Zum Hauptinhalt springen

DeepSeek-V4.1-Flash: Ein offenes 1M-Kontext-Modell, das auf DeepSWE mit Opus 5 gleichzieht (Sep 2026)

Fortgeschritten

Um 04:00 UTC am 10. September 2026 schaltete DeepSeek seine API auf ein neues Modell um und veröffentlichte die Gewichte am selben Tag: DeepSeek-V4.1-Flash, bereitgestellt als deepseek-flash. Es ist das kleinste Mitglied einer neuen Architekturfamilie, aber kein kleines Modell: 552 Milliarden Parameter, ein 1-Million-Token-Kontext, native Vision und ein KV-Cache, der 890 Bytes pro Token kostet. Auf DeepSWE v1.1, dem Long-Horizon-Software-Engineering-Benchmark, mit dem inzwischen sowohl Google als auch Anthropic werben, meldet DeepSeek 74,2, ein Fünftel Punkt über Claude Opus 5. Auf Terminal-Bench 4.0 meldet es 31,2 gegenüber 51,8 für Opus 5. Beide Zahlen stimmen, und die Lücke zwischen ihnen ist die ganze Geschichte.

Diese Seite ist der Field Guide für Claude-Nutzer: was sich tatsächlich geändert hat, die Routing-Änderung, die stillschweigend jede deepseek-v4-pro-Anfrage umgeleitet hat, der Effort-Regler und was er mit Ihrer Rechnung macht, wie man die Gewichte ausführt und die Arbeitslasten, bei denen Claude weiterhin die richtige Wahl ist.

What you'll learn
  • Die Launch-Zahlen von V4.1-Flash so lesen, wie sie es verdienen: gleichauf mit Opus 5 auf DeepSWE, weit zurück auf Terminal-Bench, und warum dieser Unterschied kein Widerspruch ist
  • Das neue Causal-Encoder-Decoder-plus-CSA2-Design gut genug verstehen, um zu wissen, was der 890-Byte-KV-Cache Ihnen bringt (und was DeepSeek nach eigener Aussage noch nicht charakterisiert hat)
  • Den reasoning_effort-Regler von 1–100 bewusst nutzen — 25 vs. 100 ist ein Unterschied von 8 Punkten auf DeepSWE für ~2,5× so viele Output-Tokens
  • Die ehrliche Kostenrechnung machen: $0.30 / $1.20 zur Hauptzeit, die Hälfte außerhalb, $0.003 pro Million bei einem Off-Peak-Cache-Treffer — und das UTC-Hauptzeitfenster, das entscheidet, welchen Tarif Sie zahlen
  • Die Routing-Änderung vom 14. September kennen: deepseek-v4-pro liefert jetzt stillschweigend V4.1-Flash, bis V4.1-Pro erscheint
  • Einen Serving-Pfad wählen (gehostete API, vLLM, SGLang, Docker Model Runner) und die von DeepSeek empfohlenen Sampling-Standardwerte kennen

Die Ein-Satz-Version​

V4.1-Flash ist DeepSeeks erstes Modell auf einer neuen Architektur (ein "Causal Encoder-Decoder" mit Compressed Sparse Attention 2), veröffentlicht unter MIT-Lizenz mit nativer Vision, einem 1M-Token-Fenster, 384K maximalem Output und einem stufenlos steuerbaren Reasoning-Effort von 1 bis 100. Es ersetzt jeden Flash-Endpunkt der V4-Ära sofort und beantwortet seit dem 14. September auch jeden deepseek-v4-pro-Aufruf zu Flash-Preisen, bis V4.1-Pro erscheint.

Drei Dinge, die ein Claude-Nutzer nicht verpassen sollte​

1. DeepSWE-Gleichstand und Terminal-Bench-Defizit sind dieselbe Tatsache, zweimal betrachtet​

DeepSeeks Launch-Tabelle, in den Spalten, die für einen Agenten-Shop zählen:

BenchmarkDeepSeek-V4.1-FlashClaude Opus 5GPT-5.6 Sol
DeepSWE v1.1 (gelöst)74,274,073,0
Terminal-Bench 3.030,043,3—
Terminal-Bench 4.031,251,8—
CyberGym88,1——
AutomationBench54,8——

DeepSWE belohnt ein Modell, das ein Repository liest, einen Patch plant und ihn einbringt: langer Kontext, sorgfältige Retrieval, wenige große Änderungen. Terminal-Bench belohnt viele kurze, adaptive Shell-Turns, bei denen jede Entscheidung vom letzten Tool-Ergebnis abhängt. V4.1-Flash hat 1M Tokens Kontext und einen günstigen Cache, also passt die erste Form zu ihm. Es fährt 8B aktive Parameter pro Token beim Prefill und 16B beim Decode, was deutlich weniger "Denken pro Schritt" ist als bei einem dichten Frontier-Modell, also tut die zweite Form weh. Wenn Ihre Arbeit wie ein Pull Request aussieht, ist der Gleichstandsanspruch glaubwürdig und einen Eval wert. Wenn Ihre Arbeit wie eine interaktive Terminal-Sitzung aussieht, ist die 20-Punkte-Lücke auf Terminal-Bench die Zahl, um die Sie budgetieren müssen. Derselbe Unterschied zeigt sich beim Launch von Googles Gemini 3.8 Flash eine Woche zuvor, und aus denselben architektonischen Gründen.

Die Basismodell-Zeilen erzählen eine leisere Geschichte: MMLU-Pro 74,1 (V4-Flash 68,3, V4-Pro 73,5), HumanEval 79,4 (V4-Flash 69,5), GSM8K 93,0 (V4-Flash 90,8). Das neue "Flash" ist eine bessere Basis als das "Pro" vom letzten Monat, weshalb DeepSeek keine Bedenken hatte, den Pro-Verkehr darauf umzuleiten.

2. Der Reasoning-Effort-Regler ist ein echter Regler, und er steht auf Ihrer Rechnung​

Anders als Claudes effort (low/medium/high/max) bietet V4.1-Flash eine Ganzzahl von 1 bis 100. DeepSeeks eigene Ablation auf DeepSWE v1.1: Effort 25 erreicht 66,0 %, Effort 100 erreicht 74,2 %, und die höchste Einstellung erzeugt etwa 2,5× so viele Output-Tokens. Sie sagen außerdem, dass das Band 60–80 den Großteil der Genauigkeit bei maximalem Effort mit weniger als der Hälfte des Token-Budgets liefert. Jede Benchmark-Zeile oben wurde mit reasoning_effort=100 erzeugt. Die Gleichstandszahl ist also die teure Zahl. Reproduzieren Sie sie zuerst bei 100, dann gehen Sie herunter bis zur günstigsten Einstellung, bei der Ihre Evals noch bestehen. Das ist dieselbe Disziplin, die wir für thinking_level bei Gemini und effort bei Claude in Reasoning-Modelle im Vergleich empfehlen.

3. Zwei Routing-Änderungen geschahen ohne clientseitige Änderung​

  • Seit dem 10. September routen deepseek-v4-flash und deepseek-v4-flash-vision-exp zu V4.1-Flash, abgerechnet zu Flash-Tarifen. Die Zahlen auf der V4-Flash-Vision-Exp-Seite beschreiben jetzt die offenen Gewichte, nicht den gehosteten Endpunkt.
  • Seit 04:00 UTC am 14. September routet auch jede deepseek-v4-pro-Anfrage zu V4.1-Flash zu Flash-Tarifen, "bis V4.1-Pro startet".

Wenn Sie Evals auf deepseek-v4-pro gepinnt haben, hat sich Ihr Produktionsmodell am Sonntagmorgen unter Ihnen geändert. Führen Sie die Suite erneut aus. Der Vorteil ist, dass derselbe Aufruf jetzt ungefähr ein Viertel des Pro-Tarifs kostet; der Nachteil ist, dass jedes Pro-spezifische Verhalten, auf das Sie abgestimmt haben, verschwunden ist. Das ist genau der Fehlermodus, vor dem Prompts zwischen Modellen portieren warnt, wenn ein Anbieter Modell-IDs als Alias verwendet.

Modellkarte auf einen Blick​

SpezifikationDeepSeek-V4.1-Flash
API-Modell-IDdeepseek-flash
Veröffentlichung10. September 2026 (API + offene Gewichte am selben Tag)
Parameter552B gesamt; 8B aktiv beim Prefill, 16B beim Decode
MoE-Layout384 geroutete + 1 geteilter Experte pro MoE-Schicht; 6 geroutete Experten aktiv pro Token
ArchitekturCausal Encoder-Decoder, Compressed Sparse Attention 2 (CSA2)
KV-Cache890 Bytes pro Token (FP4, E2M1): ~1/4 von V4-Flash im HBM, ~1/8 im SSD-Speicher; globale KV-Cache-Lebensdauer mindestens 72 Stunden
Kontext / max. Output1M Tokens / 384K Tokens
VisionNativ; DeepSeek-ViT von Grund auf trainiert, 2D-RoPE, 3×3-Pixel-Unshuffle-Downsampling
Reasoning-Steuerungreasoning_effort Ganzzahl 1–100
LizenzMIT
GewichteSafetensors in BF16, F32, F8_E4M3, I8
ServingvLLM, SGLang, Docker Model Runner, Transformers; Referenz-Inferenzcode im Ordner inference/
Empfohlenes Samplingtemperature 1.0, top_p 0.95 oder 1.0, Kontext 1M
API-Nebenläufigkeit2.500

Die KV-Cache-Zeile ist die architektonische Schlagzeile. Eine 1M-Token-Unterhaltung bei 890 Bytes pro Token ist weniger als ein Gigabyte Cache, weshalb DeepSeek eine 72-Stunden-Cache-Lebensdauer versprechen und Cache-Treffer zu Bruchteilen eines Cents bepreisen kann. Anthropics Antwort auf dasselbe Problem ist ein günstigerer Cache-Read-Tarif bei Claude Fable 5.1; DeepSeeks Antwort ist, den Cache physisch klein zu machen. Beide drängen Sie zur selben Gewohnheit: das stabile Präfix zuerst setzen und es mitten im Lauf nie bearbeiten. Siehe Prompt-Caching.

Preise: die Hauptzeit-Falle​

DeepSeek behält einen Zwei-Tarif-Plan bei. Hauptzeiten sind 01:00–04:00 und 06:00–10:00 UTC, Montag bis Freitag; alles andere ist Off-Peak zu exakt der Hälfte des Hauptzeit-Tarifs.

Pro 1M TokensHauptzeitOff-Peak
Input, Cache-Treffer$0.006$0.003
Input, Cache-Miss$0.30$0.15
Output$1.20$0.60

Zwei Dinge folgen daraus. Erstens: Die Schlagzeile "$0.003 pro Million" ist der Preis für Off-Peak-Cache-Treffer, die günstigste von sechs Zellen; ein kalter Agentenlauf zur Hauptzeit zahlt beim Input das 100-Fache davon. Zweitens: Das Hauptzeitfenster ist in UTC definiert und deckt den europäischen Morgen und das Ende der US-Nacht ab. Ein Batch-Job, der um 09:00 UTC geplant ist, zahlt das Doppelte dessen, was derselbe Job um 11:00 UTC zahlt. Wenn Sie verschieben können, verschieben Sie. Für einen Rahmen, der diese Zellen neben die Listenpreise von Anthropic, OpenAI und Google stellt, nutzen Sie Was KI bei verschiedenen Anbietern kostet; die aktuellen Claude-Listenpreise stehen auf Modelle und Preise.

Selbst ausführen​

Gehostet ist für fast alle richtig: Das Modell ist riesig, und die API ist das Günstigste auf dieser Seite. Selbst hosten sollten Sie, wenn Daten Ihr Netzwerk nicht verlassen dürfen oder wenn Sie den Effort-Regler und das 1M-Fenster ohne Rate-Limit wollen.

Guided walkthrough1 of 5
  1. 552B Parameter in BF16 sind über ein Terabyte Gewichte; die F8_E4M3- und I8-Safetensors halbieren oder vierteln das, brauchen aber immer noch einen Multi-GPU-Knoten. Wenn Sie nicht bereits Kimi K3 oder MoEs der Colibrì-Klasse betreiben, wird der gehostete Endpunkt bei $0.30 / $1.20 zur Hauptzeit Ihre amortisierte Hardware-Rechnung schlagen. Siehe die Hardware-Rechnung unter Kimi K3 lokal ausführen.

Gehosteter Aufruf mit dem Effort-Regler (OpenAI-kompatibler Endpunkt)

curl https://api.deepseek.com/chat/completions \
-H "Authorization: Bearer $DEEPSEEK_API_KEY" \
-H "Content-Type: application/json" \
-d '{
  "model": "deepseek-flash",
  "reasoning_effort": 70,
  "messages": [
    {"role": "system", "content": "You are a senior engineer. Reply with a unified diff and one paragraph of rationale."},
    {"role": "user", "content": "The test suite in ./tests fails on macOS only. Here is the log and the relevant module: ..."}
  ]
}'

Selbst gehostet mit vLLM (nur die Form; die exakten Flags stehen in der Modellkarte)

# One node, tensor-parallel across all visible GPUs.
# The card names vLLM, SGLang, Docker Model Runner and Transformers as supported.
vllm serve deepseek-ai/DeepSeek-V4.1-Flash \
--tensor-parallel-size 8 \
--max-model-len 1000000 \
--trust-remote-code

# Then hit http://localhost:8000/v1/chat/completions with the same body as above.

Wann zu V4.1-Flash greifen, und wann bei Claude bleiben​

Pro tip
  • Zu V4.1-Flash greifen: Coding-Aufgaben im Repository-Maßstab, die wie DeepSWE aussehen (viel lesen, wenig bearbeiten), bei denen Sie mit Effort 60–100 laufen können und die Kosten pro gelöstem Issue Claude immer noch um eine Größenordnung unterbieten.
  • Zu V4.1-Flash greifen: alles, was ein 1M-Token-Fenster und einen tagelang warmen Cache braucht — eine globale Cache-Lebensdauer von 72 Stunden und 890 Bytes KV pro Token machen 'die gesamte Codebasis im Kontext halten' günstig.
  • Zu V4.1-Flash greifen: selbst gehostete oder Data-Residency-Arbeitslasten, bei denen die MIT-Lizenz zählt und Sie bereits einen Multi-GPU-MoE-Stack betreiben.
  • Bei Claude bleiben: interaktive Terminal-Agenten und jede Schleife mit vielen kurzen Turns. Eine 20-Punkte-Lücke auf Terminal-Bench 4.0 (31,2 vs. 51,8) ist kein Rauschen, und sie ist die Form der meisten echten Claude-Code-Sitzungen.
  • Bei Claude bleiben: Arbeit, die Anthropics Tool-Use-Schleife, vorausgefüllte Assistant-Turns, strikte Structured Outputs oder die Sicherheits- und Aufbewahrungsgarantien einer Erstanbieter-API braucht. Die DeepSeek-API ist OpenAI-förmig, und das Modell hat dokumentierte, nicht charakterisierte Long-Context-Fehlermodi.
  • Beide gegenprüfen: Für einen Coding-Agenten führen Sie Ihren eigenen Eval bei DeepSeeks effort=100 und Claudes Standard-Effort durch, dann bei der günstigsten bestehenden Einstellung auf jeder Seite. Die Herstellertabellen wurden bei maximalem Effort erzeugt; Ihre Rechnung wird es nicht.

Für den dauerhaften Rahmen hinter dieser Liste: Wie man ein Modell wählt. Für das, was sich ändert, wenn Sie einen Prompt zwischen einer Anthropic-förmigen und einer OpenAI-förmigen API verschieben: Prompts zwischen Modellen portieren. Für die Claude-seitige Referenz, an der diese Vergleiche hängen: Claude Fable 5.1 und Opus 5.

Kurzer Check​

Check yourself

0/5
  1. DeepSeek meldet V4.1-Flash mit 74,2 auf DeepSWE v1.1 (Opus 5: 74,0) und 31,2 auf Terminal-Bench 4.0 (Opus 5: 51,8). Was ist die richtige Lesart?
  2. Sie haben die Produktion im August auf deepseek-v4-pro gepinnt. Was ist am 14. September 2026 passiert?
  3. Welcher Preis ist die Schlagzeile '$0.003 pro Million Tokens'?
  4. DeepSeeks DeepSWE-Ablation: Effort 25 → 66,0 %, Effort 100 → 74,2 %, bei ~2,5× so vielen Output-Tokens. Was sollten Sie tun?
  5. Was hat DeepSeek nach eigener Aussage an der neuen Architektur ausdrücklich NICHT vollständig charakterisiert?
Drücke Enter oder die Leertaste, um die Karte umzudrehen. Nutze die Pfeiltasten links und rechts, um zwischen den Karten zu wechseln.Begriff angezeigt.
1 / 8
Key takeaways
  • V4.1-Flash ist ein Repository-förmiges Modell: Gleichstand mit Opus 5 auf DeepSWE, ein 20-Punkte-Defizit auf Terminal-Bench 4.0. Setzen Sie es für Arbeit ein, die viel liest und wenig bearbeitet.
  • Der Effort-Regler 1–100 ist der Preishebel. Jede Launch-Zahl ist bei 100; DeepSeeks eigene Empfehlung ist, dass 60–80 den Großteil der Genauigkeit bei weniger als der Hälfte der Tokens behält.
  • Sechs Preiszellen, nicht eine. Die $0.003-Schlagzeile ist Off-Peak-Cache-Treffer-Input; ein kalter Hauptzeit-Token kostet das 100-Fache. Hauptzeit ist 01:00–04:00 und 06:00–10:00 UTC an Werktagen.
  • Zwei stille Routing-Änderungen: V4-Flash-Endpunkte am 10. Sept., deepseek-v4-pro am 14. Sept. Wenn Sie Pro gepinnt haben, hat sich Ihr Modell geändert — führen Sie Evals erneut aus.
  • Der 890-Byte-KV-Cache und die 72-Stunden-Cache-Lebensdauer machen langlebige 1M-Token-Kontexte günstig, aber DeepSeek selbst markiert Long-Context-Sparse-Retrieval als nicht charakterisiert. Testen, bevor Sie vertrauen.

Quellen und weiterführende Lektüre​

Weiter​