Titelbild: KI-generiertes redaktionelles Artwork zu asymmetrischen Ein- und Ausgabestufen. Die Blöcke sind eine konzeptionelle Metapher.
Kurzfassung: DeepSeek-V4.1-Flash führt für Eingaben mit Cache-Treffer einen Spitzenpreis von 0,006 US-Dollar pro Million Token auf, gegenüber 0,30 US-Dollar für Cache-Fehlzugriffe und 1,20 US-Dollar für die Ausgabe. Bei einer festen illustrativen Rechnung mit 1 Million abgerechneten Eingabe-Token und 100.000 Ausgabe-Token sinkt die Gebühr bei 90 % Cache-Treffern im Input von 0,4200 auf 0,1554 US-Dollar, also um 63,0 %.[3] Deshalb sind das Kontextfenster mit 1 Mio. Token und die behaupteten 890 Byte pro Token für den globalen KV-Cache wirtschaftlich relevant, obwohl keine der beiden Angaben eine schnellere oder günstigere abgeschlossene Agentenaufgabe belegt.[4]
DeepSeek veröffentlichte DeepSeek-V4.1-Flash am 10. September als multimodales Mixture-of-Experts-Modell mit offenen Gewichten unter MIT-Lizenz. Das Unternehmen beschreibt einen Backbone mit 552 Milliarden Parametern, von dem beim Input/Prefill nur 8 Milliarden aktive Parameter und beim Output/Decode 16 Milliarden aktiv sind, außerdem ein Kontextfenster von 1 Mio. Token und maximal 384K Ausgabe-Token in seiner gehosteten API.[1][3][4]
X-Beitrag wird geladen…
Offiziellen DeepSeek-Beitrag auf X ansehen (Englisch).
Die eigentliche Geschichte ist nicht die Zahl 552B. DeepSeek versucht, persistenten Kontext so günstig zu machen, dass Agenten Repositorys, Tool-Verläufe, Richtlinien und Fallakten wiederholt lesen können, ohne jede Schleife zu einem hochpreisigen Inferenzvorgang zu machen.
Warum das jetzt wichtig ist
Der Agentenmarkt wird zum Markt für Speicher. Der Eingabelistenpreis eines Modells zählt weniger, wenn ein lang laufender Ablauf seinen Präfix zuverlässig wiederverwenden kann, und mehr, wenn Cache-Fehlzugriffe, Wiederholungsversuche, Tool-Ausgabe und Verifikation den Kontext neu aufbauen. DeepSeeks aufgeführte API-Ökonomie macht die Cache-Trefferquote zu einer Produktkennzahl, nicht zu einer Randnotiz des Serving.[3]
Preise: Cache-Treffer verändern die Wettbewerbseinheit
DeepSeek führt für deepseek-flash Spitzenpreise von 0,006 US-Dollar/M für Eingaben mit Cache-Treffer, 0,30 US-Dollar/M für Eingaben mit Cache-Fehlzugriff und 1,20 US-Dollar/M für die Ausgabe auf. Die aufgeführten Nebenzeiten halbieren diese Preise exakt auf 0,003, 0,15 und 0,60 US-Dollar pro Million Token. Die Spitzenfenster liegen montags bis freitags bei 01:00–04:00 und 06:00–10:00 UTC.[3] Das sind Listenpreise der gehosteten API, keine Schätzung der Self-Hosting-Kosten und keine Zusage für künftige Preise.
Hier liegt der Kniff: Der Faktor 50 zwischen Eingaben mit Cache-Treffer und Cache-Fehlzugriff macht Anwendungsarchitektur auf der Rechnung sichtbar. Ein Agent mit stabilem Systemprompt, Repository-Snapshot und Richtlinienbündel kann teures Material wiederverwendbar machen. Ein Agent, der Prompt-Reihenfolge, Formatierung oder mandantenspezifische Präfixe ständig ändert, kann seine Cache-Trefferquote senken. DeepSeek macht Cache-Disziplin damit zu einer wirtschaftlichen Aufgabe für Entwickler.
DeepSeeks Caching-Leitfaden nennt eine konkrete Bedingung: Eine Anfrage muss eine bereits gespeicherte Präfixeinheit vollständig treffen. Das Caching läuft automatisch nach dem Best-Effort-Prinzip; ein wiederholtes Dokument garantiert keinen sofortigen Treffer. Entwickler können die tatsächliche Nutzung anhand von prompt_cache_hit_tokens und prompt_cache_miss_tokens in den API-Verbrauchsdaten messen.[13]
Illustrative Rechnung
90 % Cache-Treffer beim Input senken dieses feste Rechnungsbeispiel um 63,0 %
Dieselben 1.000.000 abgerechneten Eingabe-Token und 100.000 Ausgabe-Token zu DeepSeeks aufgeführten Spitzenpreisen. Nur der Anteil der abgerechneten Eingabe-Token mit Cache-Treffer ändert sich.
Kein Cache-Treffer beim Input
$0,3000 Input + $0,1200 Ausgabe
90 % Cache-Treffer beim Input
$0,0054 Cache-Input + $0,0300 Fehlzugriff-Input + $0,1200 Ausgabe
Quelle: DeepSeek Models & Pricing. Setzt Cache-Treffer, feste abgerechnete Token und Spitzenpreise voraus; schließt Wiederholungsversuche aus und misst weder Aufgabenkosten noch Latenz, Qualität oder in der Produktion erzielte Einsparungen.
Die unbequeme Wahrheit: Ein Cache-Trefferpreis nützt nur, wenn die Arbeitslast ihn tatsächlich erzielt. Ein Coding-Agent, der den Repository-Zustand verändert, frische Tool-Protokolle einfügt oder nicht zwischengespeicherte Retrieval-Ergebnisse nutzt, kann weit mehr Eingaben zum Fehlzugriffspreis verbrauchen, als seine Demo unter Idealbedingungen erwarten lässt. Die Ausgabe bleibt von der Cache-Annahme unberührt. In diesem Beispiel wird die Ausgaberechnung von 0,1200 US-Dollar zum größten verbleibenden Kostenanteil.
Architektur: Asymmetrische Aktivierung ist das kommerzielle Design
DeepSeek bezeichnet V4.1-Flash als Causal-Encoder-Decoder-Design. Laut Modellkarte nutzt es 20 kausale Encoder- und 20 Decoder-Schichten; die Architektur aktiviert 8 Milliarden Parameter je Prefill-Token und 16 Milliarden je Decode-Token entlang des Eingabe- und Ausgabepfads des Modells.[4] Das ist eine Architekturbeschreibung, kein veröffentlichtes Ergebnis zum Ende-zu-Ende-Durchsatz.
Dieser Serving-Fokus folgt auf DeepSeeks frühere DeepSpec-Arbeit zum spekulativen Decoding (Englisch). V4.1 setzt an einem anderen Engpass an: dem Speicher, der Kontext über Schritte hinweg mitführt.
Das Unternehmen gibt außerdem an, dass der globale KV-Cache 890 Byte pro Token benötigt, etwa ein Viertel seines V4-Flash-Vorgängers, während persistenter SSD-Cache etwa ein Achtel brauche. Das muss präzise gelesen werden: 890 Byte pro Token beziehen sich auf den globalen KV-Cache, nicht auf den gesamten VRAM, den vollständigen Modellspeicher, eine minimale Serverkonfiguration oder die Kosten eines Agenteneinsatzes.[4]
Der technische Bericht besagt, dass SWA Bounded Replay Kurzfensterzustände näherungsweise rekonstruiert, statt sie zu persistieren. Das tauscht einen kleinen Anteil zusätzlicher Prefill-Neuberechnung gegen geringeren Speicherbedarf. DeepSeek berichtet von vernachlässigbarem Qualitätsverlust; das bleibt die Charakterisierung des Anbieters für einen Speicher-Rechen-Kompromiss, keine Behauptung verlustfreier Rekonstruktion.[10]
Diese Unterscheidung zählt. DeepSeeks Referenz-Inferenzleitfaden zeigt die Checkpoint-Konvertierung mit achtfacher Tensorparallelität (MP=8) und nennt sich ausdrücklich eine gut lesbare Referenzimplementierung. Er veröffentlicht weder eine Mindestanforderung an VRAM noch eine validierte minimale Serverkonfiguration oder gemessene Kosten pro abgeschlossener Agentenaufgabe.[6] Offene Gewichte erweitern die Kontrolle. Sie machen ein System mit Backbone mit 552 Milliarden Parametern nicht zu einem Workstation-Modell.
Die veröffentlichte Form von V4.1 Flash
DeepSeeks technische und API-Angaben definieren Fähigkeiten und Preissignale. Sie definieren keine reproduzierbare Stückliste für das Serving.
Architekturangabe aus DeepSeeks Modellkarte, keine Schätzung des Bereitstellungsspeichers.
Vom Anbieter beschriebene Aktivierung beim Prefill im kausalen Encoder.
Vom Anbieter beschriebene aktive Parameter im Modell während des Decode.
Vom Anbieter berichteter Cache-Fußabdruck, nicht gesamter VRAM oder gesamter Serving-Speicher.
Aufgeführte Obergrenze der API; kein Durchsatz- oder Latenzbenchmark.
Note: Quellen: DeepSeek-Modellkarte, technischer Bericht, API-Preisdokumentation und Referenz-Inferenz-README. Architektur- und Cache-Angaben stammen vom Anbieter.
Produktmigration: Ein Alias ist kein stabiler Modellvertrag
DeepSeek nennt deepseek-flash als aktuelle API-Modell-ID. Die älteren Namen deepseek-v4-flash und deepseek-v4-flash-vision-exp werden als Kompatibilitätsaliase akzeptiert und zu Flash-Preisen von V4.1-Flash bedient.[2] Das verringert Reibung bei der Migration, bedeutet aber auch: Aufrufer können ein materiell anderes Modell erhalten, ohne einen String im Code zu ändern.
Das Unternehmen hatte zunächst angekündigt, dass Datenverkehr für deepseek-v4-pro ab dem 14. September um 04:00 UTC zu V4.1-Flash geleitet werde. Das aktuelle Changelog kehrt diese Position um: V4-Pro soll nach dem 14. September mit unveränderter Abrechnung weiterlaufen, begründet mit Nutzernachfrage.[1][2] Die jüngste operative Aussage hat Vorrang. Produktionsteams sollten die Pro-Umleitung als zurückgenommen behandeln, nicht als unmittelbar bevorstehende Migration.
Die operative Schlussfolgerung ist einfach: Evaluierungen auf das relevante Endpunktverhalten festlegen, Regressionstests pflegen und Alias-Änderungen ebenso genau überwachen wie Preisänderungen. Ein stabiler API-String ist kein stabiler Verhaltensvertrag, wenn er ein aktiv verwalteter Kompatibilitätsalias ist.
SGLang und Miles kündigten für V4.1-Flash Unterstützung zum Starttag an, jeweils für Inferenz und Reinforcement Learning. Das erweitert den Integrationsweg für Entwickler, ist aber Verfügbarkeit von Unterstützung und kein Beleg für eine bestimmte Latenz, einen bestimmten Durchsatz oder Kostenverlauf.[12]
Benchmarks: Ein Profil, keine Geschwindigkeitskrone
DeepSeek berichtet 90,6 bei Terminal-Bench 2.1 unter seinem offengelegten Agentenprotokoll: Reasoning Effort 100, Temperatur 1,0, Top-p 0,95, DSH-Minimalmodus, 1 Mio. Token Kontext, drei Durchläufe, Linux-Container, maximal 500 Schritte und kein Netzwerk.[5] Das ist nützliche Evidenz dafür, was DeepSeek getestet hat. Der Wert stammt vom Anbieter, und der öffentliche Harbor-Eintrag wurde aus der Modellkarte importiert, statt eine unabhängige V4.1-Evaluierung zu produzieren.[7][8]
Artificial Analysis gibt V4.1-Flash im Intelligence Index für das Reasoning-Modell bei maximalem Aufwand einen Wert von 40. Laut Modellseite verbrauchte die Suite aggregiert 250 Millionen Ausgabe-Token und weist auf ungewöhnlich hohe Ausführlichkeit hin. Das ist eine unabhängige Messung, aber ein aggregiertes Suite-Ergebnis, nicht der Tokenverbrauch einer einzelnen Anfrage oder eine Kostenschätzung pro Aufgabe.[9]
X-Beitrag wird geladen…
Originalbeitrag von Artificial Analysis auf X ansehen (Englisch).
Machen wir es klar: Diese Evaluierungen sind keine normalisierten Geschwindigkeitstests. Sie belegen keine gemessenen Self-Hosting-Kosten pro abgeschlossener Aufgabe, und ein Tool nutzender Agentenscore bei maximalem Aufwand sollte nicht zu einer modellreinen Rangliste über verschiedene Agenten-Frameworks hinweg werden.
Käufer sollten die Kosten des akzeptierten Ergebnisses vergleichen: die Kosten für einen korrekten, verifizierten Patch, Bericht oder Abschluss eines Arbeitsablaufs nach Wiederholungsversuchen und menschlicher Prüfung. Cache-Wiederverwendung kann den Eingabeteil dieser Gleichung deutlich senken. Sie kann keinen Agenten ausgleichen, der schlechte Aktionen ausführt, zu viel Ausgabe erzeugt oder bei der abschließenden Verifikation scheitert.
Was die Ankündigung belegt und was nicht
Zum Lesen aller Spalten seitlich scrollen.
| Signal aus der Veröffentlichung | Geschäftliche Bedeutung | Weiterhin unbelegt |
|---|---|---|
| 1 Mio. Token Kontext und 0,006 US-Dollar/M Eingabe mit Cache-Treffer | Große stabile Präfixe können in der gehosteten API günstig sein. | Cache-Trefferquote, Wiederholungsversuche und Kosten des akzeptierten Ergebnisses. |
| Backbone mit 552 Milliarden Parametern; 8B beim Prefill / 16B beim Decode aktiv | DeepSeek optimiert unterschiedliche Phasen von Input und Output. | Token/s, TTFT, Tail-Latenz und erforderliche Serving-Hardware. |
| MIT-Gewichte und TP8-Referenzkonvertierung | Käufer haben einen Ausstiegsweg, Integratoren können Unterstützung aufbauen. | Minimaler VRAM, effiziente Cluster-Topologie und Self-Hosting-TCO. |
| Vom Anbieter berichtete 90,6 bei Terminal-Bench 2.1 | Es gibt ein spezifiziertes Evaluierungsprofil. | Unabhängige modellreine Überlegenheit oder eine direkte Geschwindigkeitsrangliste. |
Urteil: DeepSeek will Speicher zum Margenhebel machen
DeepSeek-V4.1-Flash macht aus einer vertrauten Systemfrage, ob ein Agent seinen Arbeitskontext wiederverwenden kann, ein deutlich differenziertes Preissignal. Zu den Spitzenlistenpreisen kosten 900.000 Eingabe-Token mit Cache-Treffer 0,0054 US-Dollar; dieselbe Zahl an Eingabe-Token mit Cache-Fehlzugriff kostet 0,2700 US-Dollar.[3]
Ein größeres Kontextfenster ist nur eine Kapazitätsfunktion, bis ein Produkt es wiederholt bezahlen kann. DeepSeek stellt diese wiederholte Nutzung ins Zentrum seiner Preisgestaltung. Die strategische Wette lautet, dass Agentenentwickler Präfixe standardisieren, Verläufe bewahren und Tool-Flüsse um wiederverwendbaren Zustand organisieren. Gelingt das, wird Cache-Effizienz Teil ihrer Bruttomarge. Gelingt es nicht, bleibt der attraktive Schlagzeilenpreis überwiegend ein theoretischer Rabatt.
Die zentrale Prüfungsfrage
Kaufen Sie keinen Cache-Trefferpreis. Testen Sie einen repräsentativen Agenten-Trace: Prompt-Aufbau, Cache-Trefferquote, Wachstum der Tool-Ausgabe, Wiederholungsversuche, Verifikation, Latenz bei Parallelität und Qualität des akzeptierten Ergebnisses. DeepSeeks veröffentlichte Preise und Cache-Architektur beschreiben eine Gelegenheit. Sie messen nicht die Kosten Ihrer fertigen Arbeit.
DeepSeek hat einen glaubwürdigen Mechanismus und eine aggressive Preiskarte vorgelegt. Der Markt muss jetzt beweisen, ob seine Agentensysteme genug wiederverwendbaren Kontext bewahren können, um diesen Mechanismus in Marge zu verwandeln. Das ist ein härterer Wettbewerb als der Sieg in einer Benchmark-Tabelle am Starttag, und er ist der relevante.
Quellen und Referenzen
- [1]Primäre Startankündigung für V4.1-Flash, Architekturpositionierung, Formulierung zur Routing-Änderung und API-Verfügbarkeit.
- [2]Aktuelle operative Quelle für Flash-Aliase und die fortgesetzte V4-Pro-Bedienung mit unveränderter Abrechnung.
- [3]Primärquelle für 1 Mio. Token Kontext, 384K Ausgabe, Spitzen- und Nebenzeitpreise pro Token sowie Servicelimits.
- [4]Offizielle Modell- und Gewichtsquelle für MIT-Lizenz, Backbone mit 552 Milliarden Parametern, CED-Schichten, aktive Parameter und die globale KV-Cache-Angabe.
- [5]Vom Anbieter berichtete Benchmarkwerte und die offengelegten Einstellungen zu ihrer Einordnung.
- [6]Die Referenzkonvertierung nutzt MP=8 und ist ausdrücklich eine gut lesbare Referenzimplementierung, keine Produktionsspezifikation für Serving.
- [7]Öffentliche Einordnung für den Terminal-Bench-2.1-Eintrag und den Benchmark-Kontext.
- [8]Mitarbeitende von Hugging Face sagen, das Community-Evaluierungs-YAML sei aus der Modellkarte extrahiert worden; das begrenzt eine Unabhängigkeitsbehauptung.
- [9]Unabhängiger MaxEffort-Intelligence-Index und Token-Kontext der aggregierten Suite, keine Kostenmessung für eine einzelne Anfrage.
- [10]Primärer technischer Bericht zur Begründung von CED-, Cache- und Trainingsdesign.
- [11]Offizielle Wortwahl zum Start für die neue Architekturfamilie und natives Bildverständnis.
- [12]Primäre Implementierungsankündigung für Unterstützung durch SGLang und Miles zum Starttag, ohne vergleichende Leistungsbehauptung.
- [13]Vollständiger Abgleich gespeicherter Präfixeinheiten, Best-Effort-Caching und Verbrauchsfelder zur Messung tatsächlicher Cache-Treffer.
13 Quellen. Die verlinkten Titel führen zu den Originalquellen.
Letzte Aktualisierung: 12. September 2026
