DeepSeek V4.1 Flash: Was sich ändert, wenn das günstigere Modell das Flaggschiff ablöst

Ein Modellname mit Ablaufdatum

Am Nachmittag des 8. September veröffentlichte DeepSeek in seiner offiziellen Nutzergruppe eine Mitteilung mit weniger als hundert Wörtern. Keine Keynote, kein Teaser, die Doku auf der Website war unverändert. Die Mitteilung enthielt einen einzigen Modellnamen:

deepseek-v4.1-flash-expires-on-0910

Das Suffix 0910 war das Ablaufdatum. Zwei Tage später, am 10. September mittags, ging das offizielle Release online, mit einer Überschrift so nüchtern wie ein wöchentlicher Statusbericht: Stronger, Faster, More Accessible („Stärker, schneller, zugänglicher“).

Spannend wurde es im Text. DeepSeek schrieb, umfangreiche Tests hätten gezeigt, dass V4.1 Flash V4 Pro bei Leistung, Kosten, Geschwindigkeit und Gesamtlatenz klar übertroffen habe, und kündigte eine geordnete Abschaltung von V4 Pro an. Im Klartext: Flash ist Pro entwachsen, und Pro wird ausgemustert.

Die praktische Folge hat ein Datum. Ab 12:00 Uhr Pekinger Zeit am 14. September wird jede Anfrage an deepseek-v4-pro stillschweigend auf V4.1 Flash umgeleitet und zu Flash-Preisen abgerechnet, bis irgendwann ein V4.1 Pro erscheint. Wer deepseek-v4-pro fest im Produktionscode stehen hat, hatte nach der Ankündigung weniger als vier Tage.

Neue Architektur statt frischer Lack

Man könnte V4.1 Flash leicht für einen weiteren Post-Training-Durchlauf auf V4 Flash halten. Das stimmt nicht. Beim Update von V4 Flash am 31. Juli hieß es ausdrücklich, Architektur und Größe des Preview-Modells blieben gleich, nur das Post-Training sei neu: dasselbe Gerüst, eine weitere Trainingsrunde. Dieses Release baut das Fundament neu.

Das Modell ist ein Mixture-of-Experts mit 552B und kausalem Encoder-Decoder-Aufbau, und sein prägendes Merkmal ist die Asymmetrie zwischen Eingabe und Ausgabe:

• Beim Lesen der Eingabe (Prefill) sind 8B Parameter aktiv. Aus dem Expertenpool von 552B berührt jedes Eingabetoken nur rund 1,45 % der Gewichte.
• Beim Schreiben der Ausgabe (Decode) sind 16B Parameter aktiv, genau doppelt so viele wie auf der Eingabeseite.

Die Logik ist schlüssig. Einen Codeblock lesen, einen Screenshot erfassen oder Tool-Ausgaben aufnehmen ist überwiegend Aufnahme, kein tiefes mehrstufiges Schlussfolgern. Das teure Denken passiert beim Generieren. Legt man den Großteil der Rechenleistung auf die Ausgabe, nimmt die Eingabe einen leichten Pfad und die Ausgabe den vollen.

Das passt gut zu Agent-Workloads, deren Token-Verteilung stark schief ist. Zehntausende Tokens an Kontext, Tool-Rückgaben und Repository-Präfixen ergeben nur ein paar Dutzend bis ein paar Hundert Tokens an tatsächlichen Entscheidungen. Günstigere Eingaben treffen genau den teuersten Teil der Pipeline.

Der technische Bericht nennt mehrere Mechanismen dahinter:

• CSA2 (Compressed Sparse Attention 2) verwendet den KV-Cache schichtübergreifend wieder und nutzt Top-K-Indexierung in drei Modi: Full, Reindex und Reuse.
• Die Präzision des KV-Cache sinkt von FP8 in der Vorgängergeneration auf FP4.
• DSpark ist Teil des Decodings. Ein schlankes spekulatives Modul entwirft Tokens, das Hauptmodell prüft sie.

Kurz gesagt: Die Effizienz steckt in der Struktur und kommt nicht vom Drehen an Parametern.

Woher die Einsparungen wirklich kommen: 437-mal kleinerer Cache

Asymmetrische Aktivierung ist ein neuer Kniff, aber das Eindampfen des KV-Cache ist das, wofür DeepSeek am bekanntesten ist. Die offizielle Geschichte dieser Arbeit läuft auf einen konkreten Hardware-Gewinn gegenüber der Vorgängergeneration hinaus: Der HBM-Bedarf sinkt auf ein Viertel, der SSD-Speicherbedarf auf ein Achtel.

Am meisten profitieren Agent-Entwickler. Agents leben von riesigen Kontexten und häufigen Aufrufen, und Systemprompts, Tool-Schemas und Chatverlauf werden bei jeder Runde erneut gesendet. Cache-Trefferquoten liegen oft über 99 %, also besteht der Großteil einer API-Rechnung aus gecachtem Input und nicht aus Output-Tokens.

Die Preisänderungen spiegeln das wider:

• Input mit Cache-Treffer sinkt von $0.0075 auf $0.003 (minus 60 %).
• Input ohne Cache-Treffer sinkt von $0.225 auf $0.15 (minus 33 %).
• Output sinkt von $0.675 auf $0.60 (minus 11 %).

Der tiefste Schnitt sitzt genau dort, wo sich die Arbeit am KV-Cache auszahlt.

In den Zahlen steckt auch eine Lehre für Ingenieure. Ein Anbieter, der so konsequent auf SSD-Footprint optimiert, nutzt SSD offenbar als aktive, primäre Cache-Ebene, ein Muster, dem DeepSeek schon lange folgt. Und wenn der KV-Cache pro Schritt so klein wird, sättigt er die Speicherbandbreite der GPU nicht mehr. Das Lesen der Gewichte wird zum Hauptengpass, was vermutlich erklärt, warum Community-Benchmarks eine konstante Ausgabegeschwindigkeit bei wachsender Kontextlänge sehen.

Benchmarks: echte Siege und ehrliche Niederlagen

Die großen Zuwächse zeigen sich in praxisnahen Agent-Evaluierungen. Terminal-Bench 3.0 sprang von 7.6 auf 30.0, fast das Vierfache. DeepSWE stieg von 54.4 auf 74.2. Beide messen, wie gut ein Agent reale Aufgaben erledigt, das Post-Training zielte also klar auf praktischen Nutzen.

Trotzdem braucht „gewinnt überall“ eine Fußnote. Über die ganze Vergleichstabelle hinweg:

• Platz eins in drei Tests: CyberGym mit 88.1, Automation-Bench mit 54.8 und DeepSWE v1.1 mit 74.2. Bei DeepSWE beträgt der Vorsprung vor Opus 5 (74.0) nur 0.2 Punkte.
• Bei GPQA Diamond erreicht es 90.9 und liegt hinter drei Konkurrenten: GPT-5.6-Sol (94.1), Opus 5 (93.4) und GLM-5.3 (92.9).
• Bei HLE erreicht es 36.8, den letzten Platz der Tabelle, während GPT-5.6-Sol auf 56.3 kommt.
• Terminal-Bench 3.0 und 4.0 landen bei 30.0 und 31.2, deutlich hinter Opus 5 mit 43.3 und 51.8.

Nicht einmal den eigenen Vorgänger schlägt es überall. V4 Pro kam bei GPQA Diamond auf 92.4, V4.1 Flash auf 90.9, also 1.5 Punkte weniger.

„Klar übertroffen“ beschreibt also eine Balance aus Qualität, Kosten, Durchsatz und Latenz, nicht einen höheren Wert in jeder einzelnen Metrik. Genauer gesagt: Bei Agent-Workloads erreicht oder übertrifft das Modell das alte Flaggschiff zu etwa einem Drittel der Betriebskosten. Für die meisten produktiven Geschäftsanwendungen ist genau dieser Tausch entscheidend. Wer aber Forschungs- oder Reasoning-Produkte baut, sollte sich die 36.8 bei HLE genauer ansehen.

Was das für Ihre Rechnung bedeutet

Die seit 12:00 Uhr Pekinger Zeit am 10. September 2026 geltenden Preise sind pro 1M Tokens angegeben. Hauptzeiten sind 01:00 bis 04:00 und 06:00 bis 10:00 UTC, Montag bis Freitag. Alles andere, Wochenenden eingeschlossen, ist Nebenzeit, und die Nebenzeit-Tarife sind genau halb so hoch.

Daraus folgen drei Schlüsse:

• Gegenüber dem alten Flash ist Input mit Cache-Treffer 60 % günstiger, ungecachter Input 33 % und Output 11 %. Da die Trefferquoten meist sehr hoch sind, sinken echte Rechnungen weit stärker, als die 11 % beim Output vermuten lassen.
• Gegenüber V4 Pro fällt der Output zur Hauptzeit von $3.96 auf $1.20, weniger als ein Drittel des früheren Preises, und die Benchmarks werden obendrein besser.
• Nebenzeit-Preise halbieren die Kosten für Batch-Inferenz in der Nacht oder am Wochenende.

Ein Rechenbeispiel: Eine Aufgabe mit 1M gecachten Input-Tokens, 100K ungecachten Input-Tokens und 10K Output-Tokens kostete vorher etwa $0.0368, jetzt zur Nebenzeit etwa $0.024. Das sind rund 34.7 % weniger.

Auch der Kontext zählt. Erst einen Monat zuvor hatte DeepSeek mit dem Start von V4 Pro die Preise erhöht und den Output zur Hauptzeit auf $3.96 gesetzt. Die Senkung auf $1.20 einen Monat später zeigt, wie hart der Wettbewerb bei der Infrastruktur geworden ist.

Migration

Für den Umstieg genügt in einem normalen Client-Setup, die Modellkennung zu ändern:

from openai import OpenAI
client = OpenAI(
    api_key="YOUR_DEEPSEEK_KEY",
    base_url="https://api.deepseek.com",
)
resp = client.chat.completions.create(
    model="deepseek-flash",   # Points to V4.1 Flash
    messages=[{
        "role": "user",
        "content": [
            # Native multimodal: interleaved text and images without a separate vision model
            {"type": "text", "text": "Inspect this error screenshot and identify which layer threw the exception."},
            {"type": "image_url", "image_url": {"url": "https://..."}},
        ],
    }],
)

Fähigkeiten und Grenzen, die Sie kennen sollten:

• Das Kontextfenster umfasst 1M Tokens, die maximale Generierung 384K Tokens, und JSON-Schema-Ausgabe, Function- und Tool-Calling sowie die Responses API werden unterstützt.
• Der Thinking-Modus ist standardmäßig aktiv, mit den Stufen low, high und max.
• Die Parallelität ist bei deepseek-flash auf 2.500 begrenzt, gegenüber 500 bei deepseek-v4-pro.

Einige Fristen und Fehlerquellen verdienen Aufmerksamkeit:

• Alte Modellnamen funktionieren nur als vorübergehende Brücke. deepseek-v4-flash und deepseek-v4-flash-vision-exp sind abgekündigt, werden aber beide noch zu Flash-Preisen auf V4.1 Flash geleitet.
• Der 14. September um 12:00 Uhr Pekinger Zeit ist ein harter Stichtag. Ab dann gehen Anfragen an deepseek-v4-pro stillschweigend an Flash, werden als Flash abgerechnet, und es gibt keine öffentliche Möglichkeit, das abzulehnen.
• Verwenden Sie das Preview-Tag deepseek-v4.1-flash-expires-on-0910 nicht mehr, es ist bereits abgelaufen. Die richtige Kennung ist deepseek-flash.
• In den Consumer-Apps werden die Modi Fast, Expert und Vision zu einem Smart Mode zusammengelegt. Das Modell schätzt die Komplexität der Aufgabe selbst ein und schaltet Vision ein, sobald es ein Bild sieht.

Risiken, die Sie vor der Umstellung prüfen sollten

Stilles Routing in Produktion

Die genannte Begründung ist nachvollziehbar, denn ein älteres, langsameres und teureres Pro weiterzubetreiben ergibt keinen Sinn mehr. Produktionssysteme werden aber auf die Fehlermuster eines bestimmten Modells abgestimmt. Retry-Regeln, Prompt-Fallbacks und Monitoring-Alarme wurden am Verhalten von V4 Pro kalibriert, und ein höherer Durchschnitt in Benchmarks verspricht nicht dasselbe Verhalten bei Ihren eigenen Prompts. Schwachstelle ist die strukturierte Ausgabe: Die Einhaltung von JSON- und Function-Call-Schemas kann abdriften. Fahren Sie vor dem 14. September vollständige Regressionstests mit produktionsnahem Traffic, statt auf Alarme zu warten.

Sprachdrift

Preview-Tester meldeten zwei Fehler bei der Sprachkonsistenz. Englische Prompts bekamen manchmal Antworten auf Chinesisch. Schlimmer noch: Workflows mit Websuche antworteten gern in der Sprache, die auf den gefundenen Seiten überwog. Wenn Ihre Nutzer überwiegend Englisch sprechen, testen Sie genau diesen Fall. Manche Entwickler hängten ständig „Answer in English!“ („Antworte auf Englisch!“) an, um das zu erzwingen, und so ein Workaround gehört nicht in die Nutzerebene produktiver Software.

Offene Gewichte heißen nicht einfaches Deployment

Die Gewichte liegen auf Hugging Face unter der freizügigen MIT-Lizenz, ohne zusätzliche Betriebsauflagen: kommerzielle Nutzung, Fine-Tuning, Weitergabe und sogar das Training konkurrierender Modelle sind erlaubt. Sie ersetzt die eigene DeepSeek License früherer Versionen durch einen Standard-Open-Source-Rahmen, und das PDF des technischen Berichts ist mit veröffentlicht.

Ein 552B-MoE selbst zu hosten bleibt trotzdem eine ernsthafte Infrastrukturaufgabe. DeepSeek selbst sagt, Teams mit Bedarf an internem Hochdurchsatz-Deployment sollten einen Cluster mit rund 2.000 GPUs plus dediziertem Speicher einplanen. Für die meisten Engineering-Teams sind das herunterladbare Gewichte, keine Software, die sie lokal betreiben können. Der Vorteil: Ein KV-Cache von 890 Bytes pro Token entlastet den Speicher stark, was Spielraum für spätere Optimierungen aus der Community lässt.

Wie es weitergeht

V4.1 Flash ist der Einstieg in eine neue Architekturfamilie, die laut DeepSeek auf größere Parameterzahlen skalieren soll. Der nächste Meilenstein ist das noch nicht erschienene V4.1 Pro, gebaut nach demselben Design in größerem Maßstab. Wenn Flash schon bei DeepSWE, CyberGym und Automation-Bench führt, dürfte sich das Pro-Modell darauf konzentrieren, den Rückstand von rund 20 Punkten bei HLE aufzuholen.

Auch die Produktseite ist bemerkenswert. Fast, Expert und Vision zu einem Pfad zusammenzulegen nimmt den Nutzern die Modellwahl ab, denn das System entscheidet selbst über Denktiefe und multimodale Aktivierung. Gemini ist diesen Weg früher gegangen, DeepSeek ist gefolgt. Für Nutzer ist das gut, Middleware-Anbieter sollten es aber als Warnung lesen: Jedes Produkt, dessen Wert allein darin liegt, Menschen bei der Modellwahl zu helfen, verliert diesen Wert schnell.

Und V4 Pro? Ein Modell, das eine Preiserhöhung bekam und dann binnen dreißig Tagen vom eigenen leichteren Geschwister abgelöst wurde, sagt viel über die Branche. Die Geduld mit einem Flaggschiff reicht heute etwa einen Monat.