Muse Glimmer vs DeepSeek V4 Pro: Die zwei Enden der Open Weights

Irgendwo im Kleingedruckten der DeepSeek-V4-Pro-Veröffentlichung steht eine Zahl, die jeden beunruhigen sollte, der glaubt, dass „günstige Open-Weight-Modelle“ und „hervorragend beim agentischen Codieren“ dasselbe seien. Bei DeepSWE, einem kontaminationsfreien Benchmark, der entwickelt wurde, um der Trainingsdaten-Manipulation zu widerstehen, die Software-Engineering-Evaluierungen plagt, erzielte DeepSeek V4 Pro – das 1,6-Billionen-Parameter-Mixture-of-Experts-Flaggschiff, das am 24. April 2026 unter der MIT-Lizenz erschien – 8 Prozent. GPT-5.5 erzielte bei demselben Test 70; Claude Opus 4.7 erzielte 54. Das ist der mit Abstand schädlichste unabhängige Datenpunkt, der an die erfolgreichste Billigmodell-Geschichte der Branche geknüpft ist, und er ist für diesen Vergleich von Bedeutung, denn Muse Glimmer, Metas 30B-Open-Weight-Agentenmodell, das am 10. August 2026 unter der Apache-2.0-Lizenz veröffentlicht wurde, ist ein Open-Weight-Modell, dessen gesamtes Designziel die langfristige agentische Arbeit ist, die DeepSWE misst – und dessen einzige bisherige Ergebnisse von dem Unternehmen stammen, das es hergestellt hat.

Also das ist ein Vergleich zweier Modelle an entgegengesetzten Enden des Open-Weights-Spektrums, und das in mehrfacher Hinsicht als nur der Größe. Das eine ist ein Rechenzentrums-MoE, den man für ein paar Cent mietet. Das andere ist ein Desktop-Download, der nichts kostet außer der GPU. Das eine hat eine unabhängige Erfolgsbilanz, die ein katastrophales agentisches Ergebnis einschließt. Das andere hat überhaupt keine unabhängige Erfolgsbilanz. Dieser Artikel stellt beide richtig und lässt die Kluft zwischen „herstellerberichtet" und „unabhängig gezeigt" für sich sprechen.

Die Zahl, die dir Sorgen machen sollte

DeepSWE sollte man verstehen, bevor man sich die Schlagzeilenzahlen ansieht, denn es ist der Test, der nicht belohnt, was auswendig gelernt werden kann. Er wurde entwickelt, um Kontamination zu vermeiden — die Praxis, Modelle an Daten zu evaluieren, die sie bereits im Training gesehen haben — und er führt lange, realistische Softwareentwicklungsaufgaben aus, die anhaltende mehrstufige Ausführung erfordern, nicht das Abrufen von Mustern. DeepSeek V4 Pros 8 Prozent dort sind keine Meinung; sie sind das gemessene Ergebnis einer unabhängigen Evaluierung, und sie ergeben ein völlig anderes Bild als das, das die Tabelle des Anbieters zeichnet, wo dasselbe Modell 80,6 bei SWE-bench Verified, 93,5 bei LiveCodeBench und eine Codeforces-Wertung von 3.206 erreicht, die GPT-5s 3.168 übertrifft. Die Kluft zwischen diesen beiden Bildern ist die ganze Geschichte darüber, warum „offene Gewichte, günstige Tokens“ und „gut bei agentischem Codieren“ getrennt verifiziert werden müssen.

Muse Glimmer hat keinen DeepSWE-Score. Es hat keinerlei unabhängigen Score – es wurde heute Morgen veröffentlicht, und seine gesamte Benchmark-Tabelle stammt von Meta selbst, erstellt von Meta gegen konkurrierende Aufbauten, die es nach eigener Aussage nicht abgestimmt hatte. Die ehrliche Bezeichnung für jede Glimmer-Zahl in diesem Stück lautet „vom Anbieter gemeldet“. Aber das Design des Modells zielt genau auf die Fehlerart ab, die DeepSWE aufdeckt: autonome Fehlerbehebung, mehrstufige Pläne, langfristige Werkzeugnutzung. Ob dieses Design den Kontakt mit einem unabhängigen Test übersteht, ist die offene Frage dieses Vergleichs, und niemand kann sie bisher beantworten.

Die zwei Enden offener Gewichte

Beginnen wir damit, was „open“ für jedes bedeutet, denn es ist nicht dasselbe. DeepSeek V4 Pro ist ein MoE mit insgesamt 1,6T Parametern, von denen pro Token etwa 49B aktiv sind, mit einem Kontextfenster von 1M Token, bis zu 384K Ausgabe-Token und reiner Texteingabe – ohne Bilderkennung. Seine unter MIT-Lizenz stehenden Gewichte sind frei verfügbar, aber Selbsthosting ist ein Rechenzentrumsprojekt: Der BF16-Checkpoint liegt in der Größenordnung von Terabytes, daher ist DeepSeek V4 Pro in der Praxis etwas, das man mietet – über die DeepSeek-API oder die eines Drittanbieters. Muse Glimmer ist ein dichtes, multimodales Modell mit 30B Parametern – Text plus Bild über einen Wahrnehmungs-Encoder – unter Apache 2.0, dessen Vier-Bit-Checkpoint zusammen mit seinem DFlash-Drafter in etwa 19,5GB passt. Das eine ist ein Open-Weight-Modell, das man bereitstellt; das andere ist ein Open-Weight-Modell, das man herunterlädt und auf einer einzelnen 24GB- oder 32GB-Karte oder einem High-End-Mac der M-Serie ausführt. Beide sind wirklich offene Gewichte. Ansonsten haben sie fast nichts gemeinsam, was ihre Nutzung betrifft.

Die gespaltene Persönlichkeit des Riesen

Die Stärke von DeepSeek V4 Pro ist der isolierte Benchmark. Mathematik und Wissen: GPQA Diamond 90,1, AIME 2026 96,4, MMLU-Pro 87,5. Programmieren unter kontrollierten Bedingungen: SWE-bench Verified 80,6, LiveCodeBench 93,5. Auch die Nadel-im-Heuhaufen-Fähigkeit im Langkontext ist stark — 83,5 auf MRCR bei 1M Tokens, damit vor Gemini 3.1 Pro bei diesem Test. Doch bei den Zeilen, die anhaltende agentische Ausführung messen, zerbricht das Bild. Terminal-Bench 2.0 erreicht 67,9, die Werkzeugnutzung bei Toolathlon 51,8, und unabhängige Aggregator-Rankings setzen den Standard-Build in den agentischen und Coding-Kategorien ins Mittelfeld, während die Reasoning-Werte nahe der Spitze bleiben. Das DeepSWE-Ergebnis von 8 Prozent treibt den Bruch auf die Spitze.

Die vom Anbieter gemeldete Tabelle von Muse Glimmer weist in die andere Richtung: Ihre stärksten Zeilen sind die agentischen. MCP-Atlas 75,5, DeepSearch QA 74,6, GAIA2 43,3, SWE-bench Verified 76,0, SWE-bench Pro 51,2, Terminal-Bench 2.1 51,7. Gegen DeepSeeks verifizierte Coder-Zahlen – 80,6 SWE-bench Verified, 93,5 LiveCodeBench, 90,1 GPQA Diamond – verliert Glimmer fast jede Zeile, die in einer Benchmark-Tabelle zählt. Die Modelle sind bei verschiedenen Dingen gut, und genau die Art von Ding, bei der Glimmer behauptet, gut zu sein, ist die Art, bei der DeepSeeks unabhängige Bilanz sagt, dass der Billig-Riese-Ansatz falsch liegt.

Was jedes einzelne wirklich kostet

Der veröffentlichte Listenpreis von DeepSeek V4 Pro beträgt 1,74 $ pro Million Eingabe-Tokens und 3,48 $ pro Million Ausgabe-Tokens, mit einer Eingabe bei Cache-Treffern von etwa 0,145 $. DeepSeeks Dauerrabatt – zunächst als Aktionsrabatt eingeführt und dann beibehalten – ergibt einen effektiven Satz von etwa 0,44 $ für Eingaben und 0,87 $ für Ausgaben, günstig genug, dass der Preis pro Token fast nicht mehr der entscheidende Faktor ist, und günstig genug, um zu erklären, warum das Modell für einen großen Teil der Branche die Standard-Budgetwahl ist. Diese Preise gelten live über die eigene API des Anbieters und über mehrere Drittanbieter-Plattformen; bei OrcaRouter werden sie mit 0 % Aufschlag durchgereicht – der Listenpreis des Anbieters ohne zusätzliche Marge –, sodass eine Preissenkung von DeepSeek noch am selben Tag auf der Modellseite sichtbar ist. Das ist die ehrliche Art, es mit allem anderen im Katalog zu vergleichen.

Muse Glimmer kostet null pro Token, und die ehrlichen Kosten stecken in der Hardware: eine 24GB- oder 32GB-GPU mit der RTX 5090 als Referenzpunkt oder ein maximal ausgestatteter Mac der M-Serie. Wenn man sie besitzt, sind die Grenzkosten eines ständig laufenden lokalen Agents schlicht Strom. Wenn nicht, ist die GPU der Kostenpunkt – und für viele Teams ist dieser einmalige Kauf über die Lebensdauer eines ständig laufenden Agents günstiger als selbst DeepSeeks rabattierter Tarif, während für andere das Pro-Token-Modell gewinnt, weil sie den 1M-Kontext und die 384K-Ausgabe wollen, die ein lokales Modell mit 19,5 GB nicht halten kann. Der Preisvergleich löst sich erst auf, sobald man entscheidet, in welchem Deployment-Umfeld man tatsächlich lebt.

Die zugrunde liegende Politik

Es lohnt sich, den Kontext zu benennen, denn er bestimmt, wie weit man den Tabellen des jeweiligen Anbieters vertrauen sollte. Zuckerbergs Essay, der die Veröffentlichung von Muse Glimmer begleitet, „Die Zukunft gehört allen", nannte ausdrücklich DeepSeek sowie Qwen und Moonshot als die chinesischen Open-Model-Labore, mit denen amerikanische Open-Weight-Veröffentlichungen konkurrieren müssen, und forderte eine lockerere US-Regulierung von Open-Source-KI. Meta positioniert Glimmer als die heimische Antwort auf die Welle günstiger Open-Weight-Modelle. Diese Einordnung ist real, und genau hier verdienen Anbieter-Benchmarks die größte Skepsis – beide Seiten verkaufen eine nationale Erzählung zusammen mit einem Modell. Das Gegengewicht bilden die unabhängigen Messungen, die es für DeepSeek bereits gibt (einschließlich der 8 Prozent), und die unabhängigen Messungen, die es für Glimmer noch nicht gibt.

Wer sollte was ausführen

Die beiden Modelle sind keine Substitute, und die Entscheidung ist größtenteils eine Frage des Deployment-Umfelds, die ein Benchmark-Kostüm trägt. Wenn Ihre Workload token-hungrig und kontext-hungrig ist — massive Eingaben, lange Ausgaben, Mathematik und Wissen in großem Maßstab — ist DeepSeek V4 Pro zu seinem reduzierten Preis eines der besten Kosten-Leistungs-Angebote im Katalog, und sein 8-Prozent-DeepSWE-Ergebnis ist für Workloads, die kein langfristiges agentisches Coding sind, weniger relevant. Wenn Ihre Workload ein ständig aktiver lokaler Agent ist — hochfrequent, privat, interaktiv, Tool-Calling — dann ist Muse Glimmer die Form der Antwort, mit der Einschränkung, dass seine agentischen Behauptungen noch vollständig selbstberichtet sind und einen unabhängigen Test benötigen. Wenn Ihre Workload beides ist — und die meisten realen Agent-Stacks sind es — dann sind die beiden Modelle zwei Ebenen eines Systems: das lokale 30B für den schnellen, privaten, hochfrequenten Pfad und das gemietete MoE für die schwere Arbeit mit langen Kontexten.

Was diesen Vergleich entscheiden würde, in grober Reihenfolge nach Schnelligkeit: ein unabhängiges Glimmer-Ergebnis bei einem kontaminationsfreien Langzeittest wie DeepSWE, was die mit Abstand nützlichste Zahl ist, die in diesem Vergleich fehlt; eine zweite unabhängige Reproduktion der 8 Prozent von DeepSeek, um zu bestätigen, dass es kein Zufall des Versuchsaufbaus war; und der erste Anbieter, der einen Glimmer-Endpunkt bereitstellt – der Moment, in dem eine lokale-und-gemietete-Aufteilung aufhört hypothetisch zu sein und zu etwas wird, das man mit einem einzigen Schlüssel anschließen kann. Bis dahin ist die ehrliche Zusammenfassung kurz. DeepSeek V4 Pro ist der Open-Weights-Gigant mit einer bewährten Geschichte günstiger Tokens und einer spezifischen, gemessenen Schwäche. Muse Glimmer ist der Open-Weights-Neuling, dessen ganzes Verkaufsargument genau auf diese Schwäche abzielt – und dessen einziger Beweis bisher sein eigenes Wort ist.