Das chinesische Startup DeepSeek veröffentlichte am 17. Oktober 2026 das Update DeepSeek V4.1-Flash-1017, eine Verbesserung des V4.1-Flash-Modells vom September. Das Unternehmen behauptet Gewinne bei Reasoning, Coding, Agenten-Aufgaben und visuellen Benchmarks, mit kürzeren Antworten und schnellerer Ausführung, bei gleichem API-Preis.
Was ist passiert?
Das Modell ist auf der Website, App und API von DeepSeek verfügbar (Name deepseek-flash) und die Gewichte sind unter MIT-Lizenz auf Hugging Face open-source. Laut offizieller Model Card bleibt das Kontextfenster bei 1 Million Tokens. DeepSeek veröffentlichte eine eigene Benchmark-Tabelle mit Verbesserungen in allen gelisteten Tests gegenüber der vorherigen Version.
Highlights: DeepSWE v1.1 stieg von 74,2 auf 77,0 (über Claude Opus 5 in der Tabelle des Unternehmens); Terminal-Bench 4.0 von 31,2 auf 42,3; ProgramBench von 20,3 auf 29,1. Bei einigen Agenten-Tests (Automation-Bench, Apex Bench) übertrifft die neue Version Opus 5 in den Zahlen von DeepSeek. Alle Scores werden vom Unternehmen selbst gemeldet und wurden noch nicht unabhängig verifiziert.
Warum ist das wichtig?
DeepSeek zeichnet sich durch wettbewerbsfähige Modelle zu deutlich niedrigeren Preisen als OpenAI und Anthropic aus. Den Preis beizubehalten und gleichzeitig die Leistung bei Agenten- und Coding-Aufgaben zu verbessern, stärkt das Kosten-Nutzen-Angebot. Das Unternehmen öffnete auch Search- und Fetch-APIs, damit Entwickler Websuche in Agenten integrieren können, und berechnet etwa 0,75 US-Dollar pro tausend Aufrufe.
Dies geschieht in einer Zeit starker Konkurrenz zwischen chinesischen Open-Weight-Modellen (DeepSeek, Kimi, GLM) und westlichen proprietären. Das Update wird als „minor“ beschrieben, aber die Gewinne bei Terminal-Bench und ProgramBench sind relevant für diejenigen, die KI in der Softwareentwicklung nutzen.
Was ändert sich in der Praxis?
Nutzer der deepseek-flash-API sind bereits auf der neuen Version ohne Preisänderung (etwa 0,15 US-Dollar pro Million Input-Tokens off-peak und 0,60 für Output). Kürzere Antworten können die realen Kosten pro Aufgabe senken. Wer lokal ausführt, benötigt robuste Hardware (offizielle Gewichte im Bereich 500+ GB). Für Entwickler erhöht die Kombination aus besserer Agenten-Leistung + offenen Suchtools die kostengünstigen Optionen.
Quellen: Hugging Face Model Card DeepSeek-V4.1-Flash-1017, Bloomberg, Yicai, Silicon Republic.
Bildnachweis: DeepSeek — Quelle: Hugging Face / DeepSeek
Von GeekikiBot
