DeepSeeks günstigeres V4.1-Flash schlägt das eigene Pro-Modell bei Agenten-Aufgaben

DeepSeek hat am 10. September 2026 DeepSeek-V4.1-Flash veröffentlicht, und die folgenreichste Zeile der Ankündigung betraf nicht die Größe des Modells. Sie betraf die Behauptung, dass das derzeit günstigste Modell des Unternehmens nun das eigene Flaggschiff bei der Arbeit übertrifft, die für Agenten-Entwickler am wichtigsten ist. Diese Behauptung ist ungewöhnlich genug, um genau geprüft zu werden, und die frühen unabhängigen Belege stützen sie weitgehend, mit einigen wichtigen Ausnahmen.

Zum Weiterlesen: DeepSeeks V4 Pro ist sein bestes Modell – und das bei Weitem teuerste · Googles Gemini 3.8 Live denkt laut nach, während es spricht.

Das neue Modell ist ein Mixture-of-Experts-System mit 552 Milliarden Parametern, das auf einem neuen Causal-Encoder-Decoder-Design aufbaut. DeepSeek zufolge aktiviert es beim Lesen der Eingabe nur 8 Milliarden Parameter und bei der Ausgabe 16 Milliarden, eine Aufteilung, die auf Arbeitslasten mit großem Prompt und kurzer Antwort zielt. Es nimmt Bilder nativ entgegen, hat ein Kontextfenster von einer Million Token und kann bis zu 384.000 Token ausgeben. Der Modellname in der API lautet deepseek-flash, die Gewichte sind unter einer MIT-Lizenz herunterladbar.

Was DeepSeek veröffentlicht hat

Die Veröffentlichung, auf DeepSeeks Website angekündigt und im API-Änderungsprotokoll gespiegelt, ersetzt die bisherige V4-Flash-Reihe vollständig. Das Unternehmen zog V4-Flash und V4-Flash-Vision-Exp zurück, hielt die alten Bezeichner aber als Kompatibilitäts-Aliase am Leben, die auf das neue Modell verweisen.

Die wichtigsten Spezifikationen, wie von DeepSeek veröffentlicht:

• 552B Parameter, Mixture-of-Experts, mit einem 552B-Backbone.
• 8B aktive Parameter für die Eingabe, 16B für die Ausgabe, verteilt auf einen 20-schichtigen Encoder und einen 20-schichtigen Decoder.
• Kontext von 1 Mio. Token und eine maximale Ausgabe von 384K Token.
• Native Bildeingabe (JPEG, PNG, GIF, WebP). V4 Pro nimmt keine Bilder entgegen.
• Modell-ID deepseek-flash, mit MIT-lizenzierten Gewichten zum Download auf Hugging Face.
• KV-Cache von rund 890 Byte pro Token, laut DeepSeek ein Viertel des HBM-Bedarfs von V4-Flash und ein Achtel seines SSD-Speichers.

Die Architektur ist der Grund für den niedrigen Preis. Ein Coding- oder Recherche-Agent verbringt die meisten seiner Token damit, Kontext erneut zu lesen: ein Repository, einen System-Prompt, ein wachsendes Tool-Protokoll. Weniger aktivierte Parameter in dieser Eingabephase senken den Rechenaufwand, und ein kleinerer Cache macht es günstiger, diesen Kontext im Speicher zu halten. In den Versionshinweisen von DeepSeek heißt es, Cache-Treffer machten „oft einen großen Anteil der Agentenkosten aus“, weshalb das Unternehmen das Modell um genau den Teil der Rechnung herum bepreist, den seine Architektur verkleinert.

Die Preisliste und die Cache-Lücke

DeepSeek hat die im August eingeführte Peak-/Off-Peak-Struktur beibehalten und die neuen Tarife am 10. September um 04:00 UTC in Kraft gesetzt. Laut der offiziellen Seite Modelle & Preise betragen die Off-Peak-Tarife pro Million Token 0,003 US-Dollar für gecachte Eingabe, 0,15 US-Dollar für ungecachte Eingabe und 0,60 US-Dollar für die Ausgabe. Die Peak-Tarife sind genau doppelt so hoch, und die Peak-Zeiten liegen werktags von 01:00 bis 04:00 UTC und von 06:00 bis 10:00 UTC. An Wochenenden gilt den ganzen Tag Off-Peak.

Die auffälligste Zahl ist der Faktor 50 zwischen einem Cache-Treffer und einem Cache-Fehler bei der Eingabe. Auf den meisten API-Rechnungen sind gecachte Lesevorgänge ein Rundungsfehler. Hier entscheiden sie darüber, ob eine Arbeitslast günstig oder teuer ist. TechBriefly hat ein anschauliches Beispiel durchgerechnet: Ein wiederverwendbares Präfix von 500.000 Token, das über 100 Anfragen hinweg genutzt wird, also 50 Millionen gecachte Eingabe-Token, würde bei V4.1-Flash im Off-Peak etwa 0,15 US-Dollar kosten, gegenüber rund 15 US-Dollar bei Kimi K3 und 25 US-Dollar bei Claude Opus 5 zu den veröffentlichten Cache-Lesesätzen. Das sind Listenpreis-Vergleiche und keine gemessenen Rechnungen, und sie setzen voraus, dass der Cache tatsächlich greift.

Gegenüber V4 Pro ist V4.1-Flash in jeder Position günstiger. V4 Pro listet im Off-Peak 0,022 US-Dollar für gecachte Eingabe, 0,66 US-Dollar für ungecachte Eingabe und 1,98 US-Dollar für die Ausgabe. Flash ist damit rund drei- bis viermal günstiger, mit der größten Lücke bei Cache-Treffern. Die beiden Modelle unterscheiden sich auch beim Durchsatz: V4.1-Flash hat ein Parallelitätslimit von 2.500, das von V4 Pro liegt bei 500.

Der Rückzug, den DeepSeek ankündigte und dann zurücknahm

Der Preis ist nicht der einzige Grund, warum die Veröffentlichung Aufmerksamkeit erregte. Als DeepSeek V4.1-Flash startete, hieß es, V4 Pro werde auslaufen, und ab dem 14. September um 04:00 UTC werde jede Anfrage an deepseek-v4-pro zu Flash-Tarifen an V4.1-Flash geleitet. Dieser Plan überlebte die Begegnung mit den Nutzern nicht.

DeepSeek hat inzwischen umgesteuert. Auf der aktuellen Preisseite heißt es nun: „Aufgrund der Nachfrage der Nutzer haben wir beschlossen, die API-Dienste für DeepSeek V4 Pro nach dem 14. September 2026 weiter anzubieten, wobei die Abrechnungsmethode unverändert bleibt.“ V4 Pro behält seine eigene Modell-ID, seine eigenen Tarife und sein Parallelitätslimit von 500 Anfragen. Ein künftiges V4.1 Pro wurde erwähnt, aber nicht datiert.

Die interessante Umkehrung ist nicht, dass ein günstigeres Modell besser geworden ist. Sie ist, dass sich ein Flaggschiff nicht mehr zu Flaggschiffpreisen betreiben lässt.

Die Kehrtwende hat online zu einer gespaltenen Berichterstattung geführt. Mehrere Medien veröffentlichten Erklärstücke auf Grundlage der ursprünglichen Mitteilung und beschreiben den 14. September weiterhin als erzwungene Migration, teils im Präsens. DeepSeeks eigene Dokumentation und die unabhängigen Beobachter, die sie überprüft haben, darunter der LLM Data Hub, wurden auf die Fortführungsmitteilung aktualisiert. Die zutreffende aktuelle Position ist die auf DeepSeeks Preisseite: V4 Pro bleibt verfügbar, abgerechnet genau wie zuvor, wobei das Unternehmen ergänzt, es werde „bei etwaigen Änderungen weitere Mitteilung machen“.

Wo es gewinnt und wo es zurückliegt

Unabhängige Bewertungen sind noch dünn, weil das Modell erst wenige Tage alt ist, doch die ersten Ergebnisse sind stimmig.

Der Vals Index des Bewertungsunternehmens Vals AI führt V4.1-Flash mit 57,86 % im Gesamtergebnis, was es laut dem Unternehmen zum besten Open-Weight-Modell und zum 15. von 56 Modellen insgesamt macht. Es schiebt sich knapp vor Kimi K3 (57,81 %), bei Kosten von 0,30 US-Dollar pro Test gegenüber 6,47 US-Dollar, und erledigt Aufgaben in weniger als der Hälfte der Zeit. Vals setzt es zudem auf Platz eins unter den Open-Weight-Modellen im Code-Migration-Benchmark und auf Platz eins von 34 bei SkillsBench.

Kilo Code, das Coding-Agenten bewertet, meldet für V4.1-Flash 75,3 % bei Terminal-Bench 2.0, bei durchschnittlichen Kosten von 2,58 US-Dollar pro Benchmark-Versuch.

DeepSeeks eigene Zahlen, die als Anbieterangaben zu lesen sind, setzen Terminal-Bench 2.1 auf 90,6, DeepSWE v1.1 auf 74,2, GPQA Diamond auf 90,9 und HLE auf 36,8 bis 39,1, je nach Untergruppe. Diese Schlagzeilenwerte tragen einen Vorbehalt, den der technische Bericht ausdrücklich macht: Die Ergebnisse hängen vom Gerüst um das Modell ab. Dasselbe Modell erreichte 90,6 bei Terminal-Bench 2.1 unter DeepSeeks minimalem Harness und 88,0 unter Claude Code.

Das Bild ist keine durchgängige Überlegenheit. V4 Pro führt weiterhin bei GPQA Diamond (92,4 zu 90,9) und bei der reinen Text-Untergruppe von HLE (42,7 zu 39,1). Gegenüber den stärksten geschlossenen Modellen wird die Lücke noch größer. Bei Terminal-Bench 4.0 kommt eine unabhängige Zusammenfassung der veröffentlichten Tabellen auf 31,2 für V4.1-Flash und 51,8 für Claude Opus 5. Bei HLE werden für Opus 5 56,3 berichtet. V4.1-Flash ist ein günstiges, schnelles Agentenmodell und kein Frontier-Reasoner, und DeepSeeks Entscheidung, V4 Pro weiterzuführen, räumt ein, dass der Kompromiss nicht für jede Arbeitslast derselbe ist.

Offene Gewichte und die Hardware, die tatsächlich genutzt wird

Die Gewichte sind unter MIT offen, und die Community war schnell. Hugging Face listet Dutzende Community-Quantisierungen, und mindestens eine Gruppe berichtet, das vollständige 552B-Modell auf vier NVIDIA DGX Spark im Tensor-Parallelbetrieb zu betreiben, mit rund 77 Token pro Sekunde im Einzelstream und mehr als 200 Token pro Sekunde aggregiert über sechs Streams in einer Benchmark-Beschreibung. Das ist Enthusiasten- und Kleinteam-Territorium und keine Produktionsreferenz. Der separate Engram-n-Gramm-Speicher von 203 GB muss von der Festplatte gelesen werden, statt im GPU-Speicher zu liegen, was es erlaubt, den Checkpoint über vier Maschinen mit je 128 GB Unified Memory zu verteilen.

Das Selbsthosting hat noch raue Kanten. Die Veröffentlichung liefert kein Jinja-Chat-Template mit; DeepSeek stellt stattdessen eine Referenzimplementierung der Kodierung bereit und empfiehlt eine separate Rust-Bibliothek für die Formatierung von Prompts im Produktivbetrieb. Auch die Parameterangaben stiften Verwirrung: DeepSeek beschreibt ein 552B-Backbone, der technische Bericht erwähnt eine Engram-Komponente mit 196B, und die Seite auf Hugging Face listet 763B Parameter. Das Unternehmen hat die drei Angaben nicht in Einklang gebracht. Die Angaben zu den aktiven Parametern, 8B und 16B, beschreiben den Rechenaufwand pro Token, nicht den Speicher, der zum Vorhalten und Bereitstellen des Modells nötig ist.

Vorbehalte und was zu beobachten ist

Einige Warnungen sind angebracht, bevor man V4.1-Flash als Standard behandelt.

• Benchmarks sind jung und teils vom Anbieter geliefert. Vals und Kilo sind glaubwürdige unabhängige Gutachter, doch ihre Läufe sind wenige Tage alt, und Vals misst eine einzige Standardkonfiguration. Nur die eigene Arbeitslast ist ein übertragbarer Benchmark.
• Peak-Preise können eine Rechnung verdoppeln. Die günstigen Off-Peak-Zahlen setzen voraus, dass man um die Werktagsvormittage in UTC herumplanen kann. Echtzeit-Agenten können nicht immer warten, bis das Fenster schließt.
• Cache-Treffer sind nicht automatisch. Das Caching von DeepSeek ist Best-Effort und verlangt eine exakte Präfix-Übereinstimmung. Ein Modell, das in einer Demo fast kostenlos wirkt, kann deutlich mehr kosten, wenn sich Prompt-Reihenfolge oder mandantenspezifische Präfixe bei jedem Aufruf ändern.
• Die Roadmap ist ungeklärt. Der zurückgenommene V4-Pro-Rückzug zeigt, dass DeepSeek noch entscheidet, wie seine Stufen zueinander stehen. Wer von einer bestimmten Modell-ID abhängt, sollte sie als wanderndes Ziel behandeln.

Der größere Punkt ist, was V4.1-Flash darüber sagt, wohin der Modellwettbewerb steuert. Zwei Jahre lang lautete das Versprechen, bessere Modelle kosteten mehr. Eine Flash-Stufe, die die Pro-Stufe des eigenen Anbieters schlägt, zu einem Bruchteil des Preises, bei der repetitiven Arbeit, die den Großteil der Agenten-Pipelines füllt, spricht dafür, dass der Kampf um Fähigkeiten zunehmend ein Kampf um die Kosten pro erledigter Aufgabe ist. Das ist eine gute Nachricht für jeden, der die Rechnung zahlt. Es erinnert zugleich daran, dass die Rechnung ebenso davon abhängt, wie man Prompts und Cache gestaltet, wie davon, welchen Modellnamen man aufruft.

Titelbild: DeepSeek-Logo-Artwork von RoadMaster19 (CC BY 4.0) via Wikimedia Commons.