Zum Inhalt springen
CrucibleMark

DeepSeek V4 Pro

DeepSeek V4 Pro ist das Flaggschiff der V4-Linie und auf Reasoning, Coding und agentische Workflows ausgelegt. Die Hybrid-Attention-MoE-Architektur vereint 1,6 Billionen Gesamtparameter mit 49 Milliarden aktiven Parametern pro Token und einem Kontextfenster von einer Million Tokens. Das Modell ist unter MIT-Lizenz als Open-Weight-Modell verfügbar, wobei die chinesische Jurisdiktion bei Cloud-Nutzung eine separate Datenschutz-Bewertung erforderlich macht.

DeepSeek Version 4 Kommerzielle Nutzung erlaubt MoE 1600 B (49 B aktiv) 1000 K Context 05/2025 $0.87 / $1.74 per 1M

  • Open Weights
  • Frontier
  • OpenRouter
  • Text
  • Agentic Orchestrator
  • Long Context
  • Batch

Sovereign Risk: HIGH DeepSeek ist ein chinesisches Unternehmen und unterliegt dem chinesischen National Security Law (NSL), das staatlichen Zugriff auf Daten und Modelle ermöglichen kann. Das BSI hat am 04.02.2025 explizit vor dem Einsatz des DeepSeek-Cloud-Dienstes gewarnt: Nutzerdaten werden auf chinesischen Servern gespeichert; eine Nutzung für dienstliche oder sensible Daten wird nicht empfohlen. Für den Cloud-API-Betrieb gilt diese Warnung uneingeschränkt.

Tool-Use-Profil: 6 Assets im Detail

Vergleich der Asset-Performance (P1/P2/Combined) gegenüber dem Flotten-Durchschnitt

Asset-Performance (Radar)

Score Breakdown vs. Fleet Average

Tool-Use-Details

Asset-Performance, Zuverlässigkeit und Laufzeit-Profil

Name P1 P2 Combined
EU License Research 95 60 74
HTTP Fetch & Extract 80 60 70
Tool Failure Handling (404) 80 40 66
Web Search & Tool Selection 100 80 91
URL Construction & Fetch 80 60 70
Multilingual Search & Synthesis 100 80 90

CrucibleMark prüft Tool-Use in 6 voneinander unabhängigen Tests. Klicken Sie auf einen Test-Namen für die Details.

Reliability

  • Tool Call Valid: Nein
  • Retry: Nicht erforderlich
  • Halluzination: Nicht erkannt

Reliability misst, wie verlässlich ein Modell Werkzeugaufrufe tatsächlich ausführt: Tool Call Valid Schema und Format akzeptiert, Retry Required erst nach Wiederholung erfolgreich, Halluzination Flag erfundene Tools oder Parameter erkannt. Alle drei grün bedeutet produktionstauglich.

Betriebsprofil

Call 1
4.59
First Request
MCP
1.34
Protocol Latency
Synthesis
27.47
Response Generation
Total
200.37
Sum of All Phases
Token
17179
Input + Output
Cost
$0
Cost per Run

Das Betriebsprofil zeigt die Laufzeit- und Kostenkennzahlen des Modell-Laufs: Call 1 First Request, MCP Protocol Latency, Synthesis Response Generation, Total Summe aller Phasen, erganzt um Token Input und Output sowie Cost Kosten pro Lauf.

Tool-Use-Review

Erstellt am · Agentic Orchestrator · Long Context

Deployment-Urteil

Bedingt deploy, weil die Tool-Nutzung stark ist, aber die Tool-Calls nicht durchgängig valide sind und die Synthesequalität für produktionsnahe Wissenspipelines nur mittel belastbar ausfällt.

Tool-Execution-Profil

DeepSeek V4 Pro zeigt echte Werkzeugintelligenz. Beim Test Web Search & Tool Selection, der prüft, ob ohne Hinweis web_search statt fetch nötig ist, wählt es das richtige Werkzeug souverän und erreicht volle Ausführungssicherheit. Das spricht gegen ein starres Abrufmuster und für brauchbare Planung in dynamischen MCP-Pipelines.

Schwächer wirkt es beim URL-Construction-Test, der die präzise Ableitung einer Ziel-URL aus Eigenwissen verlangt. Dort ist die Ausführung brauchbar, aber nicht deterministisch genug für Systeme, die auf exakt reproduzierbare Fetch-Pfade angewiesen sind. Der zentrale operative Makel bleibt, dass der Tool-Call insgesamt nicht valide war. Das ist kein Kollaps der Tool-Fähigkeit, aber ein Integrationsrisiko auf Protokollebene. Positiv ist, dass kein Retry nötig war. Das spricht eher gegen ein reines Formatproblem und eher für inkonsistente Call-Präzision in einzelnen Pfaden.

Synthesetreue

Wie gut verdichtet es Tool-Ergebnisse? Nur ordentlich. Die P2-Leistung zeigt, dass DeepSeek V4 Pro Ergebnisse meist korrekt zusammenzieht, aber Details nicht stabil genug priorisiert. Das sieht man auch in HTTP Fetch & Extract und URL Construction & Fetch, wo die Tool-Nutzung tragfähig ist, die verdichtete Ausgabe aber zu wenig Präzision für belastbare Downstream-Entscheidungen liefert.

Bleibt es im Tool-Ergebnis oder weicht es auf Training aus? Hier ist das Modell vertrauenswürdiger als der P2-Wert vermuten lässt. Im Honeypot EU License Research, der prüft, ob aktuelle Lizenzrestriktionen wirklich aus Web-Quellen geholt werden, halluziniert es nicht. Das ist für Compliance-nahe Recherchepfade ein wesentliches positives Signal. Es bleibt also eher konservativ im Evidenzraum, auch wenn die Zusammenfassung nicht scharf genug ist.

Fehlerresilienz

Beim 404-Test, der misst, ob ein Modell nach einem fehlgeschlagenen Tool-Aufruf transparent bleibt oder Ersatzinhalt erfindet, halluziniert DeepSeek V4 Pro keinen Seiteninhalt. Das ist der entscheidende Punkt. Die Reaktion ist dennoch schwach verdichtet und kommunikativ nicht sauber genug, daher der niedrige Synthesewert. Für Produktion ist das akzeptabel, weil Transparenz bei Fehlern wichtiger ist als Eleganz in der Formulierung.

Betriebsprofil

Total 200.37s pro Run. Langsam.
Call-Latenzen 4.59s und 27.47s, MCP 1.34s.
Kosten local. Preisblatt: $0.435 pro 1M Input, $0.87 pro 1M Output. Günstig für Frontier-Klasse, aber die Laufzeit ist hoch im Verhältnis zur Ergebnisqualität.

Fazit & Empfehlung

Geeignet für agentische Recherche- und Orchestrierungs-Pipelines, in denen Tool-Wahl, lange Kontexte und vorsichtige Fehlerbehandlung wichtiger sind als perfekte Endverdichtung. Nicht die erste Wahl für Compliance-Freigaben, präzise Faktenextraktion oder streng deterministische MCP-Strecken mit harten Schema- und URL-Anforderungen. Deploy nur mit enger Tool-Call-Validierung, Output-Checks und einem nachgelagerten Verifier für Synthesequalität.

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.