DeepSeek veröffentlicht V4.1 Flash - eine Million Token Kontext, Bilder und Preise um ein Vielfaches unter denen von Anthropic

Jede DeepSeek-Premiere läuft nach demselben Muster. Die Firma zeigt Diagramme, auf denen ihr Modell OpenAI und Anthropic schlägt, und dann prüft das ganze Internet ein paar Tage lang, wie viel davon stimmt. Heute, am 10. September, hat DeepSeek V4.1 Flash veröffentlicht - das kleinste Modell der neuen V4.1-Familie und, wie der DeepSeek-Forscher Zizheng Pan auf X schrieb, „unser erstes Flaggschiff-Modell mit nativer multimodaler Unterstützung“. Die Gewichte liegen unter der MIT-Lizenz auf Hugging Face, jeder kann das Modell also selbst betreiben. DeepSeeks Beitrag auf X hatte nach zwölf Stunden 3,4 Millionen Aufrufe.

Die Zahlen beeindrucken vor allem durch den Kontrast. Das Modell hat 552 Milliarden Parameter in einer Mixture-of-Experts-Architektur, aber pro Token sind nur 8 Milliarden beim Lesen der Eingabe und 16 Milliarden beim Erzeugen der Antwort aktiv - DeepSeek nennt das eine asymmetrische Causal-Encoder-Decoder-Architektur. Dazu kommen 196 Milliarden Parameter Engram-Speicher, die auf einer gewöhnlichen SSD liegen können. Der Kontext umfasst eine Million Token, also mehrere dicke Bücher auf einmal, und eine Antwort kann bis zu 384.000 Token lang sein. Der KV-Cache belegt 890 Byte pro Token, ein Viertel des vorigen Flash, und genau daher rühren zu einem guten Teil die niedrigen Kosten langer Gespräche. Nutzer auf Hacker News messen über die API 250 bis 400 Token pro Sekunde.

Preise außerhalb der Spitzenzeiten: 0,02 RMB pro Million Eingabe-Token aus dem Cache, 1 RMB für normale Eingabe und 4 RMB für Ausgabe - etwa 0,15 bzw. 0,60 Dollar. In den Spitzenzeiten, Montag bis Freitag 9-12 und 14-18 Uhr Pekinger Zeit (03:00-06:00 und 08:00-12:00 Uhr MESZ), verdoppeln sich die Sätze. Zum Vergleich: Claude Fable 5 kostet 10 Dollar pro Million Eingabe- und 50 Dollar pro Million Ausgabe-Token, außerhalb der Spitzenzeiten ist DeepSeek also 66- beziehungsweise 83-mal günstiger. Am deutlichsten zeigt sich das bei langen agentischen Aufgaben. Der Nutzer k9294 hat auf Hacker News den Token-Verbrauch einer einzigen Programmiersitzung (447 Runden, 36,5 Millionen aus dem Cache gelesene Token) nach den Preislisten beider Modelle durchgerechnet: 55 Dollar zu GPT-6-Astra-Sätzen, 36 bis 73 Cent zu V4.1-Flash-Sätzen. Ein anderer Nutzer, mmastrac, jagte in zwei Tagen 2,1 Milliarden Token durch die Preview-Version und zahlte 22 Dollar.

Artificial Analysis rechnete im August aus, dass eine einzelne Aufgabe aus seinem Testset auf dem vorigen V4 Flash 3 Cent kostete und auf Fable 5 3,15 Dollar, mehr als das Hundertfache. Nur beruhte diese Rechnung noch auf DeepSeeks alten, niedrigeren Preisen. Die ersten unabhängigen Tests des neuen Modells tauchten binnen Stunden auf X auf. Paweł Huryn gab 23 Modellen zwei Repositories mit 105 versteckten Fehlern zum Beheben. Ausgewählte Ergebnisse: GPT-5.6 Luna (max) behob 33 für 1,80 Dollar, Claude Opus 5 (max) 27 für 51,33 Dollar, Grok 4.6 (xhigh) 27 für 16,96 Dollar, DeepSeek V4.1 Flash (max) 24 für 1,08 Dollar. Der erwähnte mmastrac urteilte nach zwei Tagen Arbeit: „etwas oberhalb von Opus 4.8, nicht ganz Opus 5, kein Fable“.

Und was ist mit dem „Sieg über OpenAI und Anthropic“? In DeepSeeks Tabelle auf Hugging Face schlägt das neue Modell Claude Opus 5 bei DeepSWE (74,2 zu 74,0), Terminal-Bench 2.1 und AutomationBench, verliert aber bei GPQA Diamond (90,9 zu 93,4), Terminal-Bench 3.0 (30,0 zu 43,3) und Humanity's Last Exam ohne Tools (36,8 zu 56,3). In der neuesten, am 7. September veröffentlichten Version des unabhängigen Intelligence Index kommt der vorige V4 Flash auf 35 Punkte, der V4 Pro vom August auf 36, Claude Opus 5 dagegen auf 51, Fable 5 auf 50 und GPT-5.6 Sol auf 47. Artificial Analysis hat V4.1 Flash noch nicht gemessen. Ehrlicher ist es, vom besten Preis-Leistungs-Verhältnis zu sprechen als vom besseren Modell. Wobei es bei diesem Preisunterschied trotzdem genug zu bereden gibt.

Es gibt auch eine Kehrseite. Der vorige V4 Flash hatte 284 Milliarden Parameter, der neue fast doppelt so viele. „Das ist eigentlich kein Flash mehr“, schrieb der Hacker-News-Nutzer revolvingthrow, und ein anderer, petu, schätzte, dass man für brauchbare Geschwindigkeit zu Hause etwa 384 GB Speicher braucht, also drei Nvidia-Spark-Rechner oder vier RTX-Pro-6000-Karten. Andere entgegneten, Flash stehe für Geschwindigkeit, nicht für Größe, und dieses Modell sei doppelt so schnell wie sein Vorgänger. Beide Seiten haben recht - das Modell passt schlicht nicht mehr auf einen Laptop.

Ein interessantes Detail aus der Mitteilung an die API-Kunden: Ab dem 14. September (06:00 Uhr MESZ) werden alle Anfragen an V4 Pro auf V4.1 Flash umgeleitet und zu Flash-Sätzen abgerechnet. DeepSeek schreibt, Tests mehrerer unabhängiger Stellen hätten dem neuen, kleineren Modell bei Ergebnissen, Kosten, Geschwindigkeit und Gesamtlaufzeit einen Vorsprung gegenüber dem alten Flaggschiff bescheinigt. V4.1 Pro soll später kommen, ohne Termin. Tencent (WorkBuddy, CodeBuddy) und OpenCode unterstützen das Modell bereits.

Dabei lohnt ein Blick auf den Kalender. Im Mai kündigte DeepSeek an, die 75-prozentige Preissenkung für V4 Pro werde dauerhaft bleiben. Mitte August erhöhte die Firma die Preise um 50 bis 1.100 Prozent, führte Tarife für Spitzen- und Nebenzeiten ein und setzte V4 Pro auf etwa das Dreifache des Flash-Preises. Berichten zufolge sammelt das Unternehmen gerade rund 8 Milliarden Dollar bei einer Bewertung von 74 Milliarden Dollar ein, bereitet einen Börsengang am Shanghaier STAR Market vor, baut Rechenzentren und entwirft eigene Chips. Die heutige Senkung beträgt 32 Prozent bei der Eingabe, 57 Prozent beim Cache und 9 Prozent bei der Ausgabe; die Aktien von MiniMax fielen in Hongkong um 9 Prozent, die von Z.ai um 10 Prozent und die von Alibaba um mehr als 3 Prozent. „Am günstigsten“ ist also ein relativer Begriff - und hängt von der Tageszeit ab.

Mixture of Experts (MoE) - eine Architektur, bei der das Modell aus vielen spezialisierten Teilnetzen („Experten“) besteht und für jedes Token nur einige davon aktiviert. So kann das Modell riesig sein und rechnet trotzdem so schnell und günstig wie ein um ein Vielfaches kleineres. KV-Cache - der Ort, an dem das Modell den bereits verarbeiteten Gesprächsinhalt zwischenspeichert, um ihn nicht bei jedem neuen Wort erneut berechnen zu müssen; je kleiner er pro Token ist, desto günstiger sind lange Sitzungen.