DeepSeek-V4.1-Flash: 1M Kontext, Vision und neue API-Preise

Was DeepSeek am 10. September veröffentlicht hat

DeepSeek-V4.1-Flash ist das kleinste Modell der neuen V4.1-Architekturfamilie. Es nimmt Text und Bilder nativ entgegen und erzeugt Text. In der offiziellen API heißt das Modell deepseek-flash; die Modellgewichte und die Modellkarte stellt DeepSeek zusätzlich auf Hugging Face unter einer MIT-Lizenz bereit.

Das Modell besitzt insgesamt 552 Milliarden Parameter, arbeitet aber als Mixture of Experts nicht bei jedem Token mit allen Gewichten. Beim Einlesen des Kontexts, dem sogenannten Prefill, werden 8 Milliarden Parameter pro Token aktiviert. Beim Erzeugen der Antwort sind es 16 Milliarden. Damit zielt DeepSeek auf lange multimodale Eingaben und eine sparsamere Inferenz als bei einem vollständig dichten Modell gleicher Gesamtgröße.

Ereignisdatum: 10. September 2026. Bestätigt sind Veröffentlichung, Modellkarte, technische Dokumentation und API-Verfügbarkeit; Leistungsangaben stammen überwiegend aus DeepSeeks eigenen Tests.

Eine Million Tokens Kontext und native Bildverarbeitung

Die Modellkarte nennt ein Kontextfenster von bis zu 1.000.000 Tokens. Die aktuelle API-Tabelle weist zusätzlich eine maximale Ausgabe von 384.000 Tokens aus. Ein großes nominelles Kontextfenster beantwortet jedoch noch nicht, wie zuverlässig das Modell Informationen am Anfang, in der Mitte und am Ende sehr langer Eingaben findet oder über viele Dokumente hinweg korrekt verknüpft.

Native Vision bedeutet, dass Bilder gemeinsam mit Text verarbeitet werden können. Denkbare Anwendungen reichen von Dokumentanalyse und Bildschirmverständnis bis zu Code- oder Diagrammfragen. Die Ausgabe bleibt textbasiert. Für produktive Entscheidungen sollte deshalb getrennt geprüft werden, wie gut OCR, Tabellen, kleine Beschriftungen, mehrere Bilder und widersprüchliche visuelle Hinweise im eigenen Material funktionieren.

Warum der KV-Cache bei langen Eingaben entscheidend ist

Bei langen Kontexten wächst nicht nur die Rechenarbeit, sondern auch der Speicherbedarf des Key-Value-Caches. DeepSeek kombiniert in V4.1-Flash eine Causal-Encoder-Decoder-Struktur mit komprimierter Aufmerksamkeit. Der technische Bericht nennt 40 Schichten, aufgeteilt in 20 Encoder- und 20 Decoder-Schichten, sowie 384 geroutete Experten pro Schicht, von denen jeweils sechs aktiviert werden.

DeepSeek gibt für den KV-Cache 890 Byte pro Token an. Das entspreche ungefähr einem Viertel des HBM-Bedarfs von V4-Flash. Für persistent gespeicherte Zustände soll ein Verfahren namens SWA Bounded Replay den SSD-Bedarf auf etwa ein Achtel reduzieren. Diese Werte sind technisch interessant, weil eine Million Tokens sonst schnell zu einem Speicher- und Kostenproblem werden; unabhängige Messungen für unterschiedliche Hardware und Lastprofile liegen in den genannten Quellen aber nicht vor.

45 Billionen Trainings-Tokens und regelbare Denktiefe

Laut Modellkarte wurde V4.1-Flash auf einem multimodalen Korpus mit 45 Billionen Tokens vortrainiert und anschließend mit Reinforcement Learning nachtrainiert. DeepSeek beschreibt außerdem eine stufenlos steuerbare Reasoning-Einstellung von 1 bis 100. Anwendungen können damit zwischen kürzeren, schnelleren Antworten und ausführlicherer Bearbeitung abwägen.

Mehr Reasoning-Aufwand ist laut technischem Bericht nicht bei jeder Aufgabe automatisch besser. Die veröffentlichten Kurven zeigen je nach Benchmark unterschiedliche Verläufe, und die Auswertungen verwenden teils verschiedene Scaffolds, Stichprobenzahlen und maximale Ausgabelängen. Ein fairer Vergleich muss deshalb dieselben Prompts, Werkzeuge, Abbruchregeln und Budgets verwenden, statt nur einzelne Herstellerwerte nebeneinanderzustellen.

Die Benchmark-Siege sind Herstellerangaben

DeepSeek schreibt, V4.1-Flash liege in den eigenen Auswertungen vor mehreren Flagship-Modellen, darunter V4-Pro. Die Modellkarte enthält Ergebnisse für Wissen, Mathematik, Code, agentische Aufgaben, lange Kontexte und multimodale Tests. Das ist ein breites Evaluationspaket, aber keine unabhängige Bestätigung allgemeiner Überlegenheit.

Der technische Bericht setzt selbst wichtige Grenzen: Eine ähnliche Punktzahl auf ausgewählten Benchmarks bedeute nicht, dass das Modell geschlossene Frontier-Modelle in komplexen Grenzfällen erreicht. Außerdem seien Robustheitsgrenzen nicht vollständig charakterisiert. Auswahlfehler in der komprimierten Aufmerksamkeit oder Näherungen beim Replay könnten in bislang ungetesteten Fällen Fähigkeiten verschlechtern.

Einordnung: Benchmarkwerte zeigen Leistung unter definierten Testbedingungen. Sie belegen weder identische Qualität in jeder Sprache noch Zuverlässigkeit bei eigenen Dokumenten, Werkzeugen oder sehr langen produktiven Sitzungen.

Was die DeepSeek-API aktuell kostet

DeepSeek rechnet pro eine Million Tokens ab und unterscheidet zwischen Cache-Treffern, neuen Eingaben und Ausgaben. Für deepseek-flash nennt die aktuelle Preistabelle während der Hauptzeit 0,006 US-Dollar für gecachte Eingaben, 0,30 US-Dollar für nicht gecachte Eingaben und 1,20 US-Dollar für Ausgaben. Außerhalb der Hauptzeit sinken diese Werte auf 0,003, 0,15 und 0,60 US-Dollar.

Als Hauptzeit definiert DeepSeek montags bis freitags 01:00 bis 04:00 UTC und 06:00 bis 10:00 UTC. Für deutsche Nutzer verschiebt sich die lokale Uhrzeit je nach Sommer- oder Winterzeit. Die Tabelle nennt außerdem ein Parallelitätslimit von 2.500 für deepseek-flash. Tatsächliche Kosten hängen stark von Ausgabelänge, Cache-Treffern, wiederholten Kontexten und zusätzlichen Werkzeugen ab.

• Cache-Treffer: 0,003 US-Dollar außerhalb der Hauptzeit, 0,006 US-Dollar während der Hauptzeit
• Neue Eingabe: 0,15 US-Dollar außerhalb der Hauptzeit, 0,30 US-Dollar während der Hauptzeit
• Ausgabe: 0,60 US-Dollar außerhalb der Hauptzeit, 1,20 US-Dollar während der Hauptzeit
• Preisstand der verlinkten DeepSeek-Dokumentation: 15. September 2026

V4-Pro bleibt entgegen dem ersten Plan verfügbar

In der Release-Ankündigung vom 10. September erklärte DeepSeek zunächst, Anfragen an deepseek-v4-pro würden ab dem 14. September bis zum Erscheinen von V4.1-Pro an V4.1-Flash weitergeleitet. Dieser angekündigte Wechsel ist nicht der aktuelle Stand. Die aktuelle Preis- und API-Dokumentation sagt ausdrücklich, dass V4-Pro wegen der Nachfrage der Nutzer nach dem 14. September weiter angeboten wird und die bisherige Abrechnung vorerst bestehen bleibt.

Bei älteren Flash-Bezeichnungen findet die Umleitung dagegen statt: deepseek-v4-flash und deepseek-v4-flash-vision-exp werden weiterhin als Aliasse akzeptiert, liefern laut Dokumentation aber V4.1-Flash aus und werden zum Flash-Tarif berechnet. Teams sollten die tatsächlich verwendete Modellkennung und Antwortmetadaten protokollieren, statt aus einem historischen Alias auf die geladene Version zu schließen.

Aktueller Stand am 15. September 2026: V4-Pro bleibt verfügbar. Die zunächst für den 14. September angekündigte Umleitung wurde von DeepSeek geändert.

API-Funktionen und Integrationswege

Die offizielle API-Dokumentation führt für deepseek-flash Thinking- und Non-Thinking-Modi, JSON-Ausgabe, Werkzeugaufrufe, Bildverarbeitung sowie die Responses API auf. Fill-in-the-Middle wird nur im Non-Thinking-Modus unterstützt. DeepSeek beschreibt außerdem Kompatibilität mit OpenAI- und Anthropic-Formaten, was bestehende Integrationen vereinfachen kann.

Formatkompatibilität bedeutet nicht automatisch Verhaltensgleichheit. Tool-Schemata, Fehlermeldungen, Streaming-Ereignisse, Tokenzählung und Grenzfälle sollten gegen die verwendete Clientbibliothek geprüft werden. Gerade bei langen Kontexten sind Timeouts, Wiederholungen und idempotente Werkzeugaufrufe wichtiger als eine erfolgreiche einzelne Demo.

API oder Eigenbetrieb: offene Gewichte lösen nicht jede Betriebsfrage

Die veröffentlichten Gewichte unter MIT-Lizenz ermöglichen grundsätzlich eigene Inferenz, Anpassungen und technische Prüfungen außerhalb der DeepSeek-API. Bei 552 Milliarden Gesamtparametern bleibt ein Eigenbetrieb jedoch ein anspruchsvolles Infrastrukturprojekt. Die geringe Zahl aktiver Parameter pro Token senkt Rechenarbeit, beseitigt aber nicht den Bedarf, Modellgewichte, Routing, Bildencoder und lange Kontextzustände zuverlässig bereitzuhalten.

Die API ist deshalb der schnellere Weg für einen Funktionstest, während ein eigener Betrieb mehr Kontrolle über Version, Netzwerkpfade und Datenfluss bieten kann. Für beide Varianten braucht es eine getrennte Entscheidung zu Datenklassen, Zugriffsrechten, Protokollierung, Aufbewahrung und zulässigen Regionen. Die Modellkarte und die Preistabelle allein beantworten diese organisatorischen und rechtlichen Fragen nicht; sie sollten vor produktiver Nutzung anhand der jeweils aktuellen Vertrags- und Datenschutzunterlagen geprüft werden.

Offene Gewichte sind eine technische Option, kein fertiges Betriebskonzept. Modelllizenz, Infrastruktur, Datenschutz und Anwendungssicherheit müssen getrennt bewertet werden.

Ein sinnvoller Praxistest in sieben Schritten

Für einen belastbaren Vergleich braucht V4.1-Flash dieselben Aufgaben und Messregeln wie das bisher eingesetzte Modell. Der Test sollte reale Dokumente verwenden, aber sensible Inhalte vorher entfernen oder durch freigegebene Testdaten ersetzen. Neben Antwortqualität gehören Latenz, Tokenverbrauch, Cache-Verhalten und Fehlerrate in die Auswertung.

Bei einer Million Tokens ist ein einziger erfolgreicher Abruf wenig aussagekräftig. Verteilen Sie gesuchte Fakten an verschiedene Positionen, mischen Sie relevante und irrelevante Dokumente und wiederholen Sie Tests mit unterschiedlichen Reasoning-Stufen. Für Agenten sollten Werkzeugaufrufe separat bewertet und irreversible Aktionen grundsätzlich außerhalb des Modells abgesichert werden.

• Kurze Referenzaufgaben zuerst prüfen und erwartete Antworten festhalten
• Text-, Bild-, Tabellen- und OCR-Aufgaben getrennt auswerten
• Fakten am Anfang, in der Mitte und am Ende langer Kontexte platzieren
• Reasoning-Stufen mit gleichem Prompt und festem Ausgabelimit vergleichen
• Cache-Treffer, Cache-Fehlschläge, Latenz und Gesamtkosten protokollieren
• Tool Calls auf korrekte Parameter, Wiederholungen und Abbruchverhalten testen
• Grenzfälle, Halluzinationen und Fehler nicht im Durchschnittswert verstecken

Die MindrAils-Einordnung

DeepSeek-V4.1-Flash ist vor allem wegen der Kombination aus Vision, sehr langem Kontext, offenen Gewichten und aggressiven API-Preisen relevant. Die Architektur adressiert mit dem KV-Cache genau den Engpass, der lange Eingaben teuer macht. Ob die Einsparungen in einer konkreten Anwendung ankommen, hängt jedoch von Infrastruktur, Cache-Nutzung, Ausgabelänge und Qualitätsanforderungen ab.

Die stärkste verantwortbare Aussage lautet deshalb nicht, dass V4.1-Flash jedes größere Modell ersetzt. Bestätigt ist ein technisch ambitioniertes multimodales Modell mit einer Million Tokens Kontext und ungewöhnlich niedrigen Listenpreisen. DeepSeeks eigene Dokumentation nennt zugleich offene Robustheitsgrenzen, und der kurzfristig geänderte V4-Pro-Plan zeigt, warum Versions- und Verfügbarkeitsänderungen im Betrieb aktiv überwacht werden müssen.