DeepSeek V4 Pro

Mit einem Gesamtscore von 75.05% zeigt DeepSeek V4 Pro sehr klar, was es sein will: ein Frontier-Reasoning-Modell mit MoE-Architektur, großer strategischer Reichweite und deutlich mehr Ernsthaftigkeit als Charme. Der zugewiesene Speed-Profile-Badge Interactive Tool Expert passt gut: Dieses Cloud-Open-Weights-Modell ist nicht auf Showtempo, sondern auf überlegte, brauchbare Antworten im interaktiven Werkzeug- und Analysebetrieb ausgerichtet. Als reasoning-optimierter Frontier-Vertreter mit 1.600 Milliarden Gesamtparametern, aber nur 49 Milliarden aktiven Parametern pro Token spielt es nicht die Karte roher Vollaktivierung, sondern spezialisierter Kapazität. Sovereign Risk: HIGH — DeepSeek unterliegt als Anbieter chinesischer Jurisdiktion; laut BSI-Warnung vom 04.02.2025 ist der Cloud-Dienst für dienstliche oder sensible Daten nicht zu empfehlen.

Kopfnoten: Stabilität und Zuverlässigkeit

Die Architektur-Einordnung ist hier keine Fußnote, sondern der Schlüssel zum Verständnis. DeepSeek V4 Pro trägt gleichzeitig die Etiketten Thinking, Thinking-Optional, Agentic-Orchestrator und Long-Context. Das klingt zunächst wie eine Kollision von Produktideen, funktioniert im Benchmark aber überraschend schlüssig: Das Modell denkt sichtbar nicht wie ein kurzer Instruct-Sprinter, sondern wie ein Planer, der Aufgaben eher strukturiert als reflexhaft abschießt. Dass der optionale Deep-Thinking-Modus im Benchmark bewusst nicht aktiviert wurde, ist wichtig. Gemessen wurde das Standardverhalten, also genau das, was ein typischer API-Nutzer ohne Spezialkonfiguration bekommt.

Performance und Charakter im API-Betrieb

DeepSeek V4 Pro lief hier als Cloud Open-Weights-Modell via OpenRouter. Das ist für die Einordnung der Geschwindigkeit zentral: Die gemessenen 40.54 Tokens pro Sekunde sind kein abstrakter Wert des Modells im luftleeren Raum, sondern ein Ergebnis der bereitgestellten Cloud-Infrastruktur des Anbieters samt Netzwerkpfad. Für Leser heißt das: Das Tempo beschreibt die Qualität des bereitgestellten Endpunkts im Alltag, nicht irgendeine theoretische Modellgeschwindigkeit.

Der Badge Interactive Tool Expert sagt dabei mehr als ein hübsches Etikett. Er beschreibt ein Modell, das für interaktive Arbeit mit Werkzeugnähe taugen soll: also Analysen, strukturierte Ausgaben, schrittweise Hilfestellung, technische Assistenz. Genau dort fühlt sich DeepSeek V4 Pro meist zuhause. Es ist nicht nervös, nicht hektisch, nicht auf maximale Kürze gedrillt. Aber die P95-Antwortzeit von 87.96 Sekunden bedeutet eben auch: In einem spürbaren Teil der Anfragen wartet man lang genug, um den Denkprozess des Systems nicht mehr als Tugend, sondern als Unterbrechung zu erleben. Für einen Agentic-Orchestrator ist das nicht völlig überraschend. Für produktive, zeitkritische Schleifen bleibt es dennoch ein Kostenfaktor in Nerven.

Reasoning und Logik: richtig gedacht, nicht immer richtig geliefert

Für ein Modell mit Reasoning-Fokus ist die Logikleistung der erste Prüfstein. DeepSeek V4 Pro erreicht hier 72.01%. Das ist kein Fehltritt, aber auch kein Triumphzug. Qualitativ zeigt sich ein wiederkehrendes Muster: Das Modell kommt oft auf die richtige Lösung, erklärt sie aber nicht immer mit der Tiefe, die seine Kategorie verspricht. Im Wächterrätsel etwa liefert es die korrekte Kernfrage und damit die richtige Lösung. Der Judge bemängelt jedoch zu Recht, dass die eigentliche Erklärung auffallend knapp bleibt. Ein Modell, das als Thinking-System gelesen werden will, darf sich nicht mit einem korrekten Endsatz aus der Affäre ziehen.

Gerade dieser Punkt ist für die Kategorisierung wichtig. Ein Thinking-Modell darf länger sein. Es darf ausführlicher sein. Es soll in Logikaufgaben sogar genau das tun. Wenn dann ein korrektes Ergebnis kommt, aber die Herleitung auf Instruct-Niveau zusammenschnurrt, wirkt das wie ein Sportwagen im dritten Gang.

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. CrucibleMark bewertet bewusst die native Zero-Shot-Instruktions-Compliance als reales Alltagsmerkmal. Dieser Abzug ist methodisch gewollt.

Hinzu kommt ein dokumentierter Sprachfehler in genau diesem Modul. In einer Aufgabe im Reasoning-Bereich ignorierte das Modell die explizite Deutschvorgabe und antwortete auf Englisch. Das System wertete das als Language Mismatch. Die Strafe ist hier kein ästhetischer Einwand, sondern eine saubere Regelanwendung: Bei fest vorgeschriebener Zielsprache ist die Antwort im falschen Idiom im produktiven Einsatz schlicht unbrauchbar.

In einer Aufgabe im Reasoning-Bereich verletzte das Modell zudem die explizite Sprachvorgabe Deutsch. Das System verhängte keinen Stilabzug nach Gutdünken, sondern registrierte einen formalen Regelverstoß. Die inhaltliche Qualität der Antwort ist damit zweitrangig. Wer Reasoning in mehrsprachigen Workflows einsetzt, bekommt hier ein klares Warnsignal.

Code Quality und Security: analytisch stark, aber nicht lückenlos

Mit 67.88% in Code Quality liegt DeepSeek V4 Pro unter dem Niveau, das man von einem reasoning-lastigen Frontier-Modell mit Sicherheitsambition eigentlich erwarten darf. Das ist kein Totalschaden. Es ist eher der Fall eines guten Auditors, der vier kritische Punkte auf dem Whiteboard vergisst und damit ausgerechnet im wichtigsten Moment Vertrauenskapital verspielt.

Das qualitative Protokoll zeigt das präzise. In einer Sicherheitsanalyse erkennt das Modell 15 von 19 relevanten Schwachstellen. Das ist ordentlich, aber in einem echten Security-Audit nicht ausreichend. Besonders kritisch ist nicht irgendein kosmetischer Auslassungsfehler, sondern das Auslassen von Befunden wie hartkodierten Geheimnissen, fehlender CSRF-Absicherung oder nicht ablaufenden Reset-Tokens. Ebenso problematisch ist die Tendenz, die Schwere einzelner Funde zu niedrig anzusetzen. Wenn IDOR oder Path Traversal nur als hoch statt kritisch behandelt werden, fehlt nicht Wissen, sondern Eskalationsgefühl. Genau dort trennt sich Sicherheitsverstand von Sicherheitsvokabular.

Man muss DeepSeek V4 Pro zugleich zugutehalten, dass seine Fix-Vorschläge meist präzise und brauchbar sind. Die Tabellenstruktur sitzt. Die Formulierung ist sauber. Die Analyse wirkt nicht halluziniert, sondern bewusst priorisiert. Das Modell scheitert hier nicht an Chaos, sondern an Unvollständigkeit. Das ist die gefährlichere Schwäche, weil sie professionell aussieht.

Für den Einsatz als Security-Assistent heißt das: gut für Erstanalysen, brauchbar für strukturierte Audit-Listen, aber nicht verlässlich genug für den letzten Freigabestempel. Wer damit Quellcode prüft, sollte einen zweiten Prüfer einplanen. Nicht aus Misstrauen gegen die Intelligenz des Modells, sondern gegen seine Tendenz, die letzten 20 Prozent als entbehrlich zu behandeln.

CLI, Tooling und agentische Arbeitsweise

Der CLI-Benchmark mit 86.67% gehört zu den stärkeren Seiten des Modells. Das passt zur Zuschreibung als Agentic-Orchestrator. DeepSeek V4 Pro denkt in Aufgabenstrukturen, nicht nur in einzelnen Ausgabesätzen. Genau das hilft bei Shell-, Tool- und Workflow-Aufgaben, wo Planung oft wichtiger ist als ein einzelner brillanter One-Liner.

Hier sollte man die Kategorie bewusst fair lesen. Agentic-Orchestrator-Modelle sind eher Dirigenten als Soloviolinisten. Wenn ein Modell plant, zerlegt, absichert und Werkzeugschritte plausibel staffelt, dann ist das in realen Agenten-Setups oft wertvoller als perfektes Exact-Matching in jeder Einzelzeile. DeepSeek V4 Pro liefert in diesem Feld die richtige Art von Kompetenz: kontrollierte technische Orientierung mit hoher Tool-Nähe. Es will nicht beeindrucken, es will den Arbeitsfluss organisieren. Das ist eine gute Eigenschaft. Sie ist nur weniger glamourös als spektakuläre Punktlandungen.

Documentation Quality: belastbar, dicht, brauchbar

Mit 78.75% liefert DeepSeek V4 Pro in der Dokumentationsqualität eine seiner rundesten Vorstellungen ab. Das überrascht nicht. Modelle mit langem Kontextfenster und reasoning-orientierter Anlage können große Stoffmengen besser ordnen, sofern sie die Disziplin behalten, nicht im Material zu ertrinken. DeepSeek V4 Pro behält diese Disziplin meist.

Seine Stärke liegt hier weniger in literarischer Eleganz als in nachvollziehbarer Struktur. Das Modell erklärt, verbindet und gliedert ordentlich. Es schreibt nicht mit dem Esprit eines Spitzenredakteurs, aber mit der Zuverlässigkeit eines Technikers, der weiß, dass ein guter Text vor allem benutzbar sein muss. Gerade für interne Dokumentation, technische Guidelines oder erklärungsbedürftige Prozessbeschreibungen ist das ein relevanter Pluspunkt.

Content Transformation und UX Writing: kreativ genug, aber nicht immer gehorsam

In Content Transformation erreicht das Modell 76.55%. Das qualitative Beispiel eines umgebauten Videoskripts zeigt sehr schön, wo DeepSeek V4 Pro glänzen kann: Es liefert vollständige Strukturen, Zeitmarken, visuelle Hinweise, Produktions-Cues und eine überzeugend umgesetzte gesprochene Tonalität. Das ist keine zufällige Textwurst, sondern ein arbeitsfähiges Skript. Man merkt, dass das Modell komplexe Vorgaben gleichzeitig im Kopf halten kann.

Aber hier sitzt auch ein formaler Stachel. In einer Aufgabe im Content-Transformation-Bereich überschritt das Modell die explizite Wortvorgabe von 250 Wörtern auf 358 Wörter, also auf 143% des Limits. Das System verhängte dafür einen automatischen Abzug von 20% beziehungsweise 16.32 Punkten auf den erzielten Score. Die inhaltliche Qualität der Antwort ist damit irrelevant. Die Strafe greift unabhängig davon. Wer in Marketing-, Redaktions- oder Workflow-Automation mit harten Längenlimits arbeitet, sollte das ernst nehmen. Das Modell kann schreiben. Es kann aber Vorgaben zur Textlänge hörbar lockerer nehmen, als der Prompt erlaubt.

Im UX Writing mit 78.63% zeigt sich eine verwandte Eigenschaft. DeepSeek V4 Pro schreibt oft brauchbare, differenzierte und verhältnismäßig nuancierte Mikrotexte. Allerdings ist es kein Modell der knappen Pointe. Wenn es auf eine kleine Kopie-Aufgabe losgelassen wird, antwortet es gern mit dem Eifer eines Praktikanten, der beweisen möchte, dass er alle Ideen verstanden hat. Das kann in kreativen Workshops angenehm sein. Im API-Alltag erzeugt es vor allem mehr Textkosten.

Cultural Intelligence: ordentlich, aber nicht unfehlbar

Der Wert von 70.64% in Cultural Intelligence ist solide, aber nicht überragend. Das Modell kann Tonlagen entschärfen, problematische Formulierungen bereinigen und inklusive Sprache sauber herstellen. Das qualitative Protokoll zur Überarbeitung einer toxischen Stellenanzeige zeigt genau das. DeepSeek V4 Pro ersetzt aggressive oder männlich codierte Formulierungen sinnvoll, hält die Ausgabe auf Deutsch und wahrt den geforderten HR-Ton weitgehend.

Der interessante Punkt liegt im Detail: Die Lösung ist funktional überzeugend, aber nicht immer sprachlich am elegantesten. Wenn das Modell etwa inklusive Formen mit sichtbarer Markierung wählt, ist das formal akzeptabel, aber nicht zwingend die stilistisch feinste Lösung. Es tut also das Richtige, aber manchmal mit etwas groberem Werkzeug. Das ist besser als kulturelle Blindheit. Es ist nur noch keine Meisterschaft.

API-Kostenprofil

DeepSeek V4 Pro ist günstig bepreist, aber nicht sparsam im Ausdruck. Gerade weil es als Cloud Open-Weights-Modell via OpenRouter genutzt wird, ist diese Differenz praktisch relevant: Mehr Ausgabetokens bedeuten bei identischer Qualität direkt höhere API-Kosten.

Besonders auffällig ist der Overhead in mehreren Modulen. Im CLI-Bereich produziert das Modell durchschnittlich 987 Tokens bei einem Fleet-Median von 251. Das entspricht dem 3.93-Fachen des Schnitts aller getesteten Modelle. In Cultural Intelligence sind es 693 Tokens gegenüber 219 im Median, also 3.16-mal so viel. Im UX-Writing liegt DeepSeek V4 Pro bei 4236 Tokens gegenüber 1493 im Fleet-Median, also beim 2.84-Fachen. Auch Documentation Quality mit 4353 vs. 2877 Tokens und Code Quality mit 3989 vs. 2526 Tokens zeigen, dass das Modell fast reflexhaft ausführlicher wird als nötig.

Das ist wohlgemerkt kein Qualitätsurteil. In mehreren Bereichen liefert DeepSeek V4 Pro gute Ergebnisse. Es redet dafür nur deutlich länger als der Schnitt. Wer nach API-Rechnung einkauft, bekommt hier kein Schnäppchen, sondern einen billigen Tarif mit gesprächigem Teilnehmer.

Long Context: viel Platz, sinnvoll genutzt

Das Kontextfenster von 1.000.000 Tokens ist kein Marketingschmuck, sondern ein echter Charakterzug des Modells. Natürlich misst dieser Benchmark nicht die gesamte Million direkt aus. Trotzdem sieht man an Dokumentation, Transformation und strukturreichen Aufgaben, dass DeepSeek V4 Pro längere Kontexte nicht nur verwaltet, sondern in kohärente Ausgaben übersetzen kann. Gerade in Verbindung mit der MoE-Architektur ist das interessant: Die enorme Gesamtgröße von 1.6 Billionen Parametern klingt spektakulär, entscheidend sind aber die 49 Milliarden aktiven Parameter. Genau auf diese aktive Kapazität sollte man die Leistung kalibrieren. Und gemessen daran ist das Ergebnis stark. Nicht magisch. Aber stark.

Datenschutz und Datenhoheit

Die Datenschutzlage ist der größte strategische Makel dieses Modells. Das berechnete Sovereign Risk ist HIGH. Begründung: DeepSeek ist ein chinesisches Unternehmen und unterliegt chinesischem Recht, konkret PIPL/CSL/DSL sowie dem im Kontext der Weights-Provenienz relevanten National Security Law. Für europäische Nutzer bedeutet das ein echtes Drittlandtransfer-Risiko ohne EU-Angemessenheitsbeschluss.

Als Datenstandort nennt die Anbieterkarte China plus EU/US-Cloud-Partner. Das klingt flexibler, löst das Grundproblem aber nicht auf. Maßgeblich bleibt die Jurisdiktion des Anbieters. Für Unternehmen in Deutschland und Europa ist besonders heikel, dass kein öffentlich ausgewiesenes GDPR DPA vorliegt. Das ist kein Schönheitsfehler, sondern ein konkretes Compliance-Hindernis für DSGVO-sensible Einsätze. Die Datenspeicherungsdauer ist mit -1 Tagen faktisch unklar. Auch das ist für professionelle Beschaffung keine Kleinigkeit, sondern eine rote Lampe.

Relevant ist außerdem die Trennung zwischen offenen Gewichten und Cloud-Betrieb. Die Gewichte stehen unter MIT-Lizenz offen zur Verfügung. Das hilft bei Nutzungsrechten. Es entschärft aber nicht das Weights-Provenienz-Risiko, das hier ausdrücklich als HIGH bewertet wird. Anders gesagt: Offen heißt nicht automatisch souverän. Bei DeepSeek V4 Pro erst recht nicht.

Fazit

DeepSeek V4 Pro ist ein ernstzunehmendes Frontier-Modell mit klar erkennbarem Profil. Es denkt strukturiert, arbeitet stark in CLI- und Dokumentationsaufgaben, liefert in Content-Transformation oft erfreulich vollständige Ergebnisse und nutzt seine MoE-Anlage sinnvoll statt nur beeindruckend. Gleichzeitig bleibt es hinter seinen eigenen Ansprüchen zurück, wenn Reasoning zwar korrekt, aber nicht tief genug ausformuliert wird, wenn Security-Audits wichtige Lücken übersehen oder wenn formale Vorgaben zu Sprache und Wortzahl nicht sauber gehalten werden.

Für den praktischen Einsatz lautet das Urteil deshalb: sehr interessant für analytische Wissensarbeit, technische Assistenz, dokumentationslastige Workflows und agentische Tool-Orchestrierung. Weniger geeignet ist es für hochregulierte Unternehmensumgebungen, harte Format-Automation ohne Nachkontrolle und jede Verarbeitung sensibler Daten in der DeepSeek-Cloud-Konstellation. Über alle Tests hinweg keine nennenswerten Halluzinationen — das Modell erfindet lieber zu viel Erklärung als zu viel Unsinn. Das ist ein respektabler Charakterzug. Schade nur, dass ausgerechnet bei Datenhoheit und Instruktionsdisziplin der Lack hörbar kratzt.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT 4.5 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.