DeepSeek V4.1 Flash ist eine seltene Veröffentlichung, bei der das neuere Modell günstiger und besser ist als die Stufe, die es ersetzt. Es erschien am 10. September 2026 als deepseek-flash, ein Modell mit 552 Mrd. Parametern und nativer Vision, und DeepSeek mustert sein eigenes V4 Pro aus, weil dieses kleinere Modell es in den meisten Tests schlägt.
Der Preis ist die Schlagzeile: außerhalb der Spitzenzeiten $0,15 pro Million Input-Tokens und $0,60 pro Million Output-Tokens, womit es das auslaufende V4 Flash unterbietet und bei etwa einem Drittel von V4 Pro liegt. Der clevere Teil ist die Architektur, die die Speicherkosten langer Kontexte auf 890 Bytes pro Token drückt.
Für Entwickler, die günstige Agenten-Aufgaben ausliefern, ist das wirklich spannend. Wer es auf Kundenkonversationen richten will, für den ist das Modell der leichte Teil. Wissen, Leitplanken und Tests drumherum machen einen Support-Agenten erst wirksam, und genau dort lässt dich ein rohes API-Modell am meisten allein.
Ich baue bei eesel KI-Agenten und sehe daher jede Woche, was passiert, wenn ein Modell auf eine echte Support-Warteschlange statt auf einen Benchmark trifft. Die Kurzfassung dessen, was wir bei Tausenden echter Tickets gelernt haben: Ein überzeugend klingendes, aber falsches Modell ist schlimmer als gar kein Modell. Deshalb lese ich einen solchen Launch danach, was er in der Produktion verändert, nicht nur danach, was er in Tests erreicht. DeepSeek V4.1 Flash verändert bei Kosten und Geschwindigkeit viel, also lohnt ein genauer Blick.
Was sich mit V4.1 Flash tatsächlich geändert hat
DeepSeek hat V4.1 Flash am 10. September 2026 veröffentlicht und es "das kleinste Modell in unserer neuen Architekturfamilie, mit nativem visuellem Verständnis" genannt. Diese Formulierung zählt: Es ist keine Anpassung des Vormonatsmodells, sondern ein neues Design, und es kommt mit etwas Aufräumarbeit.
Das Aufräumen ist der interessante Teil. DeepSeek fasst drei Modelle zu einem zusammen. Das alte deepseek-v4-flash und das experimentelle deepseek-v4-flash-vision-exp sind beide abgekündigt und werden jetzt auf V4.1 Flash geroutet. Überraschender noch: Auch das Flaggschiff V4 Pro wird eingestellt. Ab 04:00 UTC am 14. September 2026 wird jede deepseek-v4-pro-Anfrage von V4.1 Flash zu Flash-Preisen bedient, bis ein künftiges V4.1 Pro erscheint. DeepSeeks Begründung ist unverblümt: Das kleinere Modell habe das größere "comprehensively surpassed".
Nicht jedem gefiel das Routing. Die lauteste Reaktion auf Hacker News drehte sich gar nicht um das Modell, sondern darum, zahlende Kunden ohne Auslauffrist auf ein anderes Modell umzuziehen:
"If I'd carefully tested and optimized prompts against Pro I wouldn't be keen on this particular news. I feel like API model providers should lean towards not swapping out models on their paying customers, no matter how much "better" the new model is meant to be."
Das ist ein berechtigter Einwand und einer, den man sich merken sollte, wenn man Modelle in der Produktion festpinnt. Das ebenfalls berechtigte Gegenargument: DeepSeek ist ein kleines Labor, das realistisch jeweils ein Frontier-Modell hosten kann, und es veröffentlicht jede Version als Open Source, sodass jeder, der ein eingefrorenes Ziel braucht, genau diese Gewichte selbst hosten kann, für immer. In jedem Fall gilt: Wenn du auf der DeepSeek-API aufbaust, betrachte "das Modell kann sich unter mir ändern" als echte Designbedingung, wie bei jedem gehosteten LLM.
Die Architektur: warum ein größeres Modell schneller und günstiger wurde
Hier kommt der Teil, den ich wirklich clever finde, und er erklärt den Preis. Die meisten Modelle halten beim Lesen deines Prompts und beim Schreiben der Antwort durchgehend einen großen Haufen Parameter aktiv. V4.1 Flash teilt diese Aufgabe in zwei mit dem, was DeepSeek eine Causal-Encoder-Decoder-Architektur nennt. Ein Encoder mit 20 Schichten liest deine Eingabe mit nur 8 Milliarden aktiven Parametern, dann schreibt ein Decoder mit 20 Schichten die Antwort mit 16 Milliarden. Das gesamte Modell hat 552 Mrd. Parameter, aber nur ein kleiner Teil ist je gleichzeitig aktiv.
Der Grund, warum "8B zum Lesen" wichtig ist: Agenten-Arbeit ist input-lastig. Wenn dein Modell eine lange Ticket-Historie, eine Wissensdatenbank und einen Haufen Tool-Definitionen durcharbeitet, sind die meisten Tokens Input, und V4.1 Flash liest sie günstig.
Die andere Hälfte des Tricks ist der KV-Cache, das laufende Gedächtnis, das ein Modell beim Durcharbeiten eines langen Kontexts führt. Genau das macht Long-Context-Aufrufe meist teuer und langsam. DeepSeek hat seinen Cache auf 890 Bytes pro Token gedrückt, was nach eigener Aussage etwa ein Viertel von V4 Flash und rund 437-mal kleiner als beim ursprünglichen V1-Modell ist. In Hardware-Begriffen ist das ein Viertel des High-Bandwidth-Memory und ein Achtel des SSD-Bedarfs der Vorgängergeneration.
Diese Kompression ist der ganze Grund, warum DeepSeek die Parameterzahl erhöhen und trotzdem den Preis senken konnte. Sie zeigt sich auch in der Geschwindigkeit. Betreiber, die die Preview testeten, berichteten von atemberaubendem Durchsatz:
"I've been trying out the 4.1 flash preview for some bulk tasks [...] I was getting something like 300-400 tok/s which was just insanity. It was running so much faster than the toolcalls themselves."
Bei 250 bis 400 Tokens pro Sekunde wiesen mehrere darauf hin, dass Gemini Flash für Hochvolumen-Arbeit nicht mehr die schnellste Option ist. Das Modell behält außerdem DeepSeeks stufenlos einstellbaren Reasoning-Aufwand, einen ganzzahligen Regler von 1 bis 100, der Kosten gegen Genauigkeit tauscht. Ein ehrlicher Kritikpunkt zur Bedienung: In der Praxis springen die Presets der API von "low" direkt zu "high" und "max", und Leute wünschen sich ein richtiges "medium", weil "high" schnell Tokens verbrennt.
Benchmarks: besser als V4 Pro, aber unter dem Frontier
DeepSeeks eigene Vergleichstabelle zeigt das klarste Bild, und ich nehme sie für bare Münze, weise aber darauf hin, dass es vom Anbieter gemeldete Zahlen sind.
Die Tabelle erzählt eine konsistente Geschichte. Bei Agenten- und Coding-Aufgaben führt V4.1 Flash tendenziell die Gruppe an: Terminal-Bench 2.1 mit 90,6, DeepSWE mit 74,2, ein Codeforces-Rating von 3471 und HLE-mit-Tools mit 63,9, womit es knapp an den 63,6 von Claude Opus 5 vorbeizieht. Es schlägt V4 Pro in fast jeder gemeinsamen Zeile, was die Entscheidung stützt, Pro auszumustern.
Der ehrliche Vorbehalt ist das reine Reasoning ohne Tools. Bei Humanity's Last Exam erreicht V4.1 Flash 36,8 (39,1 beim reinen Textanteil), deutlich unter GPT-5.6 Sol mit 44,5 und Claude Opus 5 mit 56,3. Es ist also ein hervorragendes Arbeitstier mit Tools, kein neuer Reasoning-Champion. Das deckt sich damit, wofür Leute es tatsächlich nutzen:
"I used a lot V4 flash to implement plans built by other models, and it was honestly top notch. The thing was a workhorse."
Reddits Einschätzung im Benchmark-Thread war ähnlich: beeindruckt von der Effizienz, skeptisch, ob ein Flash-Modell im Alltag wirklich einen Riesen wie Kimi K3 übertrifft. Diese Skepsis ist gesund. Benchmarks überrepräsentieren ordentliche Puzzles und unterrepräsentieren chaotische echte Arbeit, und Support-Tickets sind so chaotisch, wie Arbeit nur sein kann.
DeepSeek V4.1 Flash Preise
Beim Preis verdient diese Veröffentlichung ihre Aufmerksamkeit. Die Preise unten gelten pro Million Tokens, und DeepSeek fährt einen Spitzen-/Nebenzeiten-Plan, bei dem die Nebenzeit genau die Hälfte der Spitzenzeit kostet.
| Posten (pro 1 Mio. Tokens) | Nebenzeit | Spitzenzeit |
|---|---|---|
| Input, Cache-Hit | $0,003 | $0,006 |
| Input, Cache-Miss | $0,15 | $0,30 |
| Output | $0,60 | $1,20 |
| Kontextfenster | 1M | 1M |
| Max. Output | 384K | 384K |
| Parallelität | 2.500 | 2.500 |
Ein paar Dinge sind wissenswert. Die Spitzenzeiten sind werktags 01:00-04:00 und 06:00-10:00 UTC, was den chinesischen Geschäftszeiten entspricht, sodass eine US-amerikanische oder europäische Support-Warteschlange meist zum günstigeren Nebenzeit-Tarif abgerechnet wird. Das ist eine echte Ersparnis und eine leicht fragile, da deine Rechnung still von der Uhr abhängt. Das Modell unterstützt außerdem Tool-Aufrufe, JSON-Ausgabe, die OpenAI Responses API und einen Endpunkt im Anthropic-Format und erlaubt 2.500 gleichzeitige Anfragen gegenüber 500 bei V4 Pro.
Zum Vergleich: Das auslaufende V4 Flash kostete in der Nebenzeit $0,22 bei Cache-Miss und $0,66 für Output, V4.1 Flash ist also eine echte Preissenkung obendrauf auf den Fähigkeitszuwachs. Community-Mitglieder rechneten es gegen den naheliegenden Rivalen durch und waren deutlich:
"The direct competition is Gemini Flash, and these models are much better on agentic tasks with fraction of the task price compared to Gemini... 20-30% of the price per task. And especially Deepseek Flash produces better quality than Gemini does."
Um zu sehen, was das für deine eigene Last bedeutet, hier ein grober Monatsrechner. Gib deine Token-Mengen ein, und er übernimmt die Rechnung.
Was die Leute tatsächlich sagen
Jenseits der Begeisterung für Preis und Tempo gibt es ein paar Themen, die man kennen sollte, bevor man darauf aufbaut.
Das erste ist die Größe. Das alte V4 Flash hatte 284B und ließ sich vernünftig lokal betreiben. V4.1 Flash ist fast doppelt so groß, was eine lustige Debatte darüber auslöste, ob es noch als "Flash" durchgeht:
"The bad news is that the original v4 flash was 284B, which was large but still somewhat reasonable for running locally. This one is 552B so almost twice that [...] it's not really flash anymore, imo... it's probably the newest king of the hill amongst open weights models."
Wenn du die MIT-Gewichte selbst hosten willst, plane entsprechend. Die Rechnung eines Kommentators ergab etwa 384 GB Speicher, grob ein Setup mit vier RTX PRO 6000. Das ist ein ordentlicher Rechner, aber immer noch günstiger als das Gehalt eines Entwicklers, wenn die Last es rechtfertigt. Für die meisten Teams sind Open-Source-Optionen, die auf kleinere Hardware passen, ein vernünftigerer Einstieg.
Das zweite ist die Eigenheit mit den Antworten auf Chinesisch, die immer wieder auftaucht:
"the web ui chat version of flash has very poor language following abilities in my experience: You may ask it something in English, and get a thinking chain in Chinese with an answer in Chinese."
Die nützliche Nuance: Leute führen das wiederholt auf die Web-Oberfläche und auf günstige Drittanbieter mit stark quantisierten Modellen zurück, nicht auf DeepSeeks eigene API. Wenn du die First-Party-API aufrufst, ist es deutlich unwahrscheinlicher, dass es auftritt, aber es erinnert daran, dass es genauso darauf ankommt, wo du das Modell betreibst, wie welches Modell es ist.
Sollte man V4.1 Flash auf den Kundensupport ansetzen?
Das ist die Frage, die mich wirklich interessiert, und die Antwort ist ein klares "als Engine ja, aber mit offenen Augen".
Die Stärken sind echt. Es ist günstig, schnell, hat einen Kontext von 1M Tokens, liest Bilder und steht unter einer MIT-Lizenz, die du selbst hosten kannst. Für Hochvolumen- und klar umrissene Aufgaben ist das eine großartige Kombination, und genau die Art Modell, an die ich gern repetitive Arbeit weiterleiten würde.
Die Vorbehalte sind genauso real, und sie betreffen Daten, nicht Qualität. DeepSeeks Bedingungen für die bezahlte API sagen nicht klar, ob deine Eingaben zum Training des Modells verwendet werden, es gibt keine veröffentlichte Zero-Retention-Option und keinen Auftragsverarbeitungsvertrag, und Anfragen werden in der VR China verarbeitet. Für eine Support-Warteschlange voller Kundennamen, Bestelldetails und personenbezogener Daten ist das ein Compliance-Gespräch, das du vorher führen willst, nicht nachher. Wenn das deine Welt ist, ist unser Beitrag zu SOC 2 und DSGVO für Support-Chatbots eine gute Einführung, und dieselben Fragen, die wir zum Thema KI-Datenschutz stellen, gelten für jedes gehostete Modell.
Der größere Punkt ist aber einer, auf den ich nach Jahren im Ausliefern solcher Systeme immer wieder zurückkomme: Das Modell macht vielleicht 2 % dessen aus, was einen Support-Agenten gut macht. Die anderen 98 % sind: ob er das richtige Firmenwissen hat, ob er weiß, wann er aufhören und an einen Menschen übergeben muss, ob er in deinem Helpdesk tatsächlich Aktionen ausführen kann und ob du ihn getestet hast, bevor er einem Kunden begegnet. Ein brillantes, günstiges Modell, nachlässig angebunden, liefert trotzdem überzeugte falsche Antworten, und wir haben genau das oft genug gesehen, um unser ganzes Produkt darum zu bauen, es zu verhindern.
eesel ausprobieren
DeepSeek V4.1 Flash ist Infrastruktur. Es ist eine fantastische Engine, aber eine Engine ist kein Mitarbeiter. eesel ist eine Plattform für KI-Teammitglieder: Statt eines rohen Modells, das du mit Wissen, Leitplanken und Integrationen umbauen musst, stellst du ein einsatzbereites Teammitglied für eine bestimmte Aufgabe ein. Das KI-Helpdesk-Teammitglied steigt in deine bestehende Warteschlange ein, lernt aus deinen vergangenen Tickets und deinem Help Center und weiß, wann es eskalieren muss, sodass das Modell darunter ein Detail ist, um das du dich nicht kümmern musst.
Weil Beiträge über ein neues Modell gern Leute anziehen, die im Terminal arbeiten, ein Hinweis: eesel ist kein reines Dashboard-Produkt. Es liefert eine echte Kommandozeilenoberfläche, @eesel/cli, und jeder Workspace ist zugleich ein MCP-Server. Das heißt: Ein Mensch kann dasselbe Teammitglied vom Terminal aus steuern, Skripte können es in CI automatisieren, und Coding-Agenten wie Claude Code oder Cursor können es direkt bedienen, so wie du Agenten vom Terminal aus verwalten würdest. Du kannst eine Integration verbinden, die Standardanweisungen bearbeiten, eine Simulation gegen deine echte Ticket-Historie laufen lassen, um die Antwortqualität zu prüfen, und jeden Lauf mit eesel activity einsehen, alles ohne einen Browser zu öffnen. Es ist der API-first-Weg, Support zu betreiben, bei dem sich viele aus DeepSeeks Publikum zu Hause fühlen werden, dokumentiert in den eesel-CLI-Docs.
Die Preise sind ein fester Monatspreis, ab $299/Monat für 500 Credits (1 Credit pro Ticket oder Chat) ohne Gebühr pro Nutzerplatz, und es gibt einen kostenlosen Plan mit 100 Credits, damit du es auf deine eigenen Tickets loslassen kannst, bevor du dich festlegst. Wenn du ein günstiges Modell ins Auge gefasst hast, um Supportkosten zu senken, ist dieser Simulationsschritt der Teil, den ich nicht überspringen würde: probiere eesel aus und sieh dir zuerst die echte Antwortqualität auf deinen eigenen Daten an.
Häufig gestellte Fragen
Was ist DeepSeek V4.1 Flash?
DeepSeek V4.1 Flash ist das neueste Open-Weight-Modell von DeepSeek, veröffentlicht am 10. September 2026 und über die API als deepseek-flash aufrufbar. Es ist ein Mixture-of-Experts-Modell mit 552 Mrd. Parametern und nativer Bildeingabe, und laut DeepSeek schlägt es das ältere DeepSeek V4 Flash und sogar die V4-Pro-Stufe, die es ersetzt.
Was kostet DeepSeek V4.1 Flash?
Außerhalb der Spitzenzeiten kostet es $0,15 pro Million Input-Tokens bei einem Cache-Miss, $0,003 bei einem Cache-Hit und $0,60 pro Million Output-Tokens. In den Spitzenzeiten (werktags 01:00-04:00 und 06:00-10:00 UTC) verdoppeln sich diese Preise. Das ist günstiger als das auslaufende V4 Flash und weit günstiger als V4 Pro. Im Beitrag zu den DeepSeek-V4-Flash-Preisen siehst du, wie die frühere Stufe abschnitt.
Ist DeepSeek V4.1 Flash besser als DeepSeek V4 Pro?
In DeepSeeks eigener Benchmark-Tabelle liegt es bei den meisten Agenten- und Coding-Tests knapp vor V4 Pro und kostet nur etwa ein Drittel, weshalb DeepSeek V4 Pro ausmustert. Beim reinen Reasoning ohne Tools liegt es weiter hinter Frontier-Modellen wie Claude Opus 5. Für einen härteren direkten Vergleich siehe DeepSeek V4 Flash vs. GPT-5.6.
Kann ich DeepSeek V4.1 Flash lokal betreiben?
Ja, die Gewichte liegen unter MIT-Lizenz auf Hugging Face, Selbst-Hosting ist also erlaubt. Der Haken ist die Größe: Mit 552 Mrd. Parametern braucht es etwa 384 GB Speicher (denk an einen Rechner mit vier RTX PRO 6000), es ist also keine gewöhnliche Laptop-Hardware mehr. Für einen leichteren Einstieg schau dir Open-Source-Chatbot-Plattformen an.
Ist DeepSeek V4.1 Flash für Kundendaten sicher?
Die Bedingungen der bezahlten API sagen nicht klar, ob deine Eingaben fürs Training verwendet werden, es gibt keine veröffentlichte Zero-Retention-Option und keinen AVV (DPA), und die Daten werden in der VR China verarbeitet. Für regulierten Support lies dich zu SOC 2 und DSGVO bei Support-Chatbots ein, bevor du es auf echte Tickets loslässt.
Unterstützt DeepSeek V4.1 Flash Vision?
Ja. Vision ist jetzt nativer Bestandteil des Hauptmodells und ersetzt den früheren experimentellen Build V4 Flash Vision. Es kann Bilder und Text gemeinsam lesen, auch wenn manche Nutzer anmerken, dass das DeepSeek-Harness noch nicht für jeden Ablauf ein Bild-Tool bereitstellt.
Sollte ich DeepSeek V4.1 Flash für den Kundensupport nutzen?
Als reines Modell ist es eine starke, günstige Engine, aber ein Support-Agent braucht darüber hinaus Firmenwissen, Leitplanken, Tests und Helpdesk-Aktionen. Eine Plattform wie eesel übernimmt diese Schicht, und das KI-Helpdesk-Teammitglied fügt sich in deine bestehenden Tools ein, statt dich ein Modell selbst anbinden zu lassen.