SWE-2 Flash vs. DeepSeek V4 Flash: Der eine hat eine Tarifkarte, der andere ein Verhältnis

Das Erste, was zerbricht, wenn man SWE-2 Flash und DeepSeek V4 Flash nebeneinanderstellt, ist die Einheit. DeepSeek veröffentlicht Dollar pro Million Tokens und einen Checkpoint, den man herunterladen kann. Cognition veröffentlicht einen Bruchteil – ein Fünftel von SWE-2 – und einen Platz in Devin. Eines davon ist ein Modell, auf dem man aufbauen kann; das andere ist ein Modell, das man nutzen kann. Jeder Vergleich, der folgt, muss dieser Asymmetrie standhalten, und die meisten, die am Launch-Tag kursierten, taten das nicht.

Das ist kein Grund, den Vergleich auszulassen. Es ist der Grund, warum es sich lohnt, den Vergleich sorgfältig anzustellen. Die beiden Modelle richten sich an denselben Käufer – ein Team, das Coding-Verhalten nahe der Frontier ohne Frontier-Preise will – und sie wetten in entgegengesetzte Richtungen darauf, wie dieser Käufer es erhalten möchte. Die eine Wette ist disaggregiert: Gewichte, eine API, ein veröffentlichtes Kontextfenster und eine Rechnung, die man vorhersagen kann. Die andere ist integriert: ein Modell, das auf ein einziges Harness abgestimmt ist, zu einem Bruchteil der Kosten eines anderen Modells verkauft, wobei der Serving-Stack in der Zahl enthalten ist.

Was jeweils tatsächlich dahintersteckt – und die Checkpoint-Falle

SWE-2 Flash wurde am 4. November 2026 angekündigt. Es ist aus Inkling-Small nachtrainiert, der Mixture von Thinking Machines mit 276B Gesamt- und 12B aktiven Parametern, und ist in Devin Desktop und Devin CLI verfügbar. Dort ist es bis zum 30. November kostenlos. Es gibt keine API, keine öffentlichen Gewichte und kein veröffentlichtes Kontextfenster.

DeepSeek V4 Flash ist ein Mixture-Modell mit insgesamt 284B Parametern und etwa 13B aktiven Parametern unter der MIT-Lizenz, mit einem Kontextfenster von 1 Mio. Tokens und bis zu 384.000 Ausgabe-Tokens. Es verarbeitet ausschließlich Text; die Vision-Variante ist eine separate experimentelle ID. Es wird über eine OpenAI-kompatible API bereitgestellt und ist seit dem Frühjahr abrufbar, mit einem erneut nachtrainierten 0731-Checkpoint, der den Großteil der Arbeit beim agentischen Coding erledigt hat.

Dann die Falle. DeepSeeks eigene Modell- und Preisseite, gelesen am 5. November 2026, führt deepseek-v4-flash unter den Legacy-Namen auf, die von der API noch akzeptiert werden, und gibt an, dass es jetzt von DeepSeek-V4.1-Flash-1017 bedient wird. Das ist ein anderes und größeres Modell: In der Vergleichstabelle von Cognition wird V4.1 Flash 1017 mit 763B Gesamtparametern und 16B aktiven Parametern angegeben. Somit verweist „DeepSeek V4 Flash“ je nach Sprecher auf mindestens drei Dinge – den April-Build, den 0731-Checkpoint oder den Oktober-V4.1-Checkpoint, auf den die ID jetzt zeigt. Auf OrcaRouter sind die gepinnten IDs separate Routen, und nur deshalb kann ein Vergleich überhaupt reproduzierbar sein.

Das ist keine Pedanterie. Es ändert, welche Benchmark-Zeile Sie zitieren dürfen. Öffentliche Leaderboard-Werte für „DeepSeek V4 Flash“ wurden auf dem Build 0731 gemessen. Die Tabelle von Cognition hat V4.1 Flash 1017 gemessen. Sie sind nicht dasselbe Modell, und die Zahlen unterscheiden sich entsprechend.

Preis, in den beiden Einheiten, die jeder Anbieter tatsächlich veröffentlicht

Die Tarifkarte von DeepSeek ist reine Arithmetik. Pro Million Tokens für das Modell, das die Kennung deepseek-flash jetzt bedient – DeepSeek-V4.1-Flash-1017, das die Seite ausdrücklich nennt –, Stand 5. November 2026: Eingabe zu 0,15 $ außerhalb der Spitzenzeiten und 0,30 $ in den Spitzenfenstern, Ausgabe zu 0,60 $ außerhalb der Spitzenzeiten und 1,20 $ in Spitzenzeiten, zwischengespeicherte Eingabe zu 0,003 $ und 0,006 $. Spitzenzeiten sind von 01:00 bis 04:00 und von 06:00 bis 10:00 UTC, Montag bis Freitag, ausgenommen chinesische gesetzliche Feiertage. Außerhalb dieser Fenster gilt der günstigere Tarif.

Der gepinnte ältere Checkpoint hat einen anderen Preis. Der Katalog von OrcaRouter führt deepseek/deepseek-v4-flash zu $0,22 pro Million Eingabe-Token und $0,66 pro Million Ausgabe-Token, ein Pauschalpreis ohne Peak-Tarif. Das ist der Preis der Reproduzierbarkeit: Wenn du das Modell aus der April-Linie pinnst, statt das aktuelle aufzurufen, zahlst du mehr – im Gegenzug für das Modell, mit dem die meisten veröffentlichten Benchmark-Zeilen tatsächlich gemessen wurden. Keine der beiden Entscheidungen ist falsch; sie beantworten unterschiedliche Fragen.

Die Karte von Cognition ist ein Vergleich. „Ein Fünftel des Preises und die dreifache Geschwindigkeit des viel größeren Schwestermodells“ ist die gesamte öffentliche Aussage, ohne dass eine absolute Zahl genannt wird, und obendrein bis zum 30. November kostenlos. Es gibt keine Möglichkeit, aus öffentlich verfügbaren Informationen zu berechnen, was eine Aufgabe mit SWE-2 Flash kostet, denn der Nenner ist ein Modell, dessen eigener Tokenpreis ebenfalls nie veröffentlicht wurde.

Daraus ergeben sich zwei Konsequenzen, und beide sind praktisch statt pedantisch.

• Prognostizierbarkeit — Die Kosten von DeepSeek pro Million Token sind auf den Cent genau bestimmbar, einschließlich des Spitzenmultiplikators. Die Kosten von SWE-2 Flash sind nur als Bruchteil einer unveröffentlichten Zahl bestimmbar, innerhalb eines Abonnements, das Sie bereits bezahlen.

• Pauschalpreise sind irreführend – die festgelegte V4-Flash-Route ist ein einziger Pauschaltarif, während die aktuelle Preiskarte des Anbieters zweistufig ist. Eine Pauschalzahl ist daher für einen Teil der Woche falsch und beschreibt einen anderen Checkpoint als den, den die meisten Benchmark-Zeilen nennen. Planen Sie anhand der Anbieterkarte; reproduzieren Sie anhand der festgelegten Route.

Beide sind wichtiger, als sie aussehen. Für einen Agenten, der Tausende kurzer Aufrufe ausführt, ist der Spitzenmultiplikator ein Planungsproblem, um das man herumkonstruieren kann; für einen Coding-Agenten, der eine Handvoll langer Sitzungen ausführt, ist er ein Rundungsfehler. Welcher der beiden Sie sind, entscheidet darüber, ob DeepSeeks Preiskarte zwei Preise oder nur einen hat.

Geschwindigkeit: ein Replay gegen eine Messung

Cognitions 200 Tokens pro Sekunde sind keine Live-Messung. Der Beitrag erklärt es: der jeweilige eigene Lauf jedes Modells auf der gsea-proteomics-Aufgabe von Terminal-Bench 4.0, „mit simulierten 200 vs. 60 Tokens pro Sekunde wiedergegeben“, wobei die Transkripte auf gleiche Länge gekürzt wurden. SWE-2s 60 Tok/s stammen aus derselben Wiedergabe. Es beschreibt das Serving-Profil, das Cognition anstrebt, was eine legitime Sache zum Veröffentlichen ist, aber es ist keine Stoppuhr an zwei Endpunkten.

Artificial Analysis misst DeepSeek V4 Flash auf seiner aktuellen Modellseite mit 112 Ausgabe-Tokens pro Sekunde und einer Zeit bis zum ersten Antwort-Token von 32,41 Sekunden. Das ist eine Messung einer Live-API, einschließlich etwaiger Warteschlangenverarbeitung durch den Anbieter. Die beiden Zahlen sind nicht vergleichbar, und sie voneinander zu subtrahieren wäre sinnlos: Die eine ist eine simulierte Wiedergabe innerhalb eines Produkts, die andere eine beobachtete Auslieferungsrate über den öffentlichen Endpunkt.

Was von diesem Vorbehalt übrig bleibt, ist die Richtung. Wenn ein Modell mit 12B aktiven Parametern in Devin tatsächlich mit rund 200 tok/s bedient wird, während ein Modell mit 13B aktiven Parametern über eine öffentliche API 112 tok/s erreicht, ist das Modell mit den weniger aktiven Parametern nicht offensichtlich das schnellere — der Serving-Stack leistet ebenso viel Arbeit wie die Architektur. Das spricht für integrierte Produkte und dagegen, die Geschwindigkeit an einer Parameterzahl abzulesen.

Der eine Lauf am selben Tisch und wer ihn durchführte

Cognitions Launch-Tabelle enthält DeepSeeks Modell direkt. Die Spalte ist DeepSeek V4.1 Flash 1017 – der Checkpoint, auf den die ID deepseek-v4-flash jetzt aufgelöst wird –, was dies zum einzigen Vergleich des Paares macht, der unter einem Dach entstanden ist. Jede unten stehende Zahl stammt von Cognition, auf Cognitions Benchmarks, ohne dass ein Harness offengelegt wird.

• FrontierCode 2.0 — SWE-2 Flash 24,0 gegen DeepSeek V4.1 Flash 1017 19,3

• FrontierCode 1.1 Main — 45,5 vs. 43,9

• DeepSWE 1.1 — 60,1 vs. 77,0

• Terminal-Bench 4.0 — 20,0 vs. 42,3

• Terminal-Bench 2.1 — 89,2 vs. 91,0

• SWE-Atlas QA — 50,0 vs. 71,0

• SWE-Bench Pro v2 Hard — 89,9 vs. 86,3

• ExploitBench — 34,8 vs. 31,1

Die Aufteilung umfasst jeweils vier Zeilen, und die Vorsprünge sind alles andere als symmetrisch. SWE-2 Flash gewinnt FrontierCode 2.0 mit 4,7 Punkten Vorsprung, FrontierCode 1.1 Main mit 1,6, SWE-Bench Pro v2 Hard mit 3,6 und ExploitBench mit 3,7. DeepSeek gewinnt DeepSWE 1.1 mit 16,9, Terminal-Bench 4.0 mit 22,3, SWE-Atlas QA mit 21,0 und Terminal-Bench 2.1 mit 1,8. Jeder Sieg von Flash beträgt nur eine Handvoll Punkte. Zwei der DeepSeek-Siege liegen über zwanzig.

Gewichtet man den Vergleich nach Abstand statt nach der Anzahl der Siege, ist er nicht mehr knapp. The Flash ist auf FrontierCode wirklich konkurrenzfähig, wo ein begrenzter Patch gegen eine schriftliche Spezifikation belohnt wird, und liegt auf Terminal-Bench 4.0 weit zurück, wo ein Terminal-Agent gemessen wird, der eine Aufgabe bis zum Abschluss bringt. Das ist auch die Zeile, in der sich das übrige Feld trennt: GLM 5.3 Flash erreicht auf demselben Benchmark 41,8 und Claude Haiku 5.5 erreicht 39,2, gegenüber 20,0 für The Flash.

Nun die Vorbehalte, die im selben Atemzug genannt werden müssen. Dies ist die Tabelle eines Wettbewerbers. FrontierCode ist Cognitions eigenes Instrument, und Cognition bewertet es. Der Beitrag macht keine Angaben zum Harness, zur Effort-Einstellung und zur Anzahl der Läufe, daher ist „dieselbe Tabelle“ nicht dasselbe wie „dieselben Bedingungen“ – es ist die einheitlich angewandte Methodik eines einzigen Anbieters, was besser als nichts, aber schlechter als eine unabhängige Bewertung ist. Und die DeepSeek-Spalte ist V4.1 Flash 1017, nicht der Build 0731, den die meisten öffentlichen Zahlen beschreiben.

Es gibt eine nützliche Plausibilitätsprüfung dafür, wie sehr das Instrument eine Rolle spielt. Die Auswertung des 0731-Builds von DeepSeek V4 Flash durch Artificial Analysis, zuletzt ausgeführt am 31. Juli 2026, verzeichnet 12,1 % bei Terminal-Bench 4.0. Die Tabelle von Cognition verzeichnet 42,3 % für den V4.1 Flash 1017-Checkpoint. Dreißig Punkte Unterschied beim selben genannten Benchmark. Ein Teil davon ist der Checkpoint – V4.1 ist ein anderes und größeres Modell –, und ein Teil ist die Testumgebung, denn das eine ist ein standardisierter Drittanbieter-Lauf und das andere ein eigener Lauf des Anbieters. Wie auch immer: Keine einzelne Zeile in diesem Vergleich ist eine Eigenschaft eines Modells allein, und die Zeilen, in denen die beiden Anbieter am stärksten voneinander abweichen, sind diejenigen, die man am vorsichtigsten behandeln sollte.

Kontext, Gewichte und was man damit bauen kann

• Kontextfenster — DeepSeek 1.048.576 Tokens veröffentlicht vs. SWE-2 Flash nicht veröffentlicht

• Maximale Ausgabe — DeepSeek 384.000 Token vs. SWE-2 Flash: nicht veröffentlicht

• Gewichte — DeepSeek MIT, herunterladbar vs. SWE-2 Flash zugangsbeschränkt, Partnerprogramm „in ein paar Wochen“ versprochen

• Modalität — DeepSeek V4 Flash nur Text; Vision kommt beim V4.1-Checkpoint und unter einer separaten experimentellen ID hinzu; im Vergleich zu SWE-2 Flash nicht angegeben

• Distribution — DeepSeek API und Drittanbieterplattformen vs. ausschließlich Devin Desktop und Devin CLI

• Aufwandssteuerung — DeepSeek-Denk- und Nicht-Denk-Modi vs. SWE-2 Flash nicht dokumentiert

• Lizenz zum Fine-Tuning — DeepSeek: ja vs. SWE-2 Flash: nein, noch nicht

Für ein Team, das ein Produkt entwickelt, disqualifizieren fünf dieser sieben Zeilen schon für sich allein. Man kann keine Retrieval-Pipeline auf ein unveröffentlichtes Kontextfenster hin planen, man kann keine Gewichte fine-tunen, die man nicht hat, und man kann keine Abhängigkeit in seine Architektur einbauen, die nur in der IDE von jemand anderem existiert. SWE-2 Flash konkurriert nicht um diesen Platz. Es konkurriert um den Platz, den ein Entwickler bereits einnimmt.

Die eine Zeile, in der der Flash einen Vorteil hat, ist diejenige, zu der sich Cognition am wenigsten klar äußert: die Kosten pro Aufgabe. Wenn ein Fünftel des Preises von SWE-2 einem Fünftel der Kosten entspricht, eine Aufgabe erledigt zu bekommen, schlägt es DeepSeeks Pro-Token-Karte für interaktive Arbeit in Devin, weil das Abonnement bereits bezahlt ist. Wenn es ein Fünftel des Tokenpreises bei einem Modell ist, das pro Aufgabe mehr Token erzeugt, schrumpft der Vorteil. Cognition veröffentlicht nicht genug, um sagen zu können, was zutrifft.

Wo ein Router die Rechnung verändert

Auf OrcaRouter wird DeepSeek V4 Flash geroutet als deepseek/deepseek-v4-flash, zum Listenpreis des Anbieters ohne Aufschlag – was bei einem Modell, dessen Preis sich zweimal täglich ändert, durchaus zählt: Eine Preissenkung des Anbieters oder eine Änderung im Peak-Fenster erreicht die Route direkt, statt darauf zu warten, dass eine Plattform neu bepreist. Derselbe Schlüssel erreicht mehr als 200 Modelle, sodass die sinnvolle Variante dieses Vergleichs – die eigene Warteschlange gegen DeepSeek V4 Flash, GLM 5.3 Flash und Kimi K3 laufen zu lassen und zu sehen, welches die Aufgaben wirklich mögen – nur eine Änderung der Modell-ID kostet statt drei Verträge. Automatisches Failover über Anbieter hinweg ist die andere Hälfte: DeepSeeks Peak-Fenster sind genau der Moment, in dem sich eine zweite Route ihren Platz verdient, und eine Fallback-Kette ist günstiger als ein Pager-Alarm.

SWE-2 Flash ist nicht auf OrcaRouter und kann es auch nicht sein. Es gibt keinen Endpoint, an den man routen könnte – das ist die ehrliche Zusammenfassung des ganzen Duells. Wer es will, kauft Devin. Wer ein Coding-Modell aus seiner eigenen Software heraus aufrufen möchte, für den wurde die Entscheidung getroffen, bevor die Benchmarks veröffentlicht wurden.

Welchen soll man wählen?

Wenn Sie ein Coding-Modell im Produktivbetrieb brauchen – eine API, ein Kontextfenster, gegen das Sie dimensionieren können, Gewichte, die Sie pinnen können, eine Rechnung, die Sie prognostizieren können –, dann ist DeepSeek V4 Flash das einzige der beiden, das infrage kommt, und der Oktober-Checkpoint ist derjenige, den man pinnen sollte. Der Rabatt für das Peak-Fenster ist es wert, dass man ihn in die technische Planung einbezieht, und der 1M-Kontext ist es wert, ihn zu haben, auch wenn man ihn selten ausfüllt.

Wenn Sie bereits für Devin bezahlen, ist SWE-2 Flash bis zum 30. November nahezu eine kostenlose Option. Setzen Sie es für die begrenzten Aufgaben am Ende Ihrer Warteschlange ein, behalten Sie SWE-2 für die mehrstufigen Arbeiten, die die DeepSWE-Lücke beschreibt, und behandeln Sie das kostenlose Zeitfenster als das, was es ist: eine Evaluierungsphase. Das Risiko besteht nicht darin, dass es schlecht ist. Das Risiko besteht darin, dass ein Verhältnis dort verwendet wird, wo eine Messung stehen sollte.

Wenn Sie ein Team auf ein einziges Coding-Modell standardisieren, ist dies nicht der Vergleich, anhand dessen diese Entscheidung fallen sollte. Ein Kandidat lässt sich testen, der andere nicht, und ein Vergleich, bei dem nur eine Seite beobachtbar ist, ist eine Vertriebsentscheidung im Benchmark-Kostüm. Nehmen Sie den, den Sie messen können, und kommen Sie darauf zurück, wenn Cognition einen Endpoint oder ein Partnerprogramm veröffentlicht, das die Gewichte an eine für Sie erreichbare Stelle bringt.