay nasa floor, at ang mga sukat ay pumupuno sa mga degree sa itaas nito. Ang floor ay hindi nagsasabi ng anuman tungkol sa modelo; ang mga degree sa itaas nito ang nagkakaiba-iba at siyang naghihiwalay ng mga modelo.

+1,695°

OpenRouter tokens

4,479,902,661,686 tokens ang naproseso ng modelong ito sa pamamagitan ng OpenRouter sa nakaraang 30 araw, kasama ang mga prompt at sagot. Bawat 10,000,000 tokens ay katumbas ng isang download sa termino ng download, 447,990 lahat-lahat; ang mga tokens ng huling araw ay kasama sa adoption rate. Pinagmulan: OpenRouter (openrouter.ai/rankings).

+315°

Bilis ng pagtanggap

Mga humigit-kumulang 15,819 downloads bawat araw, sinusukat sa pagitan ng dalawang pagbabasa ng mga pinanggalingan, hindi hinuhulaan mula sa average ng buong buhay. Ang bilis ay katumbas ng isang-kapat ng term ng downloads, kaya ang bagong pagtaas ay nakikita nang hindi pinapantayan ng isang araw na spike ang mga taon ng paggamit.

Ipakita ang detalyadong paghahati

Pwedeng suriin ang bawat numero sa site na ito. Ang heat score ng modelong ito ay 9,010°, at dito ito binubuo ng paisa-isang sangkap, kasama ang tumatakbong kabuuan pagkatapos ng bawat isa: ang floor, ang mga degree na idinadagdag ng bawat pinanggalingan, ang bonus para sa uri ng modelo at ang binabawas ng edad ng mga weights nito. Ang mga kulay ay ang mga banda ng tsart sa itaas. Ang glossary sa dulo ay naglilinaw ng bawat termino.

1
Magsimula sa floor.
Bakit 7,000° at hindi zero: ang sukat ay mula 0° hanggang 9,999°, at ang bahagi sa ibaba ng 7,000° ay nakalaan para sa mga modelong wala pang ulat mula sa pinanggalingan, kaya may stand-in na numero doon para kumpleto ang mga listahan at hindi mauuna sa modelong may datos. Sa 7,000° nagsisimula ang nasusukat na datos. Ang modelong may totoong datos pero halos walang downloads ay nandito; ang lahat ng susunod ay sukat, at ang espasyo sa itaas ng floor ay may sampung hakbang na sampung beses na pagtaas sa downloads na may 300° bawat isa. Pareho ang floor para sa lahat ng modelo, kaya hindi ito nagdedesisyon; ang mga degree sa itaas nito ang nagdedesisyon.
7,000°
patuloy na kabuuan
2
Idagdag ang mga download.
447,990 na katumbas ng download sa lahat, mula sa OpenRouter tokens. Sampung beses na pagdagdag ng downloads ay nagdadagdag ng parehong 300°, kaya mahalaga ang laki pero hindi ito sobra sa puntos.
+1,695°
8,695°
patuloy na kabuuan
3
Idagdag ang bilis ng pagtanggap.
Mga 15,819 downloads kada araw ngayon, sinusukat sa pagitan ng dalawang readings, na may isang-kapat na bigat.
+315°
9,010°
patuloy na kabuuan
=
Ang heat score.
Kung saan nakatayo ang modelong ito sa bawat listahan ng site na ito. Wala nang ibang nagbabago nito.
9,010°

Talahulugan: ang mga terminong ginagamit dito

Heat score: Isang numero kung gaano kadalas gamitin at gusto ang isang modelo ngayon, mula 0° hanggang 9,999°. Bawat listahan sa site na ito na nagsasabing pinakamainit ay nakaayos base dito at wala nang iba pa.
Floor: Ang 7,000° na panimulang puntos ng bawat modelong may totoong datos. Ang sukatan ay mula 0° hanggang 9,999°; ang bahagi sa ilalim ng floor ay para sa mga stand-in (mga modelong walang datos), para laging mas mataas ang ranggo ng may datos kaysa wala. Pareho ang floor para sa lahat at hindi ito nagpapasya; ang mga degree sa itaas nito ang totoong sukat.
Katumbas ng download: Lahat ng tinatrato ng score bilang download, pinagsama-sama: mga download mismo, bawat torrent seeder bilang 1,000, bawat AI Horde na larawan at bawat takbo sa isang generation site bilang isa.
Log scale: Bilang ng sampu, hindi isa-isa: ang pagtaas mula 1,000 hanggang 10,000 downloads ay nagdadagdag ng parehong degree tulad ng mula 10,000 hanggang 100,000. Pinipigilan nito ang mga higante na mauna sa lahat.
Likes: Thumbs up at likes mula sa lahat ng pinanggalingan, na katumbas ng kalahati ng download sa log scale.
Bilis ng pagtanggap: Ilang downloads kada araw ang nakukuha ng modelo ngayon, mula sa pagkakaiba ng dalawang readings ng isang pinanggalingan. Isang-kapat ng bigat ng term na download.
Nasukat at tinantya: Ang nasukat ay ibig sabihin may dalawang pagbabasa mula sa isang pinagmulan at tunay ang pagkakaiba. Ang tinantya naman ay alam lang ang kabuuan ngayon at hinahati ang nakaraan sa buong buhay ng modelo; sinasabi ng site kung alin ang ipinapakita.
Seeder: Isang tao na nag-iimbak ng kopya ng weights online para ma-download ng iba gamit ang torrent, o isang naka-host na mirror na gumagawa rin nito. Bawat isa ay katumbas ng 1,000 downloads.
AI Horde: Isang volunteer network na gumagawa ng mga larawan nang libre gamit ang mga donadong computer. Pampubliko kung ilang larawan ang nagawa gamit ang isang modelo, at bawat isa ay katumbas ng isang download.
Mga generation site: Mga site na may sariling kopya ng modelo at pinapayagan ang mga tao na gumawa gamit ito, tulad ng PixAI, SeaArt at Yodayo. Ang kanilang mga downloads ay binibilang tulad ng sa Civitai at bawat generation run ay isang download.
OpenRouter tokens: Ang isang text model na pinagsisilbihan sa pamamagitan ng API, tulad ng Claude o GPT, ay walang weights na ida-download, kaya ang paggamit nito ay sinusukat sa tokens: mga piraso ng teksto na binasa at isinulat nito sa pamamagitan ng OpenRouter, isang gateway na ginagamit ng maraming apps, sa nakaraang 30 araw. Bawat 10,000,000 tokens ay katumbas ng isang download. Pinagmulan: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Buong modelo (checkpoint): Ang weights mismo, ang file na kayang mag-generate mag-isa. May bonus ito dahil nakadepende dito ang mga add-on.
LoRA at embedding: Maliit na add-on files na nagtutulak sa weights ng iba papunta sa isang estilo, karakter o konsepto. Hindi sila kayang tumakbo mag-isa.
Pamilya at weights: Ang base na pinagbuo ng modelo, tulad ng SD 1.5, SDXL, Flux o Wan. Lahat ng modelo ay namamana ang petsa ng release ng weights ng pamilya nito.
Edad: Mga degree na ibinabawas base sa gaano katagal nang lumabas ang weights ng pamilya: 150° kada taon, hanggang 750°. Pinananatili nito ang mga lumang downloads na may taon para mag-ipon mula sa pag-freeze sa taas ng listahan.
Pampasigla ng pamilya: Isang maliit at limitadong tulak para sa mga LoRA ng pamilyang itinataguyod ng site ngayon, palaging nakalista sa breakdown.
Stand-in score: Isang matatag na numero sa ibaba ng floor na ibinibigay sa modelong wala pang ulat mula sa pinagmulan, para kumpleto ang listahan. Hindi ito nangunguna sa modelong may datos.
Bago! (panahon ng grace): Ang isang model na mas mababa sa 7 araw ang tanda ay nagpapakita ng Bago! sa halip na score at walang puwesto sa mga ranggo. Ang score nito ay kinakalkula mula unang araw, pero ang modelong isang araw pa lang ang tanda ay lumalago nang mas mabilis kaysa sa iba, kaya kung walang paghihintay, ang #1 ng linggo ay palaging yung lumabas kahapon kaysa sa tumagal nang isang linggo.
Uso: Paano ang paglago ng modelo sa isang panahon kumpara sa karaniwang paglago ng modelo sa parehong panahon. Mas mabilis kaysa karaniwan ay pagtaas, mas mabagal ay pagbaba.
Karaniwang modelo: Gitna ng katalogo: kalahati ng mga modelo na may numero ay mas mabilis ang paglago sa panahon, kalahati ay mas mabagal.

Paano gumalaw ang kasikatan ng modelong ito kumpara sa ibang mga nasa katalogo: ang paglago nito sa downloads, likes, at paggamit sa bawat panahon, sinusukat laban sa karaniwang paglago ng modelo sa parehong panahon, kasama ang heat score nito sa panahong iyon. Kapag mas mataas kaysa sa karaniwan, ibig sabihin ay pagtaas, kapag mas mababa ay pagbaba. Binubuo ang nakaraan mula sa mga kabuuan ngayon, unang araw ng modelo at sukat na bilis ng pag-download kung may dalawang sukat; ang modelong hindi pa umiiral sa simula ng panahon ay nagpapakita ng n/a.

Mga katulad na model

Nemotron 3 Nano 30B A3B

TEXT / LLM

Claude Fable 5

TEXT / LLM

Mga AI model para sa paggawa ng larawan, video at teksto

Ang DeepSeek V4 Pro 0813 ay isang text model para sa pamilyang Text / LLM na nakalista sa ModelTrends.ai, isang read-only na catalog ng mga open source AI model para sa larawan, video at teksto. Ikumpara ito sa ibang Text / LLM model at tingnan ang heat score nito para makita kung gaano ito kasikat.

Higit pang Text / LLM model Higit pang Text / LLM Teksto / LLM llm deepseek pangangatwiran pag-coding mga ahente mahabang konteksto lokal

Mag-browse ayon sa pamilya ng model