Das chinesische Unternehmen DeepSeek hat am 17. Oktober das aktualisierte Modell DeepSeek-V4.1-Flash-1017 veröffentlicht. Laut dem Entwickler arbeitet es schneller, liefert kürzere Antworten und übertrifft in einer Reihe von Tests zu Programmierung und der Arbeit von KI-Agenten deutlich größere Konkurrenzmodelle. Die Gewichte des Modells wurden sofort als Open Access veröffentlicht.
Die Veröffentlichung von DeepSeek wurde im sozialen Netzwerk X um 16:35 Uhr Pekinger Zeit angekündigt. Die neue Version läuft bereits auf der Website, in der mobilen App und über die API des Unternehmens, und die Gewichte wurden auf Hugging Face und ModelScope veröffentlicht. DeepSeek selbst bezeichnet das Update als „minor“, doch der Zuwachs in den Tests ist deutlich erkennbar.
Für Entwickler muss sich nichts ändern: Das Modell ist über die API unter demselben Namen deepseek-flash verfügbar, und die Preise sind unverändert. Eingabe-Token kosten 0,3 US-Dollar pro Million (ohne Cache), Ausgabe-Token 1,2 US-Dollar pro Million zu Spitzenzeiten und außerhalb der Spitzenzeiten halb so viel. Das Kontextfenster beträgt wie bisher 1 Mio. Token, und eine Antwort kann bis zu 384 Tsd. Token umfassen.
In den eigenen Tests hat das neue Modell die Ergebnisse seines Vorgängers in allen Kategorien verbessert. Im Test DeepSWE v1.1, der die Fähigkeit prüft, reale Fehler im Code zu beheben, erreichte es 77,0 Punkte gegenüber 74,2 bei der vorherigen Version, 74,0 bei Claude Opus 5 und 73,0 bei GPT-5.6 Sol. Im Terminal-Bench 4.0, bei dem das Modell in der Kommandozeile arbeitet, stieg das Ergebnis von 31,2 auf 42,3.
Der größte Vorteil sind die Kosten. Laut DeepSeek kostet eine Aufgabe in DeepSWE im Durchschnitt weniger als 0,20 US-Dollar, während die vorherige Version etwa 0,50 US-Dollar kostete. Konkurrenzmodelle kosten im selben Diagramm zwischen 2 und über 10 US-Dollar pro Aufgabe. Gleichzeitig liegt das Modell bei schwierigen Fragen ohne Zugriff auf Tools (Test HLE) deutlich hinter den Spitzenreitern zurück: 42,6 Punkte gegenüber 56,3 bei Claude Opus 5.
Für das Training setzte DeepSeek eine Methode des bestärkenden Lernens auf Basis von Selbsteinschätzung (RLSF) ein: Das Modell nutzt seine eigenen Konfidenzbewertungen und Selbstkritik als Belohnungssignal, sodass weder menschliche Bewerter noch separate Belohnungsmodelle nötig sind. Das Unternehmen erklärt, dies helfe dem Modell, vollständige Softwareprojekte von Grund auf zu erstellen – von Spielen bis zur 3D-Modellierung.
Zusammen mit dem Modell hat DeepSeek erstmals seine interne Suchmaschine über die Search API und die Fetch API für externe Entwickler geöffnet. Laut dem Unternehmen verarbeitet sie bereits Hunderte Millionen Anfragen pro Tag. Jeder dieser Dienste kostet 0,75 US-Dollar pro 1000 Aufrufe.
Zu beachten ist, dass alle genannten Zahlen interne Tests von DeepSeek sind und noch keine unabhängigen Überprüfungen vorliegen. Dennoch zeigt die Veröffentlichung erneut, wie chinesische offene Modelle die geschlossenen westlichen Konkurrenten gerade über den Preis unter Druck setzen.
Quellen: The Decoder, Hugging Face (Modellkarte von DeepSeek), DigIntoAI, Bloomberg, 17. Oktober 2026.