DeepSeek — Juli 2026

Wer DeepSeek v4 Flash lokal betreibt, kann mit DS4 DwarfStar und diesem Quant die Decode-Geschwindigkeit gegenüber llama.cpp verdoppeln und erhält zusätzlich persistenten KV-Cache auf SSD sowie einen OpenAI-kompatiblen API-Endpunkt – relevant für agentic Workflows auf Consumer-Hardware.

Der Podcast beleuchtet, warum Open-Weight-Modelle wie Kimi K3 nun mit proprietären Frontier-Modellen mithalten – relevant für AI-Builder, die Build-vs.-Buy-Entscheidungen treffen. Zusätzlich werden aktuelle Sicherheitsvorfälle (u. a. OpenAIs versehentlicher Cyberangriff auf Hugging Face) als Warnsignal für Infrastrukturrisiken thematisiert.

Mit über 50× günstigerem Pricing als vergleichbare Top-Modelle senkt DeepSeek V4 Flash die Inferenzkosten drastisch – interessant für alle, die leistungsfähige Open-Weight-Modelle API-seitig einsetzen und Kosten optimieren wollen.

Neue IQ3-Quants (Q1/Q2/Q3) für DeepSeek erweitern die Möglichkeiten zur speichereffizienten lokalen Inferenz. Konkrete Qualitäts- oder Größenangaben sind dem Post nicht zu entnehmen; Mehrwert hängt von den tatsächlichen Benchmark-Ergebnissen ab.

DeepSeek V4 Flash mit 13B aktiven Parametern setzt offenbar neue Maßstäbe beim Preis-Leistungs-Verhältnis und zwingt kommerzielle Anbieter zu drastischen Preissenkungen — relevant für alle, die LLM-API-Kosten in Produkten kalkulieren.

DeepSeek V4 Flash ist laut Post smart genug und klein genug für ein ~50.000-Dollar-Setup – kein Rechenzentrum nötig. Wenn der Miniaturisierungstrend anhält, könnten Top-Modelle bald auf regulären MacBooks lauffähig sein, was lokale Inferenz für Entwickler deutlich attraktiver macht.

Für AI-Builder im Frontend-Bereich könnte DeepSeek V4 Flash ein relevantes Modell für Code- und Design-Generierung sein — der hohe Token-Verbrauch erhöht jedoch die Inferenzkosten. Konkreter Mehrwert ohne ausführlichen Testbericht schwer beurteilbar.

MoE-Modell dieser Größe lässt sich verlustfrei auf einer einzigen Consumer-nahen GPU betreiben – mit Codex als agentic-Coding-Frontend bereits produktiv einsetzbar. Für lokale Inferenz-Setups mit A100 ist kein Multi-GPU-Setup nötig.

Der Clip zeigt, wie Reasoning-Modelle zunehmend menschlich-expressive Denkspuren produzieren – was Fragen zur Kontrollierbarkeit und zum Training solcher Traces aufwirft.

Das Modell überzeugt laut Review bei langen Kontexten (200K) durch konsistentes Reasoning und zuverlässige Tool-Calls, was es für agentenbasierte Workflows interessant macht. Beim Code-Schreiben bleibt es laut Nutzer hinter größeren Modellen zurück.

Das DeepSeek-V4-Paper enthält offenbar praxisrelevante Erkenntnisse zu Retry-Mechanismen, die für den Betrieb und die Robustheit von LLM-Systemen relevant sein könnten. Konkreter Mehrwert ohne Volltext nicht abschließend beurteilbar.

DeepSeek V4 Flash scheint eine wettbewerbsfähige Coding-Leistung zu bieten und könnte nach Erscheinen von Q2-Quants auch lokal auf Consumer-Hardware (MacBook) relevant werden.

GGUF-Verfügbarkeit ermöglicht lokales Ausführen von DeepSeek-V4-Flash-0731 ohne Cloud-Abhängigkeit – relevant für Entwickler, die das Modell auf Consumer-Hardware betreiben wollen.

Ohne veröffentlichte Gewichte können Entwickler das neue DeepSeek-Modell nicht lokal betreiben oder fine-tunen. Konkreter Zeitplan ist bislang unbekannt.

Sollte DeepSeek V4 Distillate veröffentlichen, würden leistungsstarke Modelle für lokale Nutzung zugänglich – ähnlich wie die R1-Distillate. Aktuell ist dies reine Spekulation ohne bestätigte Pläne.

DeepSeek V4-Flash positioniert sich nahe an GPT-5.6 Luna und GLM-5.2 auf dem ArtificialAnalysis Index – relevant für Entwickler, die leistungsstarke und potenziell günstigere Alternativen zu führenden Frontier-Modellen evaluieren.

Für AI-Builder bedeutet das sofortige Verbesserung agentischer Fähigkeiten ohne Migration oder Model-ID-Wechsel. Derzeit liefert nur DeepSeek die neuen Weights; weitere Provider mit Zero Data Retention folgen in der nächsten Woche.

Ein leistungsstärkeres Modell zum unveränderten Preis erhöht den Kostendruck auf andere Anbieter. Wer GLM 5.2 nutzt, sollte einen Wechsel auf DeepSeek-V4-Flash-0731 evaluieren.

Falls die Prognose zutrifft, läge DeepSeek V4 Flash 0731 qualitativ auf Augenhöhe mit Kimi K3 – bei mutmaßlich deutlich niedrigerem Preis. Konkrete offizielle Benchmark-Werte stehen jedoch noch aus; die Schätzung basiert auf Community-Analyse, nicht auf Herstellerdaten.

DeepSeek V4 Flash 0731 schlägt GPT-5.6 Terra auf Tool-Use-Benchmarks (Toolathlon +17,2), schwächelt aber bei Agentic-Tasks (Agents' Last Exam −25,2). Für Builder relevant: Modellwahl hängt stark vom Task-Typ ab.

DeepSeek-V4-Pro steht kurz vor dem offiziellen Release – Entwickler, die auf DeepSeek-Modelle setzen, sollten die API-Changelog-Seite im Blick behalten und auf mögliche API-Änderungen vorbereitet sein.

Entwickler, die chinesische Lehrermodelle zur Destillation nutzen, können laut dieser Studie nicht davon ausgehen, dass Zensurverhalten mitübertragen wird – sofern Lehrer und Schüler unterschiedliche Gewichts-Initialisierungen haben. Das Open-Source-Framework LineageEval erlaubt künftig auditierbare Messungen dieses Effekts.

Für AI-Builder zeigt das Setup, dass heterogene Consumer-Hardware (GPU + APU mit großem Unified Memory) proprietäre Hochleistungssysteme bei Inferenz großer MoE-Modelle deutlich übertreffen kann. Aktuell noch experimentell (Q2, 16k Kontext); KVFlash für 64k–128k Kontext ist in Arbeit.

Wer auf chinesische Open-Weight-Modelle setzt, trägt zur Verbreitung chinesischer technischer Standards und Ökosysteme bei. Das ist keine Verschwörung, aber ein bewusster geopolitischer Mechanismus, den AI-Builder bei ihrer Modellwahl kennen sollten.

Für lokale Inferenz auf GB10/DGX Spark gilt Qwen 3.6 27B laut Community weiterhin als zuverlässiger Allrounder. DeepSeek V4 Flash und Laguna S 2.1 sind mögliche Alternativen, aber noch mit Einschränkungen bei Geschwindigkeit bzw. Qualität.

Mit 13-fachem Parameterdefizit und trotzdem 4-facher Score-Überlegenheit auf DeepSWE stellt Laguna die Annahme „mehr Parameter = bessere Coding-Leistung" grundlegend in Frage. Poolside hat alle Evaluierungs-Trajektorien veröffentlicht, was die Nachvollziehbarkeit der Ergebnisse ermöglicht.

Fine-Tuning sehr großer MoE-Modelle wird damit ohne CPU-Offloading auf Consumer-/Prosumer-Hardware realisierbar. Die GGUF-Integration in PyTorch öffnet zudem den Weg für modellchirurgische Eingriffe wie Abliteration ohne vollständige Modellkonvertierung.

Für Coding-Agent-Entwickler liefert das neue mehrsprachige Benchmark reale Vergleichswerte über 5 Sprachen. GLM-5.2 und MiMo V2.5 Pro zeigen starke Alternativen zu DeepSeek-V4 Pro (40,2%), das deutlich zurückfällt.

Mit dem eigens entwickelten ROCmFPX-Mixed-Precision-Format (2,88 bit/Parameter, 102,3 GB) lässt sich ein 284B-Modell auf Consumer-Hardware mit 128 GB Unified Memory betreiben. Das zeigt einen konkreten Weg für On-Device-Inference großer MoE-Modelle auf AMD-Systemen ohne dedizierte GPU.

Wer Mamba-2-Modelle lokal betreibt, profitiert bei längeren Kontexten (ab 256 Tokens) von bis zu 22% mehr Durchsatz. Apple-Silicon-Nutzer erhalten mit dem FWHT-Kernel bis zu 3,5% schnellere Inferenz für quantisierte Modelle ohne Konfigurationsaufwand.

Nutzer von llama.cpp können DSpark-kompatible Modelle (z.B. DeepSeek-V4-Pro-DSpark) einsetzen, um durch spekulatives Dekodieren höhere pp/tg-Durchsatzraten zu erzielen. Der PR ist frisch gemergt – konkrete Speedup-Zahlen aus der Community stehen noch aus.

Wer DeepSeek-V4 lokal als Coding-Agent betreibt, muss das Chat-Template manuell überschreiben – ohne Fix verhält sich das Modell in Agentenaufgaben deutlich schlechter.

Nutzer mit 4× R9700 könnten laut Post in den Bereich von DeepSeek-4-Flash-Inferenz vordringen – konkrete PP/TG-Zahlen aus der Community helfen, das reale Preis-Leistungs-Verhältnis dieser Budget-Karten für lokale Inferenz einzuschätzen.

Die Wahl des Coding-Harnesses beeinflusst bei gleichem Modell nicht die Codequalität, aber massiv Latenz und Ressourcenverbrauch. Claude Code exploriert Codebasen intensiv, Pi reasont eigenständig, OpenCode delegiert – relevant für Effizienzoptimierung in lokalen Setups.

Das Tool ermöglicht den einfachen Wechsel zwischen lokalen TTS-Engines ohne Overhead. Voice Cloning via Referenz-Audio und automatisches Text-Chunking lösen typische Schwächen kleiner TTS-Modelle bei längeren Texten praktisch ab.

Laguna S 2.1 läuft mit unter 80 GB RAM auf einem DGX Spark und könnte als Qwen3-35B-Ersatz im Alltag taugen. BTL-3 zeigt, dass LoRA-Adapter (Rank 32) für Coding-Agents weiterhin wettbewerbsfähige Benchmark-Ergebnisse liefern.

Für lokale AI-Builder relevant: Die Community bezweifelt Laguna-Benchmarks und sucht praxiserprobte Alternativen für Coding-Agenten. Qwen3 27B gilt weiterhin als solider Baseline, während V4 Flash und Hy3 noch unbewiesen scheinen.

Für Nutzer mit begrenztem VRAM zeigt die Diskussion, welche MoE-Modelle im mittleren Parameterbereich praktisch einsetzbar sind. Qwen 3.5 35B wird als Leistungsführer in diesem Segment eingeschätzt.

Für AI-Builder, die kostengünstig Trainingsdaten synthetisch erzeugen wollen, liefert der Thread praxisnahe Community-Empfehlungen zu Preis-Leistungs-Verhältnis verschiedener Inference-Anbieter für Open-Source-Modelle.

Laguna S2.1 kann lokal eine Nische füllen als spezialisiertes Debug-Modell für Fälle, in denen kleinere Generalisten wie Qwen 3.6 27B oder Claude-Modelle oberflächliche Fixes liefern. Für Planungs- und Bulk-Agentic-Tasks bleibt DeepSeek/Qwen die bessere Wahl.

Die Frage berührt einen realen Trade-off: Spezialisierte Modelle existieren bereits (z.B. Codestral, DeepSeek-Coder), doch generalisierte MoEs bieten Flexibilität bei ähnlicher Inferenzeffizienz. Für AI-Builder relevant bei der Modellauswahl für enge Anwendungsfälle.

Die Triton-Reimplementierung ermöglicht vLLM-Betrieb von DeepSeek V4 Flash auf Ada-Lovelace-Hardware (SM89) ohne Blackwell-Pflicht — 2–3× höherer Durchsatz gegenüber llama.cpp bei parallelen Agentic-Workflows und 262k Kontext.

Für AI-Builder zeigt dies, dass lokale DeepSeek-V4-Flash-Deployments auf Consumer-naher Dual-GB10-Hardware produktionstaugliche Coding-Assistenz liefern können – ohne Cloud-Abhängigkeit und mit hoher Inferenzgeschwindigkeit.

Silia-v2 kombiniert DeepSeek MLA, Qwen HydraHead und Apples Attention Free Transformer, um den 2–2,5-fachen Compute-Overhead der Vorgängerversion zu beseitigen. Die Architektur zeigt, wie Tiny-Scale-Modelle mit modernen Effizienz-Techniken optimiert werden können.

Etched hat bereits 1 Mrd. Dollar an Bestellungen gebucht und testet erste Rack-Systeme mit großen AI-Unternehmen. Die proprietären Prefill- und Decode-Chips versprechen schnellere und günstigere Inferenz – relevant für alle, die LLM-Inferenzkosten optimieren wollen.

Ein auf 32B geprungtes Modell, das laut Hersteller ein deutlich größeres Frontier-Modell schlägt, ist für lokale Deployments relevant – falls die Benchmarks halten, wäre das ein attraktives Verhältnis von Leistung zu Ressourcenbedarf.

Für Entwickler mit High-End-Hardware (192 GB VRAM) sind Modellwahl und Kosten-Qualitäts-Verhältnis bei langen Agentic-Coding-Workflows entscheidend. Die Community-Antworten können praktische Erfahrungswerte zu diesen drei Modellen liefern.

Ein Verbot chinesischer Open-Weight-Modelle wie DeepSeek würde die Wahlmöglichkeiten für Entwickler und Startups beim lokalen Betrieb von LLMs erheblich einschränken. Das Lobbying signalisiert, dass ein solches Verbot politisch ernsthaft diskutiert wird.

Reinforcement Learning verdrängt laut Forschern zunehmend einfaches SFT-Distillation als Quelle von Modellfähigkeiten – chinesische Frontier-Labs entwickeln demnach echte technische Kompetenz. Gleichzeitig rückt illegaler Chip-Schmuggel und fehlende KYC-Pflichten für Rechenzentren als Kernproblem in den Vordergrund.

Die Debatte um ein Verbot chinesischer Open-Source-Modelle (z.B. DeepSeek) betrifft direkt die Verfügbarkeit von Basismodellen für lokale und kommerzielle Deployments in den USA. Westliche Anbieter wie Arcee, Cohere und Mistral könnten regulatorisch unter ähnlichen Sicherheitsargumenten unter Druck geraten.

DeepSeek wird keine eigenen Consumer- oder Enterprise-Produkte priorisieren und bleibt vollständig Open Source – die veröffentlichten Modelle sind identisch mit den intern genutzten. Für AI-Builder bedeutet das weiterhin Zugang zu State-of-the-Art-Modellen ohne geschlossene Konkurrenzversion.

Für AI-Builder mit CPU-only-Setup oder GPUs im 4–12 GB-Bereich könnten A2B-MoE-Modelle eine effiziente Alternative zu dichten 4–9B-Modellen sein, da sie bei ähnlichem Ressourcenbedarf potenziell höhere Kapazität bieten.

GS1 bietet Institutionen wie Laboren, Krankenhäusern und Universitäten ein quelloffen gehaltenes, US-amerikanisches Trillion-Parameter-Modell, das lokal betrieben und langfristig stabil gehalten werden kann – ohne Abhängigkeit von Cloud-APIs oder ausländischen Trainingsinfrastrukturen.

Entwickler können hybride On-Device/Cloud-Pipelines bauen, die nur bei niedrigem Confidence-Score an ein Frontier-Modell eskalieren – die Probe erreicht 0.814 AUROC vs. 0.549 für Token-Entropy und funktioniert ohne Audio-Training-Daten auch auf Audio-Benchmarks.

Pelikane landen trotz Benchmark-Prominenz auf Platz 6 von 8 Tieren, Fahrräder auf dem vorletzten Platz – kein Muster, das auf gezieltes Overfitting hindeutet. Für Eval-Design zeigt die Studie aber, wie ein einfacher Generalisierungstest (gleiche Prompt-Struktur, variierte Entitäten) Benchmark-Gaming sichtbar machen kann.

Die Lücke zwischen Open- und Closed-Frontier-Modellen ist benchmark-abhängig und politisch aufgeladen – wer die Lücke misst, bestimmt das Narrativ. Kimi K3 und kommende chinesische Open-Weight-Modelle könnten durch gezieltes Post-Training für spezifische Aufgaben schnell aufschließen, erfordern aber enorme Hardware (ein Node B300s nur zum Laden der Gewichte).

Base64-Ausgabe als indirekter Kompetenztest: Modelle müssen Problem lösen, Ergebnis exakt erhalten und korrekt enkodieren – ein Fehler bricht das Ergebnis. GPT-5.6 Sol erreicht 97.2%, Gemma 4 26B nur 23.6%. Für Evals-Praktiker interessant, aber Stichprobengröße (9 Modelle, 24 Tasks) verlangt Vorsicht.

Solar Open 2 bietet bei nur 15B aktiven Parametern MMLU-Pro 86.2, SWE-Bench Verified 70.4 und AIME2026 95.7 — lokal lauffähige MoE-Architektur auf Top-Tier-Niveau, relevant für kostengünstige Inferenz-Deployments.

Der schnelle MoE-Kernel (deep_gemm_mega_moe) erfordert Expert Parallelism und läuft nicht auf Single-GPU. Wer DeepSeek-V4-Flash auf einer einzelnen B300 betreibt, muss auf langsamere Backends (flashinfer_trtllm) ausweichen und verliert möglicherweise CUDA-Graph-Optimierungen für MLA – das ist relevant für Deployment-Planung.

Mit 70,2 % auf Terminal-Bench 2.1 und 78,5 % auf SWE-bench Verified bei niedrigeren Kosten als DeepSeek V4 Flash könnte Laguna S 2.1 eine attraktive lokale Option für Coding-Agenten auf High-End-Hardware sein.

Claude Sonnet 5 mit vergünstigtem Einstiegspreis und verbesserter Agentic-Coding-Performance ist direkt für AI-Builder relevant. Dazu liefert die Episode Überblicke zu Etched-Inferenz-Hardware, LongCat 2.0 sowie neuen Agent-Benchmarks wie OSWorld 2.0 und SWE-Together.

Kleine Modelle können durch reine Next-Token-Prediction auf hochwertigen Reasoning-Traces deutlich stärkere Reasoning-Fähigkeiten entwickeln, als ihre Größe erwarten lässt. Das reduziert den Aufwand für RL-basierte Ansätze erheblich und macht leistungsstarke Reasoning-Modelle mit Standard-SFT-Pipelines erreichbar.

Enterprise-Kunden wechseln zu token-effizienteren chinesischen Open-Weight-Modellen, was den Preisdruck auf US-Anbieter wie OpenAI und Anthropic massiv erhöht. Routing-Infrastruktur (z. B. Databricks) gewinnt an Bedeutung, während Frontier-Modell-Verbote durch die Trump-Administration neue Compliance-Risiken für AI-Builder schaffen.

Entwickler können große MoE-Modelle mit Consumer-GPUs (z. B. RDNA3) feintunen, ohne teure High-VRAM-Hardware. GGUF als Trainingsformat könnte bitsandbytes als Standard für Low-VRAM-LoRA ablösen; torch-ggml-ops liefert dafür PyTorch-Bindings.

Motif 3 Beta ist deutlich kompakter als Konkurrenten wie DeepSeek V4 Pro (1,6T-A49B) und MiniMax-M3 (428B-A23B), was lokalen Betrieb mit weniger Hardware ermöglicht. Für Teams, die Open-Weight-MoE-Modelle lokal deployen, ist es ein potenziell ressourcenschonendere Alternative aus dem koreanischen Ökosystem.

Stable LatentMoE (sparseres MoE via Quantile Balancing) und Gated MLA (KV-Cache-Kompression) sind laut Community noch nicht vollständig dokumentiert — wer Kimi K3-Architekturen nachvollziehen oder reproduzieren will, findet bisher keine vollständigen Paper-Referenzen.

CAISI, die zentrale US-Behörde für KI-Standards und Modelltests, verliert erneut ihre Führung – inmitten aktiver Debatten um chinesische Open-Weight-Modelle und Exportkontrollen. Die fehlende Kontinuität gefährdet den Aufbau verlässlicher Evaluierungsprozesse für Frontier-Modelle.

Fable 5 kostet laut Analyse ca. 3× mehr pro abgeschlossener Aufgabe als Konkurrenzmodelle. Da Anthropic weder Rechenzentren noch Stromversorgung besitzt, hängt sein Überleben allein an der Modellnachfrage – ein Risiko, das durch günstige Open-Weights-Alternativen wächst.

SVG-Generierung ist ein praxisnaher Qualitätstest für Code- und Raumvorstellungsfähigkeiten von LLMs. Der Vergleich zeigt den aktuellen Stand von GPT 5.6, Gemini 3.1 Pro, Deepseek V4, Grok 4.5, Kimi K3, Qwen 3.8 Max u.a. bei kreativem Rendering – nützlich für Entwickler, die Modelle für generative UI-Aufgaben evaluieren.

AMD-Nutzer können Unsloth nun nativ für Fine-Tuning, RL und Inferenz einsetzen – inkl. automatisch installierter ROCm/Triton/bitsandbytes-Builds. Besonders relevant für Strix-Halo/Ryzen-AI-Max-Systeme ohne dedizierte GPU.

Wenn die Open Weights von DeepSeek V4 Flash erscheinen, könnte das Modell laut Community-Einschätzung trotz halber aktiver Parameter mit top-aktuellen Modellen mithalten – relevant für lokale Deployments auf Consumer-Hardware wie dem DGX Spark.

Sollten solche Regelungen umgesetzt werden, könnten Entwickler in den USA chinesische Open-Source-Modelle wie DeepSeek nicht mehr legal nutzen oder deployen – mit direkten Auswirkungen auf lokale LLM-Deployments und Open-Source-Workflows.

Für Entwickler von Agentic-Workflows ist Gemma 4 31B laut diesem Erfahrungsbericht unzuverlässig: Das Modell stoppt selbstständig und wartet auf Nutzer-Input, was automatisierte Multi-Turn-Pipelines unterbricht. Qwen 3.6 27B und DeepSeek V4 Flash werden als funktionale Alternativen genannt.

Lokale Modelle erhalten dieselbe Werkzeuginfrastruktur wie Cloud-Modelle – inklusive Dateioperationen, Dokumentenerstellung, Kalender und Screen-OCR – ohne dass Daten das Gerät verlassen. Die automatische Probing-Logik löst das häufige Problem inkompatibler Tool-Calling-Formate bei verschiedenen Modellen.

Wer Tinker für Domain-Fine-Tuning evaluiert, sollte Basis-Modell und Framework trennen: Die 84,7%-Genauigkeit bei Bridgewater-Aufgaben mit 13,8× Kostenvorteil gilt für Qwen3-235B als Base, nicht für Inkling. Für MoE-Fine-Tuning bleibt Qwen oder Kimi besser dokumentiert.

Für Entwickler mit High-Memory-Apple-Silicon zeigt der Post, welche Modelle im 200–430B-Bereich lokal laufen – darunter GLM 4.7 357B, DeepSeek V4 Flash 284B und Minimax M3 428B. Zudem werden konkrete llama.cpp-Bugfixes für KV-Cache-Probleme bei hybriden Recurrent-Modellen beschrieben.

Konkrete Benchmarks oder offizielle Ankündigungen fehlen – der Post basiert auf Gerüchten und inoffiziellen Videos. AI-Builder sollten offizielle Quellen abwarten, bevor sie Planungen anpassen.

Kimi K3 zeigt, dass kompetitive Open-Source-Frontier-Modelle aus China weiter erscheinen – mit möglichen regulatorischen Konsequenzen für US-Unternehmen, die solche Modelle einsetzen. Stimmen aus dem Trump-Umfeld deuten auf kommende Soft-Law-Maßnahmen gegen chinesische Open-Weight-Modelle hin.

Gefälschte State-of-the-Art-Claims untergraben das Vertrauen in Benchmark-Ergebnisse. Für AI-Builder bedeutet das: Behauptungen kleiner Labs ohne reproduzierbare Eval-Details kritisch prüfen, bevor Entscheidungen darauf basieren.

Wer Reasoning-Modelle entwickelt oder einsetzt, versteht nach diesem Artikel das Zusammenspiel von RLVR-Training, Inference-Scaling und mehreren Effort-Modi – und kann gezielt zwischen Kosten und Qualität abwägen.