DeepSeek V4 multimodal: Was Creator wissen müssen

DeepSeek V4 ist seit dem 24. April 2026 live — mit zwei Produktionsmodi, einem Kontext von einer Million Token und einer maximalen Ausgabelänge von 384K. Es ist kein Videomodell und will auch keines ersetzen. Was V4 tatsächlich verändert, ist die Ebene über dem visuellen Stack: das Briefing, das Storyboard, die Brand Bible, das Long-Context-Retrieval, das aus „mach eine Kampagne“ ein „mach eine Kampagne, die jeden Shoot dieses Jahres respektiert“ macht. Dieser Beitrag zeigt, was DeepSeek V4 ist, was es Creator auf OmniArt bringt und wo es neben dem übrigen Modell-Lineup steht.

Was DeepSeek V4 ist

DeepSeek V4 ist ein Modell für Long-Context-Reasoning und Tool-Nutzung mit zwei Produktionsmodi — V4-Flash und V4-Pro —, beide über eine OpenAI-kompatible API unter api.deepseek.com erreichbar. Die Schlagzeile sind der 1M-Token-Kontext plus strukturierte Tool-Calls; darunter arbeitet die Architektur mit Compressed Sparse Attention (CSA) und Heavy Compressed Attention (HCA), und genau das hält die Kosten davon ab, linear mit der Kontextlänge zu wachsen.

Beide Modi deckeln die Ausgabe bei 384K Token. Beide liefern „Thinking“ und „Non-Thinking“ aus demselben Modell — V4 vereint, was V3 und R1 zuvor getrennt erledigt haben.

Die Architektur in einem Absatz

Das Interessante ist CSA + HCA. Compressed Sparse Attention verengt die Attention pro Layer auf eine kleine Zahl informationsreicher Token; Heavy Compressed Attention legt darüber eine dichte Kompression. Erst diese Kombination macht den 1M-Kontext bezahlbar statt zur Benchmark-Trophäe. DeepSeek trainiert und betreibt V4 auf Infrastruktur der Huawei-Ascend-Klasse statt auf einem reinen CUDA-Stack, wobei Cambricons vLLM-Anpassung die Inferenz-Optimierung übernimmt.

Benchmarks, die eine Erwähnung wert sind

DeepSeeks eigene Kommunikation ist ehrlich zu dieser Lücke: V4 „liegt bei komplexem Wissen und Reasoning noch etwa drei bis sechs Monate hinter den absoluten Top-Closed-Systemen“. Für die meisten Creator-Workflows bindet die Lücke nicht — aber du solltest wissen, dass es sie gibt.

Was sich zwischen V3, R1 und V4 geändert hat

V3 war ein starkes Text- und Codemodell. R1 war ein Reasoning-Modell mit Gedankenkette. V4 vereint beide Modi in einem Modell mit wählbaren Thinking- und Non-Thinking-Inferenzpfaden. Der Kontext wuchs von 128K (V3) auf 1M (V4). Tool-Nutzung und Long-Context-Retrieval sind jetzt erstklassig statt nachträglich angeflanscht.

Was multimodal hier bedeutet — und was (noch) nicht

DeepSeek hat den multimodalen Teil beim V4-Start bewusst untertrieben. Die Ankündigung beschrieb die multimodale Feature-Matrix als „in fortlaufender Entwicklung“ — heute gibt es auf API-Ebene keine veröffentlichten Einstiegspunkte für Bild, Video oder Audio. Das ist kein Vorwurf, sondern ein Roadmap-Signal. Der aktuelle Wert von V4 für Creator liegt in Long-Context-Text und toolgetriebenen Workflows, die den visuellen Stack umgeben, nicht in ihm stecken.

Wenn die multimodalen Einstiegspunkte landen, wandern sie genauso in den OmniArt-Modell-Picker wie GPT Image 2 und der Rest. Bis dahin behandelst du V4 als das Gehirn, das das Briefing steuert.

Was Creator heute wirklich mit V4 machen

Drei Muster verdienen sich auf OmniArt gerade ihren Platz.

1. Brand Bibles als 1M-Token-Kontext

Der 1M-Kontext fasst bequem ein komplettes Brand Book, jede veröffentlichte Kampagne, den Tone-of-Voice-Leitfaden, das Character Sheet, die Do-not-say-Liste und die Post-Texte der letzten zwölf Monate. Pinne alles als System-Kontext und lass V4 dann ein Launch-Briefing entwerfen. Die Ausgabe respektiert den gesamten Dokumentensatz ohne einen Umweg über Embeddings.

2. Strukturierte Long-form-Generierung

Die Ausgabe ist bei 384K Token gedeckelt. Das reicht für eine komplette Narrative Bible, ein sechsteiliges Storyboard mit Shot-Listen oder eine 50-seitige Lokalisierungsspezifikation in einem einzigen Durchgang. Für kürzere Arbeiten macht V4-Flash mit rund $0,28 pro 1M Output-Token daraus den günstigsten zuverlässigen Weg, lange strukturierte Inhalte zu entwerfen.

3. Tool-first-Agents, die den visuellen Stack steuern

Die Tool-Call-Disziplin von V4 ist der Teil, auf den es ankommt, sobald du das Modell an Bild- und Videogeneratoren hängst. Gib ihm die OmniArt-API-Oberfläche, gib ihm ein Briefing, und es schlägt dir Modell, Prompt und Referenzen Shot für Shot vor. Genau um dieses Muster herum baut OmniArt seine Integration.

Die Wahl zwischen V4-Flash und V4-Pro

Das Preisverhältnis liegt bei ungefähr 12× — Flash für Ideation in großer Menge, Pro für die Sessions, in denen Tiefe mehr zählt als Token-Kosten.

Wie V4 neben den Rest des OmniArt-Stacks passt

V4 ersetzt die Bild- und Videomodelle in OmniArt nicht. Es ist die Planungsebene darüber. Das Muster, das sich herausbildet:

Was als Nächstes zu beobachten ist

Drei Signale lohnen in den nächsten zwei Monaten die Aufmerksamkeit.

• Multimodale API-Einstiegspunkte. Sobald DeepSeek sie veröffentlicht, ist die Diskussion über den Modell-Picker wieder offen.
• Destillierte V4-Varianten. Frühere Berichte nannten V4 Lite und eine kleinere V4-Variante. Beide könnten die Kostenlage für Tool-Call-Agents mit hohem Volumen verändern.
• Die Hardware-Geschichte. Der Inferenzpfad der Huawei-Ascend-Klasse zählt für Regionen, in denen reine CUDA-Modelle schwerer auszurollen sind.

Loslegen auf OmniArt

DeepSeek V4 ist im OmniArt-Picker noch kein Ein-Klick-Modell — sein Zuhause ist derzeit die API. Wenn du es heute als Planungsebene über OmniArt einsetzen willst, steuerst du es über den OpenAI-kompatiblen Endpoint unter api.deepseek.com und richtest seine Tool-Call-Oberfläche auf die OmniArt-API für Bild- und Videogenerierung aus.

Als Hintergrundlektüre zur visuellen Seite des Stacks behandelt der Vergleich von GPT Image 2 und Nano Banana 2 die Entscheidung beim Flaggschiff-Bildmodell, und die Shortlist der besten Image-to-Video-Modelle behandelt die Video-Optionen, die V4 irgendwann steuern wird.