DeepSeek V4 Pro

Mit einem Gesamtscore von 72.56% zeigt DeepSeek V4 Pro das Profil eines großen, ehrgeizigen Cloud-Open-Weights-Modells via OpenRouter: viel Denktiefe, viel Reichweite, aber auch Reibung. Der Speed-Profile-Badge Batch Tool Expert passt erstaunlich gut. Dieses Modell will nicht charmant sprinten, sondern komplexe Aufgaben in Ruhe auseinandernehmen. Als Frontier-Modell für Reasoning mit Mixture-of-Experts-Architektur, also 1.600 Milliarden Gesamtparametern bei 49 Milliarden aktiven Parametern pro Token, muss es sich an hohen Maßstäben messen lassen. Sovereign Risk: HIGH — DeepSeek ist ein chinesischer Anbieter; für den Cloud-API-Betrieb gelten chinesische Jurisdiktion und die vom BSI am 04.02.2025 bekräftigte Warnlage ausdrücklich mit.

Kopfnoten: Stabilität und Zuverlässigkeit

Architektur und Erwartungsrahmen

Die Vorab-Einstufung als Thinking, Thinking-Optional, Agentic-Orchestrator und Long-Context ist hier kein Etikettenschwindel, sondern ein brauchbarer Kompass. DeepSeek V4 Pro ist in diesem Lauf im Modus n/a getestet worden, also in seinem Standardverhalten ohne expliziten Thinking-Schalter durch die Benchmark-Pipeline. Das ist wichtig, weil das Modell laut Kartenmaterial grundsätzlich mehrere Reasoning-Modi beherrscht, der Benchmark aber bewusst das Verhalten misst, das ein normaler API-Nutzer ohne Spezialkonfiguration tatsächlich bekommt.

Dazu kommt der strukturelle Unterbau: primärer Use Case ist Reasoning, die Größenklasse ist Frontier, die Parameter-Architektur ist MoE. Entscheidend sind also nicht die gewaltigen 1.600 Milliarden Gesamtparameter, sondern die 49 Milliarden aktiven Parameter pro Token. Genau daran sollte man die Erwartung kalibrieren. Das Modell tritt nicht als roher Bulldozer an, sondern als selektiver Spezialist mit vielen Experten unter der Haube. In der Theorie verspricht das Effizienz und Spezialisierung. In der Praxis liefert DeepSeek V4 Pro vor allem eines: strategische Kompetenz mit gelegentlichem Formverlust.

Performance-Profil: viel Kopf, wenig Hast

Der Badge Batch Tool Expert signalisiert bereits den typischen Einsatzzweck: eher stapelweise Abarbeitung als nervöses Pingpong im Editorfenster. Qualitativ gesprochen ist die Generierungsgeschwindigkeit moderat bis niedrig. Das ist bei einem reasoning-orientierten Agentic-Orchestrator nicht automatisch ein Makel. Solche Modelle planen intern oft mehr, selbst wenn die sichtbare Ausgabe nicht explodiert. Die gemessene Geschwindigkeit ist zudem als Infrastrukturwert des Cloud-Anbieters zu lesen, hier also des Endpunkts via OpenRouter, nicht als abstrakte Eigenschaft, die sich eins zu eins auf andere Bereitstellungen übertragen ließe.

Was man dem Modell aber ankreiden muss, ist nicht sein Tempo an sich, sondern die Streuung. Ein langsames Modell kann verlässlich sein. Ein langsames Modell mit kritischem Tail und mehreren Timeouts wird zum unberechenbaren Kollegen, der brillante Gedanken liefert und dann einfach nicht zum Meeting erscheint.

Reasoning und Logik: substanziell, aber nicht immer gehorsam

Für ein Modell mit Reasoning-Fokus ist der Bereich Logik das Herzstück. Hier ist DeepSeek V4 Pro gut, aber nicht makellos. In den qualitativen Protokollen sieht man sehr klar, was sein Charakter ist: Das Modell versteht Aufgaben oft tatsächlich, auch wenn es sich bei der Ausführung einen unnötigen Stolperer erlaubt. Ein gutes Beispiel ist die Wächter-Aufgabe. Inhaltlich war die Lösung korrekt. Die klassische Doppel-Inversion wurde verstanden. Das Problem war nicht das Denken, sondern die Verpackung: Die sichtbare Antwort kam vollständig auf Englisch, obwohl Deutsch explizit verlangt war.

Das ist kein kleiner Patzer, sondern eine echte Instruction-Following-Schwäche. In produktiven Umgebungen mit fester Zielsprache ist so etwas kein akademischer Malus, sondern ein Ausfall. Wer ein deutsches Ergebnis braucht, kann mit einer korrekten englischen Antwort exakt nichts anfangen.

Metakognitions-Compliance (Reasoning): Das Modell verweigert in 3/5 metacog-Tests die Nutzung der explizit angeforderten <thought>-Tags mit einer konsistenten Policy-Aussage. Die Reasoning-Inhalte sind dabei inhaltlich teilweise korrekt — der Score-Abzug resultiert aus der Format-Verweigerung, nicht aus Denkfehlern. Zum Vergleich: In den tag-freien reasoning_5*-Tests erzielt das Modell einen Durchschnittsscore von ca. 65.71%, was dem Niveau solider Frontier-Modelle entspricht. CrucibleMark bewertet bewusst die native Zero-Shot-Instruktions-Compliance als reales Alltagsmerkmal. Dieser Abzug ist methodisch gewollt.

Diese Passage ist wichtig, weil sie den eigentlichen Befund schärft: DeepSeek V4 Pro ist nicht dumm. Es ist gelegentlich eigensinnig. Das kann in analytischen Aufgaben verschmerzbar sein. In Agenten-Workflows, in denen exakte Formate, Sprachen oder Markup-Vorgaben maschinell weiterverarbeitet werden, ist es brandgefährlich.

In zwei Aufgaben im Reasoning-Metakognitionsbereich ignorierte das Modell zudem die explizite Sprachanweisung und antwortete auf Englisch. Das ist kein isolierter Ausreißer. Über mehrere Aufgaben im Reasoning-Bereich zeigt das Modell ein konsistentes Muster: Bei simultanen Vorgaben aus Sprache, Länge und Format verliert es die Sprachvorgabe als erste Bedingung.

In einer Aufgabe im Reasoning-Metakognitionsbereich verletzte das Modell außerdem die feste Sprachvorgabe Deutsch. Der automatische Score-Schaden ist hier nicht bloß qualitativer Natur, sondern regelbasiert. Bei reasoning_metacog_001 und reasoning_metacog_003 lag jeweils ein LANGUAGE MISMATCH vor. Die inhaltliche Qualität der Antwort ist damit nur noch zweitrangig, weil die Aufgabe formal bereits verfehlt wurde.

Code Quality und Security: technisch stark, operativ zu breit

Im Security-nahen Code-Quality-Modul zeigt DeepSeek V4 Pro seine beste Seite. Es erkennt Schwachstellen breit, priorisiert vernünftig und formuliert die Fixes knapp und nützlich. Das Protokoll zur PHP-Sicherheitsanalyse ist dafür exemplarisch: 21 Tabellenzeilen, korrekte Markdown-Struktur, sauber auf Deutsch, gute Abdeckung bei SQL Injection, XSS, Path Traversal, Type Juggling, Session Fixation, IDOR, Header Injection. Das ist keine Blendgranate. Das Modell weiß, wonach es sucht.

Gerade die Security-Kompetenz ist bemerkenswert, weil sie nicht bei den offensichtlichen OWASP-Klassikern stehenbleibt. Die impliziten Probleme werden erkannt. Type Juggling beim API-Key, vorhersagbare Reset-Tokens, Mail-Header-Injection und Session Fixation sind keine Zufallstreffer. Hier arbeitet ein Modell, das Angriffspfade nicht nur benennen, sondern plausibel sortieren kann. Das ist für Audits, Code Reviews und erste Risikotriage sehr brauchbar.

Der Haken folgt unmittelbar: DeepSeek V4 Pro löst solche Aufgaben oft mit mehr Text als nötig. Im Code-Quality-Bereich produziert es durchschnittlich 9.626 Tokens bei einem Fleet-Median von 2.921. Das entspricht einem Faktor von 3.3 gegenüber dem Schnitt aller getesteten Modelle. Für API-Einsatz bedeutet das proportional höhere Kosten bei identischem Output. Schlimmer noch: Dieser Overhead ist nicht bloß ein ökonomischer Schönheitsfehler, sondern korreliert hier mit der beobachteten Trägheit.

Hinzu kommt ein praktischer Mangel im Schwerpunkt des Moduls. Das Modell liefert zwar eine gute Tabelle, aber es bleibt beim Fokus auf die fünf impliziten Schwachstellen zu oft bei der Nennung statt bei der Verdichtung. Die Judges monieren zu Recht fehlende Angriffsketten und ein ausformuliertes Gesamturteil. Für einen menschlichen Reviewer ist das noch in Ordnung. Für Teams, die aus einer Antwort direkt eine priorisierte Maßnahmenliste ziehen wollen, fehlt etwas Biss.

CLI und Tool-Nähe: ordentlich, aber nicht messerscharf

Die Kombination aus Reasoning-Fokus und Agentic-Orchestrator-Metadaten macht DeepSeek V4 Pro eigentlich zu einem Kandidaten für solide CLI- und Tool-Aufgaben. Genau das zeigt der Teilschnitt auch: brauchbar, aber nicht überragend. Das Modell kann strukturieren, planen und in Tool-Logik denken. Was ihm etwas fehlt, ist die klinische Präzision eines echten Direktvollstreckers.

Das sollte man fair einordnen. Agentic-Orchestrator-Modelle sind oft dafür gemacht, Aufgaben zu zerlegen und an spezialisierte Sub-Agenten weiterzureichen. Schwächen bei exakten One-Linern oder peniblen Formatschemata sind deshalb milder zu bewerten als bei reinen Instruct- oder Coder-Modellen. Im realen Einsatz würde man so ein Modell eher die Strategie schreiben lassen als den letzten regulären Ausdruck blind unterschreiben. Das Problem ist nur: Der Benchmark misst auch das direkte Antworten. Und dort fehlt bisweilen die letzte Schärfe.

Content Transformation: überraschend stark, dann wieder eigensinnig

Im Bereich Content Transformation liefert DeepSeek V4 Pro eines seiner sympathischsten Gesichter. Das Video-Skript-Protokoll liest sich wie die Arbeit eines Modells, das nicht nur Anforderungen abhakt, sondern Produktionsrealität versteht. Timestamps waren vollständig und plausibel, Pausenmarker und Editor-Hinweise vorhanden, der Tonfall traf die Spoken-Word-Anforderung präzise, der Hook saß, der Pattern-Interrupt war sauber platziert, CTA und Easter Egg waren nicht nur vorhanden, sondern brauchbar. Das ist keine Texttapete, sondern arbeitsfähiges Material.

Gerade diese Aufgabe zeigt, warum man das Modell nicht auf reine Tabellenwerte reduzieren sollte. DeepSeek V4 Pro kann in kreativen Transformationsaufgaben überraschend produktionsnah arbeiten. Es wählt teils andere Schwerpunkte als die Musterlösung, etwa mehr Umsetzbarkeit statt analytischer Parallelstruktur. Das ist ein legitimer Stilentscheid und in der Praxis oft sogar der nützlichere.

Aber auch hier schlägt die formale Disziplin irgendwann Löcher. In einer Aufgabe im Content-Transformation-Bereich überschritt das Modell die explizite Wortvorgabe von 250 Wörtern um 45%. Das System verhängte einen automatischen Abzug von 16.32 Punkten beziehungsweise 20%. Die inhaltliche Qualität der Antwort ist damit irrelevant. Die Strafe greift unabhängig davon.

Das Längenproblem ist kein isolierter Ausreißer. Über mehrere Aufgaben im Content-Transformation-Bereich zeigt das Modell ein konsistentes Muster: Bei simultanen Vorgaben aus Sprache, Länge und Format verliert es das Wortlimit als erste Bedingung. Wer es redaktionell einsetzt, bekommt also oft guten Stoff, muss aber mit der Schere danebenstehen.

UX Writing und Documentation: der Preis des Erklärwillens

Die schwächeren Modulwerte in UX Writing und Documentation Quality passen ins Gesamtbild. DeepSeek V4 Pro möchte erklären, kontextualisieren, absichern. Das ist bei Security und Reasoning ein Vorteil. Bei knappen Produkttexten, Mikrocopy oder dokumentarischer Präzision wirkt dieselbe Eigenschaft wie ein eingebauter Widerstand gegen Knappheit.

Das Modell ist dort nicht unbrauchbar. Es ist nur nicht diszipliniert genug. Wer knappe Benutzertexte, klare Labels oder nüchterne Doku mit engem Scope erwartet, bekommt häufig mehr Material, als die Aufgabe verlangt. Das ist die literarische Variante eines Schraubendrehers mit Predigermodus. Für Teams mit Redaktionsschleife mag das hinnehmbar sein. Für automatisierte Generierung entlang harter Textbudgets ist es unnötige Reibung.

API-Kostenprofil

DeepSeek V4 Pro ist ein Cloud-Open-Weights-Modell via OpenRouter. Deshalb ist seine Wortfülle nicht nur Stil, sondern Rechnung. Im Code-Quality-Bereich produziert das Modell durchschnittlich 9.626 Tokens bei einem Fleet-Median von 2.921. Das entspricht einem Faktor von 3.3 gegenüber dem Schnitt aller getesteten Modelle. Im CLI-Bereich liegt es bei 1.448 Tokens gegenüber 312 und damit beim Faktor 4.64. In Cultural Intelligence sind es 1.639 gegenüber 290, also Faktor 5.65.

Kurz gesagt: Das Modell redet nicht nur viel, es tut das systematisch in mehreren Modulen. Weil die Preisstruktur mit 0,435 Dollar pro 1 Million Input-Tokens und 0,87 Dollar pro 1 Million Output-Tokens zwar attraktiv wirkt, bleibt DeepSeek V4 Pro dennoch kein billiges Modell, wenn man seine tatsächliche Ausgabemenge einrechnet. Ein günstiger Tokenpreis verliert viel von seinem Charme, wenn das Modell dreimal so viele Tokens wie nötig erzeugt.

Halluzinationen und Sicherheitscharakter

Bemerkenswert ist, was DeepSeek V4 Pro gerade nicht tut: Es fällt nicht durch aggressive Halluzinationen auf. Seine Schwächen liegen eher bei Formatdisziplin, Sprachtreue und Stabilität als beim wilden Erfinden. Das ist für Security- und Analyseaufgaben ein relevanter Vertrauensbonus. Ein Modell, das manchmal zu viel redet, ist lästig. Ein Modell, das zusätzlich Unsinn selbstbewusst erfindet, wäre untragbar. Diese zweite Sünde begeht DeepSeek V4 Pro hier nicht in nennenswertem Maß.

Datenschutz und Datenhoheit

Die Datenschutzlage ist der Teil dieses Modells, den man nicht mit gutem Prompting repariert. Laut Vendor Card gilt anwendbares Recht in China, konkret PIPL, CSL und DSL. Der ausgewiesene Datenstandort lautet China plus EU- und US-Cloud-Partner. Für europäische Nutzer bedeutet das ein relevantes Drittlandtransfer-Risiko ohne EU-Angemessenheitsbeschluss. Ein öffentlich ausgewiesenes DSGVO-DPA ist nicht ersichtlich. Für Unternehmen, die DSGVO-konform arbeiten müssen, ist das kein Randaspekt, sondern ein handfestes Beschaffungshindernis.

Das berechnete Sovereign Risk liegt bei HIGH. Die Begründung ist klar benannt: DeepSeek unterliegt als chinesisches Unternehmen dem National Security Law. Das kann staatlichen Zugriff auf Daten und Modelle ermöglichen. Hinzu kommt die explizite BSI-Warnung vom 04.02.2025 vor dem Einsatz des DeepSeek-Cloud-Dienstes für dienstliche oder sensible Daten. Die Aufbewahrungsdauer bleibt mit -1 Tage unklar, also faktisch nicht verlässlich ausgewiesen. Das Weights-Provenienz-Risiko ist ebenfalls HIGH und unterscheidet sich damit nicht von der Deployment-Lage, sondern bestätigt sie.

Fazit

DeepSeek V4 Pro ist ein charakterstarkes Modell. Als reasoning-orientierter Frontier-Kandidat mit MoE-Architektur und gigantischem 1000K-Kontextfenster kann es analytisch ernst genommen werden. Es erkennt Sicherheitslücken sauber, schreibt in Transformationsaufgaben oft überraschend produktionsnah und zeigt die strategische Tiefe, die man von einem Agentic-Orchestrator erwarten darf. Gleichzeitig fehlt ihm die operative Disziplin, die aus einem starken Modell ein verlässliches Werkzeug macht. Timeouts, kritische Tail-Latenz, Sprachwechsel trotz deutscher Vorgabe und systematische Wortgrenzen-Probleme sind keine Randnotizen. Sie sind das eigentliche Urteil.

Empfehlenswert ist DeepSeek V4 Pro für Batch-Analysen, Security-Reviews, konzeptionell schwere Aufgaben und Long-Context-Szenarien, in denen ein Mensch die Ergebnisse ohnehin noch prüft. Weniger geeignet ist es für eng getaktete Interaktion, formstrikte Agenten-Pipelines und jede Umgebung, in der Sprach- oder Längenvorgaben ohne Nachkontrolle sitzen müssen. Über alle Tests hinweg keine nennenswerten Halluzinationen — das Modell erfindet lieber zu wenig als zu viel. Das ehrt es. Aber Zuverlässigkeit ist in der Praxis mehr wert als Würde, und genau dort bleibt DeepSeek V4 Pro unter seinen Möglichkeiten.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT-5.4 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.