DeepSeek V4.1 Flash erreicht GA: 552B unter einer neuen Architektur, MIT-lizenzierte Gewichte und ein V4-Pro-Sunset, das nie stattfand

DeepSeek V4.1 Flash ist kein zweitägiges Experiment mehr. Das Modell, das am 8. und 9. September in der Live-API des Anbieters unter einer ID stand, die sein eigenes Ablaufdatum trug – deepseek-v4.1-flash-expires-on-0910 –, wurde am 10. September 2026 wirklich veröffentlicht: in DeepSeeks App, Weboberfläche und API, wo es nun auf den Modellnamen deepseek-flash hört. Drei Dinge an der Veröffentlichung sind größer, als die Beta andeutete. Das erste ist der Papierkram: DeepSeek veröffentlichte einen technischen Bericht – ohne viel Feingefühl betitelt mit Pushing the Limits of KV Cache Compression – und MIT-lizenzierte Gewichte für ein multimodales Mixture-of-Experts-Modell mit 552B Parametern, das auf einer neuen Causal-Encoder-Decoder-Architektur basiert. Diese Gewichte sind kein Versprechen: 48 safetensors-Shards mit insgesamt etwa 510 GB gingen am Morgen der Veröffentlichung online, was den unbestätigten Slogan der Beta – „neue Architektur, native multimodal“ – in etwas verwandelt, das man herunterladen und inspizieren kann. Das zweite ist die Form des Line-ups. DeepSeek V4 Flash und DeepSeek-V4-Flash-Vision-Exp sind eingestellt; ihre alten IDs werden weiterhin zu Flash-Preisen auf das neue Modell aufgelöst, und der Plan, DeepSeek V4 Pro am 14. September auslaufen zu lassen, wurde vor diesem Datum zurückgezogen: V4 Pro wird weiterhin bedient, zu unveränderter Abrechnung, und DeepSeek hat versprochen, vor Änderungen zu informieren. Das günstigste Modell der Familie hat den Platz des Flaggschiffs beim Preis und in DeepSeeks eigenen Benchmarks übernommen, und DeepSeek sagt, die darunterliegende Architektur sei darauf ausgelegt, auf größere Modelle zu skalieren. Was darüber steht, ist Stand 25. September die Vermutung eines Trackers – eine dreistufige Linie aus Flash, Pro und Ultra mit 522B, 2T und 8T –, angeboten von dem Konto, das sie als Spekulation veröffentlichte, und durch nichts bestätigt, was DeepSeek veröffentlicht hat. Das dritte ist das, was die Beta nie hatte. Artificial Analysis hat nun die ersten externen Bewertungen des Modells veröffentlicht – einen Intelligence-Index-Wert von 39 im Reasoning-Modus bei maximalem Aufwand für die September-Gewichte und 45 für den 1017-Checkpoint (ein Plus von sechs Punkten, das es mit GLM-5.3 auf Platz zwei unter den Open-Weights-Modellen bringt, einen Punkt hinter MiMo-V2.6-Pro), gegenüber 36 für DeepSeek V4 Pro 0813 auf derselben Skala, wodurch das 552B-Modell das höchstbewertete DeepSeek-Modell ist, das die Seite gemessen hat. Zehn weitere Punkte sind jünger als die Veröffentlichung, und sie weisen in unterschiedliche Richtungen. Am 25. September eröffnete der Leiter für Modelltests beim ARC Prize einen Pull Request, der dem Benchmarking-Harness der Stiftung ein vollwertiges DeepSeek-V4.1-Flash-Profil hinzufügt – der Evaluator, dessen Rangliste dieses Feld als Reasoning-Obergrenze statt als Produktivitätsprüfung liest, kommt ohne angehängtes Ergebnis und ohne Versprechen eines solchen. Drei Tage später veröffentlichte ein externes Labor die entgegengesetzte Art von Nachricht: eine abgeschlossene Messung auf einer anderen Rangliste, die DeepSeek V4.1 Flash neben ein anderes Open-Weights-Modell stellt und es als das schwächere der beiden ausweist – und die feststellt, dass sich die Zahl stärker mit dem um das Modell gewickelten Harness bewegt als mit dem Modell selbst. Bei Exploit Bench, einem Benchmark von Carnegie Mellon, der bewertet, wie weit ein Agent bei der vollständigen Ausnutzung eines Produktions-V8 kommt, erzielte DeepSeek V4.1 Flash durchschnittlich 4,7 von 16 unter der Standardkonfiguration des Benchmarks selbst und 9,3 unter Claude Code, während GLM-5.3-Flash unter Codex einen Spitzenwert von 10,6 erreichte und unter genau dem Harness, der DeepSeek V4.1 Flash am besten liegt, auf 6,2 fiel. Das dritte ist das am wenigsten Dramatische und am leichtesten zu Überprüfende: Am 7. Oktober veröffentlichte das vLLM-Projekt seine eigene dreiwöchige Bilanz des Serving dieses Modells; der aktuelle Build sei bei niedriger Nebenläufigkeit 1,9-mal schneller und liefere unter einer 150-TPS-Begrenzung den 5,3-fachen Durchsatz gegenüber der eigenen Day-0-Implementierung – ein Vorher-nachher eines Engines an sich selbst statt einer weiteren externen Bewertung und Gegenstand des Geschwindigkeitsabschnitts unten. Ein vierter Punkt betrifft, was die Nutzung des Modells kostet, statt was es punktet, und er bewegte sich zweimal in drei Tagen: Am 12. Oktober erhöhte OpenCode, der Coding-Agent, der dieses Modell nach monatlichem Nutzungskontingent statt nach abgerechneten Token bepreist, sein Kontingent dafür von 60 auf 80 US-Dollar – eine Aussage der Plattform selbst über ein Produkt, das sie verkauft, auf ihrer eigenen Preisseite –, und am 15. Oktober begann OpenCode, dasselbe Modell unter einer zweiten Modell-ID kostenlos mit einem Kontext von 200.000 Token gegenüber dem 1M-Fenster des abgerechneten Eintrags anzubieten. Ein fünfter Punkt, vom 14. Oktober, misst die Kosten des Servings statt seine Qualität: Artificial Analysis nahm DeepSeek V4.1 Flash in AA-AgentPerf auf, seinen Hardware-Benchmark für agentische Inferenz, mit Ergebnissen auf NVIDIA- und AMD-Beschleunigern – bei 100 Token pro Sekunde pro Nutzer führt NVIDIAs GB300 NVL72 das Feld mit rund 261 Millionen Token pro Sekunde pro Megawatt an, und dieselben Läufe bedienen das Modell mit nur zwei Beschleunigern, was der Abschnitt unten in einer zweiten Währung darstellt. Der sechste ist die Veröffentlichung selbst, inzwischen abgelöst: Am 17. Oktober ersetzte DeepSeek den Checkpoint hinter demselben Modellnamen deepseek-flash durch DeepSeek-V4.1-Flash-1017 – neue Gewichte, eine Anbieter-Benchmarktabelle, die das September-Modell in jeder veröffentlichten Zeile schlägt, dieselbe Preisliste und derselbe 1M-Token-Umfang – und, Stand 18. Oktober, eine externe Messung der neuen Gewichte, die der Zeile widerspricht, mit der der Anbieter führt: Artificial Analysis bewertet den 1017-Checkpoint mit 45 auf seinem Intelligence Index und mit 33,8 auf Terminal-Bench 4.0 unter seinem eigenen Harness, gegenüber den 42,3 auf DeepSeeks Karte. Der siebte Punkt ist die Debatte, die diese Lücke auslöste. Am 19. Oktober erklärte sich ein Tracker-Konto mit einer Erfolgsbilanz beim frühen Ankündigen dieser Releases für „absolut sicher“, dass die 42,3 real seien, „weil sie besser als GLM-5.3 sind“, und bat Artificial Analysis, das Modell in einem nativen Harness laufen zu lassen. Die Seite hatte einen Tag zuvor bereits geantwortet, mit einer um achteinhalb Punkte niedrigeren Zahl. Der achte ist kein Ergebnis: Am 20. Oktober veröffentlichte ein DeepSeek-Tracker ein Agenten-Transkript, in dem der 1017-Checkpoint eine Jailbreak-Persona ablehnte, auf die dsh-purge angewendet worden war – ein Plugin, das die eigenen Beschränkungen des Harness entfernen soll –, und die Abliteration-Notizen eines Dritten bezifferten die Ablehnungsrate des unveränderten Checkpoints auf 97 von 100 schädlichen Prompts im Chat-Modus und 98 im Think-Modus, wobei DeepSeek für keinen der beiden Checkpoints eine eigene Sicherheitsbewertung veröffentlichte. Der neunte ist kein Ergebnis und kein Preis: Diese Woche öffnete DeepSeek die Inferenz-Engine, auf der der eigene Dienst läuft, mit einer Decode-Kurve für den 1017-Checkpoint und den dahinterstehenden Produktionszahlen, und der Thread, der sie diese Woche auftrieb, legt diese Kurve gegen einen Ascend-950DT-Benchmark vom 30. September, der Huaweis Bauteil pro Chip als etwa fünf- bis siebenmal unterlegen ausweist – der Abschnitt unten zum Serving-Silizium. Der zehnte ist kein Ergebnis, kein Preis und kein Checkpoint: Am 22. Oktober berichtete YuyuantanTan, der von der China Media Group betriebene Nachrichtenaccount, dass DeepSeek und MiniMax die mit Chinas Entwurf eines Technologieexportkatalogs verbundenen Registrierungsverfahren abgeschlossen und das Open-Sourcing sowie die Auslandslizenzierung fertiggestellt hätten. Das ist eine Berichterstattung von Staatsmedien über zwei Unternehmen statt eine Mitteilung einer Regulierungsbehörde oder eine Unternehmenserklärung, und es ist die Entwicklung, die die Frage beantwortet, die der Entwurf des Katalogs am 16. Oktober aufgeworfen hat – ob die MIT-Gewichte, um die es in diesem Beitrag geht, weiterhin veröffentlicht und ins Ausland geliefert werden können. Der Lizenzabschnitt unten trennt, was der Bericht sagt, von dem, was er nicht sagt.

Alles Folgende hält zwei Arten von Aussagen auseinander. Die Spezifikationen, Benchmarks und Preise stammen aus DeepSeeks eigenem Changelog, seiner Model Card und seinem technischen Bericht — vom Anbieter veröffentlicht, vom Anbieter ausgeführt und von niemandem sonst reproduziert. Diese Lücke hat sich seither durch vier unabhängige Instrumente verringert — einen zusammengesetzten Index, ein Kernel-Board der Community, einen harness-gesteuerten Cyber-Benchmark und einen Hardware-Serving-Benchmark —, von denen eines, der Index, inzwischen für beide Checkpoints ausgeführt wurde. Keines davon repliziert auch nur eine einzige Anbieterzeile, und ARC Prize baut die Reasoning-Evaluierung noch auf, und von ihr ist bislang nichts veröffentlicht. DeepSeek hat am 17. Oktober das Modell hinter demselben API-Namen durch den Checkpoint DeepSeek-V4.1-Flash-1017 ersetzt. Einen Tag lang bedeutete das, dass jede externe Zahl in diesem Beitrag Gewichte beschrieb, die der Anbieter nicht mehr bereitstellte, und für die, die er nun bereitstellte, gab es keine externe Bewertung; am 18. Oktober ließ Artificial Analysis seinen Index erneut auf dem neuen Checkpoint laufen und veröffentlichte 45 gegenüber 39 für die September-Gewichte. Die anderen drei Instrumente wurden nicht erneut ausgeführt: Der Cyber-Benchmark, das Kernel-Board und der Hardware-Benchmark beschreiben weiterhin die September-Gewichte, und keine unabhängige Bewertung, ob alt oder neu, repliziert eine von DeepSeeks eigenen Benchmark-Zeilen. Die Kennzahl für die Serving-Kosten, die das vLLM-Projekt am 17. Oktober veröffentlichte, ist nur beim Veröffentlichungsdatum neuer: Das dahinterstehende Diagramm ist auf den 16. Oktober datiert, den Tag vor dem Wechsel, sodass es dieselben überholten Gewichte beschreibt. Auf seinem aktuellen Index (v4.3.2) bewertet Artificial Analysis den September-Checkpoint von DeepSeek V4.1 Flash mit 39 und den 1017-Checkpoint mit 45 und beschreibt beide als deutlich über dem Median von 19 für Open-Weight-Modelle vergleichbarer Größe; es sind echte Drittanbieterzahlen und die ersten in dieser Geschichte, die nicht von DeepSeek stammen. Jede davon ist ein zusammengesetzter Wert aus zehn Evaluierungen, keine Replikation einer einzelnen Anbieterzeile, und sie sagt nichts über die Ökonomie des 1M-Kontexts aus. Die Refusal-Zahlen in diesem Beitrag sind eine vierte Art von Aussage und werden dort gekennzeichnet, wo sie erscheinen: Sie stammen von Personen, die unzensierte Ableitungen dieser Gewichte bauen, nicht von DeepSeek und nicht von einem Evaluierungslabor, und DeepSeek hat für keinen der beiden Checkpoints eine Sicherheitsevaluierung veröffentlicht. Die Hardware-Zahlen im Serving-Abschnitt sind noch einmal eine weitere Klasse: Die NVIDIA-Decode-Kurve und die Produktionszahlen sind DeepSeeks eigene Messungen seiner eigenen Engine, die diese Woche zusammen mit dem Code veröffentlicht wurden, und die Ascend-Punkte stammen aus einer Benchmark-Tabelle, die in einem Thread auf X wiedergegeben wird und auf keiner der beiden Anbieterseiten veröffentlicht ist. Wo eine Zahl zu DeepSeek gehört, sagt dieser Beitrag das. Eine weitere Klasse steht außerhalb dieser Taxonomie. Der am 22. Oktober veröffentlichte Bericht, DeepSeek und MiniMax hätten die Registrierung unter dem Entwurf des Exportkatalogs abgeschlossen, ist Staatsmedienberichterstattung — YuyuantanTan von China Media Group, in chinesischen Finanzmedien vielfach aufgegriffen —, keine Mitteilung des Handelsministeriums, und DeepSeek hat keine Erklärung veröffentlicht, die dies bestätigt. Der Katalog selbst ist ein Regierungsentwurf, der bis zum 15. November zur Kommentierung offen ist, und wird hier überall, wo er vorkommt, als Entwurf bezeichnet. Die dem Bericht zugeordneten Build-Namen — V4.1F-1017 und M3.1-Flash — stammen von einem einzelnen X-Konto am 23. Oktober und erscheinen weder in dem Staatsmedienbericht noch in den Medien, die ihn weiterverbreitet haben; der in dem Beitrag genannte Checkpoint war bereits seit sechs Tagen herunterladbar, als dieser verfasst wurde.

Der Checkpoint vom 17. Oktober: Was DeepSeek-V4.1-Flash-1017 geändert hat

Fünf Wochen nach der Veröffentlichung, um die sich dieser Beitrag dreht, hat DeepSeek das darunterliegende Modell ersetzt. Der Changelog-Eintrag vom 17. Oktober umfasst drei Sätze: „DeepSeek V4.1 Flash wurde auf DeepSeek-V4.1-Flash-1017 aktualisiert. Die offiziellen Web- und APP-Modelle wurden ebenfalls auf die neue Version aktualisiert. Die API-Aufrufmethode und die Preisgestaltung bleiben unverändert – verwenden Sie einfach deepseek-flash, um auf das neueste Modell zuzugreifen.“ In diesem Zitat spricht ausschließlich der Anbieter über sein eigenes Produkt, und alle drei Aussagen lassen sich auf DeepSeeks eigenen Seiten überprüfen, statt sie einfach zu glauben: Die Zeile der Modellversion in der Tabelle „Models & Pricing“ lautet jetzt DeepSeek-V4.1-Flash-1017, wo zuvor DeepSeek-V4.1-Flash stand; die daneben stehende Preistabelle ist dieselbe am 10. September veröffentlichte Aufteilung in Off-Peak und Peak – $0.003, $0.15 und $0.60 pro 1M Token außerhalb der Stoßzeiten, die sich in den Peak-Zeitfenstern an Wochentagen auf $0.006, $0.30 und $1.20 verdoppeln –, und der API-Schnellstart nennt deepseek-flash weiterhin als Modell-String, wobei der Kontext von 1M Token, die Obergrenze von 384K für die Ausgabe und das Parallelitätslimit von 2.500 Anfragen unverändert sind. Die ausgemusterten Alias-IDs verhalten sich wie in der September-Notiz angekündigt: deepseek-v4-flash und deepseek-v4-flash-vision-exp werden weiterhin akzeptiert und antworten jetzt als DeepSeek-V4.1-Flash-1017 zu Flash-Preisen. DeepSeek kündigte dieselbe Änderung am selben Tag über seinen eigenen Account an, und es lohnt sich, den Beitrag zusammen mit dem Changelog zu lesen, weil er kürzer und direkter ist: „DeepSeek-V4.1-Flash-1017 ist da! Stärkere Benchmark-Leistung, schnellere Aufgabenerledigung und kürzere Ausgaben als die vorherige Version – eine Pareto-Verbesserung bei Leistung und Kosten. Jetzt live auf unserer Website, in unserer App und über unsere API“, gefolgt von denselben drei Harnesses und derselben Anweisung, auf DeepSeek Harness 0.2.1-rc.1 oder neuer zu aktualisieren. In allem darin beschreibt der Anbieter sein eigenes Produkt auf seinem eigenen Kanal: „jetzt live auf unserer Website, in unserer App und über unsere API“ ist die erneut formulierte Fassung von „die offiziellen Web- und APP-Modelle wurden ebenfalls aktualisiert“ aus dem Changelog, und die Aussagen zu Benchmarks, Laufzeit, Ausgabelänge und Pareto stammen aus der Modellkarte – mit einem Unterschied, der für alle wichtig ist, die entscheiden, ob sie es ausprobieren sollen. Die Karte führt neben jeder Benchmark-Zeile eine Zahl auf; der Beitrag führt keine auf, und weder der Beitrag noch das Changelog beziffern die Aussage zu Laufzeit und Ausgabelänge. Zwei der vier Dinge, mit denen DeepSeek hier aufwartet, sind weiterhin Anbieterbehauptungen statt veröffentlichter Ergebnisse, und das Diagramm hinter der Pareto-Aussage – das dem Beitrag beigefügte – stammt von DeepSeek selbst und beruht auf seinen eigenen Task-Kostenmessungen.

Die Gewichte wurden dabei mit aktualisiert, und das ist der Teil, den ein Leser überprüfen kann, ohne einem Changelog vertrauen zu müssen. Ein zweites Repository, deepseek-ai/DeepSeek-V4.1-Flash-1017, ging in den frühen Morgenstunden des 17. Oktober unter derselben MIT-Lizenz auf Hugging Face online: wieder 48 safetensors-Shards, erneut insgesamt rund 510 GB, jeder Shard so groß wie sein Gegenstück aus September, aber jeder Shard mit einem anderen Hash. Gleiche Form, anderer Inhalt – genau so sollte „ein kleines Update“ von außen aussehen, und das bedeutet auch, dass die Architekturangaben, über die dieser Artikel seit September berichtet, unberührt bleiben: Die Konfigurationsdatei, die das 552B-Backbone, die 384 gerouteten Experten, den Prefill-Pfad mit 8B aktiven Parametern pro Token und den 16B-Decode-Pfad deklariert, ist byteidentisch mit der im September-Repository, der KV-Cache mit 890 Byte pro Token ist also dasselbe Design und kein neues. Was dem neuen Repository fehlt, ist der Papierkram. Es enthält keinen technischen Bericht, keinen Evaluierungsordner und kein Jinja-Chat-Template; die Modellkarte besagt, dass das Release kein Chat-Template enthält, und verweist stattdessen auf eine Python-Encoding-Referenz und ein neues Rust-Toolkit, deepseek-recipe, mit dem sich Anfragen im Chat-Completions-, Responses- und Anthropic-Format in das Prompt-Format des Modells umwandeln lassen. Wer Gewichte über den Repository-Namen pinnt, sollte wissen, dass sich die beiden Downloads in mehr als nur ihren Hashes unterscheiden. Die Dateiliste zeigt genau, wie: Alle 48 Shards weisen eine unterschiedliche Prüfsumme und eine identische Byte-Größe auf, während die Dateien, die keine Gewichte sind – die Konfiguration, die die Architektur deklariert, die Lizenz und der gesamte Encoding-Ordner –, in beiden Repositories bytegleich sind. Sieben Dateien gibt es im September-Repository und nicht in diesem, und nichts wurde als Ersatz hinzugefügt: der technische Bericht, der Evaluierungsordner, das Chat-Template, die beiden Abbildungen, die die Karte zuvor einbettete, und eine .gitignore. Die Modellkarte schränkt außerdem einen Serving-Parameter ein. Die Karte von September empfahl entweder ein top_p von 0.95 oder 1.0; die Karte vom 17. Oktober empfiehlt 1.0, wobei temperature bei 1.0, das Kontextfenster bei 1M und max_tokens bei mindestens 256K unverändert bleiben.

DeepSeeks eigene Benchmark-Tabelle ist der Ort, an dem sich das Update zeigen soll, und sie ist eine Anbietertabelle genau von der Art, wie es die September-Zeilen waren: Läufe desselben Unternehmens, von niemandem reproduziert, veröffentlicht zu einem Modell, dessen Gewichte seit ein paar Stunden öffentlich waren. Gegenüber dem September-Checkpoint ist es in jeder Zeile gestiegen, die die Karte enthält – HLE ohne Tools 42,6 gegenüber 36,8 bzw. 44,0 gegenüber 39,1 im reinen Text-Subset; Terminal-Bench 4.0 42,3 gegenüber 31,2; DeepSWE v1.1 77,0 gegenüber 74,2; ProgramBench 29,1 gegenüber 20,3; NL2Repo-Bench 68,2 gegenüber 65,4; Automation-Bench v1.0.6 60,5 gegenüber 54,8; Agents' Last Exam 35,4 gegenüber 31,8; Apex Bench v1.1 72,1 gegenüber 64,6; Chartography mit Tools 83,0 gegenüber 78,9; BabyVision mit Tools 92,5 gegenüber 89,6; und ZeroBench-main mit Tools 51,0 gegenüber 49,0, bei Pass@5. Dieselbe Tabelle stellt 1017 den Frontier-Modellen gegenüber, gegen die DeepSeek benchmarkt: Es schlägt nun GPT-5.6 Sol bei Terminal-Bench 4.0, 42,3 gegenüber 39,9, liegt aber weiterhin hinter Opus 5 mit 51,8 zurück, und es führt bei DeepSWE v1.1 gegen beide, 77,0 gegenüber 73,0 und 74,0 – eine Zeile, abgelesen aus dem Diagramm, das der eigenen Ankündigung des Anbieters beigefügt ist, und die meistzitierte Zahl der Woche. Auf NL2Repo-Bench kommt es auf 68,2 und liegt weiterhin hinter Opus 5 mit 75,3 – dieselbe Form, die auch die September-Tabelle hatte: am stärksten bei agentischer Arbeit im Harness, zurückliegend in den Zeilen, die Argumentationstiefe belohnen. Die Terminal-Bench-4.0-Zeile sollte man zweimal lesen, denn sie ist inzwischen die einzige Zeile in dieser Tabelle mit einem unabhängigen Gegenstück. DeepSeek hat sie unter dem Claude-Code-Harness ausgeführt; Artificial Analysis führt dieselben 66 Aufgaben unter mini-swe-agent aus, und sein Ergebnis vom 18. Oktober für diese Gewichte ist 33,8 – achteinhalb Punkte unter den 42,3 des Anbieters. Auf DeepSeeks eigener Tabelle schlägt diese Zeile GLM-5.3 um 4,4 Punkte, 42,3 gegenüber 37,9. Im Harness von Artificial Analysis liegen dieselben Gewichte um acht Punkte hinter GLM-5.3, 33,8 gegenüber 41,9.

Eine Zeile Kleingedrucktes ist mehr wert als mehrere dieser Deltas. Die September-Karte bewertete Terminal-Bench 4.0 mit DeepSeek Harness im Minimal-Modus; die 1017-Karte gibt an, für Terminal-Bench 4.0 den Claude-Code-Harness und für DeepSWE v1.1 Mini-SWE-V2 verwendet zu haben. Die Harness-Studie weiter unten in diesem Beitrag maß bei einem Modell über sieben Agent-CLIs hinweg eine Streuung von sieben Punkten; ein Elf-Punkte-Sprung bei Terminal-Bench 4.0, dem ein anderer Harness zugrunde liegt, kann daher nicht als elf Punkte Modell gelesen werden. Die Karte gibt an, welcher Harness verwendet wurde, was die Zeile nachprüfbar statt bloß beeindruckend macht; doch die Zeile sind zwei Änderungen, die eine einzige Zahl tragen. Der unabhängige Lauf trennt beides – und nicht zugunsten des Anbieters. Artificial Analysis bewertete dieselben 1017-Gewichte auf Terminal-Bench 4.0 unter mini-swe-agent – dem Harness, den es für jedes Modell auf diesem Board konstant hält – und erhielt 33,8 gegenüber 26,8 für den September-Checkpoint unter demselben Harness. Bei festem Harness bringt der Checkpoint sieben Punkte, nicht elf, und DeepSeeks Schlagzeilenzahl liegt achteinhalb Punkte über dem, was dieselben Gewichte erzielen, wenn der Harness über Modelle hinweg konstant gehalten wird. Der Rest von DeepSeeks Framing dreht sich um Kosten statt um Punktzahl, und es ist dieselbe Achse, auf der die September-Version verkauft wurde: Das Changelog behauptet, das Update verkürze die Aufgabenlaufzeit und die Ausgabelänge, nennt das Ergebnis „ein neues Performance-Kosten-Pareto-Optimum über mehrere Harnesses hinweg“ und erklärt, es sei für DeepSeek Harness, Tencent CodeBuddy und WorkBuddy optimiert worden, wobei DeepSeek Harness 0.2.1-rc.1 oder neuer empfohlen wird. Laufzeit und Ausgabelänge sind genau die Größen, die die Ausführlichkeitsbelege in diesem Beitrag von außen verfolgen, und DeepSeek behauptet nun, beides gesenkt zu haben – ohne eine Zahl dazu. Nun gibt es eine Außenmessung des neuen Checkpoints, und sie zeigt weder die Laufzeit- noch die Ausgabensenkung: Der Index-Lauf von Artificial Analysis weist für die 1017-Gewichte 288,8 Sekunden pro Aufgabe gegenüber 289,9 im September aus sowie 89.495 Ausgabetokens pro Aufgabe gegenüber 88.574 – bei beidem unverändert, wobei die Kosteneinsparung ganz woanders anfällt. Der Beitrag, den DeepSeek am selben Tag über den eigenen Account veröffentlichte, verdichtet all das auf „schnellere Aufgabenfertigstellung und kürzere Ausgaben“ und nennt das Paar dann eine Pareto-Verbesserung bei Performance und Kosten – die Behauptung des Changelogs in kürzerer Form, aus derselben Quelle und ebenso ungemessen. Es ist der Anbieter, der sich selbst wiederholt, keine zweite Quelle – was wichtig ist, denn die Zahl aus diesem Diagramm ist die, die die Außenwelt die ganze Woche über wiederholt hat. Das einzige Artefakt in der Ankündigung, das tatsächlich Zahlen trägt, ist das an den Beitrag angehängte Diagramm, und es zeigt DeepSWE v1.1 Pass@1 gegen die durchschnittlichen Kosten pro Aufgabe unter einem mini_swe_v2-Harness aufgetragen. Seine Bildunterschrift lohnt sich zu lesen, bevor man die Pareto-Zeile liest: Die zugrunde liegenden öffentlichen Leaderboard-Daten sind im Diagramm selbst auf den 22. September datiert, dreieinhalb Wochen vor dem Checkpoint, für den das Diagramm werben soll, und die Vergleichslinien für OpenAIs Modelle werden OpenAIs eigenem DeepSWE-Diagramm zugeschrieben statt einem gemeinsamen Lauf. Ein Punkt in diesem Plot ist neu. Alles, woran er gemessen wird, wurde veröffentlicht, bevor er existierte.

Am selben Tag wie der Wechsel stammte die am häufigsten geteilte Lesart dieser Tabelle von jemandem, der ein Eigeninteresse daran hat, wo das Modell läuft. Yuchen Jin, der bei Databricks an KI-Systemen arbeitet, postete, dass DeepSeek-V4.1-Flash-1017 „77 bei DeepSWE v1.1 erzielt“, dass es „Opus-5-Niveau bei 83-fach niedrigeren Kosten“ bietet und dass „wir es auf Databricks starten werden“. Die 77 ist DeepSeeks eigene Zeile, entnommen aus dem Diagramm, das der Ankündigung des Anbieters beigefügt war, und nichts außerhalb des Unternehmens hat sie reproduziert. Die beiden Vergleichspunkte stammen von Jin und teilen sich sauber in einen, der einer externen Prüfung standhält, und einen, der es nicht tut. Das Opus-5-Niveau hält stand: Die unabhängigen Boards, die DeepSWE v1.1 veröffentlichen, ordnen den Namen dieses Modells bei ihren eigenen Läufen in dieser Nachbarschaft ein. Mercors APEX-Leaderboard – 113 originäre Aufgaben aus 91 Repositories, bewertet unter dem mini-swe-agent-Harness – führt Opus 5 Max mit 71,4 % und einen DeepSeek V4.1 Flash Max-Eintrag mit 71,7 %, und das llm-stats-Board für denselben Benchmark setzt Claude Opus 5 auf 68,8 % gegenüber 74,2 % für DeepSeek-V4.1-Flash. Die ehrliche Lesart des Paars ist enger, als der Beitrag sie nahelegt: Zwei Boards, die diesen Benchmark unabhängig messen, stimmen darin überein, dass das Modell darauf mindestens gleichauf mit Opus 5 ist, und keines der beiden Boards zeigt eine 77, weil beide entweder die September-Zahl oder ihren eigenen Lauf enthalten und keines einen Eintrag mit dem 1017-Checkpoint kennzeichnet. Das Opus-5-Niveau ist als Aussage über eine Nachbarschaft vertretbar. Die Zahl, die dazu geführt hat, ist noch nicht reproduzierbar.

Die 83×-Hälfte des Beitrags ist seine eigene Rechnung und keine veröffentlichte Zahl, und diese Hälfte sollte man nicht allzu streng nehmen. Kein Board weist für den 1017-Checkpoint Kosten pro Aufgabe aus, und das Anbieterdiagramm hinter DeepSeeks eigener Pareto-Behauptung trägt Kosten pro Aufgabe auf einer logarithmischen Achse von zehn Cent bis zwanzig Dollar ab – also die Art von Spannweite, die ein so großer Faktor erfordert. Allein auf Basis der Listenpreise ist die Lücke kleiner als 83×: Claude Opus 5 berechnet 5 $ pro 1 Mio. Eingabe-Tokens und 25 $ pro 1 Mio. Ausgabe-Tokens gegenüber 0,30 $ und 1,20 $ für DeepSeek-V4.1-Flash innerhalb der Spitzenzeitfenster an Werktagen, rund 17× bei der Eingabe und 21× bei der Ausgabe, und das Ergebnis verschiebt sich stark mit dem Anteil der Cache-Treffer und damit, wie viele Tokens eine Aufgabe benötigt. Die Richtung des Kostenarguments ist hier und überall sonst in diesem Beitrag unstrittig. Der konkrete Faktor ist eine Behauptung über einen Vergleich, den niemand veröffentlicht hat.

Databricks ist der Teil jenes Beitrags, den Leser anhand der Dokumentation überprüfen können, und die Dokumentation sagt mehr als der Beitrag. DeepSeek V4.1 Flash ist seit dem 11. September, dem Tag nach dem Start von DeepSeek, auf Databricks Unity Gateway verfügbar, mit Text- und Bildeingabe über die Foundation Model APIs der Plattform unter dem Dienstnamen system.ai.deepseek-v4-1-flash; am 7. Oktober fügte die Plattform priorisiertes Pay-per-Token und reservierten bereitgestellten Durchsatz dafür hinzu. Es ist außerdem das designierte Ziel der Plattform für diese Modellfamilie: Databricks hat DeepSeek V4 Pro (0813) zum 30. Oktober und DeepSeek V4 Flash (0731) zum 5. November zur Einstellung vorgesehen und nennt DeepSeek V4.1 Flash in beiden Hinweisen als empfohlenen Ersatz. Was keine Databricks-Seite sagt, ist, dass der Checkpoint vom 17. Oktober kommt. Diese Behauptung ist die Aussage eines Mitarbeiters in privater Eigenschaft – ein internes Signal über Absichten und kein bereits feststehender Veröffentlichungstermin; die Seite der unterstützten Modelle führt das Modell weiterhin ohne Checkpoint-Kennzeichnung. Die Verfügbarkeitsänderung in dieser Woche ist also prospektiv und stammt aus einer Quelle innerhalb der Plattform statt von der Plattform selbst; was ein Databricks-Kunde heute abrufen kann, sind die September-Gewichte, und der Austausch, den dieser Artikel beschreibt – neue Gewichte unter demselben Namen und zu derselben Preisliste –, ist die Form, die dieser Ersatz annehmen wird, sobald er verfügbar ist.

Was sich nicht geändert hat, ist ebenso wichtig wie das, was sich geändert hat. Drei der vier unabhängigen Messinstrumente erfassen weiterhin die September-Gewichte und ausschließlich diese: Die Exploit-Bench-Harness-Tabelle, das Community-Kernel-Board und die AA-AgentPerf-Hardwareläufe wurden alle vor dem Austausch erzeugt, und die beiden DeepSWE-v1.1-Boards, die den Namen dieses Modells tragen, veröffentlichen einen Eintrag, dem kein Checkpoint zugeordnet ist. Das vierte änderte sich am 18. Oktober: Artificial Analysis fügte eine separate Zeile für den 1017-Checkpoint hinzu, bewertete ihn mit 45 auf seinem Intelligence Index und mit 33.8 auf Terminal-Bench 4.0 und ließ die September-Zeile bei 39 bzw. 26.8 stehen. Das ist das erste Mal, dass eine Zahl in diesem Beitrag von jemand anderem als DeepSeek anhand der Gewichte erzeugt wurde, die DeepSeek derzeit ausliefert. Die API-Änderung ist eine Checkpoint-Aktualisierung unter einem Namen, von dem DeepSeek bereits dokumentiert hatte, dass er auf das neueste Flash-Modell verweist — das Gegenteil des September-Plans, deepseek-v4-pro als ein anderes Modell antworten zu lassen, und genau die Unterscheidung, die Entwickler vornahmen, als sie gegen jenen Plan Einwände erhoben. Für einen Aufrufer ist der praktische Effekt eng begrenzt und konkret: Wer jetzt deepseek-flash anfragt, erhält andere Gewichte zum selben Preis, mit einer besseren vom Anbieter gemeldeten Tabelle dahinter und, seit dem 18. Oktober, einer dritten Partei, die sie bewertet — niedriger in der einen Zeile, in der beide vorhanden sind. Auf OrcaRouter sind die Modell-ID und die Preisliste ebenfalls unverändert — DeepSeek V4.1 Flash wird zu DeepSeeks eigenem Listenpreis mit durchgereichtem 0%-Aufschlag geroutet —, was aus Sicht des Aufrufers auf der anderen Seite der Leitung so aussehen sollte, wenn ein Anbieter ein Modell aktualisiert, ohne seinen Namen oder seinen Preis zu ändern.

Was am 10. September tatsächlich veröffentlicht wurde

Der Changelog-Eintrag beginnt mit einem einzigen Satz: „Heute veröffentlichen wir offiziell das Modell DeepSeek-V4.1-Flash.“ DeepSeek beschreibt es als das kleinste Mitglied einer neuen Modellstruktur-Familie mit nativem visuellen Verständnis, und es ist die erste Veröffentlichung in diesem Zyklus, die mit einem technischen Bericht einhergeht. Auf der API-Seite handelt es sich um einen Namenswechsel statt um eine Migration:

• Modellname — deepseek-flash auf DeepSeeks eigener API; die Basis-URL, der Schlüssel und das Anfrageformat bleiben unverändert.

• Eingestellt — DeepSeek V4 Flash und DeepSeek-V4-Flash-Vision-Exp sind offline. Ihre alten IDs werden weiterhin akzeptiert und nun an V4.1 Flash geroutet, zu Flash-Tarifen abgerechnet, sodass bestehende Integrationen ohne Codeänderung weiter funktionieren.

• V4 Pro — DeepSeek kündigte an, dass Anfragen an deepseek-v4-pro ab dem 14. September um 12:00 Uhr Pekinger Zeit bis zur Auslieferung eines V4.1 Pro zu V4.1-Flash-Preisen an V4.1 Flash weitergeleitet würden, und nahm die Entscheidung dann vor dem besagten Datum wieder zurück. V4 Pro wird weiterhin zu unveränderten Abrechnungsbedingungen bereitgestellt, und DeepSeek erklärt, über jede weitere Änderung informieren zu wollen.

• Envelope — ein Kontextfenster von 1M Token, eine maximale Ausgabe von 384K, 2.500 gleichzeitige Anfragen pro Konto, Bildeingabe unterstützt, Denkmodus standardmäßig aktiviert mit einer Option ohne Denken.

• Gewichte — am selben Tag wurde das Repository deepseek-ai/DeepSeek-V4.1-Flash auf Hugging Face unter der MIT-Lizenz veröffentlicht: 48 Safetensors-Shards mit insgesamt etwa 510 GB, der technische Bericht als PDF daneben und eine Referenz-Inferenzimplementierung in einem Ordner namens inference.

Genau bei diesem letzten Punkt landet auch die Geschichte von der ausgemusterten Modell-ID bei allen, die deepseek-v4-flash fest in einem Produktionspfad verdrahtet haben: Sie wird noch aufgelöst, aber es antwortet ein anderes Modell. DeepSeek hat ausdrücklich klargestellt, dass es sich um einen Kompatibilitäts-Shim handelt und nicht um ein Versprechen – was ihn zu einer Migrationsfrist macht, die den Anstrich eines Deprecation-Hinweises trägt.

Die Architektur, jetzt dokumentiert

Vor zwei Tagen hätte dieser Abschnitt nur eine Liste von Dingen sein können, die niemand veröffentlicht hatte. Der technische Bericht schafft Klarheit, und die strukturelle Behauptung erweist sich als wörtlich gemeint und nicht als Marketing. DeepSeek V4.1 Flash ist ein multimodales Mixture-of-Experts-Modell mit 552B Parametern, und die neuen Teile sind jene, die darüber entscheiden, was der Betrieb kostet:

• Backbone — 552B Gesamtparameter, Mixture-of-Experts mit einem gemeinsamen und 384 gerouteten Experten pro Schicht, sechs geroutete Experten pro Token aktiv.

• CED — ein Transformer mit 40 Ebenen, aufgeteilt in einen kausalen Encoder mit 20 Ebenen und einen Decoder mit 20 Ebenen. Der globale KV-Cache des Decoders wird aus den finalen Hidden States des Encoders projiziert, anstatt aus den eigenen Hidden States jeder Decoder-Ebene abgeleitet zu werden, was den Großteil der Speicherersparnis ausmacht.

• Aktivierungsasymmetrie — während der Prefill-Phase sind etwa 8B Parameter pro Token aktiv und während der Dekodierung 16B, sodass das Lesen eines langen Prompts erheblich günstiger ist als das Generieren daraus.

• KV-Cache — der Bericht gibt den globalen KV-Cache mit 890 Bytes pro Token an, etwa ein Viertel von DeepSeek V4 Flash, unter Verwendung von FP4-basiertem Haupt-KV-Caching mit einer Skala pro 16 Kanälen sowie schichtübergreifender Wiederverwendung.

• Attention und Dekodierung — Compressed Sparse Attention 2 mit Full-, Reindex- und Reuse-Modi sowie einem hierarchischen Sparse-Indexer, Single-Pass-mHC und DSpark-Spekulativdekodierung.

• Engram — eine 196B-Parameter-Conditional-Memory-Tabelle, auf die über einen tokenbasierten Lookup nur dünn besetzt zugegriffen wird und die neben dem Mixture-of-Experts-Pfad statt im Attention-Stack liegt. Sie ist der größte einzelne Gewichtsblock in der Veröffentlichung, und die Angabe der Model Card dazu ist es, die die Größe des Downloads nachvollziehbar macht.

Vision — DeepSeek-ViT mit einem zweischichtigen MLP-Projektor, der von Beginn des Sprachmodell-Pre-Trainings an trainiert wird, anstatt erst im Nachhinein an eine Textbasis angehängt zu werden.

• Training — 45T Token eines multimodalen Korpus, mit sparse Attention trainiert bei einer Sequenzlänge von 64K, und der Kontext bei der 34T-Token-Marke auf 1M erweitert. Nach dem Training folgen SFT, dann RL, dann On-Policy-Destillation.

• Reasoning-Aufwand — eine kontinuierlich steuerbare ganze Zahl von 1 bis 100, ein feineres Einstellrad als die niedrigen, hohen und maximalen Stufen, die DeepSeek V4 Pro bietet.

Die KV-Cache-Zahl ist diejenige mit Konsequenzen über das Datenblatt hinaus, und hier macht sich das Design bezahlt. Ein Kontextfenster von 1M Token ist nur dann nützlich, wenn man es sich leisten kann, es zu füllen. Der Grund, warum die Long-Context-Ökonomie der vorherigen Generation schmerzhaft war, lag in zwei Dingen: Der globale Cache wuchs mit jeder Schicht, die über den Prompt attendierte, und der Großteil der persistenten Cache-Kapazität wurde dafür aufgewendet, Sliding-Window-Zustand zu halten, der binnen Minuten nicht mehr nützlich war. Die Antwort des Berichts geht beides an. Ob das ausgelieferte Produkt dies bei 1M Token unter realer Nebenläufigkeit einlöst, ist eine Behauptung, die noch immer einen Dritten erfordert – die unabhängigen Bewertungen, die es inzwischen gibt, messen das Modell, nicht die Long-Context-Ökonomie –, aber der Mechanismus ist jetzt dokumentiert statt nur abgeleitet, und der folgende Abschnitt zerlegt ihn.

Im Cache: wie 890 Bytes pro Token tatsächlich erreicht werden

Der Titel des Berichts ist die These. Liest man ihn, wirkt die Effizienzbehauptung nicht mehr wie ein Nebeneffekt des Mixture-of-Experts-Backbones, sondern wie die Designvorgabe – und darauf sind unabhängige Berichte seit der Veröffentlichung eingeschworen. Dass es kommerziell statt akademisch relevant ist, liegt daran, wo die Rechnung eines Agenten tatsächlich anfällt: DeepSeeks Darstellung zufolge ist die Cache-Hit-Zeile diejenige, die sie bei langen agentischen Workloads dominiert, was die Größe des Caches zu einem Kostentreiber erster Ordnung macht. DeepSeeks Zahlen beziffern den globalen Cache auf 890 Bytes pro Token, rund 437× kleiner als das ursprüngliche DeepSeek V1 und etwa ein Viertel von DeepSeek V4 Flash. Rechnet man das für ein volles Fenster durch, ergibt sich der Unterschied zwischen rund 890 MB globalem KV für eine einzelne 1M-Token-Sequenz und etwa 3,5 GB bei V4 Flashs Pro-Token-Rate. Drei Änderungen leisten den Großteil der Komprimierung: eine betrifft, wie viel gespeichert wird, eine, was gelesen wird, und eine, was überhaupt behalten wird.

Das Speicherformat ist das am besten lesbare von ihnen. Der wichtigste globale Cache wird in FP4 mit dem E2M1-Layout vorgehalten, mit einer E4M3-Skala pro 16 Kanäle – halb so breit wie der FP8-Cache, den DeepSeek V4 speicherte, und ein Viertel von FP16. Was das verkraftbar macht, ist, dass DeepSeek den Cache während des Trainings quantisiert hat und nicht erst zur Serving-Zeit, sodass das Rauschen, das das schmalere Format einführt, etwas ist, womit das Modell umzugehen gelernt hat, statt etwas, das ihm nachträglich aufgezwungen wurde. Nicht alles wurde auf diese Weise komprimiert: Der lokale Sliding-Window-Cache bleibt in FP8, weil der Bericht ihn als den Teil behandelt, der gegenüber einer weiteren Verringerung der Bitbreite empfindlich ist.

Compressed Sparse Attention 2 kümmert sich darum, was gelesen wird. Jeder Attention-Schicht wird statisch einer von drei Modi zugewiesen – Full, Reindex oder Reuse –, sodass Decoder-Schichten Key-State und Indexer-State gemeinsam nutzen können, statt jeweils eigene zu halten, und die erste Schicht im Full-Modus einen Kandidatenpool aufbaut, auf den spätere Indizierungsschichten beschränkt sind. Die Zahlen im Bericht setzen diesen Pool bei 16.384 Positionen an, wobei die Sparse-Auswahl über die obersten 512 Einträge erfolgt, und genau das entkoppelt die Indizierungskosten von der Kontextlänge: DeepSeeks Behauptung ist, dass der Wechsel von 4K- auf 1M-Kontext nur etwa ein Viertel mehr Rechenaufwand pro generiertem Token hinzufügt, statt des ungefähr fensterproportionalen Wachstums, das das frühere Design implizierte. Diese einzelne Zahl ist das Nützlichste im Bericht für alle, die eine Long-Context-Workload kalkulieren wollen, und sie ist zugleich diejenige ohne jede externe Bestätigung – keine der externen Messungen in diesem Beitrag hat das ferne Ende des Kontextfensters getestet.

Die Änderung, die auf der persistenten Seite am meisten bewirkt, hat den am wenigsten vielversprechenden Namen. DeepSeek V4 hielt unter typischen Arbeitslasten zwei Dinge mehr als 72 Stunden lang in seinem persistenten Cache: den globalen KV und den Sliding-Window-Attention-Zustand. Der Sliding-Window-Zustand ist nur für Minuten von Bedeutung, verbrauchte aber fast die Hälfte der persistenten Cache-Kapazität — Speicher, der für Tage dimensioniert war, aber für Daten mit einer Minute Nutzwert aufgewendet wurde. V4.1 Flash nimmt den SWA-Zustand vollständig aus dem persistenten Cache heraus und legt ihn in einem Pool ab, der aus etwa 10 % des Host-DRAM jeder Maschine gebildet wird, mit einer Time-to-Live im Minutenbereich. Wenn eine Sitzung fortgesetzt wird und dieser Zustand nicht mehr vorhanden ist, rekonstruiert SWA Bounded Replay ihn näherungsweise: Statt Layers × Window-Tokens erneut abzuspielen, spielt es nur das jüngste Fenster erneut ab, das mit 128 Tokens angegeben wird, und akzeptiert, dass der wiederhergestellte Zustand nicht mathematisch identisch mit einem vollständigen Replay ist. DeepSeek sagt, es habe kaum Auswirkungen auf die Qualität durch die Näherung beobachtet und dasselbe Verhalten während des Post-Trainings simuliert. Nimmt man das mit dem schmaleren globalen Cache zusammen, fällt der persistente KV-Fußabdruck unter identischen Arbeitslasten auf etwa ein Achtel von DeepSeek V4 Flash — ein größerer Einschnitt als die Viertel-Angabe, die das Datenblatt anführt, weil es zwei aufeinandergestapelte Änderungen sind und nicht eine Formatänderung.

Auf all dem lasten zwei Einschränkungen. Der Bericht bietet keinen End-to-End-Latenz- oder Kostenvergleich, daher ist ein achtmal kleinerer persistenter Cache keine nachgewiesene achtmal günstigere Arbeitslast: Kompression verringert den Speicherdruck, und nur der speichergebundene Teil einer Rechnung reagiert darauf. Und die Einsparung stellt sich nicht von selbst ein. Eine Engine muss die Encoder-Decoder-Projektion, die drei CSA2-Modi, das FP4-Cache-Layout und Bounded Replay implementieren, bevor die Zahl überhaupt etwas aussagt; deshalb liest man die 890 Bytes am besten als Erstanbieter-Spezifikation für DeepSeeks eigene bereitgestellte API und nicht als Versprechen für einen lokalen Build — die quantisierten Konvertierungen für llama.cpp, Ollama und LM Studio im Repository bringen diesen Cache nicht mit. Die Schlagzeile bezieht sich außerdem auf Text-Tokens; Vision-Embeddings liegen außerhalb davon. Bei allem, was selbst gehostet wird, ist die Zahl, der man trauen sollte, die, die man selbst misst. Wie weit eine Engine damit kommen kann, ist nicht länger hypothetisch, aber noch immer nicht unabhängig. vLLM hat den decoder-seitigen Trim und Bounded Replay in den drei Wochen nach der Veröffentlichung implementiert und das Vorher und Nachher im Abschnitt zur Geschwindigkeit unten veröffentlicht — das bislang am ehesten einer Überprüfung der Spezifikation entspricht, und eine, die von einer Engine vorgenommen wurde, die ihre eigene Arbeit misst, statt von einem Evaluator, der das Modell misst.

Die unabhängige Bewertung, zweimal durchgeführt: 39 für die September-Gewichte, 45 für 1017

Artificial Analysis hat die erste externe Evaluierung von DeepSeek V4.1 Flash veröffentlicht, und sie liefert die Zahl, die die Beta nicht liefern konnte. Auf der aktuellen Version des Artificial Analysis Intelligence Index (v4.3.2) erzielt das Modell 39 im Reasoning-Modus bei maximalem Aufwand. Auf derselben Skala und mit derselben Einstellung erzielen DeepSeek V4 Pro 0813 36 und DeepSeek V4 Flash 0731 34. Zusammengelesen sagen diese drei Zeilen genau das, was DeepSeeks eigenes Marketing behauptet hat und was seine Benchmarks allein nicht belegen konnten: Das kleinste Modell der Familie ist jetzt das stärkste. Artificial Analysis beschreibt 39 als deutlich über dem Median von 19 für Open-Weight-Modelle vergleichbarer Größe. Fünf Wochen lang war sie ein Wert allein für den September-Checkpoint: Der Eintrag des Evaluators trug das September-Veröffentlichungsdatum und sonst nichts. Am 18. Oktober änderte sich das, und diese Änderung ist die Neuigkeit, die dieser Artikel bei seiner ersten Veröffentlichung nicht hatte. Ein zweiter Eintrag für DeepSeek V4.1 Flash 1017, datiert auf den 17. Oktober, erschien und erzielte 45 auf demselben Index bei demselben maximalen Aufwand. Damit liegen die 1017-Gewichte gleichauf mit GLM-5.3 bei 45, zwei Punkte unter GPT-5.6 Sol bei 47 und sechs unter Claude Opus 5 bei 51 – und das macht den Checkpoint zum am höchsten bewerteten DeepSeek-Modell, das die Website gemessen hat, fünf Wochen, nachdem die September-Gewichte diesen Titel erlangt hatten. Außerdem verleiht es dem Modell einen Status, den es zuvor nicht hatte, und den der Evaluator in seinem Bericht vom 19. Oktober unumwunden nennt: auf dem zweiten Platz der Open-Weights-Tabelle, gleichauf mit GLM-5.3 und einen Punkt hinter MiMo-V2.6-Pro bei 46, während Step 5 Preview und Kimi K3 einen weiteren Punkt dahinter bei 44 folgen. Die sechs Punkte verteilen sich nicht gleichmäßig über die zehn Evaluierungen. Derselbe Bericht meldet die größten Veränderungen in den agentischen und Wissenskomponenten – ein GDPval-AA v2.1 Elo von 1,746 gegenüber 1,600, ein AA-Briefcase v1.1 Elo von 1,570 gegenüber 1,420 und eine AA-Omniscience-Nicht-Halluzinationsrate von 33% gegenüber 4%, wobei die Genauigkeit von 43% auf 46% stieg und der Index dieser Evaluierung von -5 auf +5 wanderte. Das sind die eigenen Zahlen des Evaluators für dessen eigene Tests, von ihm veröffentlicht und hier nicht wiedergegeben, und sie beschreiben ein Modell, das deutlich weniger bereit wurde, eine Antwort zu erfinden – eine andere Verbesserung als die der Geschwindigkeit, die DeepSeeks Changelog an erster Stelle nennt.

Der Vergleich, der hier zählt, ist der interne, denn es ist derselbe Vergleich, den die Routing-Tabelle von DeepSeek vornimmt. V4.1 Flash trägt 552B Gesamtparameter bei 16B aktiven Parametern pro Token; DeepSeek V4 Pro 0813 trägt etwa 1,6T Gesamtparameter bei rund 49B aktiven Parametern. Ein Modell mit ungefähr einem Drittel des Backbones erzielt drei Punkte mehr bei einem Composite, das sein Hersteller nicht ausgeführt hat — neun Punkte mehr, sobald die 1017-Gewichtungen mitgezählt werden, da das 1,6T-Flaggschiff nicht von 36 weggekommen ist. Der Kompromiss zwischen Größe und Punktzahl ist die gesamte These des Causal-Encoder-Decoder-Designs, und ein Evaluator ohne Eigeninteresse am Ergebnis hat nun eine Zahl geliefert, die damit konsistent ist.

Die Preishälfte der Behauptung hält ebenfalls stand, und dies ist der erste Preisvergleich im Artikel, der nicht aus einer DeepSeek-Preisliste stammt. Artificial Analysis führt DeepSeek V4.1 Flash mit 0,30 $ pro 1 Mio. Eingabe-Token und 1,20 $ pro 1 Mio. Ausgabe-Token auf, gegenüber 1,32 $ und 3,96 $ für DeepSeek V4 Pro 0813 — 4,4× günstiger bei der Eingabe und 3,3× bei der Ausgabe, mit einem gewichteten Preis von 0,18 $ pro 1 Mio. Token auf Basis der 7:2:1-Mischung der Website aus Cache-Treffern, Eingabe und Ausgabe. Es ist außerdem günstiger als das ältere, kleinere DeepSeek V4 Flash 0731, das es ablöst, welches die Website mit 0,44 $ und 1,32 $ aufführt, während es fünf Punkte niedriger abschneidet. Günstiger als das Modell, das es ersetzt, günstiger als das Modell, das es verdrängt, und im Index vor beiden.

Zwei Einschränkungen gehören zu dieser Zahl. Sie ist ein Composite aus zehn Evaluierungen, die mit maximalem Reasoning-Aufwand ausgeführt wurden, daher sagt sie nichts über die niedrigeren Aufwandsstufen aus, die der Großteil des Produktionsverkehrs tatsächlich nutzt, und nichts darüber, wie stabil die Qualität am äußersten Ende eines 1M-Token-Fensters bleibt. Und sie ist die Punktzahl eines einzelnen Evaluators: unabhängig, aber nicht repliziert – und das Composite selbst wurde, seit dieser Beitrag es erstmals zitierte, von v4.3 auf v4.3.2 überarbeitet, wodurch sich die Punktzahl von DeepSeek V4.1 Flash von 40 auf 39 und die seines Vorgängers von 35 auf 34 verschob. Was sie jedoch belegt, ist eng und nützlich – die eine Behauptung, die die Beta nicht stützen konnte, dass ein 552B-Modell tatsächlich mit DeepSeeks eigenem 1,6T-Flaggschiff konkurrieren kann, hat nun eine Quelle außerhalb von DeepSeek. Die 1017-Zeile trägt dieselben zwei Einschränkungen und eine weitere. Sie ist die Punktzahl eines einzelnen Evaluators, für Gewichte, die fünf Wochen neuer sind als der Großteil der hier vorliegenden Belege, und sie ist ein einzelnes Composite statt einer Replikation irgendeiner Anbieterzeile. Auch ihr Preis pro Aufgabe hat sich auf der Website geändert: Der September-Checkpoint ist heute mit $0,49 pro Intelligence-Index-Aufgabe gelistet, wo dieser Beitrag ursprünglich $0,27 nannte, und der 1017-Checkpoint mit $0,26. Behandeln Sie den Dollar-Betrag als eine Live-Zahl auf dem Dashboard von jemand anderem und nicht als Konstante – dieselbe Lehre, die auch die Indexpunktzahl selbst erteilt hat, als sie von 40 auf 39 ging. Die Kostentabelle neben der Punktzahl ist der Rest der Einschränkung, und sie wirkt in beide Richtungen. Das Modell einen Platz darüber ist außerdem nur halb so teuer: MiMo-V2.6-Pro erreicht 46 bei $0,13 pro Intelligence-Index-Aufgabe gegenüber $0,26 hier, und der eigene Vergleich von Artificial Analysis führt GPT-6.1 Sol bei mittlerem Aufwand mit 48 für $0,21. Was der 1017-Checkpoint jedoch gewinnt, ist der Direktvergleich, mit dem DeepSeek seit September wirbt – er schlägt GLM-5.3-Flash auf beiden Achsen dieser Tabelle, 45 gegen 42 und $0,26 gegen $0,28 pro Aufgabe –, also die Paarung, bei der Fähigkeit und Kosten in dieselbe Richtung laufen.

Der nächste externe Score: ARC Prize baut den Test

Am 25. September eröffnete Matt Mazur, Leiter für Modelltests bei ARC Prize, einen Pull Request im stiftungseigenen ARC-AGI-3-Benchmarking-Repository, der einen vollwertigen DeepSeek-Provider-Adapter hinzufügt: ein Profil namens deepseek-v4-1-flash-low-provider-adapter, dessen Modellfeld deepseek-ai/DeepSeek-V4.1-Flash ist. Die Behauptung, dass ARC Prize dieses Modell bewerten will, kam als einzelner Social-Media-Beitrag, also haben wir sie anhand des Codes der Stiftung selbst überprüft statt anhand des Beitrags. Der Adapter, das Profil, seine Unit-Tests und seine Dokumentation sind im Diff enthalten, und das Repository ist die Harness, die die Testrichtlinie von ARC Prize für seinen interaktiven agentischen Benchmark benennt. Was es nicht gibt, ist ein Ergebnis: Der Pull Request ist offen und nicht gemergt, es gibt keine Punktzahl, kein Veröffentlichungsdatum und keine Aussage darüber, welche Reasoning-Stufen veröffentlicht werden. Warum es wichtig ist, liegt in der Form der Messung, nicht in der Nachricht, dass eine kommt. ARC-AGI stellt eine Frage, die die anderen Boards nicht stellen: Ein Modell kann innerhalb einer Harness schnell, günstig und stark sein und trotzdem bei Aufgaben, die es nicht gesehen hat, im sechziger Bereich landen. Das ist die Frage, die noch niemand an DeepSeek V4.1 Flash gestellt hat.

Das Profil legt genau fest, wie ein solcher Durchlauf ablaufen würde, und drei Details werden die Zahl prägen, die letztlich dabei herauskommt. Es führt das Modell mit der Einstellung für geringen Reasoning-Aufwand statt mit maximalem aus, streamt Antworten, legt einen Harness-Kontext von 1 Mio. Token mit einem Auslöser für Zusammenfassungs-Kompaktierung bei 175.000 Token fest und begrenzt die Ausgabe auf 262.144 Token. Es läuft über Basetens OpenAI-kompatiblen Endpunkt statt über DeepSeeks eigenen und ist mit 0,30 US-Dollar pro 1 Mio. Eingabe-Token und 1,20 US-Dollar pro 1 Mio. Ausgabe konfiguriert — DeepSeeks Peak-Tarife der Preisliste, nicht die Off-Peak-Zahlen, die weiter unten in diesem Beitrag genannt werden. ARC Prize berechnet die Kosten pro Aufgabe aus den im Profil konfigurierten Preisen, die letztlich erhaltene Zahl wird also auf Peak-Tarifen basieren, was man bedenken sollte, bevor man sie mit den 0,042 US-Dollar pro Aufgabe vergleicht, die DeepSeek V4 Flash 0731 bei seinem Test erzielte. Die andere ungewöhnliche Eigenschaft ist ein Workaround für das Verhalten von DeepSeeks Thinking-Modus: Historischer Reasoning-Inhalt wird nur dann wiedergegeben, wenn eine Anfrage Tools enthält, daher bringt der Adapter das Modell dazu, jede ARC-Aktion als submit_action-Tool-Aufruf auszugeben, und spielt die exakte Assistant-Nachricht mit angehängtem Reasoning erneut ab, statt Aktionen aus Prosa zu parsen.

Der Maßstab, an dem dies gemessen wird, stammt aus dem eigenen Leaderboard von ARC Prize. DeepSeek V4 Flash 0731, der Checkpoint, den V4.1 Flash ablöst, ist der verifizierte Eintrag des Leaderboards für die Flash-Stufe, aus der er stammt: 61,4 % bei ARC-AGI-2 mit maximalem Reasoning-Aufwand und 89,0 % bei ARC-AGI-1, bei 0,042 $ und 0,021 $ pro Aufgabe. Dots3-Note Preview steht bei 76,8 % bei ARC-AGI-2 – also die 77 %, auf die der Beitrag verweist, der auf den Adapter hingewiesen hat –, und die Erwartung desselben Accounts – dass alles unter 80 % von einem viel größeren, nativ multimodalen Nachfolger enttäuschen würde – ist seine Einordnung und kein veröffentlichtes Ziel. Der übrige Teil dieser Einordnung verdient eine Kennzeichnung: Die Behauptung, dass V4.1 Flash 29 % mehr Token generiert als das Modell, das es ersetzt, ist ohne Quellenangabe und undefiniert, und nichts, was DeepSeek oder ARC Prize veröffentlicht hat, sagt, was damit gemessen wird.

Ein Hinweis zur Vorsicht, um welches Board es sich hier handelt. Der Adapter ist im ARC-AGI-3-Repository gelandet, dem Harness für den interaktiven agentischen Benchmark der Stiftung, und das separate Repository, in dem ARC-AGI-1 und ARC-AGI-2 laufen, enthält überhaupt keinen V4.1-Eintrag – seine Modellliste wurde seit dem 27. Juli nicht aktualisiert und nennt weiterhin ältere DeepSeek-Endpunkte. Die datierbare Tatsache ist also, dass ARC Prize dieses Modell in seinen agentischen Harness eingebunden hat; ob es auch auf dem ARC-AGI-2-Board erscheinen wird, wo der 61,4-%-Vergleich angesiedelt ist, zeigt der öffentliche Code derzeit nicht. Der praktische Interpretationsspielraum für alle, die ein Modell auswählen, hat sich erweitert. Vier unabhängige Instrumente zu DeepSeek V4.1 Flash sind jetzt im Spiel – ein zusammengesetzter Index, der zweimal ausgeführt wurde, einmal pro Checkpoint; ein Community-Kernel-Board; ein harness-gesteuerter Cyber-Benchmark; und seit dem 14. Oktober ein Hardware-Serving-Benchmark – und zwei davon lassen das Modell in einem Harness Aufgaben bearbeiten, die es noch nicht gesehen hat. Das neuere der beiden ist der zusammengesetzte Index, der seit Index v4.3 Terminal-Bench 4.0 enthält: 66 Terminal-Aufgaben, pass@1 gemittelt über drei Wiederholungen, jedes Modell unter demselben Agent-Harness. Sein Ergebnis vom 18. Oktober für die 1017-Gewichte ist 33,8. Der Cyber-Benchmark weiter unten kommt von allen am nächsten, und dort verliert dieses Modell das einzige direkte Duell, das es austrägt. Das ARC-Profil ist die Evaluation, die entwickelt wurde, um die Reasoning-Frage zu beantworten, und es ist nach wie vor diejenige ohne Zahl. Solange es nicht läuft, bleibt die Reasoning-Obergrenze des Modells ungemessen, und die Zahl, an der es zu messen ist, ist die seines Vorgängers.

Der erste externe Cyber-Score: Die Testumgebung bewegt die Zahl stärker als das Modell.

Am 28. September veröffentlichte das Evaluierungslabor Generality Labs eine Nachfolgearbeit zu seiner früheren Cyber-Arbeit mit dem Titel „Does the harness matter when running Cyber Benchmarks?“ — die erste abgeschlossene externe Messung, die DeepSeek V4.1 Flash neben einem anderen Open-Weight-Modell auf demselben Cyber-Benchmark platziert. Der Benchmark ist Exploit Bench, eine Evaluierung der Carnegie Mellon von Seunghyun Lee und Prof. David Brumley, die bewertet, wie weit ein Agent eine Leiter aus sechzehn Fähigkeiten erklimmt — vom Erreichen von verwundbarem Code über das Auslösen des Bugs und den Aufbau von Exploit-Primitiven bis hin zur beliebigen Codeausführung — gegen Produktions-V8 mit aktivierter V8-Sicherheitssandbox. Das Labor ließ zwei Modelle laufen, DeepSeek V4.1 Flash und Z.ai's GLM-5.3-Flash, mit einem Budget von 250 Millionen Tokens pro Aufgabe über 10 Aufgaben, die per Item-Response-Theorie aus den ursprünglichen 41 des Benchmarks gezogen wurden, und wiederholte jedes Modell unter sieben Harness-Konfigurationen: sechs Agent-CLIs — Claude Code, Codex, Kimi CLI, ReAct, Gemini CLI und OpenCode — plus den eigenen Standard des Benchmarks, den der Bericht als Original bezeichnet. Original ist überhaupt keine Drittanbieter-CLI: Es hat kein Token-Limit, eine Obergrenze von 300 Turns und keine Kontextkomprimierung. Der Account, der dieses Ergebnis gemeldet hat, beschreibt Original grob als eine Python-while-Schleife; das ist seine Charakterisierung, nicht die der Forscher, deren eigene Beschreibung die obige ist.

Das Ergebnis ist eine Bandbreite, die keine einzelne Punktzahl gezeigt hätte. Die mittlere Leistungsfähigkeit wird auf einer Skala von 16 gemessen. DeepSeek V4.1 Flash schneidet unter Claude Code mit 9,3 am besten ab, Codex folgt mit 8,9 auf Platz zwei; dasselbe Modell fällt auf 7,4 bei Kimi CLI, 5,9 bei OpenCode, 5,7 bei Gemini CLI, 5,3 bei ReAct und 4,7 unter Original ab – seinem eigenen Benchmark-Standard und dem schlechtesten Wert der sieben. GLM-5.3-Flash kehrt diese Rangfolge an beiden Enden um. Seine beste Konfiguration ist Codex mit 10,6, über dem Wert von 10,02, den der eigene Datensatz der Studie für Mythos Preview über den vollständigen 41-Aufgaben-Satz ausweist, wobei die Forschenden jedoch warnen, dass eine Teilmenge von 10 Stichproben nicht vollständig repräsentativ ist; seine schlechteste Konfiguration ist Claude Code mit 6,2 – dieselbe Testumgebung, die für DeepSeek V4.1 Flash die beste ist –, weitere Werte sind 8,9 bei Gemini CLI, 8,2 bei Kimi CLI, 8,1 bei OpenCode, 7,7 bei ReAct und 6,4 unter Original. Im Durchschnitt über alle sieben liegt GLM-5.3-Flash bei etwa 8,0 und DeepSeek V4.1 Flash bei etwa 6,7. Damit bestätigen sich beide Hälften der Behauptung, die zusammen mit diesem Ergebnis kursierte, anhand der veröffentlichten Daten: Die Wahl der Testumgebung ist mehrere Punkte wert, und in diesem Benchmark ist DeepSeek V4.1 Flash das schwächere der beiden Modelle – außer unter Claude Code, wo es mit mehr als drei Punkten führt.

Die Forschenden betonen ausdrücklich, dass sie die Streuung nicht vollständig erklären können. Ihr einziger positiver Anhaltspunkt ist, wie jeder Harness den Kontext komprimiert, und der Unterschied ist eine Frage der Formulierung. Der Komprimierungs-Prompt von ReAct fordert das Modell auf: „Write a continuation summary that will allow you (or another instance of yourself) to resume work“; in den vom Labor veröffentlichten Transkripten führt das manchmal dazu, dass das Modell die Arbeit für abgeschlossen erklärt, woraufhin der Harness es erneut aufweckt und es denselben Bericht Dutzende Male erneut einreicht, bis das Budget aufgebraucht ist. Codex formuliert denselben Moment als „Create a handoff summary for another LLM that will resume the task“, und das Labor stellt die Hypothese auf, dass die Ansprache eines anderen Agenten dafür sorgt, dass das Modell über lange Budgets hinweg Fortschritte macht. Sie nennen dies eine Hypothese, nicht eine Ursache. Ein Konfigurationsfehler spielt ebenfalls eine Rolle beim Lesen der Tabelle: Die Komprimierung von ReAct war auf 100K Tokens statt auf den vorgesehenen Auslöser eingestellt, sodass sie weitaus häufiger komprimierte, als es das Design vorsah, was die ReAct-Zeilen beider Modelle nach unten drückt. Die Einschränkungen der Studie selbst sollte man bei jeder Zahl aus ihr mitbedenken – zwei Modelle, 10 Stichproben pro Harness-Konfiguration, 70 Frage-Stichproben pro Modell gegenüber den ursprünglichen 41 Aufgaben des Benchmarks und drei Stichproben, die fehlerhaft waren oder nie abgeschlossen wurden, zwei davon GLM-5.3-Flash. Die Autoren geben an, dass die kleine Stichprobe von Natur aus verrauscht ist, dass man nicht annehmen sollte, dass sich das Ergebnis auf andere Domänen und Aufgaben übertragen lässt, und dass frühere Arbeiten von METR keinen statistisch signifikanten Unterschied zwischen Harnessen bei Long-Horizon-Aufgaben gefunden haben. Es ist ein externes Labor, das den Benchmark eines anderen ausführt – nicht die Eigentümer des Benchmarks –, und es ist nicht von Fachleuten begutachtet. Was es nicht ist: eine Anbieterzahl. Und es ist die erste externe Zahl in diesem Beitrag, die der eigenen Darstellung des Anbieters widerspricht, statt sie lediglich nicht zu bestätigen.

Hier gibt es eine Sache, auf die ein Router einwirken kann, und eine, auf die er nicht einwirken kann. Er kann nicht Ihr Harness auswählen – das ist die Agent-Loop, die Sie bereits ausführen, und der ganze Punkt dieser Studie ist, dass die Wahl tragend ist. Was er tun kann, ist die Modellhälfte des Paares zu einer Ein-Zeilen-Änderung zu machen. DeepSeek V4.1 Flash und GLM-5.3-Flash sind beide über OrcaRouter mit einem einzigen OpenAI-kompatiblen Schlüssel routbar, zum eigenen Listenpreis des Anbieters mit 0 % Aufschlag, sodass ein Team, das seine eigene Kombination aus Modell und Harness finden möchte, das Modell unter einem festen Harness austauschen kann, ohne einen zweiten Vertrag oder eine zweite Integration, und dahinter ein bewährtes Modell als automatisches Failover belassen kann, falls sich der Austausch als Regression erweist. Das ist dasselbe Argument, das der Abschnitt zur Adoption weiter unten anführt, angewandt auf eine Entscheidung, die die Harness-Studie gerade konkret gemacht hat: Nach dieser Evidenzlage kann das Harness, das Sie ausführen, wichtiger sein als das Modell, das Sie wählen, und die Modellseite dieses Paares ist die Seite, die Sie an einem Nachmittag ändern können.

Wo es an die Grenze stößt, und wo es immer noch verliert

Die Modellkarte vom September vergleicht V4.1 Flash mit Opus-5.0, GPT-5.6 Sol, Kimi K3 und GLM-5.3 bei maximalem Reasoning-Aufwand, wobei die eigenen Modelle DeepSeek V4 Pro und DeepSeek V4 Flash als interne Baselines dienen. Jede unten aufgeführte Zahl wurde vom Anbieter gemeldet, auf DeepSeeks Harnesses ausgeführt und von keiner dritten Partei reproduziert. Die Karte merkt an, dass agentische Ergebnisse den Minimalmodus von DeepSeek Harness mit einem 1M-Token-Kontext für Code-Benchmarks und einem 512K-Fenster für visuelle Benchmarks verwenden, sodass diese nicht direkt mit veröffentlichten Zahlen Dritter zu denselben Benchmarks vergleichbar sind. Die unabhängigen Ergebnisse in den Abschnitten oben sind andere Messungen auf verschiedenen Evaluationssätzen; sie stützen das allgemeine Bild und bestätigen keine einzelne der unten aufgeführten Zeilen, und die Zeilen vom 17. Oktober im Abschnitt oben stammen aus einer anderen Karte und einem anderen Lauf derselben Benchmarks.

Bei agentischen und Coding-Aufgaben setzen die Zahlen des Anbieters V4.1 Flash über die von ihm genannten Frontier-Modelle:

Terminal-Bench 2.1 — 90.6, gegenüber 89.1 für Opus-5.0, 88.8 für GPT-5.6 Sol und 87.9 für DeepSeek V4 Pro

• DeepSWE v1.1 — 74.2 behoben, gegenüber 74.0, 73.0 und 62.7

• CyberGym — 88,1, gegenüber 84,5 für sowohl GPT-5.6 Sol als auch GLM-5.3, und 83,3 für DeepSeek V4 Pro.

• AutomationBench — 54,8, gegenüber 50,3 für Opus-5.0 und 37,7 für DeepSeek V4 Flash

• Agent's Last Exam — 31,8, gegenüber 28,6 und 25,7

• Codeforces — ein Rating von 3.471, vor DeepSeek V4 Pro mit 3.348 und DeepSeek V4 Flash mit 3.289

• MathArena Apex — 65,6, gleichauf mit Kimi K3 und vor DeepSeek V4 Pro mit 65,3

Und bei den schwierigeren agentischen Suiten tut es das nicht:

• Terminal-Bench 3.0 — 30,0, deutlich hinter Opus-5.0 mit 43,3 und GPT-5.6 Sol mit 34,4, aber weit vor DeepSeek V4 Pro mit 11,8

• Terminal-Bench 4.0 — 31.2, gegenüber 51.8 und 39.9, und erneut vor DeepSeek V4 Pro bei 12.4

• ProgramBench — 20,3 gegenüber 37,0 für Opus-5.0

• NL2Repo-Bench — 64,0, gegenüber 75,3 für Opus-5.0

• HLE — 36.8, gegenüber 56.3 und 44.5

• ExploitGym — 15.3, gegenüber 33.7 und 22.1

Die Form dieser Liste ist aussagekräftiger als jede einzelne Zeile. V4.1 Flash setzt an der Frontier Maßstäbe bei Benchmarks, die anhaltende Tool-Nutzung innerhalb eines Harness belohnen, und verliert bei denen, die Argumentationstiefe belohnen – das Muster, das man von einem Modell erwarten würde, das um Durchsatz und Kontextökonomie herum entwickelt wurde statt um eine rohe Reasoning-Obergrenze. Der interne Vergleich ist der auffällige: Es schlägt DeepSeek V4 Pro in praktisch jeder Zeile, einschließlich der Zeilen, in denen beide gegen Opus-5.0 verlieren. DeepSeek behauptet nicht, dass sein günstigstes Modell das beste Modell auf dem Markt ist. Es behauptet, dass sein günstigstes Modell das beste Modell ist, das DeepSeek herstellt, eine Behauptung, die seine eigene Routing-Tabelle stützt.

Was es kostet, und wie der Pro-Vergleich tatsächlich aussieht

Die Preisliste vom 10. September ist jetzt einfach die V4.1-Flash-Karte, veröffentlicht auf DeepSeeks Seite „Models & Pricing“ mit einer Aufteilung in Spitzen- und Nebenzeiten:

• Eingabe, Cache-Treffer — $0,003 pro 1M Tokens außerhalb der Spitzenzeiten, $0,006 zur Spitzenzeit

• Eingabe, Cache-Miss — 0,15 $ pro 1 M Token außerhalb der Spitzenzeiten, 0,30 $ zur Spitzenzeit

• Ausgabe — 0,60 $ pro 1 Mio. Tokens außerhalb der Spitzenzeiten, 1,20 $ zur Spitzenzeit

• Spitzenzeiten — 01:00–04:00 und 06:00–10:00 UTC, Montag bis Freitag; jede andere Stunde wird zum halben Spitzensatz abgerechnet

• In Renminbi — 0,02 ¥, 1 ¥ und 4 ¥ außerhalb der Spitzenzeiten, verdoppelt auf 0,04 ¥, 2 ¥ und 8 ¥ zur Spitzenzeit.

Vergleichen Sie das mit dem Modell, das es ablöst. DeepSeek V4 Pro berechnet $0,022 pro 1 Mio. Cache-Hit-Input, $0,66 Cache-Miss-Input und $1,98 Output außerhalb der Spitzenzeiten – rund 4,4× beim Cache-Miss-Input und 3,3× beim Output. Das sind die Zahlen, die die Umleitung vom 14. September auf jeden deepseek-v4-pro-Aufruf angewendet hätte, weshalb der Plan ebenso sehr eine Geschichte über Preise wie über Fähigkeiten war – und sie sind nach wie vor der Grund, warum der Vergleich relevant ist: DeepSeek hat die Umleitung zurückgezogen, nicht die Preisliste. Artificial Analysis kommt anhand seiner eigenen Auflistungen auf dieselbe Rechnung – $0,30 und $1,20 pro 1 Mio. für V4.1 Flash gegenüber $1,32 und $3,96 für DeepSeek V4 Pro 0813, dieselben 4,4× und 3,3× sowie durchschnittlich $0,18 pro 1 Mio. bei der 7:2:1-Mischung aus Cache-Hit-, Input- und Output der Website. Die Preisliste unterbietet außerdem DeepSeek V4 Flash 0731, das Modell, das sie ablöst, und das dieselbe Website mit $0,44 und $1,32 aufführt.

Der Preis pro Token ist nicht gleich den Kosten pro Aufgabe, und die Beta ist der Beweis dafür. Tester am ersten Tag berichteten, dass fünfminütige Sitzungen auf dem neuen Modell ihr Guthaben schneller aufbrauchten als die gleiche reale Zeitdauer bei DeepSeek V4 Flash, weil das Modell darauf ausgelegt ist, Token schnell auszugeben, und die Rechnung mit Tokens skaliert, nicht mit Minuten. Eine Karte, die ein Viertel des Preises von Pro kostet, ist ein Schnäppchen, wenn eine Aufgabe mit vergleichbar vielen Tokens abgeschlossen wird; sie ist ein Nullsummenspiel, wenn das Modell länger nachdenkt, um dorthin zu gelangen.

Wo es zu dieser Frage tatsächlich eine externe Zahl gibt, weist sie in beide Richtungen. Artificial Analysis beziffert DeepSeek V4.1 Flash auf seinem eigenen Evaluationsset mit 0,27 US-Dollar pro Aufgabe im Intelligence Index – eine echte Pro-Aufgabe-Zahl, außerhalb von DeepSeek erhoben, und eine niedrige. Doch derselbe Lauf erzeugte 250 Mio. Ausgabe-Tokens gegenüber einem Median von 140 Mio. bei vergleichbaren Modellen, und die Zusammenfassung der Website nennt das Modell sehr wortreich und im selben Atemzug schnell. Wortreichtum ist innerhalb eines Benchmark-Harness kostenlos und in der Produktion teuer – genau der Mechanismus, den die Beta-Tester beschrieben, als sie berichteten, dass Guthaben in Wall-Clock-Zeit schneller leerliefen. Der ehrliche Stand der Pro-Aufgabe-Frage ist, dass ein unabhängiger Evaluator inzwischen beide Hälften davon auf seinem eigenen Evaluationsset gemessen hat, und die Antwort hängt weiterhin davon ab, was man laufen lässt. Die zusammengesetzte Kennzahl kann nicht zeigen, wohin die zusätzliche Ausgabe geht, und auch die Beta-Tester haben es nie gesagt. Die ersten Berichte aus der Praxis schon, und sie stehen im Geschwindigkeitsabschnitt unten: Das Modell ist wortreich, weil es prüft. Das Update vom 17. Oktober ist das erste Mal, dass DeepSeek behauptet, diese Zahl zu verändern: Das Changelog besagt, der neue Checkpoint „reduziert die Aufgabenlaufzeit und die Ausgabelänge“, und der Beitrag einige Stunden später sagt dasselbe in weniger Worten – „schnellere Aufgabenerledigung und kürzere Ausgaben.“ Damit spricht DeepSeek aus eigener Autorität genau die Größe an, die die externe Messung bemängelt hat, ohne dass einer der beiden Aussagen eine Zahl beigefügt ist. Der erste externe Blick darauf am 18. Oktober ergab ein gesunkenes Gesamtvolumen – 210 Millionen Ausgabe-Tokens über den Index hinweg gegenüber 250 Millionen im September – und eine unveränderte Pro-Aufgabe-Zahl von 89.495 Tokens gegenüber 88.574.

Was ein Monat kostet: ein Inklusivvolumen von 80 $, danach eine kostenlose Stufe

Die Karte oben beantwortet, was ein Token kostet. Eine andere Zahl hat sich zweimal verändert, und beide Male kam sie von OpenCode – dem Coding-Agenten, dessen Go-Abo den Zugang zu diesem Modell als monatliches Nutzungskontingent statt als verbrauchsabhängig abgerechnete Token bepreist –, wobei OpenCode über sein eigenes Abo sprach und nicht über das Modell. Am 25. September postete der Account der Plattform: „Operation Cheepseek Phase 2: Nutzung im Wert von $60 für DeepSeek v4.1 Flash ist jetzt dauerhaft.“ Am 12. Oktober postete er die Fortsetzung im selben Format – „Operation Cheepseek Phase 3: Nutzung im Wert von $80 für DeepSeek V4.1 Flash“ – und auf der Preisseite der Plattform stand für dieses Modell $80, wo Ende September $60 gestanden hatte. Diese Ablesung erfolgte am 13. Oktober ein zweites Mal anhand derselben Seite und ergab dieselbe Zeile: $80 im Go-Tarif zu $10 pro Monat, $160 bei Go Plus. Die Zahl ist daher nicht die Behauptung eines einzelnen Posts über sich selbst; sie ist der veröffentlichte Preis einer Plattform dafür, dieses Modell anzubieten, und sie stand auch einen Tag später noch dort. Zusammen gelesen sagen die beiden Posts, was „dauerhaft“ tatsächlich bedeutete: kein Ablaufdatum – und drei Wochen später eine höhere Zahl. Was diese Änderung nicht ist, ist ein neuer Weg, das Modell zu erreichen – dieser kommt drei Tage später, im folgenden Absatz. DeepSeek V4.1 Flash ist seit dem 10. September auf DeepSeeks eigener API verfügbar, und OrcaRouter führt es seit der Veröffentlichung zu DeepSeeks eigenen Preisen; daher sind die Gewichte, die Architektur und jede Benchmark-Zeile in diesem Artikel von einer Abo-Preisänderung unberührt. Was der Oktober geändert hat, ist, wer bereit ist, das Modell anzubieten, und zu welchen Bedingungen.

Der kostenlose Eintrag ist eine andere Art von Änderung als die beiden anderen, und die einzige der drei, die ändert, was ein Leser diese Woche tun kann. Am 15. Oktober fügte OpenCode einen separaten Eintrag für dieses Modell hinzu – DeepSeek V4.1 Flash Free, Modell-ID deepseek-v4.1-flash-free – der kostenlos bereitgestellt wird. Die öffentliche Modellliste der Plattform liefert ihn neben der abgerechneten ID, ihre Console-Dokumentation enthält einen Eintrag zu kostenlosen Modellen, der ihn als für begrenzte Zeit kostenlos beschreibt und seinen Anbieter als eine Zero-Retention-Richtlinie befolgend, die nicht mit den Daten trainiert, und ihre veröffentlichte Preistabelle setzt Eingabe, Ausgabe und gecachte Lesevorgänge auf Free. Was er nicht ist, ist das vollständige Produkt. Die katalogisierten Limits des kostenlosen Eintrags – am 15. Oktober zu models.dev hinzugefügt, dem Katalog, aus dem die eigene Modellliste von OpenCode stammt – nennen den abgerechneten Eintrag als Basismodell und begrenzen das Fenster auf 200.000 Token bei einer Ausgabengrenze von 32.000 Token, gegenüber dem 1M-Kontext und der maximalen Ausgabe von 384K, die der abgerechnete Eintrag deepseek-v4.1-flash trägt. Das sind dieselben Gewichte hinter engeren Bereitstellungsbedingungen, nicht ein kleineres oder destilliertes Modell, und die Ausgabengrenze ist die Klausel, die bei agentischer Arbeit zuerst greift, wo eine einzelne Dateibearbeitung sie überschreiten kann. Die Plattform hängt der Vereinbarung kein Enddatum an und veröffentlicht dafür keine Preisliste, weil es keinen Preis gibt. Nichts davon stammt von DeepSeek: Es ist die kommerzielle Entscheidung einer Plattform über ein Modell, das sie nicht besitzt, dargelegt in ihrer eigenen Modellliste, ihrer eigenen Dokumentation und ihrer eigenen Preistabelle, und sie ist die einzige Quelle für all das – wir fanden keine unabhängige Messung, wie sich der kostenlose Endpunkt unter Last verhält, und „begrenzte Zeit“ ist die Formulierung der Plattform, kein Zeitplan. Lesen Sie es als den günstigsten Weg, heute ein Fenster von 200.000 Token vor dieses Modell zu setzen, und nicht als Änderung daran, was das Modell ist.

Die Mechanismen stammen von dieser Preisseite, gelesen am 12. Oktober und erneut gelesen am 13. Oktober. Go ist ein Abonnement für 10 US-Dollar pro Monat, und seine Tabelle ordnet jedem darin enthaltenen Modell eine geschätzte Anzahl von Anfragen pro fünf Stunden sowie ein monatliches Nutzungslimit zu, in getrennten Spalten für die beiden Stufen. DeepSeek V4.1 Flash hat das größte Kontingent auf der Seite: 80 US-Dollar pro Monat und 34.670 geschätzte Anfragen pro fünf Stunden bei Go, was sich bei Go Plus auf 160 US-Dollar und 69.330 verdoppelt. Die Zeilen berechnen das Modell nach DeepSeeks eigener Preisübersicht – 0,15 US-Dollar pro 1 Mio. Eingabe-Token, 0,60 US-Dollar für Ausgabe und 0,003 US-Dollar für einen Cache-Lesezugriff außerhalb der Stoßzeiten, was sich innerhalb der Stoßzeitenfenster an Wochentagen auf 0,30 US-Dollar, 1,20 US-Dollar und 0,006 US-Dollar verdoppelt – und das sind die Angaben des Anbieters, unverändert seit der September-Lesung, die dieser Abschnitt bereits enthielt. Zwei Dinge, die die Seite damals zeigte, stehen heute nicht mehr darauf, und beide sind erwähnenswert, weil sich die frühere Lesung auf sie stützte: Die Regel zum Abbau in drei Schritten – 20 % über jeweils fünf Stunden, 50 % über eine Woche und 100 % über einen Monat – erscheint nicht mehr, und die Dokumentations-URL, von der die Anfrageschätzungen ursprünglich gelesen wurden, opencode.ai/docs/go, lieferte 404, als wir sie prüften. Die oben genannten Anfragezahlen sind die Arithmetik der Plattform auf eine Aufrufstruktur, die sie nicht veröffentlicht, nicht unsere.

Die Änderung lässt sich anhand der Seite nachprüfen, und ebenso die Tatsache, dass es inzwischen mehr als eine gegeben hat. Ende September lasen dieselben Zeilen $60 ohne angegebenes Ablaufdatum, nachdem ein Werbe-Freibetrag von $15 viermal vervielfacht worden war auf $60 und den 20. September als Datum trug, an dem der Multiplikator auslaufen sollte; die Anfrage-Schätzungen wurden in zwei Spalten veröffentlicht, 6.500 / 16.250 / 32.500 Standard gegenüber 26.000 / 65.000 / 130.000 mit angewendetem Multiplikator. Die Zeilen lasen $80 in beiden Lesarten, und die veröffentlichten Schätzungen für dieses Modell sind 34.670 pro fünf Stunden und 69.330 pro Monat — ein höherer Dollar-Freibetrag steht neben einer niedrigeren monatlichen Anfragezahl als im erweiterten Satz vom September, was nicht beides dasselbe angenommene Aufrufmuster beschreiben kann. Die Seite gibt keinen Token-Mix an und bietet keine Erklärung, daher ist der Unterschied eine Tatsache über die beiden Lesarten und nicht etwas, das wir von außen auflösen können. Die Tarife selbst waren nie ein Rabatt auf DeepSeeks Tarifkarte — die Preisgestaltung pro Token lag durchweg beim Anbieter und tut es noch immer. Was ein Freibetrag nicht leistet, ist eine Aussage über Qualität: Es ist die Einschätzung einer Plattform, dass sie den Traffic dieses Modells zu diesen Sätzen ohne Frist tragen kann, was ein Beleg über das Serving-Ökosystem ist und nicht über das Modell.

Der Unterschied ist bei der Auswahl entscheidend, denn eine feste Obergrenze und eine durchgereichte Verbrauchsabrechnung sind unterschiedliche Produkte. DeepSeek V4.1 Flash ist auf OrcaRouter zum eigenen Tarif von DeepSeek ohne Aufschlag (0 %) verfügbar – 0,15 $ pro 1 Mio. Eingabe-Token und 0,60 $ pro 1 Mio. Ausgabe-Token außerhalb der Hauptverkehrszeiten, dieselben Zahlen, die die obige Karte nennt, ohne dass etwas drumherum gebündelt ist: kein Abonnement zu kaufen und kein monatliches Kontingent, das aufgebraucht werden könnte. Eine Obergrenze von 80 $ bei einem festen Monatspreis ist die richtige Form für einen Entwickler, der den ganzen Tag einen Agenten betreibt, wo die Frage lautet, was der Monat kostet – und eine Obergrenze, die bereits einmal um ein Drittel angehoben wurde, erinnert auch daran, dass die Zahl eine kommerzielle Entscheidung und keine Eigenschaft des Modells ist. Eine kostenlose Stufe mit einem Fenster von 200.000 Token ist die richtige Form, um das Modell diese Woche auszuprobieren, und die falsche Form für Codebasen, die das volle Fenster benötigen – das ist das Einzige, was die beiden Stufen desselben Modells nicht gemeinsam haben. Ein unverändert durchgereichter Anbietertarif ist die richtige Form für einen Dienst, bei dem die Frage lautet, was jeder Aufruf kostet und ob die nächste Preisänderung des Anbieters Sie am Tag ihres Eintretens erreicht. Beide beantworten, was dieses Modell kostet; sie beantworten es für unterschiedliche Zahler.

Geschwindigkeit: die Zahlen der Beta, die Behauptung des Herstellers und das eigene Vorher-Nachher der Engine

Als die Beta öffnete, war der Durchsatz die Schlagzeile. Entwickler berichteten von etwa 420 Ausgabe-Tokens pro Sekunde bei langen Generierungen mit Spitzen über 500, und ein viel geteilter Lauf erzeugte mehr als 71.000 Tokens in unter drei Minuten. Das sind weiterhin Community-Messungen, die unter unkontrollierten Bedingungen entstanden sind, und sie sollten auch weiterhin so gelesen werden – doch der Mechanismus dahinter ist jetzt dokumentiert statt nur vermutet. Ein KV-Cache von 890 Byte pro Token und ein Decode-Pfad, der 16B Parameter aktiviert, ist ein auf Durchsatz ausgelegtes Design, die Architektur hat also zumindest die richtige Form, um solche Zahlen zu erzeugen. Wie groß sie wirklich sind, ist das Problem des nächsten Absatzes, und die Antwort ist kleiner.

DeepSeeks eigene Behauptung im Changelog lautet, V4.1 Flash habe „V4 Pro in Leistung, Kosten, Geschwindigkeit und Gesamtzeit umfassend übertroffen“. Das Wort, das dort die Arbeit leistet, ist Gesamtzeit: Der Anbieter rahmt Geschwindigkeit als Aufgabenabschluss statt als Tokens pro Sekunde, und Letzteres ist die Kennzahl, die den Kontakt mit einer echten Agent-Schleife übersteht, die eine Datei schreibt, den Fehler liest und es erneut versucht. Artificial Analysis beziffert die ältere Behauptung nun mit einem gemessenen Wert: 185 Ausgabe-Tokens pro Sekunde für DeepSeek V4.1 Flash gegenüber 175 für DeepSeek V4 Flash 0731. Das ist eine echte Drittanbieter-Zahl, und sie liegt etwa bei der Hälfte der 420 Tokens pro Sekunde, die Entwickler während der Beta gemeldet haben — weshalb die Beta-Werte dort bleiben sollten, wo sie hingehören: in der Spalte für unkontrollierte Bedingungen.

Am 7. Oktober veröffentlichte das vLLM-Projekt seine Bilanz der drei Wochen seit der Veröffentlichung, und sie ist die erste gemessene Geschwindigkeitszahl in diesem Artikel, die weder ein Token-Zähler noch ein Werbeslogan eines Anbieters ist. In einem Beitrag von Inferact und dem vLLM-Team berichtet das Projekt, dass DeepSeek V4.1 Flash in seinem aktuellen Build bei niedriger Parallelität 1,9× schneller läuft als seine eigene Day-0-Implementierung und unter einer 150-TPS-Randbedingung den 5,3-fachen Durchsatz liefert — die Zahl, die seine Zusammenfassung nennt, gegenüber „etwa 5ד im Haupttext desselben Beitrags. Beide werden auf dem agentischen Serving-Benchmark SemiAnalysis AgentX auf NVIDIA GB200- und GB300-Hardware gemessen, wobei die Niedriglatenz-Zahl auf TP4 und FlashInfer-Attention beruht und die Durchsatzzahl auf DEP2 mit datenparalleler Attention. Drei Dinge an diesem Ergebnis sollte man auseinanderhalten. Es vergleicht vLLM mit vLLM: Die Basislinie ist das eigene Day-0-Rezept des Projekts, nicht eine andere Engine und nicht ein anderes Modell; die Zahl sagt also, wie stark sich der Serving-Stack verbessert hat, und nicht, wie dieses Modell im Vergleich zu irgendetwas anderem abschneidet. Es ist die eigene Darstellung des Runtimes über seine eigene Arbeit, und kein Dritter hat sie reproduziert. Und der größte Einzelgewinn kommt vom Runtime und nicht von den Gewichten — das SWA-Bounded-Replay, das nur die letzten 128 Token eines Sliding Window erneut ausführt, statt dieses Fenster über die Layer hinweg erneut abzuspielen, ist für dieses Modell jetzt standardmäßig über ein einzelnes Flag aktiviert. Das Projekt berichtet von rund 30 % kürzerer Time to First Token durch Replay plus CUDA-Graph-Capture, 30–40 % weniger Prefill-Berechnung durch die decoderseitige Kürzung und fast 70 % weniger TTFT bei etwa 100K Durchsatz, wenn drei Optimierungen zusammenkommen. Es berichtet auch, wo Replay schadet: Ohne CUDA-Graphen ist es bei kurzen Prompts langsamer als die Basislinie, bei 1K Token bis zu 12 % schlechter, weil der Launch-Overhead die eingesparte Arbeit überwiegt. Die Genauigkeit wurde auf GSM8K und GPQA geprüft, ohne dass eine bedeutsame Abweichung berichtet wurde; die Abweichungen liegen innerhalb von etwa 1,5 Standardfehlern — die Zahl, die man gegen die eigene Aussage des Berichts halten muss, dass begrenztes Replay eher approximativ als exakt ist. Das Projekt ergänzt, dass das Modell im gesamten Benchmark kein KV-Cache-Offloading benötigte, und erwartet, dass sich Offloading erst bei höherer Parallelität auszuzahlen beginnt, wenn Prefill und Decode auf verschiedene Maschinen aufgeteilt sind. Dies ist eine andere Messung als das Kernel-Board weiter unten, das vom Modell geschriebene Kernel bewertet; die vLLM-Zahlen betreffen die Serving-Kosten des Modells, nachdem eine Engine seine Architektur implementiert hat, und die Engine hier ist diejenige, die berichtet. Das Projekt veröffentlichte am 17. Oktober erneut einen Beitrag, an dem Tag, an dem DeepSeek den Checkpoint austauschte, und die Zahl, mit der es begann, war eine andere Art von Zahl: 1,3 Mrd. Token pro Dollar Gesamtbetriebskosten auf SemiAnalysis AgentX, bei 830.000 Token pro Sekunde pro GPU, wobei gecachte, Eingabe- und Ausgabetoken zusammengezählt werden, und dabei für jeden Nutzer 100 Ausgabetoken pro Sekunde gehalten werden. Das ist ein Ergebnis zu den Serving-Kosten und kein Geschwindigkeitsdelta, und der Abschnitt zu den Serving-Kosten weiter unten behandelt es vollständig. Drei Dinge daran sind für diesen Absatz relevant: Es ist dasselbe Projekt, dasselbe Modell und derselbe Benchmark drei Wochen nach der Bilanz vom 7. Oktober; das Projekt bezeichnet diese Bilanz als Kapitel eins, bei 5-fachem agentischem Durchsatz von Tag null, wobei ein nächstes Kapitel noch aussteht und seitdem kein zweiter DeepSeek-Beitrag auf seinem Blog erschienen ist; und eine Kostenkurve ist weiterhin die Seite des Runtimes in der Bilanz, kein externes Urteil über das Modell. Dieser Unterschied ist auch der Grund, warum diese Zahl für jemanden wichtig ist, der nie einen Node betreiben wird. Nichts davon ist Arbeit, die ein Aufrufer erledigt: Ein Serving-Stack, der bei niedriger Parallelität 1,9× schneller wird, macht die Anfragen, die er verarbeitet, schneller, und die meisten Teams profitieren davon, indem sie dieses Modell über eine API erreichen, ohne die Hardware zu besitzen. DeepSeek V4.1 Flash ist auf OrcaRouter zu DeepSeeks eigenem Tarif ohne Aufschlag verfügbar, über denselben OpenAI-kompatiblen Key wie der Rest der Produktlinie, wobei ein bewährtes Modell als automatisches Failover dahintersteht — Modell und Preisgestaltung folgen dem Tempo des Anbieters, und die Wahl der Engine bleibt beim Anbieter.

Was das Servieren kostet: die ersten unabhängigen Hardware-Zahlen

Alles oben bemisst das Modell. Am 14. Oktober hat Artificial Analysis DeepSeek V4.1 Flash zu AA-AgentPerf hinzugefügt, dem Benchmark, den es gegen Beschleunigersysteme statt gegen Modelle ausführt, und das Ergebnis ist die erste öffentliche Antwort auf eine Frage, die eine Preisliste nicht klären kann: Wie viel von diesem Modell trägt ein Megawatt Rechenzentrumsleistung? AA-AgentPerf spielt aufgezeichnete Coding-Agent-Sitzungen ab — Multi-Turn-Reasoning, Tool-Aufrufe, Kontexte, die über 100K Token hinauswachsen, einschließlich Prompt-Cache-Treffern — gegen einen Live-Serving-Stack und ermittelt die größte Anzahl gleichzeitiger Agents, die ein System hält, während jeder einzelne noch ein Geschwindigkeitsziel pro Agent erreicht. Für dieses Modell ist die Schlagzeile NVIDIAs Rack-Scale-Komponente. Bei 100 ausgegebenen Tokens pro Sekunde pro Nutzer führt GB300 NVL72 das Feld mit rund 261 Millionen Tokens pro Sekunde pro Megawatt an, vor B300 mit etwa 220 Millionen, B200 mit 193 Millionen, GB200 mit 178 Millionen und AMDs MI355X mit 128 Millionen. Das sind die Zahlen von Artificial Analysis, heute von seiner Datacenter-Inference-Seite abgelesen, und es sind seine Messungen spezifischer Hardware- und Serving-Konfigurationen und nicht die eines Anbieters. Zwei Details sollte man mitnehmen. Die Pro-Megawatt-Zahlen werden aus der während des Laufs gemessenen Beschleunigerleistung berechnet — GPU-Die plus HBM — und nicht aus der Nenn-TDP. Und jeder Punkt im Diagramm nennt die Engine, die Version und das numerische Format dahinter, sodass die Zahl eine Aussage über einen Serving-Stack und nicht nur über die Gewichte ist.

Der Grund, warum das Diagramm dieses Modells anders aussieht als die übrigen, ist seine Größe. DeepSeek V4.1 Flash passt auf nur zwei Beschleuniger, weshalb ein System im Rack-Maßstab hier weniger Vorteil bringt als bei einem größeren Modell: Artificial Analysis berichtet, dass B300 über die gesamte Kurve hinweg innerhalb von etwa 20 % von GB300 NVL72 bleibt und an beiden Enden führt – der höchste Durchsatz pro Megawatt, wenn die Geschwindigkeit pro Nutzer sinken darf, und der schnellste einzelne Agent, wenn nicht. Bei Batchgröße eins liegen alle Blackwell-Varianten und die MI355X bei etwa 600 bis 670 Tokens pro Sekunde für einen einzelnen Nutzer, gegenüber 372 bis 392 bei H100 und H200. Im Vergleich zu DeepSeek V4 Pro 0813 auf derselben Achse erzielt das kleinere Modell bei der Marke von 100 Tok/s etwa das 1,3-Fache des Durchsatzes pro Megawatt auf GB300 und etwa das 6,2-Fache auf B200 – die Effizienzbehauptung, die der Architektur-Abschnitt aus der KV-Cache-Perspektive aufstellt, kommt hier von einem Dritten, der ein System statt einer Spezifikation gemessen hat. Die Konfigurationen hinter diesen Zahlen zeigen den zentralen Kniff des Designs im Produktivbetrieb und nicht nur auf dem Papier: Bei den Zwei-Beschleuniger-Läufen auf B300 und MI355X wird die 196B-Engram-Tabelle über den CPU-Offload-Pfad von vLLM aus gepinntem Hostspeicher bereitgestellt, statt auf dem Beschleuniger zu liegen – der Mechanismus, den die Versionshinweise beschrieben haben, nun sichtbar in dem Setup hinter einer veröffentlichten Messung. Eine zweite Kostenkennzahl, in einer anderen Währung, stammt aus dem Benchmark, auf dem der vLLM-Beitrag vom 7. Oktober gemessen wurde. Am 17. Oktober veröffentlichte das vLLM-Projekt ein Diagramm, das DeepSeek V4.1 Flash auf SemiAnalysis AgentX bei 1,3 Mrd. Tokens pro Dollar der Gesamtbetriebskosten einordnet, mit separaten Kurven für GB300 NVL72 unter Dynamo, GB200 NVL72, B200, H100 und MI300X. Die dahinterstehende Kostenstufe ist mit „Eigentum bei Volumen großer Hyperscaler“ bezeichnet, und die zugrunde liegenden Chip-Stunden-Annahmen reichen von 0,95 $ für eine MI300X und 1,17 $ für eine H100 bis zu 1,73 $ für eine B200 und 2,31 $ für eine GB300, entnommen aus SemiAnalysis’ eigener Preisumfrage vom Juli 2026. Zwei Einschränkungen gehören dazu. Es ist das vLLM-Projekt, das SemiAnalysis’ Kostenmodell wiedergibt, und keine der beiden Parteien hat es replizieren lassen. Und das Diagramm ist auf den 16. Oktober datiert, den Tag bevor DeepSeek die Gewichte hinter dem Modellnamen ersetzt hat, sodass auch es den September-Checkpoint beschreibt. Damit gibt es in diesem Beitrag drei Währungen für ein einziges Modell: Tokens pro Sekunde pro Nutzer, Tokens pro Sekunde pro Megawatt und Tokens pro Dollar. Die letzte ist diejenige, auf die ein Käufer ohne Rechenzentrum reagieren kann, denn sie ist die Größe, als die eine Kostensenkung eines Anbieters schließlich bei ihm ankommt. Es bleibt eine Serving-Messung und keine Qualitätsmessung: Nichts hier sagt aus, wie gut das Modell ist, und die Hardware-Ergebnisse eines Leaderboards sind keine Replikation irgendeiner der oben genannten Benchmark-Zeilen. Was es jedoch belegt, ist, dass die Kostenseite der Preisliste dieses Modells nun durch externe Evidenz untermauert ist. Ein Modell, das ein Anbieter mit einem Vielfachen des Durchsatzes pro Megawatt bedienen kann, ist ein Modell, das sich ein Anbieter leisten kann, günstig zu halten, und DeepSeek V4.1 Flash ist auf OrcaRouter zum eigenen Listenpreis von DeepSeek ohne Aufschlag (0 %) verfügbar – die Form, die die Kostensenkung eines Anbieters weitergibt, statt sie einzubehalten.

Was die Engine auf den Chips zweier Hersteller kostet

Bis diese Woche wurde die Durchsatzfrage zu diesem Modell nur durch Messungen anderer beantwortet – eine Laufzeitumgebung, die ihre eigene Arbeit abrechnet, eine Benchmark-Website, die ein System misst, Entwickler, die in einer Beta Token zählen. DeepSeek hat diese Woche DeepInfer, das Framework, von dem es sagt, dass es den Produktionsdienst dieses Modells betreibt, unter Apache-2.0 geöffnet – das Repository erschien am 16. Oktober und der erste Commit landete am 20. Oktober – und lieferte damit ein Decode-Pareto-Diagramm für den 1017-Checkpoint, gemessen auf 64 SM100-Beschleunigern innerhalb einer Scale-up-Domäne. Die auf dem Diagramm ausgedruckte Konfiguration ist der entscheidende Teil, denn sie ist die Konfiguration, auf die sich der folgende Vergleich stützt: Experten-Parallelität von 64 über Daten-Parallelität von 64, die „384+64 Experten“, die das Diagramm ausgibt, ein Kontext von 131.072 Token, eine auf drei Token festgelegte DSpark-Draft-Länge und eine Akzeptanzrate von 75 % pro Token. Die Kurve erreicht an ihrem am wenigsten interaktiven Ende knapp unter 30.000 Ausgabe-Token pro Sekunde und Beschleuniger, fällt durch den mittleren 20.000er-Bereich, während die Geschwindigkeit pro Nutzer über 100 Token pro Sekunde steigt, und liegt am rechten Rand des Diagramms nur noch bei einigen Tausend. Es ist DeepSeek, das seine eigene Engine auf seinem eigenen Modell misst, also keine unabhängige Zahl – aber es ist die erste Decode-Kurve für diese Architektur, die von dem Labor veröffentlicht wurde, das sie gebaut hat, und das Sweep-Skript, das sie erzeugt hat, liegt im selben Repository.

Die neben dem Code veröffentlichte Abhandlung liefert den Betriebspunkt, und sie ist der Grund, warum die unten genannten Zahlen mit 230 Ausgabe-Tokens pro Sekunde angegeben werden und nicht mit irgendeinem abstrakten Maximum. DeepSeeks eigene Produktionszahlen setzen Decode bei 14K Tokens pro Sekunde pro Beschleuniger an, während der Dienst 230 Ausgabe-Tokens pro Sekunde pro Nutzer hält — 300 bei Coding-Workloads — bei einer Eingabe-Cache-Trefferquote von 96 %, einer durchschnittlichen Eingabe von 77K Tokens, einer mittleren Time to First Token von 400 ms und einem p99 von einer Sekunde sowie einem Prefill, das nahezu im Verhältnis 1:1 zu Decode bereitgestellt wird, über einen einzelnen Cluster, der laut DeepSeek 155 Billionen Tokens pro Tag bedient. Die Umsatzzeile neben diesen Zahlen, $38 pro Beschleuniger-Stunde bei Off-Peak-Preisen, ist die erste Kostenzahl, die DeepSeek öffentlich mit dem Serving dieses Modells verbunden hat. Nichts davon ist geprüft, alles davon ist die Beschreibung des eigenen Dienstes durch den Anbieter, und dennoch ist es das konkreteste Bild, das es davon gibt, was der Betrieb dieser Architektur kostet.

Die andere Hälfte des Vergleichs stammt aus Huaweis Silizium und ist die schwächer belegte Hälfte. Ein auf den 30. September datiertes Benchmark-Blatt mit der Überschrift „Ascend 950DT DeepSeek-V4.1-Flash Benchmark“ berichtet, dass das Modell über 32 Chips hinweg mit gemischter FP8–FP4-Präzision eingesetzt wurde – mit datenparalleler Attention und expertenparallelem Mixture-of-Experts, auf einer 128K-Token-Sequenz, unter Verwendung von DSpark-Speculative-Decoding mit einer erzwungenen expertenparallelen Load-Balancer-Konfiguration und einer durchschnittlich akzeptierten Länge von 4,1 Token. Es enthält drei Punkte. In seiner Latenzspalte steht die Zeit pro ausgegebenem Token; der Kehrwert jedes Eintrags ist daher die Pro-Nutzer-Geschwindigkeit dieser Zeile, und genau das ermöglicht es, das Blatt an die Kurve anzulegen:

• 1.536 globale Batch-Größe, 9,41 ms pro Ausgabe-Token — etwa 106 Ausgabe-Token pro Sekunde pro Nutzer — 5.102 Token pro Sekunde pro Chip.

• 384 globales Batch, 4,40 ms pro Ausgabe-Token – etwa 227 Ausgabe-Token pro Sekunde pro Nutzer – 2.727 Token pro Sekunde pro Chip.

• 2.560 globaler Batch, 13,79 ms pro Ausgabe-Token — etwa 73 Ausgabe-Token pro Sekunde pro Nutzer — 5.800 Token pro Sekunde pro Chip, der höchste Wert in der Tabelle und derjenige, den die Schlagzeile verwendet.

Gegen die NVIDIA-Kurve gelegt, sind die beiden mittleren Zeilen diejenigen, die wehtun, weil sie bei den Geschwindigkeiten liegen, mit denen ein Dienst tatsächlich läuft. Der Thread, der die Tabelle zutage gebracht hat, liest den Vergleich als 25.500 Tokens pro Sekunde pro Beschleuniger gegenüber 5.102 bei 100 ausgegebenen Tokens pro Sekunde pro Nutzer und 20.000 gegenüber 2.727 bei 230 – ein Unterschied von Faktor fünf am ersten Betriebspunkt und 7,4× am zweiten. Liest man dieselbe veröffentlichte Kurve direkt ab, verschieben sich diese NVIDIA-Werte: Ein Pixel-Durchgang über das Bild landet näher bei 28.000 bei der 100-Token-Marke und näher bei 17.000 bei 230, auf beiden Seiten der Zahlen des Threads; das Band, das sie liefern, liegt bei etwa dem Fünfeinhalbfachen am ersten Betriebspunkt und bei etwa dem Sechsfachen am zweiten, was die Spanne des Threads verengt, ohne ihre Form zu ändern. So viel ist ein Benchmark wert, der von einem Diagramm abgelesen wird, und an der Richtung des Ergebnisses ändert das nichts. Bemerkenswert ist auch, dass der 5.800er-Schlagzeilenwert der Tabelle ihre am wenigsten interaktive Zeile ist – der Punkt, an dem NVIDIAs Kurve ihrem eigenen Peak am nächsten ist und an dem das Verhältnis wieder bei etwa fünf liegt.

Ich konnte diese Tabelle weder auf DeepSeeks noch auf Huaweis eigenen Seiten finden; sie erreichte diesen Artikel als Bild, das einem Thread auf X angehängt war, und die drei Ascend-Werte sollten als nicht veröffentlichter Hersteller-Benchmark gelesen werden, bis jemand den Lauf dahinter veröffentlicht. Überprüfbar ist die Asymmetrie der Konfigurationen, und die stammt aus DeepSeeks eigener Dokumentation. Die Deployment-Notizen von DeepInfer empfehlen Prefill bei Expertenparallelität von 2 bis 8 und Decode bei 64 bis 128, auf „gewöhnlichen 8-GPU-Maschinen für Prefill, gewöhnlichen 64–128-GPU-Supernodes für Decode“. Bei NVIDIA ist das eine einzelne NVLink-Domäne, und darin wurde der obige Plot gemessen. Auf Ascend sagt DeepSeeks eigene Kommunikationsbibliothek klar, was noch nicht fertig ist: „Größere EP-Größen und Combine bleiben in Optimierung“, wobei Combine zusätzlichen lokalen Reduktions-Overhead und HBM-Ressourcenkonkurrenz gegen den URMA-Pfad mit sich bringt und Huawei-Firmware-Arbeit noch aussteht — ein Vorbehalt, der in DeepEP-Ascend seit seiner ersten Veröffentlichung am 29. September öffentlich ist. Das ist die faire Art, die Lücke zu lesen: Die NVIDIA-Zahl stammt aus der Form, für die DeepInfer optimiert wurde, und die Ascend-Zahl aus einem Stack, dessen eigener Autor sagt, dass am Wide-EP-Pfad noch gearbeitet wird. Ein Teil des Faktors von fünf bis sieben ist der Chip, ein Teil ist die Interconnect-Technik und die Software darunter, und niemand hat beides getrennt.

Was die Lücke in Geld wert ist, hängt von Preisen ab, die niemand veröffentlicht hat, und der Thread rechnet trotzdem nach: Bei rund 139.000 US-Dollar pro Blackwell-Beschleuniger, extrapoliert aus Graumarkt-Rack-Preisen, gegenüber kolportierten 37.000 US-Dollar für einen 950DT, muss NVIDIA allein bei den Anschaffungskosten etwa das 3,8-Fache an Durchsatz pro Chip liefern, um mit Ascend gleichzuziehen; der Thread setzt den Übergangspunkt bei etwa 6.800 Tokens pro Sekunde pro Chip an. Die veröffentlichten Ascend-Punkte liegen unter dieser Linie; die Prognose des Threads, dass der Wide-EP-Pfad sie auf 8.000–10.000 hebt, liegt darüber, und das ist eine Prognose und keine Messung. Jede Eingangsgröße ist weich — ein Graumarktpreis, ein kolportierter Preis und aus einer Kurve abgelesene Zahlen — und nichts davon berücksichtigt Netzwerk, Strom, Kühlung, Wartung oder den Wert der Möglichkeit, die Hardware überhaupt kaufen zu können.

Für alle, die niemals einen Node in ein Rack einbauen werden, ist nicht die Rangliste der nützliche Teil. Nützlich ist, dass das günstigste Modell in DeepSeeks Produktlinie jetzt als günstig auf der Hardware zweier Anbieter bereitstellbar dokumentiert ist, wobei die jeweilige Engine des Anbieters veröffentlicht und die Zahlen dahinter herunterladbar sind — genau die Art von Belegen, auf denen ein Preis beruht. Das ändert keine Preisliste: DeepSeek V4.1 Flash gibt es auf OrcaRouter zum Listenpreis des Anbieters, 0,15 US-Dollar pro 1 Mio. Eingabe-Tokens und 0,60 US-Dollar pro 1 Mio. Ausgabe-Tokens zu Off-Peak-Tarifen, durchgereicht mit 0 % Aufschlag. Sinken also die Bereitstellungskosten eines Anbieters, kommt die Ersparnis als ein Preis an, der sich nicht bewegen muss, statt als Wiederverkaufsmarge. Bereitstellungskosten, die auf der Hardware zweier Anbieter diskutiert werden, sind ein Preis mit mehr Luft nach unten als einer, den niemand überhaupt gemessen hat.

Kernel-Engineering: das erste Scoreboard, das nicht von DeepSeek stammt

Die Benchmark-Zeilen oben sind DeepSeeks eigene Harness-Zahlen, und die externen Ergebnisse, die es inzwischen gibt, messen allgemeines Schlussfolgern und Cyber-Ausnutzung statt Low-Level-Programmierung. Der erste Drittanbieter-Blick auf das Kernel-Engineering des Modells existiert ebenfalls, und er kam in einer Form, die DeepSeek nicht in Auftrag gegeben hat: ein von der Community betriebener agentischer Benchmark, der Modelle dazu auffordert, echte CUDA-Kernel zu schreiben, und die Ergebnisse an einer Roofline bewertet – der theoretischen Obergrenze der Hardware. Das Leaderboard ist kernelbench.com, betrieben auf einer RTX PRO 6000, und es ist unabhängig von beiden Anbietern. Seine Audit-Methodik wird von der Community berichtet statt peer-reviewt, daher sind seine Prozentwerte als richtungsweisendes Drittanbieter-Signal zu lesen, nicht als zertifizierte Messung; es ist außerdem das erste Scoreboard in dieser Geschichte, auf dem DeepSeeks Zahlen neben denen eines direkten Wettbewerbers stehen.

Die Zeile, die die Schlagzeile bildet, ist die, um die herum die Architektur aufgebaut ist. DeepSeek V4.1 Flashs eigene Sparse-Attention — der CSA2-Stack, der den Cache mit 890 Byte pro Token erzeugt — wurde vom Modell als CUDA-Kernel geschrieben und erreichte 50,19 % der dense-äquivalenten Roofline, Vierter auf der Rangliste hinter Claude Fable 5.1 mit 106,27 %, Claude Opus 5 mit 103,67 % und Claude Fable 5 mit 72,66 %. Das Erste, was auffällt, ist, dass die eigene Architektur des Herstellers der Kernel ist, in dem es am besten ist: Ein Modell, das auf einem Sparse-Attention-Design trainiert wurde, schreibt den Sparse-Attention-Kernel effizienter als alles andere auf der Rangliste unterhalb der Top drei. Das Zweite ist der Vergleich, auf den der Tipster hingewiesen hat. GLM-5.3 Flashs Versuch mit demselben Kernel erreicht 4,45 % der Roofline — eine Größenordnung unter V4.1 Flash in derselben Zeile derselben Rangliste. Diese Lücke, nicht irgendein von DeepSeek veröffentlichter Benchmark, ist das, was „massive Verbesserung beim Kernel-Engineering“ bedeutet.

Der Vergleich endet nicht bei der Sparse-Attention-Zeile, und das vollständigere Bild ist wichtig, weil die Schlagzeile des Tweets GLM-5.3 Flash nennt, während der zitierte Beitrag, auf den er sich bezieht, tatsächlich auf ein anderes, größeres GLM-5.2 in dessen eigener Fused-MoE-Zeile verweist – eine Namensdiskrepanz, bei der Vorsicht angebracht ist. In den Zeilen, in denen beide Flash-Tier-Modelle tatsächlich einen Durchlauf abgeschlossen haben, gewinnt V4.1 Flash jede einzelne: Kimi-Linear Decode mit 17,10× gegenüber 13,64×, MegaQwen Decode mit 5,39 % der Roofline gegenüber 3,92 %, TopK Bitonic mit 4,25 % gegenüber 7,17 % für GLM-5.3 Flash, Sonic MoE mit 10,81 % (die beste Punktzahl, die ein Modell auf dem Board für diesen Kernel erzielt hat) gegenüber 10,21 % und KDA CUTLASS mit 3,74 % gegenüber 2,26 %. Bei zwei weiteren Kernels hat GLM-5.3 Flash überhaupt keinen abgeschlossenen Durchlauf – Fused MoE und der Grid + MinGRU-Simulationskernel, wo V4.1 Flash 28,56 % der Roofline erreicht. (Die einzige Zeile, in der GLM-5.3 Flash V4.1 Flash schlägt, ist TopK Bitonic, 7,17 % zu 4,25 %, was zugleich die Zeile ist, in der sich keines der beiden Modelle dem Spitzenreiter des Boards nähert.) Die grobe Tendenz entspricht der Schlagzeile: Bei Low-Level-GPU-Arbeit liegt V4.1 Flash nicht nur vor dem kleineren Z.ai-Modell – es spielt in einer anderen Liga, und bei den zwei schwierigsten Kernels schließt das kleinere Modell überhaupt nicht ab.

Was das Board nicht tut, ist Ihnen zu sagen, wie viel dieser Lücke auf das Modell entfällt und wie viel auf die Architektur, für die es schreiben soll. DeepSeek V4.1 Flash ist ein Modell mit 552B Parametern, dessen eigene Attention ein Sparse-Attention-Design ist; GLM-5.3 Flash ist ein kleineres Modell, dessen Training sich nie um denselben CSA2-Stack drehte. Ein Modell, das gebeten wird, einen Kernel für eine Architektur zu schreiben, die seiner eigenen Trainingsverteilung ähnelt, hat einen eingebauten Vorteil, weshalb die fairste Lesart des Boards eher richtungsweisend als ein direktes Duell-Urteil ist: Kernel-Engineering ist jetzt eine gemessene Fähigkeit dieses Modells, sie ist wirklich stark, und der spezifische Vergleich, den der Tippgeber anstellte, hält auf den gemeinsamen Zeilen stand. Das Board beantwortet auch eine Frage, die das Datenblatt nicht konnte: ob der 890-Byte-Cache in der Praxis realisierbar ist. Ein Modell, das seinen eigenen Sparse-Attention-Kernel auf die Hälfte der Roofline schreibt, ist ein Modell, dessen Kern-Design zumindest auf realer Hardware von derselben Klasse von Ingenieur implementierbar ist, der es auch bedienen müsste.

Der ehrliche Platz, an dem das landet, ist neben allem anderen in diesem Beitrag: eine weitere Drittanbieter-Messung, die DeepSeek nicht erstellt hat, diesmal zu einer Fähigkeit – dem Schreiben von GPU-Kernels –, die keine Hersteller-Benchmark-Zeile abdeckte. Es ist ein einzelnes Community-Board zu einer einzigen GPU-Generation, einmal ausgeführt, und sein Audit-Durchgang ist nicht peer-reviewed, also ist es ein Hinweis auf die Richtung statt eines zertifizierten Punktwerts. Aber es ist die erste Zahl von außen, die zeigt, wofür die neue Architektur gedacht ist: ein günstiges Flash-Tier-Modell, das, wenn man es mit der Systemarbeit auf niedriger Ebene beauftragt, in die DeepSeek selbst sein Engineering steckt, ungefähr die Hälfte dessen erreicht, was die Hardware zulässt, während sein direkter Flash-Tier-Konkurrent weniger als ein Zwanzigstel erreicht.

Schnelle Fixes, langsame Bestätigungen: die ersten Praxisberichte

Durchsatz ist die Hälfte der Geschwindigkeitsgeschichte, die ein Token-Zähler nicht sehen kann. Die Praxisberichte, die sich seit der Veröffentlichung angesammelt haben, messen die andere Hälfte – wie sich das Modell auf dem Weg zu einer Antwort verhält und was dieses Verhalten kostet – und sie sind sich nicht einig, ob das, was sie gefunden haben, ein Feature ist. Drei unabhängige Berichte beschreiben dasselbe Muster. Keiner davon ist eine kontrollierte Evaluation; die untenstehenden Zahlen stammen von einzelnen Praktikern, die ihre eigenen Aufgaben ausführen, und sie sollten als Nutzungsberichte und nicht als Messungen gelesen werden.

Die klarste Darstellung des Verhaltens stammt von MindStudio, das DeepSeek V4.1 Flash an einem von Grund auf neu erstellten interaktiven 3D-Viewer arbeiten ließ. Sein Reasoning-Trace, in den Worten des Rezensenten, „zeigte, wie es seine eigene Mathematik überprüfte, statt bloß Code auszugeben.“ Das Modell erwischte mitten im Build einen Dämpfungsfehler in der Orbit-Steuerung, leitete die Korrektur aus ersten Prinzipien ab und „überprüfte den Fix erneut in einem Headless-Browser, bevor es die Aufgabe als erledigt erklärte.“ Bei einer zweiten Aufgabe – einem Docker-basierten Dashboard – fand es einen einzelnen umgedrehten Vergleichsoperator und bestätigte die Reparatur, indem es den Live-Endpunkt achtmal abfragte, während sich die Zahlen aktualisierten. Genau das beschrieben die Tester der Beta, als sie das Modell einen Überdenker nannten, und an keinem einzelnen Schritt davon ist etwas falsch: Der Fehler wurde gefunden, behoben und verifiziert. Und genau das ist auch der Vorwurf. Der Bug war bereits behandelt worden, eine andere DeepSeek-Sitzung hatte den Fix bereits innerhalb einer Minute bestätigt, und das Modell prüfte trotzdem weiter. MindStudio deutet die Angewohnheit als Stärke und sagt das auch; die einzige Kritik in jenem Test war ein Physikproblem, das in einer Schleife hing, bis es beim ersten Versuch von Hand gestoppt wurde, und das beim erneuten Versuch dann korrekt gelöst wurde.

Die Lesart aus der anderen Richtung dreht sich um die Uhr. Eine von der Community zusammengestellte Sammlung von V4.1-Flash-Tests beschreibt ein Physikproblem – einen schräg abgeschnittenen Wasserbecher –, bei dem das Modell zwölf Minuten und etwa 130.000 Tokens auf dem Weg zu einer richtigen Antwort verbrachte und dabei drei Runden Selbstverifikation durchlief, um die es nicht gebeten worden war, bevor es konvergierte. Derselbe Bericht dokumentiert den Fehlermodus am anderen Ende dieser Gewohnheit: die Gedankenkette gerät gelegentlich in eine „Lass mich schreiben“-Wiederholungsschleife, die mit etwa 200 Tokens pro Sekunde durch Tokens rast, ohne voranzukommen, und sein Rat ist clientseitig statt modellseitig – setzen Sie eine max_tokens-Obergrenze und ein Request-Timeout und lassen Sie sie die Schleife abschneiden. Es hält außerdem fest, dass dieselbe Problemklasse in achtzehn Sekunden von einem Lauf mit auf niedrig eingestelltem Reasoning-Aufwand erledigt wurde, was eine Erinnerung daran ist, dass das meiste davon eher ein Regler als ein Defekt ist.

Der schärfste Beleg dafür, dass Verifikationsumfang nicht dasselbe ist wie Korrektheit, stammt aus einer Überprüfung von Tencent Cloud Labs, bei der DeepSeek V4.1 Flash als Implementierer mit GPT-6 Astra als Prüfer bei einer Paper-Reproduktion zusammengebracht wurde. Drei Runden liefen, und Astra kippte nie den Kernalgorithmus. Was der Prüfer Runde um Runde korrigierte, war das Gerüst, das V4.1 Flash sich selbst gebaut hatte — sein Versuchsaufbau, seine statistische Konstruktion und die Interpretation, die es aus seinen eigenen Ergebnissen zog. Die Zahl der Tests wuchs von 82 auf 97 auf 110, und alle bestanden jedes Mal. Gegenüber einer Brute-Force-Baseline stimmte die vom Modell gewählte Konfiguration in 8,89 % der Fälle mit dem Optimum überein — unter den eigenen Parametern des Papers, in 11,04 % mit randomisierter Konfidenz und in 10,30 % unter einer randomisierten Konfiguration. Astras schärfster Befund betraf einen Test, der vorgab, Integer-Grenzen zu prüfen: Er führte 153 Erweiterungsprüfungen und null Integer-Grenz-Zweige aus. Ein Modell kann die Testsuite bestehen, die es selbst geschrieben hat, und trotzdem die Frage nicht beantwortet haben, und diese Überprüfung ist ein durchgerechnetes Beispiel für diese Lücke, nicht bloß die Behauptung, dass es eine gibt. Der Umfang ist eng begrenzt, und das sagen die Autoren auch — ein einzelner Selektor für spekulative Länge, simulierte Konfidenzwerte, kein End-to-End-Durchlauf —, doch die Form ist die, welche die anderen Berichte beschreiben.

Neben die Zahlen von Artificial Analysis gestellt, wirkt das nicht mehr wie eine Anekdote. Die erste unabhängige Bewertung des Modells attestierte ihm im selben Atemzug, sehr schnell und sehr wortreich zu sein: 185 Ausgabe-Tokens pro Sekunde und 250 Millionen generierte Ausgabe-Tokens über sein Evaluierungsset hinweg, gegenüber einem Median von 140 Millionen bei vergleichbaren Modellen. Ein zusammengesetzter Score kann nicht sagen, wohin die zusätzliche Ausgabe fließt. Die Berichte aus der Praxis können es. Die Tokens sind keine Füllmasse – sie sind das Modell, das nachprüft. Dieselbe Menge taucht aus einer ganz anderen Richtung in einem Bug-Report zu einem Terminal-Client eines Drittanbieters auf, bei dem Reasoning-Inhalte auf einer deepseek-flash-Route an die sichtbare Antwort angehängt wurden, statt in einen Thinking-Block getrennt zu werden, wodurch einzelne Textblöcke von bis zu 73.003 Zeichen internen Monologs entstanden, wobei nichts festgehalten wurde, um es in späteren Turns wiederzugeben. Dieser Bug gehört zum Client und nicht zu DeepSeek, und er ist kein Beleg für die Qualität – aber er ist eine treffende Veranschaulichung davon, wie viel Denken dieses Modell ausgibt, wenn ein Harness es nicht abtrennt.

Nichts davon kippt die obige Preisarithmetik um; es erklärt sie. Ein Modell, das sich selbst verifiziert, ist seine Tokens bei agentischer Arbeit wert, wo eine falsche Korrektur mehr kostet als die Tokens, die dafür ausgegeben werden, sie als richtig zu erweisen, und es ist schlecht geeignet für eine lange Schleife trivialer Änderungen, in der die Bestätigung den größten Teil des Durchlaufs ausmacht. Zwei Dinge machen den Unterschied beherrschbar. Der Regler für den Reasoning-Aufwand ist ein kontinuierlicher ganzzahliger Wert von 1 bis 100 statt drei fester Stufen, sodass dasselbe Modell für günstige Arbeit herunter- und für schwierige Arbeit hochgedreht werden kann – das Achtzehn-Sekunden-Ergebnis oben entstand genau dadurch. Und das günstige Sicherheitsnetz gehört auf den Client: eine max_tokens-Obergrenze und ein Request-Timeout verwandeln eine Wiederholungsschleife von einer Rechnung in eine abgeschnittene Antwort. Beides sind Einstellungen, die es wert sind, festgelegt zu werden, bevor ein Produktionspfad auf dieses Modell zeigt, und keines von beiden wird das Modell von selbst tun.

Ablehnungen: Der Checkpoint lehnt ab, und die Ablehnung ist messbar.

Am 20. Oktober war das, was Aufmerksamkeit auf DeepSeek-V4.1-Flash-1017 lenkte, keine Benchmark-Zeile, sondern eine Verweigerung. Der DeepSeek-Tracker, den dieser Beitrag bereits zitiert hat, veröffentlichte einen Screenshot aus einer Agenten-Sitzung, die den 1017-Checkpoint mit angewendetem dsh-purge ausführte, und berichtete, dass das Modell trotzdem ablehnte: Der Lauf, mit den Worten des Verfassers, „verweigerte die Persona“, wobei das Modell argumentierte, die Anfrage sei „ein Versuch einer Prompt-Injection“ und es „sollte die Persona nicht übernehmen“. Die Deutung des Posts war, dass der Checkpoint „*nicht* völlig naiv gegenüber Jailbreaks“ sei und dass DeepSeek „anfange, über Sicherheit nachzudenken“. dsh-purge ist kein in eine Nutzernachricht eingefügter Prompt-Trick. Es ist ein öffentliches DeepSeek-Harness-Plugin — 9.897 Stars auf GitHub und Version 1.1.71 mit Stand vom 20. Oktober —, das darauf ausgelegt ist, die Prompt-Umschreibung und die injizierten Suffixe des Harness selbst zu entfernen, und sein englisches README zieht genau die Unterscheidung, um die es in diesem Test geht: Das Harness „schreibt Prompts, Freigabe-Gates, Sandbox-Richtlinie und Sitzungsmigration zur Laufzeit um“, sodass die bloße Frage „Wird das Modell antworten“ eine Blockierung auf Host-Ebene als Modellverweigerung behandelt, und das Plugin existiert, um diese beiden Ebenen in der eigenen Installation zu trennen. In dieser Sitzung fiel die Trennung auf die Seite des Modells aus. Die Zähler im selben Screenshot — 156 Schritte, 33,7 Millionen Tokens, 232 Tokens pro Sekunde — beschreiben einen vollständigen Agentenlauf statt eines One-Shot-Prompts, und die Zusammenfassung des Agenten selbst besagt, das Plugin sei mechanisch einwandfrei gewesen und „dieses spezifische Modell hat es abgelehnt“.

Das ist der Screenshot einer einzelnen Person von einer einzelnen Sitzung, und genau als solcher sollte er auch behandelt werden. Der Prompt wird nicht gezeigt, das Urteil ist die Zusammenfassung des Agenten selbst und keine bewertete Antwort, und der Account ist ein DeepSeek-Beobachter und kein Evaluierungslabor – daher lässt sich nichts in dem Beitrag aus dem Beitrag selbst reproduzieren. Was ihn ernst zu nehmen lohnt, ist, dass beide Hälften davon anhand von Quellen überprüft werden können, die unabhängig von der Person sind, die ihn gepostet hat: das Plugin, das öffentlich ist und seinen eigenen Mechanismus dokumentiert, und das Ablehnungsverhalten des Checkpoints, das inzwischen jemand anderes gezählt hat.

Die Zahl steht in den Unterlagen eines Derivats. Ein von der Community erstellter abliterierter Build der 1017 Gewichte, der am 17. Oktober auf Hugging Face veröffentlicht wurde, enthält die Messung, die den Build nötig machte. Bei 100 zurückgehaltenen schädlichen Anfragen, die jeweils für 384 Token greedy dekodiert wurden, lehnte der unveränderte Checkpoint im Chat-Modus 97 und im Think-Modus 98 ab; nachdem ein Verweigerungs-Unterraum vom Rang 2 aus den 40 Hauptschichten herausprojiziert wurde, ergaben dieselben 100 Prompts 4 bzw. 9 Ablehnungen. Das sind Drittanbieter-Zahlen über DeepSeeks Gewichte, erstellt ohne Zugriff auf DeepSeeks Trainings-Pipeline, und sie beruhen außerdem auf einem einzigen Prompt-Set, einem einzigen Grader und einer einzigen Quantisierung des Modells – einer Q8_0-Konvertierung statt des von DeepSeek ausgelieferten FP8 –, sodass die ehrliche Lesart „fast immer“ lautet und nicht „97,0 %“. Auf dieser Grundlage trifft die Beschreibung des Posters zu: Der Checkpoint verweigert zuverlässig in beiden seiner Modi.

Was die Abbildung nicht belegt, ist die Vorstellung, dass es sich um eine neue Haltung handelt. Der September-Checkpoint war bereits da. Das Team hinter einem unzensierten September-Build hat das unveränderte Modell mit dem vollständigen 320-Prompt-Satz von HarmBench gemessen und einen Angriffserfolg von 42,8 % bei abgeschaltetem Reasoning und 1,6 % bei maximalem Aufwand gemeldet – das heißt, das Modell, das dieses hier ersetzt, lehnte rund 98 % dieser Art von Anfrage ab, sobald es denken durfte. Die beiden Messungen stammen aus unterschiedlichen Prompt-Sets, von unterschiedlichen Bewertern und aus unterschiedlichen Quantisierungen, daher lassen sie sich nicht voneinander subtrahieren; worin sie übereinstimmen, ist die Form. Die Verweigerung bei hohem Aufwand war bereits das Verhalten des September-Modells, und der 1017-Checkpoint liegt im selben Bereich. Die engere Behauptung ist diejenige, die die Sitzung vom 20. Oktober tatsächlich testet, und sie ist es wert, beibehalten zu werden: Die Verweigerung überstand ein Plugin, das eigens dafür gebaut wurde, die Harness-seitigen Einschränkungen zu entfernen, und sie überstand als Urteil des Modells über den Prompt und nicht als Blockierung auf Host-Ebene.

Nichts davon wird vom Anbieter dokumentiert. Die Model Card von DeepSeek vom September enthält einen Evaluationsabschnitt, und dieser besteht ausschließlich aus Benchmarks – keine Refusal-Rate, kein Red-Team-Ergebnis, keine Sicherheitsevaluierung –, und die 1017-Card enthält überhaupt keinen Evaluationsabschnitt, da dieser Ordner zusammen mit dem technischen Bericht entfallen ist. Das Refusal-Verhalten dieses Modells wird daher ausschließlich von den Leuten beschrieben, die darum herum bauen: von Autoren abgeleiteter Varianten, die Prompts zählen, und von einem Tracker, der ein Transkript liest. Für alle, die einen Agenten auf den Checkpoint richten, ist genau das die entscheidende Lücke. Ein Refusal innerhalb einer Agentenschleife ist keine Fußnote zur Inhaltsrichtlinie; es ist ein fehlgeschlagener Tool-Aufruf mitten in einem Lauf, und es tritt wie jeder andere Fehler pro Aufruf zutage – weshalb die Gegenmaßnahme dieselbe ist, die auch ein Timeout bekommt. Auf OrcaRouter ist das eine Routing-Entscheidung statt einer Codeänderung: Der 1017-Checkpoint und die DeepSeek-Modelle, auf die er zurückfallen würde, liegen hinter einem einzigen Endpoint, sodass ein Aufruf, der als refused zurückkommt, gegen ein zweites Modell erneut versucht werden kann, statt den Lauf zu beenden. Das Refusal selbst gehört zum Modell, und nichts auf der Routing-Ebene ändert daran etwas.

Die Zahl der Derivate ist der letzte unabhängige Baustein, und sie weist in dieselbe Richtung. Eine Hugging-Face-Suche nach dem Namen des Checkpoints ergab am 20. Oktober 121 öffentliche Repositories, und 25 davon tragen „uncensored“, „abliterated“ oder „derisked“ im Namen – Builds, deren ganzer Zweck darin besteht, das Verhalten zu entfernen, auf das die Sitzung vom 20. Oktober gestoßen ist; der erste davon wurde am selben Tag veröffentlicht, an dem die Gewichte hochgeladen wurden. Das ist kein Beleg dafür, ob das Modell gut ist, und keine Empfehlung; es ist ein Beleg dafür, dass es in den Gewichten einen funktionierenden Verweigerungsmechanismus gibt, den man entfernen kann, denn wer diese Dinge entfernt, macht sich nicht die Mühe, wenn es nichts zu entfernen gibt. Es setzt auch die Erwartung für alle, die selbst hosten: Der Checkpoint, den Sie herunterladen, ist derjenige, der verweigert, und jede unzensierte Variante auf dieser Liste ist ein anderes Modell, keine Einstellung.

Die Frage nach dem V4 Pro und die Sprossen über Flash

Während der Beta fragte das Feedback-Formular von DeepSeek die Testenden, ob die Zwischenversion „das Online-DeepSeek V4 Pro vollständig ersetzen kann“. Das war eine bemerkenswerte Frage an Nutzer, denn sie implizierte, dass die Zukunft des Flaggschiffs offen war. Die Antwort, die am 9. und 10. September kam, war eine operative: Ab dem 14. September um 12:00 Uhr Pekinger Zeit würde deepseek-v4-pro nicht mehr bereitgestellt, und sein Traffic würde bei Flash-Preisen auf V4.1 Flash umgeleitet, wobei V4.1 Pro als letztendlicher Nachfolger genannt wurde. Entwickler protestierten, und ihr Einwand war nicht, dass der Ersatz schlecht sei – sondern dass ein Modell-String ein Vertrag ist und dass der Austausch der Gewichte hinter einer Produktions-ID prompt-abgestimmte Pipelines und Agenten-Schleifen bricht, die gegen die alten entwickelt wurden. Innerhalb von zwei Tagen zog DeepSeek den Plan zurück. Das eigene Changelog besagt nun, es habe „entschieden, API-Dienste für DeepSeek V4 Pro nach dem 14. September 2026 weiterhin anzubieten, wobei die Abrechnungsmethode unverändert bleibt“, und dass es weitere Mitteilung geben werde, falls sich das ändert. Die Kehrtwende wird vom Anbieter erklärt und nicht nur berichtet, und sie ist auf der Seite „Models & Pricing“ überprüfbar, die deepseek-v4-pro weiterhin neben deepseek-flash auflistet.

Was die Routing-Tabelle nicht erklärt, ist das Warum. Am 9. September berichtete teortaxesTex – eines der Tippgeber-Konten, die die Beta gemeldet hatten –, DeepSeek habe eingeräumt, dass sein V4-Pro-Pre-Training schiefgelaufen sei; in seinen Worten habe das Unternehmen es „vermurkst“. Das bleibt eine Behauptung aus einer einzigen Quelle von einem insidernahen Konto, und DeepSeek hat öffentlich nichts eingeräumt: Das Changelog stellt die Ausmusterung als Folge davon dar, dass das neue Modell besser ist, nicht dass das alte kaputt war. Von außen überprüfbar ist die Gestalt des General-Availability-Starts von V4 Pro am 13. August. Die Ankündigung wurde innerhalb von etwa einem Tag zurückgezogen. Das Hugging-Face-Repository führte kurzzeitig eine Flash-Tier-Konfiguration unter dem Pro-Namen, bevor die Gewichte korrigiert wurden. Und die unabhängige Bewertung dessen, was unter diesem Namen ausgeliefert wurde, landete nur knapp über dem viel kleineren DeepSeek V4 Flash – während offizielle Charts nahezu Flaggschiff-Ergebnisse zeigten; im aktuellen Artificial-Analysis-Index liegen die beiden nur einen Punkt auseinander, 36 gegen 35. Unabhängige Berichte machten unterschiedliche Ursachen verantwortlich – ein auf DeepSeeks eigenen Evaluations-Harness überangepasstes Reasoning-Verhalten, eine Verwechslung bei Deployment und Gewichten oder, wie der Leak behauptet, ein Pre-Training, das tatsächlich danebenging. Die Umleitung klärt nicht, welche davon zutrifft, und DeepSeek hat sie inzwischen abgeblasen; was bleibt, ist ein Anbieter, der sein neuestes Modell zu einem Viertel der Cache-Miss-Rate des Flaggschiffs bepreist und es in den eigenen Benchmarks vor dieses Flaggschiff setzt – etwas, das Unternehmen normalerweise nicht tun, weil alles nach Plan lief.

Flash, Pro, Ultra: Was DeepSeek gesagt hat und was nur eine Vermutung ist

DeepSeeks eigene Dokumentation ist eindeutig, dass dies das untere Ende von etwas ist. Das Changelog nennt DeepSeek V4.1 Flash „das kleinste Modell in unserer neuen Architekturfamilie“ und sagt, die Architektur „ist auf eine höhere Obergrenze der Leistungsfähigkeit, schnellere Inferenz, höheren Durchsatz und Skalierung auf größere Modelle ausgelegt“. Der technische Bericht schließt denselben Kreis in stärkerer Sprache: Das Modell „dient als neuer Ausgangspunkt für unsere fortgesetzten Skalierungsbemühungen“, und das Unternehmen erklärt, es „werde die gemeinsame Skalierung von Modellarchitektur, Pre-Training und Post-Training vorantreiben, um die Grenze der Modellintelligenz weiter zu erkunden“. Beide Sätze stammen vom Unternehmen selbst, beide wurden am 10. September veröffentlicht, und keiner ist eine Produktankündigung. Sie verpflichten DeepSeek, auf diesem Design größere Modelle zu bauen; sie nennen keines, geben keine Größe an und datieren keines.

Alles nach dieser Zeile ist Spekulation. Am 25. September deutete der Tracker @teortaxesTex — dasselbe Konto, dessen Beitrag vom 9. September zum V4-Pro-Pretraining dieser Artikel bereits enthält — das Muster als vollständige dreistufige Produktreihe: „Bei DeepSeek ist ziemlich klar, dass sie nicht hier aufhören werden… Das klingt, als wollten sie eine ganze Produktpalette aufbauen, Flash-Pro-Ultra. Vielleicht 522B-2T-8T?“ Die Größenangaben werden von der Person, die sie nennt, als Vermutung bezeichnet, und die Absicherung ist durchaus ernst zu nehmen: Weder in DeepSeeks Changelog noch in der Model Card, im technischen Bericht, in der Hugging-Face-Organisation, auf der Preisseite oder in der Modellauflistung wird eine Ultra-Stufe genannt, und nichts oberhalb von 552B. Die vermutete Leiter ist zudem rechnerisch wackliger, als es aussieht. Ihre unterste Sprosse, 522B, ist nicht das 552B-Modell, das veröffentlicht wurde — entweder ist die Zahl ein Versehen für eine bereits von DeepSeek veröffentlichte Zahl, oder sie verweist auf einen Checkpoint, den niemand gesehen hat, und von außen lässt sich nicht sagen, was davon zutrifft. Ihre oberste Sprosse, 8T, ist fünfmal so groß wie das 1,6T-Flaggschiff, dessen Repository DeepSeek im April geöffnet hat, in einem Jahr, in dem die jüngste Veröffentlichung des Unternehmens darauf ausgelegt wurde, 8B Parameter pro Token zu aktivieren, weil die Inferenzkosten und nicht die Parameterzahl die Einschränkung waren, die sie lösen wollte.

Dieselbe Quelle hat separat ein DeepSeek-Modell mit 3 Billionen Parametern als etwas ins Spiel gebracht, woran das Labor arbeitete, aber unsicher war, ob es sich wirtschaftlich bereitstellen ließe — eine andere Behauptung über eine andere Sache und ebenso unbestätigt. Keine der beiden muss mit der anderen abgeglichen werden, denn keine hat eine zweite Quelle. Prüfen lässt sich die Richtung: Ein Labor, das sein neuestes Modell als das kleinste einer Familie bezeichnet und seine Architektur als eine, die sich auf größere Modelle skalieren lässt, ist ein Labor, das plant, oberhalb dieser Stufe auszuliefern. Wie es die Stufen nennen wird und wie groß sie sein werden, steht in keinem Dokument, das ein Leser heute öffnen kann.

Für alle, die ein Modell auswählen, statt einer Roadmap zu folgen, ist genau das der entscheidende Punkt. Wenn die Familie nach oben erweitert wird, steht für die meisten Teams weiterhin die Entscheidung an, ob sie auf die vorhandene Stufe wechseln – und der günstigste Weg, diese Entscheidung offen zu halten, ist nicht zu warten. DeepSeek V4.1 Flash ist auf OrcaRouter zu DeepSeeks eigenen Preisen ohne Aufschlag (0 %) verfügbar. Sollte ein Nachfolger der Pro-Stufe zu einem anderen Preis erscheinen, schlägt sich die Änderung in der Preisliste nieder und nicht in einem Vertrag. DeepSeek V4 Pro liegt hinter demselben Schlüssel, wodurch eine später hinzukommende dritte Stufe zu einer Routing-Entscheidung statt zu einer Migration wird.

MIT-Gewichte verändern, was du damit tun kannst

DeepSeek V4.1 Flash erscheint unter der MIT-Lizenz, und die Gewichte wurden am 10. September in der deepseek-ai-Organisation auf Hugging Face hochgeladen – am selben Tag wie die API, nicht erst Wochen später. Das Repository ist deepseek-ai/DeepSeek-V4.1-Flash: 48 Safetensors-Shards mit insgesamt etwa 510 GB, daneben der technische Bericht als PDF sowie ein Inferenz-Ordner mit einer Referenzimplementierung und einem Konvertierungsskript, das den Checkpoint über Tensor-Parallel-Ränge aufteilt. Dieses Repository ist der September-Checkpoint; das seit dem 17. Oktober live geschaltete ist deepseek-ai/DeepSeek-V4.1-Flash-1017, das dieselbe MIT-Lizenz, dieselben 48 Shards und dieselben rund 510 GB mitbringt, aber jeden Shard ersetzt und den Bericht, das Chat-Template und den Evaluationsordner weglässt.

Es lohnt sich, genau zu sein, was dieser Download ist, denn es ist kein Release in voller Präzision. Die Safetensors enthalten etwa 204 Mrd. Parameter in FP8 und 557 Mrd. in INT8 gegenüber etwa 2 Mrd. in BF16, und die Config deklariert fp8-Quantisierung – der Checkpoint, den du herunterlädst, ist bereits komprimiert, und so passt ein Modell mit 763 Mrd. Parametern in etwa 510 GB. Der größte einzelne Block darin ist die Engram-Tabelle: zwei FP8-Tabellen, die etwa 189 GiB des Downloads ausmachen und aus denen jeder Decode-Schritt nur wenige Zeilen liest.

Bei einem Modell mit einem 552B-Backbone ist die Lizenz der Teil, der Entscheidungen verändert. MIT ist permissiv, ohne Umsatzschwelle und ohne eine Acceptable-Use-Zusatzklausel, die eine rechtliche Prüfung wert wäre, und das Aktivierungsprofil – 8B pro Token beim Prefill, 16B beim Decode, mit einem Cache von 890 Byte pro Token – ist es, was das Serving außerhalb eines Hyperscalers plausibel macht, obwohl die Parameterzahl groß klingt. Diese letzte Zahl ist allerdings eher eine Eigenschaft des vollständigen Cache-Stacks als der Gewichte, daher wird eine selbst gehostete Engine, die das quantisierte Format umsetzt und nicht den Rest des Designs, deutlich darüber liegen.

Eine permissive Lizenz ist keine Exportfreigabe, und sechs Tage im Oktober lang sah es so aus, als könnte der Unterschied eine Rolle spielen. Am 16. Oktober veröffentlichten das chinesische Handelsministerium und das Ministerium für Wissenschaft und Technologie die Bekanntmachung Nr. 48 von 2026, einen Entwurf zur Überarbeitung des Katalogs der Technologien, deren Export verboten oder beschränkt ist, der erstmals KI-Modellgewichte und Quellcode erfasst. Er schlägt 40 Ergänzungen in den Bereichen KI, Biotech und Solar vor, davon 23 mit KI-Bezug, wobei die öffentliche Konsultation bis zum 15. November läuft. Zwei Ausnahmeregelungen im Entwurf leisten die Hauptarbeit für ein Modell wie dieses: Technologie, die bereits durch Open-Source-Veröffentlichung oder akademische Publikation öffentlich verfügbar ist, soll nicht kontrolliert werden, und API-, App-, SaaS- und leichtgewichtiger On-Device-Zugriff für Nutzer im Ausland gilt nicht als Export von Modelltechnologie. Die in der Fachpresse berichteten Schwellenwerte kombinieren eine Parameteruntergrenze von zwei Billionen, einen Platz unter den globalen Top Ten bei Leistungs- und Sicherheits-Benchmarks und Training mit Kern- oder wichtigen nationalen Daten. Ein 552B-Modell erfüllt das erste; ob die anderen beiden es erfassen, kann ein Leser von außen nicht feststellen, weil der Entwurf die Definitionen nicht veröffentlicht – wodurch die Ausnahme für öffentlich verfügbare Technologie und nicht der Größen test die Klausel ist, die für Gewichte zählt, die bereits auf Hugging Face liegen.

Was sich am 22. Oktober änderte, war nicht der Text, sondern der Compliance-Eintrag. YuyuantanTan meldete, dass DeepSeek und MiniMax die Registrierungsverfahren abgeschlossen und das Open-Sourcing sowie die Auslandslizenzierung fertiggestellt hätten. Der Bericht sagt nicht, welche Veröffentlichungen er als Open-Sourcing zählt, nennt kein Modell, keinen Checkpoint und kein Datum und kündigte keine neuen Gewichte an; die in diesem Zeitfenster sichtbaren Open-Source-Veröffentlichungen sind die oben behandelte DeepInfer-Engine und das deepseek-recipe-Toolkit. Die auf Build-Ebene angesiedelte Version der Behauptung ist enger und später: Am 23. Oktober postete ein X-Konto mit langer Geschichte der DeepSeek-Beobachtung, dass DeepSeek und MiniMax „die Erlaubnis für das Open-Sourcing von V4.1F-1017 bzw. M3.1-Flash erhalten“ hätten. Diese Zuordnung stammt vom Verfasser des Posts; keines der Unternehmen hat eine Erklärung veröffentlicht, die sie bestätigt, und keine Aufsichtsbehörde hat eine Mitteilung veröffentlicht, in der die Registrierung eines der beiden Unternehmen genannt wird. Der in dem Post genannte Checkpoint war seit dem 17. Oktober, sechs Tage zuvor, unter MIT auf Hugging Face. Welche Genehmigung auch immer erteilt wurde, sie war keine Voraussetzung für den Download: Das Repository war zuerst da.

Für Leserinnen und Leser ist der praktische Gehalt enger als die Schlagzeilen darum, und er verläuft in zwei Richtungen. Am 22. Oktober hat sich nichts am Checkpoint vom 17. Oktober, an der MIT-Lizenz oder am Repository geändert; der Download, die Shards und die oben beschriebenen Hash-Unterschiede sind genau so, wie sie waren. Geändert hat sich die Antwort auf die Frage, ob ein chinesisches Labor weiterhin Gewichte wie diese veröffentlichen kann, während der Katalog noch in der Konsultation ist: Die Darstellung in staatlichen Medien bejaht dies für DeepSeek und MiniMax, und zwar unter einem Entwurf, der bereits öffentliche Technologie ausnimmt und API-Zugang außerhalb der Exportdefinition belässt. Die Grenze liegt in der Zeitform. Die Ausnahme gilt für Technologie, die bereits gemeinfrei ist, was auf die Checkpoints von September und Oktober zutrifft und nicht automatisch auf eine Veröffentlichung nach Abschluss des Katalogs zutreffen würde – und die vorläufige Registrierungspflicht, die am 16. Oktober in Kraft getreten sein soll, wurde lediglich berichtet und nicht vollständig veröffentlicht. Wer plant, herunterzuladen, was DeepSeek als Nächstes ausliefert, plant gegen eine Regel, die noch nicht existiert. Wer heute V4.1 Flash aufruft oder die 1017-Gewichte laufen lässt, verlässt sich auf eine Ausnahmeregelung, die der Entwurf nennt und der keine der beiden Darstellungen der vorläufigen Maßnahme widerspricht.

Der Serving-Support kam noch am selben Tag und setzt die praktische Untergrenze. vLLM veröffentlichte ein Day-0-Rezept, das auf NVIDIA- und AMD-Hardware validiert wurde, und SGLang lieferte im selben Zeitfenster Day-0-Inferenz- und RL-Support über seinen Miles-Trainingsstack aus. Beides wurde als Preview-Images statt als stabile Pakete ausgeliefert – der vLLM-Container war mit einem Tag vom 9. September versehen, einen Tag vor der eigenen GA des Modells. Diese Seite der Geschichte bewegte sich am 22. September, als vLLM v0.30.0 veröffentlichte: die erste stabile vLLM-Version mit dieser Architektur, wobei DeepSeek V4.1 Flash unter der Unterstützung für neue Modelle aufgeführt ist, das eigene vLLM-Rezept des Modells nun 0.30.0 oder neuer voraussetzt und das Image-Tag vom Launch-Tag zurückgezogen wurde. Die Release Notes sind der eigene Bericht des Projekts über seine Arbeit und kein gemessenes Ergebnis; sie sollten auch so gelesen werden. Sie schreiben der Version zu, den gesamten KV-Cache des Modells in MXFP8 über den FlashMLA-V4.1-Rekord auf SM100 zu halten, sowie asynchrones Prefetching für CPU-ausgelagerte Engram-Lookups plus Engram-Data-Parallel-Sharding – die beiden Änderungen, die für ein Modell am wichtigsten sind, dessen Engram-Tabelle der einzelne größte Block im Download ist. Keine dieser beiden Änderungen wird außerhalb des Projekts mit einer Zahl belegt, und die Release Notes nennen keine – doch das Projekt veröffentlichte am 7. Oktober, drei Wochen nach der Veröffentlichung, ein Vorher-Nachher für das Modell als Ganzes: 1,9× schneller bei niedriger Nebenläufigkeit und 5,3× der Durchsatz unter einer 150-TPS-Beschränkung gegenüber seinem eigenen Day-0-Build, wobei jeweils der zusammengeführte Pull Request hinter jeder Optimierung aufgeführt ist. Die Zahlen und ihre Grenzen stehen im Geschwindigkeitsabschnitt oben. Was fehlt, ist eine externe Replikation – jede Zahl in diesem Beitrag ist das Projekt, das sich selbst misst. Was das Release jedoch klärt, ist die Verpackung: 762 Commits von 315 Mitwirkenden, 104 davon erstmals, in einer getaggten Version statt in einem Preview-Image. Die eigene Rechnung des vLLM-Rezepts setzt das Minimum weiterhin bei ungefähr 614 GB VRAM für den 510-GB-Checkpoint plus Reserve an – ein H200-Knoten mit acht GPUs oder eine GB200-NVL4-Tray – und warnt davor, dass ein 1-Mio.-Token-Kontext in der Praxis begrenzt statt vorausgesetzt werden sollte. Ein schmalerer KV-Cache ändert, wie viel Speicher die laufende Engine benötigt, nicht wie groß der Checkpoint ist, daher bleibt die Knoten-Untergrenze bestehen. SGLangs Bericht fügt einen für diese Architektur spezifischen Hebel hinzu: Das Verschieben der Engram-Tabelle in den Host-Speicher mit einem einzigen Umgebungs-Flag erhöhte die KV-Cache-Kapazität in einem Test mit vier GB300 um etwa 36 % bei vergleichbarem Decode-Durchsatz und vergleichbarer Zeit bis zum ersten Token, und sein decoder-seitiges SWA-Bounded-Replay steigerte den Prefill-Durchsatz auf acht H200 um das 1,56-Fache. Zwei Einschränkungen gehen damit einher. Die Referenzimplementierung im Repository beschreibt sich selbst als lesbares Beispiel und nicht als Produktions-Serving-Engine, und die Consumer-Runtimes hinkten hinterher: Der Quantisierungspfad, der dies auf einem Laptop oder einem Mac Studio ermöglichen würde, war zum Launch nicht offen. Die Kurzfassung ist, dass die Gewichte wirklich offen sind und der Serving-Stack wirklich existiert – auf Hardware, die in Knoten statt in GPUs gezählt wird, was der ehrliche Grund dafür ist, dass eine permissive Lizenz nicht automatisch einen lokalen Build bedeutet. Das 1017-Repository ändert nichts an dieser Untergrenze – der Checkpoint ist derselbe 510 GB über dieselben 48 Shards, und die Runtime-Hinweise, die ihn begleiten, sind die für die September-Gewichte veröffentlichten.

Was offene Gewichte allein nicht liefern, ist ein Qualitätssignal – doch diese Lücke hat sich inzwischen teilweise geschlossen, und sie hat sich am 18. Oktober weiter geschlossen. Vier unabhängige Instrumente existieren nun, eines davon zweimal durchgeführt: der Intelligence Index von Artificial Analysis, der den September-Checkpoint mit 39 und den 1017-Checkpoint mit 45 bewertet; die oben erwähnte Exploit-Bench-Studie, eine Cyber-Benchmark, die unter sieben Agent-Harnesses ausgeführt wurde; das Community-Kernel-Board im Abschnitt unten; und seit dem 14. Oktober die eigenen AA-AgentPerf-Ergebnisse von Artificial Analysis für dieses Modell, die messen, auf welcher Hardware es bereitgestellt wird, statt wie gut es ist. Das oben erwähnte Vorher-Nachher des vLLM-Projekts vom 7. Oktober misst wieder etwas anderes – was die Bereitstellung des Modells kostet, statt wie gut es ist – und ist die Selbstdarstellung der Runtime. Keines davon ist ein Reasoning-Score der Art, wie ARC Prize ihn aufbaut, drei der vier beschreiben noch immer den September-Checkpoint, und für die meisten der konkreten Einträge in diesem Artikel bleibt die Model Card die einzige Quelle – doch der zusammengesetzte Wert gehört nicht mehr auf diese Liste: die 45 und die 33,8 darunter wurden anhand der Gewichte erzeugt, die DeepSeek heute ausliefert. Das ist keine Anschuldigung; es ist der Stand der Evidenz, und deshalb hält dieser Artikel die beiden Arten von Zahlen getrennt. Offene Gewichte bedeuten tatsächlich, dass das Modell nicht auf DeepSeeks Endpunkt beschränkt bleiben wird, was für alle wichtig ist, deren Hürde die Datenresidenz statt der Preis war.

Wie man es übernimmt, ohne die Produktion darauf zu verwetten.

Eine Sache hat sich seit der Veröffentlichung auf unserer Seite geändert, und sie macht diesen Abschnitt einfacher, als er letzte Woche gewesen wäre: DeepSeek V4.1 Flash ist jetzt auf OrcaRouter verfügbar. Das Modell antwortet auf die Modell-ID deepseek/deepseek-v4.1-flash über denselben OpenAI-kompatiblen Endpoint wie der Rest der Reihe, zu DeepSeeks eigenem Tarif – 0,15 US-Dollar pro 1 Mio. Eingabetoken, 0,60 US-Dollar pro 1 Mio. Ausgabetoken und 0,003 US-Dollar pro 1 Mio. Cache-Reads zu Off-Peak-Tarifen, die sich in den Peak-Zeitfenstern an Wochentagen verdoppeln – durchgereicht mit 0 % Aufschlag. Der letzte Punkt verdient eine ausdrückliche Erwähnung: Der in Rechnung gestellte Betrag ist der Betrag des Anbieters und kein Wiederverkaufspreis; eine Preissenkung des Anbieters gilt hier daher noch am selben Tag statt erst, wenn ein Vertrag neu verhandelt wird. DeepSeek V4 Flash und DeepSeek V4 Pro laufen über denselben Key, wodurch die unten beschriebene Migration zu einer Änderung des Routings statt zu einer Neuplattformierung wird. Der Checkpoint vom 17. Oktober ändert daran nichts: DeepSeek hat sowohl den API-Modellnamen als auch die Preisliste beibehalten, sodass das Update auf dieser Seite weder die ID noch den Preis ändert – genau so sieht eine Durchreichung aus, wenn ein Anbieter ein Modell aktualisiert, ohne eines von beiden anzutasten.

Bei der Umleitung vom 14. September hätte ein Anbieter Ihnen die Bedeutung einer Modell-ID unter den Füßen weggezogen, wenn DeepSeek sie nicht unter Druck abgesagt hätte, und die Episode ist die eindeutigste jüngste Erinnerung daran, dass ein Modell-String ein Vertrag ist, den ein Anbieter umschreiben kann – was zugleich der richtige Rahmen für die obige Line-up-Diskussion ist, da eine dreistufige Familie ein Plan ist und diese sich bereits einmal geändert hat. Für ein Modell, dessen einzige externe Bewertungen bisher ein zusammengesetzter Index, eine verrauschte Cyber-Tabelle und ein Community-Kernel-Board sind – und das überhaupt keine Produktionshistorie hat –, ist die sicherere Form diejenige, für die ein Router gebaut ist: einen Teil produktionsnahen Traffics an das neue Modell senden, ein bewährtes Modell dahinter als automatisches Failover bereithalten, sodass eine Qualitätsregression einen Retry statt eines Incidents kostet, und die Routing-DSL entscheiden lassen, welche Aufrufe das unerprobte Modell wert sind und welche auf dem Arbeitstier bleiben sollten. Die Migration zu V4.1 Flash ist wahrscheinlich das richtige Ziel. Sie ist keine Migration, die man auf Basis der Ankündigung durchführt.

Offene Fragen

• Unabhängige Benchmarks — die Zahl ist von null auf vier Instrumente gestiegen, und keines davon misst das Reasoning des Modells so, wie ARC Prize es beabsichtigt. Der Wert 39 von Artificial Analysis ist ein Komposit aus zehn Evaluierungen bei maximalem Reasoning-Aufwand, und ihre 45 — veröffentlicht am 18. Oktober — ist dasselbe Komposit, ausgerichtet auf die neueren Gewichte. Die oben genannte Exploit-Bench-Studie ist ein Cyber-Exploitation-Wert innerhalb eines festen Token-Budgets, und sie stuft DeepSeek V4.1 Flash unter GLM-5.3-Flash ein. Das Community-Kernel-Board auf kernelbench.com ist eine Kernel-Engineering-Tabelle. Die AA-AgentPerf-Ergebnisse von Artificial Analysis, veröffentlicht am 14. Oktober, sind eine Hardware-Tabelle: wie viele Token pro Sekunde pro Megawatt jedes Beschleunigersystem für dieses Modell liefert, und nichts zur Qualität. Niemand hat die einzelnen Benchmark-Zeilen von DeepSeek repliziert, und es wurde keine unabhängige Messung bei den im Produktivbetrieb verwendeten Aufwandseinstellungen oder am äußersten Ende eines 1-Millionen-Token-Fensters veröffentlicht. Der Checkpoint vom 17. Oktober ist nicht mehr ungemessen: Am 18. Oktober fügte Artificial Analysis eine 1017-Zeile mit 45 in seinem Index und 33,8 bei Terminal-Bench 4.0 hinzu, und der Bench-Wert liegt achteinhalb Punkte unter dem, was die Anbietertabelle für dieselben Gewichte angibt. Was jetzt fehlt, ist eine zweite Meinung zu diesem Wert — ein Evaluator, ein Harness, ein Lauf — sowie überhaupt ein unabhängiger Wert für die vier Messungen, die dem Wechsel vorausgehen. Die eine Evaluierung, die gebaut wurde, um die Reasoning-Frage zu beantworten, ist noch im Aufbau — ARC Prize hat ein DeepSeek-V4.1-Flash-Profil in seinem Benchmarking-Harness in einem offenen Pull Request, ohne angehängtes Ergebnis — und ARC-AGI hat diesen Checkpoint überhaupt nie bewertet: Die 61,4 % bei ARC-AGI-2, die die Ankunft des Adapters wiederbelebt hat, gehören zu DeepSeek V4 Flash 0731, dem Modell, das V4.1 Flash ablöst. Die neueste Zahl, die diesem Modell zugeordnet wird, die 77,0 bei DeepSWE v1.1, ist die am schwächsten belegte Zeile im Artikel: Es ist DeepSeeks eigene Grafik, abgelesen von einem Bild, das der Ankündigung des Anbieters beigefügt war, und es existiert kein externer Lauf von DeepSWE v1.1 auf dem 1017-Checkpoint — das Ergebnis von Artificial Analysis vom 18. Oktober gilt für dieselben Gewichte, aber für einen anderen Benchmark. Die beiden unabhängigen Boards, die den Benchmark veröffentlichen, platzieren den Namen dieses Modells bei 71,7 % und 74,2 %, was ausreicht, um es neben Opus 5 zu stellen, aber nicht ausreicht, um die Zahl des Anbieters zu bestätigen — und keines von beiden gibt an, welchen Checkpoint es gemessen hat.

• Self-Hosting unterhalb der Node-Untergrenze – die Day-0-Unterstützung von vLLM wurde am 22. September mit v0.30.0 zum stabilen Release, das einen MXFP8-KV-Pfad und asynchrones Engram-Offloading hinzufügt; die Day-0-Unterstützung von SGLang wird weiterhin als Vorschau-Image ausgeliefert. Keines von beiden verschiebt die Hardware-Untergrenze, die bei einem Acht-GPU-Node liegt, weil der 510-GB-Checkpoint sie festlegt – und DeepSeeks eigene Deployment-Hinweise, veröffentlicht mit DeepInfer, präzisieren das: Ein Prefill-Node neben einem Decode-Node ist deploybar, aber die empfohlene Decode-Konfiguration ist Expert Parallelism von 64 oder höher, wodurch die kleinste effiziente Einheit 64 GPUs für Prefill neben 64 für Decode umfasst. Der Beitrag des vLLM-Projekts vom 7. Oktober ist die vollständigste gemessene Optimierungsbilanz, die zu diesem Modell veröffentlicht wurde – 1,9× bei niedriger Nebenläufigkeit und 5,3× unter einer 150-TPS-Restriktion gegenüber seinem eigenen Day-0-Build, neben den oben genannten SGLang-Werten – und sein Follow-up vom 17. Oktober fügt eine Tokens-pro-Dollar-Kurve hinzu, die sich tatsächlich über H100-, MI300X- und B200-Konfigurationen neben den Rack-Scale-Komponenten erstreckt. Beides ist die eigene Bilanz des Projekts über seine eigene Runtime. Keines von beiden verschiebt die Untergrenze: Ein günstigeres Token auf einer GB300 oder einer H100 bringt einen 510-GB-Checkpoint immer noch nicht auf einen Desktop, es ist also ein schnellerer Weg zur selben Untergrenze statt zu einer niedrigeren. Ob spätere Releases und Community-Quantisierungen dies auf kleinere Maschinen bringen, ist die offene Frage für alle, die die Gewichte statt des Endpunkts wollen, und sie entscheidet darüber, ob eine permissive Lizenz eine praktische Lizenz ist.

• Was V4.1 Pro ist – DeepSeek nennt es den Nachfolger von V4 Pro, hat aber weder ein Datum noch eine Spezifikation noch einen Preis veröffentlicht, und die angekündigte Umleitung des bestehenden Pro-Verkehrs auf ein Modell der Flash-Klasse wurde vor ihrem Wirksamwerden zurückgezogen. Was oberhalb von Flash steht, beschreibt das Unternehmen lediglich als die Architektur, die auf größere Modelle skaliert; die Staffelung Flash, Pro und Ultra samt ihrer Größen 522B, 2T und 8T ist Spekulation eines Beobachters, nicht von DeepSeek.

• Kosten pro Aufgabe — Artificial Analysis führt inzwischen für beide Checkpoints einen Wert pro Aufgabe: $0,49 pro Aufgabe des Intelligence Index für die September-Gewichte, neu angegeben gegenüber den $0,27, die dieser Beitrag ursprünglich nannte, und $0,26 für 1017. Das ist der erste externe Beleg für irgendeinen Teil von DeepSeeks Pareto-Behauptung, und er ist enger gefasst als die Behauptung. Dieselben Zeilen zeigen, dass der Checkpoint 1017 über den Index hinweg 210M Ausgabe-Tokens erzeugt gegenüber 250M für September — insgesamt kürzere Ausgaben —, aber 89.495 Ausgabe-Tokens pro Aufgabe gegenüber 88.574, was keineswegs kürzer ist, und 288,8 Sekunden pro Aufgabe gegenüber 289,9, was nicht schneller ist. Die eigene Kostenaufschlüsselung der Website verortet die gesamte Einsparung auf der Eingabeseite: Die Ausgabenzeile ist unverändert, $0,106 pro Aufgabe gegenüber $0,107, während die Eingabe von $0,379 auf $0,155 und Cache-Schreibvorgänge von $0,322 auf $0,095 fallen. Ob eine Aufgabe mit weniger Dollars abgeschlossen wird, hängt davon ab, wie viele Tokens sie benötigt, und das ist eine Eigenschaft der Arbeitslast und nicht der Preisliste. DeepSeeks eigene Darstellung des Updates deutet in die andere Richtung: Das Changelog behauptet, der neue Checkpoint verkürze die Laufzeit von Aufgaben und die Ausgabelänge, und der Beitrag vom 17. Oktober wiederholt dies als „schnellere Aufgabenerledigung und kürzere Ausgaben“. Keine der beiden nennt eine Zahl, und die externe Messung hinter diesem Punkt hat sie inzwischen eingeholt: Bei den beiden Größen, die DeepSeek nannte, bewegten sich die 1017-Gewichte um etwa ein Prozent, in entgegengesetzte Richtungen, ausgehend von einem Stand fünf Wochen zuvor. Eine dritte Zahl steht auf der anderen Seite desselben Kontos: Das Diagramm des vLLM-Projekts vom 17. Oktober setzt das Modell bei 1,3B Tokens pro Dollar der Gesamtbetriebskosten auf SemiAnalysis AgentX an, und zwar in einer Kostenstufe, die das Volumen großer Hyperscaler annimmt. Günstigeres Serving entscheidet diesen Punkt ebenfalls nicht — ein niedrigerer Preis pro Token lässt den Tokens-pro-Aufgabe-Wert, für den ein Aufrufer tatsächlich zahlt, genau dort, wo ihn die September-Messung vorfand.

• Ausufernde Verifikation — Tester aus der Praxis berichten von gelegentlichen Wiederholungsschleifen in der Gedankenkette und von zwölfminütigen Überlegungen im sechsstelligen Token-Bereich zu Problemen, die sich bei einer niedrigeren Aufwandsstufe in Sekunden lösen lassen. Kein unabhängiger Benchmark misst, wie häufig eines von beidem auftritt oder was es im Produktivbetrieb kostet, und die bisher gemeldete Gegenmaßnahme sind clientseitige Token-Obergrenzen, nicht etwas, das das Modell selbst tut. Die oben erwähnte Studie Exploit Bench dokumentiert denselben Fehlermodus aus der anderen Richtung: Die Schleife wiederholter Berichte, die sie in den ReAct-Transkripten zeigt, wird durch den Kompaktierungs-Prompt des Harness erzeugt und nicht durch das eigene Schlussfolgern des Modells, was daran erinnert, dass eine Schleife in einem Transkript nicht automatisch ein Modelldefekt ist.

• Kernel-Engineering — das Community-CUDA-Kernel-Board von kernelbench.com (RTX PRO 6000, roofline-skaliert) führt DeepSeek V4.1 Flash mit 50,19 % der dicht-äquivalenten Roofline auf seinem eigenen Sparse-Attention-Kernel, insgesamt auf Platz vier, gegenüber 4,45 % für GLM-5.3 Flash in derselben Zeile. Das Board wird von der Community betrieben und ist nicht peer-reviewed; es wurden weder eine zweite GPU-Generation noch eine Replikation veröffentlicht.

• Langer Kontext am äußersten Ende — Sparse Attention wurde bei 64K trainiert und bei der 34T-Token-Marke auf 1M erweitert. Wie die Qualität nahe dem Ende eines vollständigen 1M-Fensters erhalten bleibt, ist genau das, was eine unabhängige Langkontext-Evaluierung klären würde.

• Cache-Rekonstruktion an den Rändern – SWA Bounded Replay baut verworfenen Sliding-Window-Zustand näherungsweise statt exakt wieder auf, und DeepSeek sagt, das Ergebnis kann variieren, je nachdem, wo ein Cache-Treffer in einer Sitzung landet. Der Bericht vermerkt kaum beobachtete Auswirkungen auf die Qualität; extreme oder ungetestete Bedingungen sind genau der Punkt, an dem eine solche Näherung zutage treten würde, und niemand außerhalb von DeepSeek hat sich das angesehen.

• Ob Pro-Workloads tatsächlich umziehen — das erzwungene Umleiten wurde zurückgezogen, also bewegt sich nichts, es sei denn, ein Team entscheidet sich für einen Wechsel, und die Teams, die Pro-Preise für Reasoning-Tiefe bezahlt haben, sind diejenigen, die am ehesten einen Fähigkeitsunterschied bei Arbeit im Stil von Terminal-Bench 3.0 bemerken, wo V4.1 Flash deutlich hinter Opus-5.0 zurückliegt.

• Die Bedingungen und das Verhalten des kostenlosen Tarifs — OpenCode hat am 15. Oktober einen gebührenfreien Eintrag für dieses Modell hinzugefügt, mit einem 200.000-Token-Fenster und einer Obergrenze von 32.000 Token für die Ausgabe, der auf den eigenen Seiten als zeitlich begrenzt verfügbar beschrieben wird. Ob diese Regelung diese Formulierung überdauert, wie der Endpunkt unter Last standhält und ob DeepSeek dabei ein Mitspracherecht hat, bleibt alles ungesagt: die eigene Modellliste, Dokumentation und Preistabelle der Plattform sind die einzige Quelle, es gibt kein Enddatum, auf das man jemanden festnageln könnte, und niemand hat eine Messung der kostenlosen Route veröffentlicht.

• Sicherheit und Ablehnungen — DeepSeek veröffentlicht weder eine Ablehnungsquote noch ein Red-Team-Ergebnis oder eine Sicherheitsbewertung für einen der beiden Checkpoints, und kein unabhängiges Labor hat dieses Modell anhand eines Jailbreak-Benchmarks bewertet. Die Zahlen in diesem Beitrag stammen von Personen, die unzensierte Derivate bauen – 97 von 100 schädlichen Prompts wurden im Chat-Modus abgelehnt, 98 im Think-Modus, bei einem Prompt-Set und einer Bewertungsinstanz – sowie aus einem einzigen Screenshot einer Agenten-Sitzung, in dem das Modell eine Jailbreak-Persona ablehnte. Ob dieses Verhalten bei geringem Reasoning-Aufwand, in anderen Sprachen als Englisch, gegenüber automatisierten Angriffen statt einem Persona-Prompt und unter einem Harness, der den System-Prompt umschreibt, Bestand hat, hat niemand gemessen.

• Die Formalitäten für den nächsten Checkpoint — der Bericht vom 22. Oktober klärt die Registrierungsfrage für Gewichte, die bereits öffentlich sind, weil der Entwurf des Katalogs Technologie ausschließt, die bereits gemeinfrei ist. Er klärt nicht die Veröffentlichung danach. Der Katalog ist ein Entwurf, der bis zum 15. November zur Kommentierung offensteht, seine Schwellenwerte werden berichtet statt im Text veröffentlicht, und die vorläufige Registrierungspflicht, die am 16. Oktober in Kraft getreten sein soll, ist nicht vollständig veröffentlicht worden. V4.1F-1017 selbst ist draußen, MIT-lizenziert und ohne Zugangsbeschränkung; was ein künftiger DeepSeek-Checkpoint erfüllen muss, bevor er heruntergeladen werden kann, ist eine Regel, die es noch nicht gibt.

Die Beta war eine Zwei-Tage-Frage, ob ein Modell der Flash-Klasse Pro-Aufgaben übernehmen kann. Das Release ist DeepSeeks Antwort darauf mit einer Preisliste und einem Routing-Plan – und dann der Rückzug des Routing-Plans innerhalb von zwei Tagen, als Entwickler dagegen protestierten, dass ihnen unter der Haube ein Produktionsmodell ausgetauscht wurde. Das ist eine schwächere Aussage, als die Ankündigung nahelegte, und eine ehrlichere: Die Qualitätsbelege für diesen Schritt sind DeepSeeks eigene Benchmarks plus externe Messungen, die überwiegend in dieselbe Richtung zeigen. Die neueste davon, ein Cyber-Benchmark, der unter sieben Agent-Harnesses ausgeführt wurde, zeigt bei dem einen Vergleich, den er anstellt, in die andere Richtung, und das Unternehmen hat die Wahl seinen Kunden überlassen, statt sie für sie zu treffen. Seit dem Release sind die Gewichte von einem Versprechen zu einem 510-GB-Download geworden, das Modell ist von einem Anbieter-Endpunkt zu etwas geworden, an das man routen kann, und der Serving-Stack ist von einem Day-0-Rezept zu einem vermessenen geworden – vLLM meldete nach drei Wochen, bei niedriger Nebenläufigkeit 1,9× schneller zu sein, und veröffentlichte dann, am Tag, an dem sich der Checkpoint änderte, eine Kostenkurve, die das Modell mit 1,3B Tokens pro Dollar an Gesamtbetriebskosten auf SemiAnalysis AgentX bepreist. Diese Woche hat sich auch die Ebene unter all dem geöffnet: DeepSeek veröffentlichte DeepInfer, die Engine, auf der der eigene Dienst läuft, mit einer Decode-Kurve für diesen Checkpoint, den Produktionskennzahlen hinter dieser Kurve und einem unveröffentlichten September-Benchmark, der Huaweis 950DT pro Chip bei der Geschwindigkeit, mit der DeepSeek tatsächlich ausliefert, fünf- bis siebenmal hinter NVIDIA einordnet. Nach fünf Wochen hat sich der Checkpoint selbst einmal bewegt: Der 17. Oktober brachte neue Gewichte unter demselben Namen und zum selben Preis, mit einer Anbietertabelle, die in jeder veröffentlichten Zeile besser ist, und einem anderen Harness unter einer davon. Zwei Tage später kam die externe Messung, und sie ist die nützlichste Zahl in diesem Artikel: Artificial Analysis setzte die 1017-Gewichte auf 45 in seinem Index – gleichauf mit GLM-5.3 für den zweiten Platz unter den Open-Weights-Modellen, einen Punkt hinter MiMo-V2.6-Pro – und auf 33,8 bei Terminal-Bench 4.0, gegenüber den 42,3 des Anbieters im selben Benchmark – der Harness, der das Modell in DeepSeeks eigener Tabelle schmeichelt, ist also nicht der Harness, unter dem die Zahl Bestand hat. Wenn Sie heute wählen, ist die ehrliche Position, dass V4.1 Flash das beste Preis-Leistungs-Verhältnis in der DeepSeek-Reihe zu sein scheint, vier unabhängige Instrumente vorzuweisen hat – keines davon ein Reasoning-Score, eines davon inzwischen gegen den Checkpoint laufen gelassen, den DeepSeek seit dem 17. Oktober ausliefert –, eine fünfte Evaluierung im Aufbau, keine Produktionsbilanz, einen Serving-Stack, dessen zwei stärkste Zahlen – ein Geschwindigkeitsdelta und eine Kostenkurve – beide aus dem Projekt stammen, das die Runtime geschrieben hat, und ein externes Cyber-Ergebnis, das sich bereits selbst widerspricht, je nachdem, welchen Harness man um das Modell legt, eine kostenlose 200.000-Token-Stufe, die am 15. Oktober auf einer Plattform erschien, und eine erste Runde von Hands-on-Berichten, die ein Modell beschreiben, das seine eigene Arbeit weiter prüft, als die meisten Aufrufer es verlangen würden – was ein Grund ist, einen Teil des Traffics darauf zu lenken, nicht ein Grund, aufgrund der Ankündigung zu migrieren. Das von DeepSeek am 17. Oktober angekündigte Update ändert die Gewichte und fügt eine Anbieter-Aussage hinzu – schnellere Aufgabenfertigstellung, kürzere Ausgaben –, und die erste externe Messung dieser Gewichte stützt davon bestenfalls die Hälfte: Die Kosten pro Index-Aufgabe sanken um 46 %, während die Zeit pro Aufgabe und die Ausgabe-Tokens pro Aufgabe sich kaum bewegten. Einen Tag später war die am breitesten gelesene Behauptung über diesen Checkpoint die eines Managers: 77 bei DeepSWE v1.1 zu 83× niedrigeren Kosten, von einem Databricks-Mitarbeiter, der auch sagt, der Checkpoint komme auf diese Plattform. Die Hälfte davon übersteht den Kontakt mit den unabhängigen Ranglisten, die den Namen dieses Modells inzwischen in diesem Benchmark über Opus 5 setzen. Die andere Hälfte noch nicht: Die 77 sind DeepSeeks eigene Zeile, nicht reproduziert, und die 83× sind Arithmetik, hinter der keine veröffentlichten Kosten pro Aufgabe stehen. Die eigene Dokumentation von Databricks bestätigt, dass das Modell auf seiner Plattform ist und dass die beiden darunter rangierenden DeepSeek-Modelle zur Einstellung anstehen; sie bestätigt nicht, dass der Checkpoint kommt. Diese Behauptung ist jetzt die zweitinteressanteste über den Checkpoint statt die interessanteste. Am 19. Oktober erklärte ein Tracker-Konto, das mehrere dieser Releases früh vorhergesagt hat, sich der 42,3 bei Terminal-Bench 4.0 für „absolut sicher“ – mit der Begründung, dass sie GLM-5.3 schlägt –, und bat Artificial Analysis, das Modell in einem nativen Harness laufen zu lassen. Die Seite hatte es bereits getan. In ihrem eigenen Harness erzielen dieselben Gewichte 33,8 – unter den 41,9 von GLM-5.3, nicht darüber. Die Anbieterzeile ist real und sie ist DeepSeeks; die daraus gezogene Schlussfolgerung hält dem nicht stand, von jemand anderem ausgeführt zu werden.

Wenn die Version davon, die Sie möchten, die ist, die Ihnen alle Möglichkeiten offenlässt, sind alle drei nur einen Schlüssel entfernt und zu den eigenen Tarifen von DeepSeek mit 0 % Aufschlag erhältlich. Das Release selbst: DeepSeek V4.1 Flash auf OrcaRouter — 1M-Token-Kontext, ein Ausgabelimit von 384K, Bildeingabe, zu $0,15 pro 1M Eingabe und $0,60 pro 1M Ausgabe außerhalb der Stoßzeiten. Das Modell, das damit abgelöst wird: DeepSeek V4 Flash auf OrcaRouter. Und das Flaggschiff, das DeepSeek weiterhin bedienen will: DeepSeek V4 Pro auf OrcaRouter. Richten Sie einen Teil des Traffics auf das neue Modell, behalten Sie ein bewährtes Modell als Failover dahinter, und lassen Sie das Routing entscheiden.

Die Wahl eines Modells ist auch eine Frage dessen, was zuvor schiefgelaufen ist: Die dokumentierten KI-Vorfälle und Agentenfehler für Modelle dieser Klasse finden sich in dem OrcaRouter AI Incident Archive, wobei jeder Eintrag seine eigenen Quellen, Schweregrad, Konfidenzgrad und Umstritten-Kennzeichen trägt.