DeepSeek V4 darfst du lokal betreiben, die Gewichte liegen seit 22.04.2026 unter der MIT-Lizenz auf Hugging Face. Auf einem einzelnen Rechner läuft V4 aber praktisch nicht. Schon das kleinste Modell, DeepSeek-V4-Flash mit 284 Milliarden Parametern, belegt im Repository rund 160 GB, mehr als ein Nvidia DGX Spark mit 128 GB Speicher hat. V4.1-Flash liegt bei rund 510 GB, V4-Pro bei rund 865 GB. Das ist Hardware für mehrere GPUs oder ein Rechenzentrum. In Ollama gibt es V4-Pro und V4.1-Flash nur als Cloud-Modell, deine Eingaben gehen dann an die Server von Ollama. Was unter deepseek-r1 in Ollama lokal läuft, sind vor allem kleine Modelle von 2025, die mit Ausgaben von DeepSeek R1 trainiert wurden, kein V4. Beim Datenschutz ist der Unterschied klar: Über App und API von DeepSeek werden deine Daten laut Datenschutzerklärung in China verarbeitet und gespeichert. Mit eigenen Gewichten auf eigener Hardware geht nichts an DeepSeek.
Ich betreibe DeepSeek nicht selbst. Auf meinem DGX Spark läuft Qwen3.8-27B, gegen das ich die Rechnung unten halte. Die Zahlen stammen aus den Modellkarten und der Hugging-Face-API, die ich am 26.10.2026 abgerufen habe. Alles zu lokaler KI sammle ich auf der Seite KI, die Übersicht über alle offenen Modelle steht in Open-Source-KI-Modelle 2026 im Vergleich.
Welche DeepSeek-Modelle es im Oktober 2026 gibt
DeepSeek nennt V4 in der Modellkarte eine Vorschau („a preview version of DeepSeek-V4 series“). Dazu kamen Updates als eigene Repositories, etwa V4-Flash-0731 und V4-Pro-0813. V4.1-Flash ist ein neues Modell, das Text und Bilder verarbeitet. Die Fassung 1017 ist laut DeepSeek ein kleines Update, das Aufgaben schneller und mit kürzeren Ausgaben erledigt. Alle Modelle der V4-Reihe stehen unter MIT. Du darfst sie also auch kommerziell nutzen, verändern und weitergeben, solange du den Urheber- und Lizenzhinweis mitlieferst.
Wie viel Speicher DeepSeek V4 braucht
Die Gewichte von V4 sind schon komprimiert gespeichert. Die Experten liegen laut DeepSeek in FP4, der Rest überwiegend in FP8. Viel kleiner wird es durch weiteres Quantisieren also nicht. Die Speicherbelegung der Repositories laut Hugging-Face-API:
Die Einordnung ist meine Rechnung aus Herstellerangaben, keine Messung. Der Speicher für den Kontext kommt noch dazu. Für den stärksten Denkmodus empfiehlt DeepSeek ein Kontextfenster von mindestens 384.000 Token. Mein DGX Spark meldet rund 119 GB als nutzbar, mein MacBook Pro M3 Max hat 64 GB. Auf keinem der beiden Geräte passt V4-Flash in der veröffentlichten Form.
Auch die Anleitung von DeepSeek rechnet mit mehreren GPUs. Die Referenz-Implementierung im Repository teilt das Modell im Beispiel per Modellparallelität auf vier Prozesse auf, bei V4.1-Flash auf acht. Nvidia schreibt, dass sich bis zu vier DGX Spark zu einem Verbund zusammenschalten lassen. Ob V4-Flash auf zwei verbundenen Sparks brauchbar läuft, habe ich nicht getestet. Was ein eigener Rechner für die verschiedenen Modellklassen kostet, steht in Eigener KI-Server: Hardware und Kosten.
DeepSeek in Ollama: V4 nur als Cloud
In der Ollama-Bibliothek gibt es V4-Pro und V4.1-Flash nur mit dem Tag cloud, etwa deepseek-v4-pro:cloud oder deepseek-v4.1-flash:1017-cloud, ohne lokale Größenangabe. Die Seite für deepseek-v4-flash meldet: „deepseek-v4-flash was retired on August 27, 2026“ und „No models have been pushed.“
Ein Cloud-Modell in Ollama läuft nicht auf deinem Rechner. Ollama beschreibt das so: „Run models in Ollama's cloud from your apps or terminal. No model or app download required.“ Deine Eingaben gehen an die Server von Ollama. Laut Ollama verarbeitet der Dienst sie, um die Anfrage zu beantworten, und nutzt sie nicht zum Training. Wer ollama run deepseek-v4.1-flash:cloud tippt, betreibt DeepSeek also nicht lokal, sondern in einer fremden Cloud. Wie du Ollama für wirklich lokale Modelle einrichtest, zeige ich in Lokale KI einrichten: Ollama bis SGLang.
Was „deepseek-r1“ in Ollama ist
Die meisten Anleitungen zu „DeepSeek lokal installieren“ stammen aus 2025 und meinen ollama run deepseek-r1. Das lädt kein V4, sondern standardmäßig ein Modell mit 8 Milliarden Parametern. Ollama listet für deepseek-r1 diese Größen:
Diese kleinen Modelle nennt DeepSeek „distilled“. Sie haben das Denkmuster von R1 gelernt, sind aber im Kern Qwen- oder Llama-Modelle. Das hat Folgen für die Lizenz. Laut Ollama stammen die Qwen-Varianten von Qwen 2.5 unter Apache 2.0 und die Variante mit 70 Milliarden Parametern von Llama 3.3, ursprünglich unter dessen Lizenz. Für DeepSeek-R1-0528-Qwen3-8B nennt die Modellkarte MIT. Wer „DeepSeek lokal“ für Kundenarbeit einsetzen will, prüft also die Lizenz des Grundmodells mit. Wie unterschiedlich diese Lizenzen sind, zeige ich in Open Weight vs. Open Source: Lizenzen erklärt.
Datenschutz: App, API oder eigene Gewichte
Ich bin Entwickler und kein Anwalt, das hier ist keine Rechtsberatung. Was ich vergleiche, sind die Angaben der Anbieter, nicht die rechtliche Bewertung für deinen Fall.
Für die EU hat DeepSeek laut Datenschutzerklärung einen Vertreter benannt, und die Erklärung nennt Rechte wie Auskunft und Löschung. Das ändert nichts daran, dass deine Eingaben bei App und API in ein Land außerhalb der EU gehen. Was das für Kundendaten bedeutet, gehört vor dem Einsatz geprüft.
Lokal betrieben ist DeepSeek beim Datenfluss nicht anders als jedes andere offene Modell. Die Herkunft des Modells entscheidet nicht, wohin deine Daten gehen, sondern wo es läuft. Warum „lokal“ trotzdem nicht automatisch „datenschutzkonform“ heißt, steht in Lokale KI und Datenschutz: Cloud oder Server?.
Wann sich DeepSeek lokal lohnt
DeepSeek V4 lokal lohnt sich, wenn du ohnehin Server mit mehreren großen GPUs betreibst oder einen Verbund aus mehreren Geräten aufbauen willst. Dann bekommst du ein großes Modell unter MIT, ohne dass Daten an DeepSeek gehen. Für alle anderen sind zwei Wege realistischer. Entweder ein offenes Modell zwischen 20 und 35 Milliarden Parametern, das auf einem einzelnen Gerät läuft, etwa Qwen3.8-27B, Muse Glimmer 30B oder Gemma 4, alle unter Apache 2.0. Oder ein Anbieter in der EU, der offene Gewichte selbst betreibt und einen Vertrag zur Auftragsverarbeitung anbietet. Den Vergleich der Modelle für einen einzelnen Rechner findest du in Open-Source-KI-Modelle 2026 im Vergleich, meine Erfahrung mit dem DGX Spark in DGX Spark im Test: lohnt sich der Kauf?.
Häufige Fragen
Kann ich DeepSeek V4 lokal installieren?
Du darfst, die Gewichte stehen unter MIT auf Hugging Face. Praktisch brauchst du mehrere GPUs oder mehrere verbundene Geräte: Schon die Dateien von V4-Flash belegen rund 160 GB. Auf einem einzelnen Notebook, Mac oder DGX Spark läuft V4 in der veröffentlichten Form nicht.
Wie viel Speicher braucht DeepSeek V4 Flash?
Die Dateien im Repository belegen rund 160 GB, dazu kommt Speicher für den Kontext. Nvidia nennt für einen DGX Spark mit 128 GB Modelle bis 200 Milliarden Parameter und für zwei verbundene Sparks bis 400 Milliarden. V4-Flash hat 284 Milliarden. Getestet habe ich das nicht.
Ist DeepSeek lokal DSGVO-konform?
Lokal betrieben gehen keine Eingaben an DeepSeek, das ist der große Unterschied zu App und API. Ob dein gesamtes Setup datenschutzkonform ist, hängt aber an mehr als dem Modell: an Werkzeugen, Protokollen und Zugriffen. Das ist keine Rechtsberatung.
Darf ich DeepSeek kommerziell nutzen?
Die Gewichte von V4 und V4.1 stehen unter der MIT-Lizenz, kommerzielle Nutzung ist erlaubt. Bedingung ist, dass du den Urheber- und Lizenzhinweis mitlieferst, wenn du das Modell weitergibst. Bei den kleinen R1-Modellen in Ollama gilt zusätzlich die Lizenz des Grundmodells, etwa Llama 3.3 beim 70B-Modell.
Was lädt „ollama run deepseek-r1“?
Standardmäßig DeepSeek-R1-0528-Qwen3-8B, ein Modell mit 8 Milliarden Parametern und 5,2 GB, das auf Qwen3 aufbaut und mit Ausgaben von R1 trainiert wurde. Es ist kein DeepSeek V4 und nicht das volle R1 mit 671 Milliarden Parametern.
Wie du weitermachst
Wenn du ein offenes Modell auf eigener Hardware suchst, fang bei der Übersicht in Open-Source-KI-Modelle 2026 im Vergleich an und wähle nach Speicher und Lizenz. Die Einrichtung mit Ollama beschreibe ich in Lokale KI einrichten: Ollama bis SGLang. Und wenn du überlegst, eigene Hardware zu kaufen, rechne vorher mit Eigener KI-Server: Hardware und Kosten.
