
DeepSeek V4.1 Flash 1017 springt um 19 Punkte in FrontierMath Tier 4 — und DeepSeek hat es nie erwähnt
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 90 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 97 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaNEUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 88 tok/s
- OrcaNEUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 134 tok/s
- OrcaNEUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 pro 1 Mio. Tokens · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 192 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 134 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 pro 1 Mio. Tokens · 128 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligenz
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligenz
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 pro 1 Mio. Tokens · 186 tok/s
Die interessanteste Benchmark-Zahl im Zusammenhang mit DeepSeek V4.1 Flash 1017 ist eine, die der Anbieter nicht veröffentlicht hat. Am 21. Oktober 2026, fünf Tage nachdem der Checkpoint erschienen war, fügte der Tracker BenchLeader ein FrontierMath-Tier-4-Ergebnis für das Modell hinzu: 46,3 % bei maximalem Reasoning-Aufwand. Das entspricht einem Unterschied von einer einzigen Aufgabe zu Qwen3.8-Max, das am 2. August 46,3 % erzielte, und ist gleichauf mit Claude Haiku 5.5, das am 7. Oktober 46,3 % erzielte. Es liegt außerdem rund neunzehn Punkte über dem Wert, den jeder frühere DeepSeek-Checkpoint auf derselben Bestenliste erreicht. Das eigene Changelog von DeepSeek für das Update vom 17. Oktober listet neun Benchmarks auf. Keiner davon ist ein Mathematik-Benchmark. Es wird auf OrcaRouter zusammen mit dem September-Build unter deepseek/deepseek-v4.1-flash angeboten, sodass du denselben Prompt-Satz gegen beide Checkpoints laufen lassen kannst.
Die Diskrepanz zwischen dem, was DeepSeek behauptet hat, und dem, was ein Dritter gemessen hat, ist hier die eigentliche Geschichte. Der Checkpoint 1017 wurde als ein Release angekündigt, das auf Kosten und Geschwindigkeit zielt – im Changelog steht die Formulierung „eine Pareto-Verbesserung bei Leistung und Kosten“, mit kürzeren Ausgaben und schnellerer Aufgabenerledigung. Die Benchmark-Tabelle in ebendiesem Changelog besteht ausschließlich aus agentischen Arbeiten: HLE ohne Tools, Terminal-Bench 4.0, DeepSWE v1.1, ProgramBench, Apex Bench, Agents' Last Exam. Mathematik steht nicht auf der Liste. Also entweder hat sich DeepSeeks Mathematik als nicht beworbener Nebeneffekt der agentischen Arbeit verbessert, oder eine Tracking-Website hat eine Zeile, die die anderen nicht haben. Beide Lesarten sollte man ernst nehmen, und sie führen zu unterschiedlichen Empfehlungen.
Was Tier 4 v2 tatsächlich verlangt und warum die Anzahl der Probleme mehr zählt als der Prozentsatz
FrontierMath Tier 4 v2 ist die forschungsnahe Stufe von Epoch AI's Benchmark: ein privates Erweiterungsset mit 43 Problemen auf Forschungsniveau, veröffentlicht am 12. Juni 2026, wobei Modelle Python in einer zustandslosen Sandbox gegen eine feste Bibliotheksliste ausführen dürfen. Der bewertete Nenner scheint 41 zu sein – die veröffentlichten Punktzahlen lassen sich sauber durch ihn teilen, da 19 richtige von 41 46,34 % sind und 11 von 41 26,83 %. So oder so ist das Set klein genug, dass ein Problem etwa 2,4 Prozentpunkte wert ist, und das ist das Detail, das alles andere auf dieser Seite bestimmt. Zwei Punktzahlen, die auf einem Leaderboard weit auseinanderzuliegen scheinen, können acht Fragen auseinanderliegen.
Genau das sind die DeepSeek-Zahlen. Ein Ergebnis von 46,3 % entspricht bei diesem Nenner neunzehn richtigen Antworten. Das Ergebnis von 26,8 %, das die früheren Checkpoints aufweisen, entspricht elf. Der gesamte „Sprung von neunzehn Punkten“ besteht aus acht Aufgaben. Es ist ein echter Unterschied – acht Aufgaben von einundvierzig sind im üblichen Sinne kein Rauschen –, aber es ist auch eine Stichprobe, die klein genug ist, dass ein einziges geändertes Tool, ein geänderter System-Prompt oder eine andere Effort-Einstellung ein Modell um mehrere Plätze verschieben kann. Wenn vier Modelle mit 46,3 % gleichauf liegen, sind sie nicht sinnvoll voneinander getrennt. Sie liegen alle nur eine Aufgabe auseinander.
Der Verlauf: drei flache Checkpoints, dann ein Schritt
Der Grund, warum die 46,3 als Neuigkeit und nicht als Rundungsartefakt gilt, ist das, was davor kam. Über DeepSeeks letzte vier Einträge in FrontierMath Tier 4 v2 hinweg ist die Linie flach und dann senkrecht:
• DeepSeek V4 Flash 0731 — 24,4 %, der Checkpoint vom Juli
• DeepSeek V4 Pro 0813 — 26,8 %, das Flaggschiff vom August
• DeepSeek V4.1 Flash (0910) — 26,8 %, die Septemberversion, die beide ersetzte
• DeepSeek V4.1 Flash 1017 — 46,3 %, der Oktober-Checkpoint, mit maximalem Aufwand
Die einfacheren Stufen haben sich ebenfalls bewegt, aber nur bescheiden: BenchLeader nennt für den 1017-Build 71,2 % auf FrontierMath Tiers 1–3 gegenüber 67,4 % für den September-Build. Das ist die Form, die man bei einem echten Fähigkeitsgewinn erwarten würde – ein paar Punkte dort, wo die Fragen lösbar sind, eine deutlich größere Verschiebung dort, wo sie es nicht sind. Es ist auch die Form, die man bei einer Harness-Änderung erwarten würde, die auf den schwierigsten Problemen überproportional hilft, weshalb der nächste Abschnitt wichtig ist.
Welchem Board du Glauben schenkst, hängt davon ab, welches Board du liest.
Wir haben fünf Tracker überprüft. Zwei von ihnen zeigen jetzt 46,3 % für den Build 1017. Drei nicht.
• BenchLeader — 46,3 % auf Stufe 4 und 71,2 % auf den Stufen 1–3, bei maximalem Aufwand, Ergebnis hinzugefügt am 21. Oktober 2026
• DataLearner, jetzt als LLMLearner firmierend — 46,34 %, geteilter 21. Platz, bewertet in einer „Max (With Tools)“-Konfiguration, letztes Ergebnis hinzugefügt am 26. Oktober 2026, und auf dem Board als bester Open-Weights-Wert gekennzeichnet
• benchlm.ai — 26,829 %, Rang 30, „Python-gestütztes iteratives mathematisches Problemlösen“, Seite aktualisiert am 25. Oktober 2026
• tensor.news — überhaupt keine 1017-Zeile; der Eintrag für DeepSeek V4.1 Flash gibt 26,83 % an, gemessen am 9. September 2026
• trustthebench — 26 %, auf einer Seite vom 26. August 2026, die zeitlich noch vor dem Checkpoint liegt

Die drei Abweichler haben ein gemeinsames Herkunftsproblem. Die Zahl 26,83 ist auf zwei Nachkommastellen genau der Wert, den der September-Build erzielt hat. Ein Tracker, der ein neues Modelllabel auf eine alte Messung überträgt, erzeugt genau dieses Muster, und die auf August datierte Seite ist ein eindeutiger Beleg dafür, dass mindestens einer von ihnen genau das tut. Das macht die 46,3 nicht maßgeblich — es macht die 26,8 veraltet statt widersprüchlich.
Was es klären würde, wäre ein zweites Harness. Weder die 46,3 noch die 71,2 wurden außerhalb der Tracking-Schicht reproduziert, und DeepSeek hat für diesen Checkpoint keine eigene Mathematik-Bewertung veröffentlicht. Behandeln Sie die Zahl als starkes Drittanbieter-Signal, nicht als etablierte Tatsache über das Modell. Wenn Sie eine belastbare Zahl für ein Beschaffungsdokument benötigen, haben Sie noch keine.
Warum DeepSeek eine Mathe-Verbesserung ausliefern würde, ohne sie zu erwähnen
Die Tabelle im Changelog erklärt die Auslassung besser als jede Verschwörungstheorie. Das Update 1017 wird als ein Coding- und Agentic-Release präsentiert, und die Anbieterzahlen liegen ganz in diesem Register: HLE ohne Tools von 36,8 auf 42,6, Terminal-Bench 4.0 von 31,2 auf 42,3, DeepSWE v1.1 von 74,2 auf 77,0, ProgramBench von 20,3 auf 29,1, Apex Bench von 64,6 auf 72,1. Ein Modell, das auf langen agentischen Trajektorien abgestimmt wurde – bei denen die Belohnung darin besteht, eine mehrstufige Aufgabe abzuschließen, statt ein korrektes letztes Token auszugeben –, wird mathematische Ausdauer als Nebenprodukt mitnehmen. Harte Mathematik und lange Agentenläufe belohnen dasselbe Verhalten: weiter prüfen, nicht vorzeitig aufhören.

Unabhängige Tester fanden das Gegenteil dessen, was diese Theorie vorhersagt, und genau das macht die ganze Sache interessant. Bei einer Hard-Math-Stichprobe maß die Inferenz des Evaluators, dass die Reasoning-Ausgabe bei minimalem Aufwand von 1.974 Tokens auf 790 sank, wobei die AIME-Medianausgabe von 1.681 auf 1.124 zurückging. Kürzeres Reasoning bei minimalem Aufwand ist nicht das, was man von einem Modell erwarten würde, das gerade neunzehn Punkte in Forschungsmathematik zugelegt hat. Die wahrscheinlichste Auflösung ist aufwandsabhängig: Die 46,3 wurden bei maximalem Aufwand erfasst, und geändert hat sich, wie viel das Modell nachdenkt, wenn man es nachdenken lässt, nicht wie effizient es denkt, wenn man es nicht lässt.
Wo 46,3 tatsächlich liegt
Der geteilte Bestwert unter chinesischen Modellen ist nicht dasselbe wie nahe an der Frontier zu sein, und dieselbe Rangliste macht das innerhalb weniger Zeilen deutlich. Die Spitzenreiter von Tier 4 v2 sind eine ganz andere Modellklasse: GPT-6.1 Sol mit 100 %, GPT-6 Astra mit 97,6 %, Claude Opus 5.5 mit 95 %, Claude Fable 5 mit 90,2 %, GPT-6 Sol mit 90 %. Das nächstgelegene Modell über dem 46,3-Cluster ist GPT-5.4 mit 49 %. Die Rangliste von LLMLearner bezeichnet 46,3 als den besten Open-Weights-Wert der Rangliste. Ein Wert im Bereich der fünfzig auf der schwierigsten Stufe ist für ein Open-Weights-Modell ein hervorragendes Ergebnis und für ein Frontier-Modell ein schwaches, und DeepSeek V4.1 Flash 1017 gehört eindeutig in die erste Kategorie.
• Tier-4-v2-Ergebnis — DeepSeek V4.1 Flash 1017 46,3 % vs. Qwen3.8-Max 46,3 % vs. Claude Haiku 5.5 46,3 % (gleichauf, 21.)
• FrontierMath Stufen 1–3 — DeepSeek V4.1 Flash 1017 71,2 % gegenüber seinem eigenen September-Build mit 67,4 %
• Gewichte — MIT-lizenziert, herunterladbar, 552B-Parameter-Mixture-of-Experts mit einer separaten Conditional-Memory-Tabelle; Tracker veranschlagen den vollständigen On-Disk-Footprint auf nahezu 763B Parameter
• Preis — 0,30 $ pro Million Eingabe und 1,20 $ pro Million Ausgabe zu Spitzenzeiten, 0,15 $ und 0,60 $ außerhalb der Spitzenzeiten, unverändert gegenüber September
• Kontext — 1 Mio. Tokens, mit Bildeingabe
• Herstellerangaben zu Mathematik-Benchmarks — keine; FrontierMath taucht in den veröffentlichten Tabellen von DeepSeek nirgends auf

Die praktische Einschätzung: Wenn es bei Ihrer Arbeit um Mathematik im Wettbewerbsstil geht und Ihre Alternative ein Open-Weights-Modell war, ändert 46.3 die Kalkulation, denn es setzt ein 552B-Modell unter MIT-Lizenz in dieselbe Bandbreite wie zwei proprietäre Modelle, die pro Token mehr kosten. Wenn Ihre Alternative ein geschlossenes Frontier-Modell war, schließt hier nichts die Lücke – die Spanne von 95 zu 46 auf Tier 4 ist kein Rundungsfehler.
Die Behauptung an deinen eigenen Problemen testen, ohne einen Produktionspfad darauf zu verwetten
Da die 46,3 auf 41 privaten Problemen und einer Tracking-Schicht beruht, ist der sinnvolle Schritt, sie an Ihrer eigenen Arbeitslast zu messen, statt einer der beiden Zahlen zu vertrauen. DeepSeek V4.1 Flash 1017 wird auf OrcaRouter als deepseek/deepseek-v4.1-flash-1017 bereitgestellt, zusammen mit dem September-Build unter deepseek/deepseek-v4.1-flash – was bedeutet, dass Sie denselben Prompt-Satz über einen einzigen API-Schlüssel gegen beide Checkpoints laufen lassen und sehen können, ob die Acht-Probleme-Lücke in Ihren eigenen Evals auftaucht. Es gibt keinen zweiten Vertrag und keine Codeänderung; nur der Modellstring unterscheidet sich.
Zwei Dinge an der Routing-Schicht sind für eine so ungeklärte Entscheidung relevant. Die Preise werden zum Listenpreis des Anbieters ohne Aufschlag (0 %) durchgereicht, sodass DeepSeeks Nebenzeittarif von $0,15 und $0,60 hier am selben Tag gilt, an dem er auch anderswo gilt, und eine Preisänderung eines Anbieters nicht darauf wartet, dass wir einen Katalog synchronisieren. Noch hilfreicher, solange ein Benchmark umstritten ist: Automatisches Failover und die Routing-DSL ermöglichen es Ihnen, den Hard-Math-Teil mit maximalem Aufwand an den 1017-Build zu schicken und auf ein stärkeres Modell zurückzufallen, wenn dieser eine Antwort liefert, die Sie nicht verifizieren können – ein unbewiesener Gewinn von neunzehn Punkten kostet Sie also eine Routing-Regel statt einer Migration.
Was würde diese Geschichte verändern?
Drei Dinge sind beachtenswert, und alle drei lassen sich überprüfen. Das erste ist, ob benchlm.ai und tensor.news ihre 1017 Zeilen auf etwas anderes als 26,8 aktualisieren; wenn zwei weitere Tracker sich der Oktober-Messung annähern, ist die Deutung als veraltete Zeile bestätigt, und die Zahl wird gewöhnlich. Das zweite ist, ob DeepSeek in einem künftigen Changelog eine Mathe-Zeile zu seiner eigenen Vergleichstabelle hinzufügt – ein Anbieter, der glaubte, neunzehn Punkte bei FrontierMath gewonnen zu haben, würde das wahrscheinlich sagen, und Schweigen dort ist ein schwaches Gegenindiz. Das dritte ist eine Reproduktion ohne Tools. Die 46,3 wurden mit erlaubten Tools aufgezeichnet, und ein zustandsloser Lauf würde zeigen, ob der Gewinn auf mathematischem Schlussfolgern oder auf besserer Nutzung einer Python-Sandbox beruht.
Bis eines davon erscheint, fällt die ehrliche Zusammenfassung schmal aus. Ein neun Tage alter Checkpoint, eine MIT-Lizenz und ein Eingabepreis von 0,30 $ sind auf der schwierigsten öffentlichen Mathe-Stufe im selben Bereich gelandet wie Qwen3.8-Max und Claude Haiku 5.5 – bei zwei Trackern, mit maximalem Aufwand, von einundvierzig Aufgaben, nicht beansprucht von dem Labor, das ihn gebaut hat. Das reicht, um einen Nachmittag mit eigenen Evaluierungen zu rechtfertigen. Es reicht nicht, um eine Benchmark-Folie neu zu schreiben.
In diesem Artikel verglichen2
Aus diesem Artikel erkannt · Benchmarks: Artificial Analysis · täglich aktualisiert
