DeepSeek-V4-Modellersatz: deepseek-chat ohne Mehrkosten

Eine bisher stabile deepseek-chat-Anwendung verwendet nach der Umstellung plötzlich mehr Tokens, längere Antworten oder höhere API-Kosten.

Die schnellste Lösung: Migrieren Sie normale Dialoge und Batch-Aufgaben auf deepseek-v4-flash und setzen Sie thinking ausdrücklich auf disabled. Aufgaben mit echtem Reasoning-Bedarf sollten Sie nicht automatisch auf Pro umstellen, sondern zuerst mit Flash und Pro im thinking-Modus gegen denselben Testsatz prüfen.

Zuletzt aktualisiert am 31.07.2026; geprüft anhand der offiziellen DeepSeek-V4-Mitteilung, der Modell- und Preisseite, der Thinking-Mode-Dokumentation, der Kontext-Caching-Dokumentation und der API-Referenz.

Dieser Beitrag richtet sich an Sie, wenn Sie noch deepseek-chat ersetzen, eine gemeinsame Modellschicht betreiben oder die Auswirkungen auf Qualität, Latenz und API-Budget kontrollieren müssen. Besonders relevant ist die Entscheidung für Entwickler gewöhnlicher Chat-Anwendungen, Plattform- und Gateway-Teams sowie für AI-Agent- und technische Leitungsteams.

1. Legen Sie die Migration nach Arbeitslast fest

Die alten Modellnamen deepseek-chat und deepseek-reasoner wurden nach dem 24.07.2026 um 15:59 UTC als verfügbare Modellnamen entfernt. Während der Übergangsphase verwies deepseek-chat auf V4 Flash ohne thinking und deepseek-reasoner auf V4 Flash mit thinking. Nach der Abschaltung müssen Sie jedoch eine endgültige Modell-ID und einen expliziten Modus in Ihrer Anwendung festlegen. (api-docs.deepseek.com)

Die offizielle V4-Dokumentation bestätigt, dass deepseek-v4-flash und deepseek-v4-pro sowohl den thinking- als auch den Nicht-thinking-Modus unterstützen. Der thinking-Schalter ist standardmäßig aktiviert. Genau deshalb reicht es nicht, nur die Modell-ID auszutauschen. (api-docs.deepseek.com)

Welches Modell sollten Sie nach der Abschaltung von deepseek-chat verwenden?

Für gewöhnliche Dialoge, Zusammenfassungen, Klassifizierung und Extraktion ist deepseek-v4-flash mit ausdrücklich deaktiviertem thinking die belastbare Ausgangskonfiguration. Für komplexe Agenten- oder Reasoning-Aufgaben gibt es keine offizielle Regel, nach der der alte deepseek-reasoner zwingend auf deepseek-v4-pro wechseln muss. Diese Entscheidung muss Ihr eigener Qualitätstest treffen.

2. Stellen Sie bei normalen Dialogen Modell und Modus gemeinsam um

Der häufigste Migrationsfehler besteht darin, nur diesen Teil zu ändern:

{
  "model": "deepseek-v4-flash"
}

Damit bleibt der standardmäßige thinking-Zustand unter Umständen aktiv. Die neue Anfrage sollte stattdessen mindestens diese Felder enthalten:

{
  "model": "deepseek-v4-flash",
  "messages": [
    {
      "role": "user",
      "content": "Fassen Sie diesen Text in fünf Punkten zusammen."
    }
  ],
  "extra_body": {
    "thinking": {
      "type": "disabled"
    }
  }
}

Bei einer OpenAI-kompatiblen SDK-Anbindung muss der Thinking-Schalter gemäß der offiziellen Dokumentation in extra_body übergeben werden. Ein Parameter an der falschen Stelle kann deshalb wirkungslos bleiben, obwohl Ihre Anwendung scheinbar erfolgreich antwortet. (api-docs.deepseek.com)

Für die Abnahme prüfen Sie nicht nur Ihre Konfigurationsdatei. Entscheidend sind drei Beobachtungen:

1. Im endgültigen ausgehenden Request steht model: "deepseek-v4-flash".
2. Der Request enthält thinking.type: "disabled" an der vom Gateway erwarteten Stelle.
3. Die Antwort enthält den erwarteten Modellnamen und einen nachvollziehbaren usage-Block.

Beachten Sie außerdem, dass ein gemeinsamer Proxy, ein SDK-Wrapper oder ein API-Gateway den Parameter überschreiben kann. Deshalb sollten Sie den Request direkt vor dem Versand protokollieren. Speichern Sie dabei keine API-Schlüssel und keine personenbezogenen Inhalte. Für die Verarbeitung sensibler Testdaten können Sie die Hinweise in der Datenschutzerklärung von VpsGona als Prüfpunkt für Ihre interne DSGVO-Dokumentation verwenden.

Wichtig: Ein erfolgreiches HTTP-Ergebnis beweist nicht, dass die gewünschte Konfiguration aktiv ist. Für die Migration zählen die tatsächlich versendete Modell-ID, der Modus und die Antwortdaten – nicht allein die Einstellung im Anwendungscode.

3. Prüfen Sie Batch-Aufgaben auf unnötige Denk- und Wiederholungsarbeit

Bei Zusammenfassungen, Inhaltsklassifizierung, Metadaten-Extraktion oder standardisierten Textvarianten ist thinking nicht automatisch ein Qualitätsgewinn. Diese Aufgaben werden meist durch klare Eingabeformate, feste Ausgabeschemata und gute Validierung stabiler als durch pauschal aktiviertes Reasoning.

Die Kosten entstehen außerdem nicht nur durch die Modellwahl. Die offizielle Preisseite berechnet Eingabe- und Ausgabetokens getrennt und weist Cache-Treffer sowie Cache-Fehltreffer separat aus. Für V4 Flash nennt die Seite derzeit 0,14 US-Dollar je 1 Million Eingabetokens bei Cache-Miss, 0,0028 US-Dollar bei Cache-Hit und 0,28 US-Dollar je 1 Million Ausgabetokens. Für V4 Pro werden 0,435 US-Dollar, 0,003625 US-Dollar und 0,87 US-Dollar ausgewiesen. Preise können geändert werden; vor einer Budgetfreigabe müssen Sie deshalb die aktuelle offizielle Modell- und Preisseite erneut prüfen. (api-docs.deepseek.com)

Das Kontext-Caching ist laut offizieller Dokumentation standardmäßig aktiviert. Ein Cache-Hit setzt jedoch voraus, dass der relevante Eingabepräfix vollständig mit einem gespeicherten Präfix übereinstimmt. Die Antwort enthält dafür prompt_cache_hit_tokens und prompt_cache_miss_tokens. (api-docs.deepseek.com)

Für Batch-Verarbeitung bedeutet das konkret:

• Halten Sie Systemanweisung und wiederkehrende Dokumentpräfixe stabil.
• Verändern Sie nicht bei jedem Auftrag unnötig die Reihenfolge oder Formatierung des gemeinsamen Präfixes.
• Protokollieren Sie Cache-Hit- und Cache-Miss-Tokens neben Input- und Output-Tokens.
• Begrenzen Sie Wiederholungen bei Timeout- oder Validierungsfehlern.
• Aktivieren Sie thinking nur für Datensätze, die einen definierten Qualitätstest nicht bestehen.

Wann darf eine Batch-Anwendung auf thinking oder Pro hochgestuft werden?

Erst wenn ein repräsentativer Testsatz mit Flash ohne thinking eine festgelegte Qualitätsgrenze verfehlt, sollten Sie Flash mit thinking testen. Pro ist erst dann gerechtfertigt, wenn der zusätzliche Qualitätsgewinn gegenüber Flash mit thinking messbar ist und die Mehrkosten oder längere Verarbeitung im Geschäftsszenario akzeptiert werden.

4. Entscheiden Sie bei AI-Agenten nach Werkzeugrisiko statt nach altem Modellnamen

Ein AI-Agent ist keine einzelne Chat-Anfrage. Im thinking-Modus kann er mehrere interne Schritte und Werkzeugaufrufe ausführen. Die offizielle Dokumentation beschreibt, dass bei Werkzeugaufrufen mehrere Teilanfragen innerhalb einer Aufgabe entstehen können. Außerdem muss reasoning_content bei nachfolgenden Werkzeugschritten korrekt zurückgegeben werden. Andernfalls kann die API-Anfrage mit einem Fehler abgewiesen werden. (api-docs.deepseek.com)

Für Ihre Auswahl sind daher drei Fragen wichtiger als die frühere Bezeichnung deepseek-reasoner:

1. Wie teuer ist eine falsche Werkzeugentscheidung?
2. Wie viele Folgeaktionen darf der Agent maximal auslösen?
3. Muss der Agent nur einfache Abläufe ausführen oder mehrdeutige Pläne über mehrere Schritte entwickeln?

Ein einfacher Support-Agent, der eine Wissensdatenbank durchsucht und anschließend eine standardisierte Antwort erstellt, kann mit Flash beginnen. Ein Agent, der Code analysiert, mehrere Werkzeuge kombiniert und bei widersprüchlichen Ergebnissen selbstständig nachbessert, sollte Flash mit thinking und Pro mit thinking im direkten Vergleich durchlaufen.

Messen Sie nicht nur die Antwortqualität der letzten Nachricht. Für jede Aufgabe sollten Sie mindestens folgende Werte erfassen:

• endgültige Modell-ID;
• thinking-Status;
• Anzahl aller Teilanfragen;
• Input-, Output-, Cache-Hit- und Cache-Miss-Tokens;
• Anzahl der Werkzeugaufrufe;
• End-to-End-Dauer;
• erfolgreiche oder fehlerhafte Aufgabenerledigung.

Wenn Pro nur die letzte Antwort verbessert, dafür aber wesentlich mehr Teilanfragen oder deutlich mehr Output erzeugt, ist die richtige Lösung möglicherweise ein selektiver Pro-Fallback statt einer globalen Umstellung.

5. Testen Sie Reasoning-Aufgaben mit getrennten Variablen

Bei Code-Reasoning, komplexer Analyse oder risikoreichen Entscheidungen dürfen Sie Modell und thinking-Status nicht gleichzeitig ändern. Sonst wissen Sie nach dem Test nicht, wodurch eine Qualitätsverbesserung oder Kostensteigerung entstanden ist.

Verwenden Sie mindestens diese drei Vergleichsarme:

Nutzen Sie denselben Testsatz, dieselben Eingaben und dieselben Abbruchregeln. Bewerten Sie nicht nur subjektiv „bessere“ Antworten, sondern definieren Sie vorher Kriterien wie korrekte Testergebnisse, gültiges JSON, bestandene Code-Tests, vollständige Quellenangaben oder fehlerfreie Werkzeugketten.

Muss deepseek-reasoner nach der Migration zwingend auf V4 Pro wechseln?

Nein. Die offizielle Migrationsinformation bestätigt die V4-Modelle und die frühere Übergangsrouting-Regel, schreibt aber keine verbindliche Nachfolgezuordnung von deepseek-reasoner zu V4 Pro vor. Ihre technische Entscheidung sollte daher auf dem Vergleich von Flash mit thinking und Pro mit thinking beruhen. (api-docs.deepseek.com)

Ein sinnvoller Rückfallpfad lautet: zunächst Pro nur für klar markierte Aufgaben verwenden, bei Budgetüberschreitung oder fehlendem Qualitätsvorteil auf Flash mit thinking wechseln und bei einfachen Teilaufgaben thinking vollständig deaktivieren.

6. Vereinheitlichen Sie Gateway-Regeln und Übergangskennungen

Wenn mehrere Anwendungen eigene Modellnamen verwenden, entstehen nach der Abschaltung schwer nachvollziehbare Mischzustände. Ein Dienst kann bereits V4 Flash verwenden, während ein anderer noch einen alten Alias an den Gateway sendet. Zusätzlich können Proxy-Regeln den Thinking-Parameter stillschweigend setzen.

Legen Sie deshalb im zentralen Gateway ein einheitliches Routing-Schema an:

{
  "workload": "batch_summary",
  "model": "deepseek-v4-flash",
  "thinking": "disabled",
  "fallback_model": "deepseek-v4-flash",
  "fallback_thinking": "enabled"
}

Für Agenten können Sie eine separate Regel definieren:

{
  "workload": "complex_agent",
  "model": "deepseek-v4-flash",
  "thinking": "enabled",
  "fallback_model": "deepseek-v4-pro",
  "fallback_thinking": "enabled"
}

Die Richtung des Fallbacks hängt von Ihrem Fehlerbild ab. Wenn Qualität das Hauptproblem ist, kann Pro der Fallback sein. Wenn Budget, Latenz oder Parallelität kritisch sind, sollte Flash der Rückfall bleiben.

Für noch nicht migrierte Dienste sollten Sie keinen zeitlich unbegrenzten Alias weiterbetreiben. Dokumentieren Sie stattdessen:

• betroffene Anwendung und verantwortliches Team;
• endgültige Zielmodell-ID;
• aktiven thinking-Status;
• Datum der vorläufigen Einführung;
• messbares Kriterium für die Entfernung;
• vorgesehenen Rückfall;
• zuständige Person für die Freigabe.

Die API-Referenz hilft Ihnen dabei, Authentifizierung und Endpunktverhalten getrennt von Ihrer internen Routinglogik zu prüfen. Für die praktische Gateway-Kontrolle können Sie außerdem die Hilfe-Seite von VpsGona als organisatorischen Anlaufpunkt für Ihre Testumgebung nutzen.

7. Führen Sie die Abnahme mit einer prüfbaren Checkliste durch

Verwenden Sie diese Liste nicht nur für den ersten Deploy. Wiederholen Sie sie nach Änderungen am SDK, am Proxy und an den Standardparametern.

• [ ] Alle Vorkommen von deepseek-chat und deepseek-reasoner im Anwendungscode, in Umgebungsvariablen und Gateway-Regeln erfasst
• [ ] Jede Arbeitslast einer konkreten Zielmodell-ID zugeordnet
• [ ] Für normale Chat- und Batch-Aufgaben deepseek-v4-flash mit deaktiviertem thinking festgelegt
• [ ] Für Reasoning-Aufgaben Flash mit thinking und Pro mit thinking separat getestet
• [ ] Der endgültige ausgehende Request auf Modell-ID und Thinking-Parameter geprüft
• [ ] Die Antwortfelder model und usage protokolliert
• [ ] prompt_cache_hit_tokens und prompt_cache_miss_tokens in der Kostenanalyse berücksichtigt
• [ ] Werkzeugketten als vollständige Aufgaben und nicht nur als Hauptanfrage gemessen
• [ ] Wiederholungen, Timeouts und Teilanfragen in die Kostenbetrachtung aufgenommen
• [ ] DSGVO-Anforderungen für Request- und Antwortprotokolle geprüft
• [ ] Ein klarer Fallback je Arbeitslast eingerichtet
• [ ] Eine Frist und ein Entfernungskriterium für alte Übergangsaliasse dokumentiert
• [ ] Die Qualitätsgrenze vor dem Ausbau des Datenverkehrs schriftlich bestätigt
• [ ] Ein kontinuierliches Beobachtungsfenster ohne unerwartetes Routing abgewartet

Die Migration ist erst dann belastbar, wenn drei Dinge gleichzeitig stimmen: Die Arbeitslast erreicht das gewünschte Modell, die Qualität liegt über Ihrer Abnahmeschwelle und die Nutzung lässt sich anhand von Tokens, Cache-Status und Teilanfragen erklären.

8. Bewerten Sie die Umgebungsfrage getrennt von der Modellentscheidung

Wenn die Abweichung nur in einer macOS- oder iOS-Anwendung, einer Xcode-Buildkette oder einem bestimmten Client-SDK auftritt, sollten Sie die API-Migration nicht direkt in der Produktionsanwendung mehrfach umschalten. Isolieren Sie Client-SDK, Proxy-Konfiguration und endgültigen Request-Körper in einer separaten Regression.

Das ist besonders wichtig, wenn der Fehler nur auf Apple-Geräten erscheint: Eine lokale Änderung kann gleichzeitig SDK-Version, Netzwerkpfad, Zertifikatsprüfung und Gateway-Parameter verändern. Prüfen Sie daher zuerst, ob eine zeitlich begrenzte Cloud-Mac-Umgebung Ihren benötigten macOS- oder iOS-Testfall abbilden kann. Relevant sind dabei verfügbare Systemversion, Übergabeart, Zugriffsschutz, Mietdauer und die Frage, ob Sie sensible Testdaten datenschutzkonform verarbeiten können.

Für eine solche isolierte Prüfung ist eine kurze Testumgebung sinnvoller als eine unkontrollierte Änderung an mehreren Produktionsgeräten. Sie sollten jedoch nur dann mieten, wenn der Fehler tatsächlich an der Apple-Entwicklungsumgebung hängt. Für reine API-Routing-Probleme genügt meist ein reproduzierbarer Gateway-Test.

9. Lassen Sie die technische Leitung erst nach dem Beobachtungsfenster freigeben

Für die abschließende Entscheidung benötigt jede Arbeitslast eine kompakte Zuordnung:

Erhöhen Sie den Datenverkehr erst, wenn die Route über ein zusammenhängendes Beobachtungsfenster stabil bleibt, die Qualität den Zielwert erfüllt und ein schneller Rückfall möglich ist. Sehen Sie nicht nur auf die Gesamtrechnung: Eine höhere Summe kann aus mehr Anfragen, längeren Eingaben, mehr Ausgabetokens, weniger Cache-Treffern oder zusätzlichen Agenten-Teilaufrufen entstehen.

Wenn Ihre aktuelle Lösung diese Nachweise nicht liefert, hat sie drei praktische Schwächen: Sie erkennen Modusüberschreibungen zu spät, können Kostenabweichungen nicht einer Arbeitslast zuordnen und müssen Fehler direkt in produktiven Client- oder Gateway-Systemen reproduzieren. Eine kurzfristig gemietete Mac-Testumgebung von VpsGona kann in diesem speziellen Fall die sauberere Trennung zwischen Apple-Client, SDK und API-Gateway ermöglichen. Prüfen Sie vorab die verfügbaren Systeme, die Übergabeart, den Mietzeitraum und Ihre Datenschutzanforderungen; für dauerhaft hohe Last oder zwingend benötigte physische Schnittstellen bleibt eigene Hardware die ehrlichere Wahl.