Was du eigentlich kaufst
Das ganze Produkt passt in eine Zeile auf einer Dokumentationsseite. Zwei Modelle, eine Spezifikationstabelle, drei Preise. Erfrischend ehrlich, verglichen mit den meisten Launch-Seiten.
Das Build hinter dem Alias ist DeepSeek-V4-Flash-0731, das am 31.07.2026 als nachtrainierte Version des April-Releases veröffentlicht wurde. Architektonisch ist es ein Sparse Mixture of Experts: 284B Parameter insgesamt, von denen 13B bei jedem gegebenen Token aktiv sind. Die Gewichte sind MIT-lizenziert und rund 167GB groß. Wer die vorherige Generation von DeepSeek V3.2 kennt: Bei agentischer Arbeit ist das ein völlig anderes Tier.
| Spezifikation | deepseek-v4-flash | deepseek-v4-pro |
|---|---|---|
| Input, Cache-Hit (pro 1M) | $0,0028 | $0,003625 |
| Input, Cache-Miss (pro 1M) | $0,14 | $0,435 |
| Output (pro 1M) | $0,28 | $0,87 |
| Kontextfenster | 1M | 1M |
| Maximaler Output | 384K | 384K |
| Denkmodus | Nicht-denkend und denkend, denkend ist Standard | Nicht-denkend und denkend, denkend ist Standard |
| Tool-Calls / JSON-Output | Ja / Ja | Ja / Ja |
| Responses API | Ja | Nein, Stand Anfang August 2026 |
| Concurrency-Limit | 2500 | 500 |
Jede Zahl darin stammt aus DeepSeeks eigener Preisliste. Zwei Dinge darauf überliest man leicht und sie sind es wert, kurz zu verweilen. Der Denkmodus ist bei beiden Stufen Standard, und Reasoning-Tokens werden zum Output-Tarif abgerechnet. Und Flash, nicht Pro, ist das einzige Modell, das die Responses API unterstützt, was ungewöhnlich ist: Die günstige Stufe bekommt die neuere Schnittstelle.
Das Testproblem: Du bewertest eine Einstellung
Hier ist der Befund, der dieses ganze Stück für mich neu eingerahmt hat. Artificial Analysis listet nicht ein DeepSeek V4 Flash. Es listet zwei, weil dieselben Gewichte sich je nach reasoning_effort wie zwei unterschiedliche Produkte verhalten.
Führst du es mit ausgeschaltetem Denken aus, erhältst du einen Intelligence Index von 29, bei median 107 Output-Tokens pro Sekunde, 1,18s bis zum ersten Chunk und 5,86s Ende-zu-Ende. Jetzt lass es mit maximalem Aufwand laufen. Der Index steigt auf 50, und Artificial Analysis veröffentlicht für diese Variante überhaupt keine Geschwindigkeitswerte. Output-Tokens pro Sekunde: leer. Zeit bis zum ersten Token: leer. Gesamte Antwortzeit: leer, wobei das Zusammenfassungspanel eingesteht: "Unbekannt bei 4 von 4 Einheiten für Geschwindigkeit."
Das Modell an der Spitze der Wertcharts ist also ein Modell, für das niemand einen Latenzwert veröffentlicht hat. Kein Skandal, nur eine Messlücke. Es bedeutet aber, dass ein Plan, der auf "billig und schnell" basiert, auf zwei Zahlen ruht, die nie im selben Lauf gemessen wurden.
Zwei kleinere Eigenheiten verstärken das noch. DeepSeeks eigene Aufwand-Zuordnungstabelle bedient eine xhigh-Anfrage bei Flash auf high-Niveau, sodass ein Regler, den du gedreht zu haben glaubst, gar nichts tut. Und bei Pro wird eine low-Anfrage auf high-Niveau bedient, was bedeutet, dass es überhaupt keinen billigen Pro-Lauf gibt, was ein großer Teil des Grundes ist, warum der Vergleich zwischen Flash und Pro so ausfällt, wie er ausfällt.
Wenn du das selbst verdrahtest: Die Fallstricke liegen alle auf der stillen Seite der API, und ich habe sie separat in wie man die API nutzt aufgeschrieben. Kurz gesagt: Fast jede Fehlkonfiguration gibt HTTP 200 zurück und ignoriert dich schlicht.
Die zwei Scoreboards widersprechen sich, und beide haben recht
Hier picken sich die meisten Tests die schmeichelhaftere Zahl heraus und machen weiter. Die ehrliche Position ist, dass der automatisierte Index und das menschliche Abstimmungs-Board unterschiedliche Geschichten über dasselbe Modell erzählen.
Bei Artificial Analysis erzielt der Flash-Lauf mit maximalem Aufwand 50 Punkte und liegt auf Platz 21 von 260 Modellzeilen, Platz 3 von 101 in seiner eigenen Größenklasse und Platz 1 von 101 beim Cache-Hit-Preis. Die Kosten pro Aufgabe liegen bei $0,03, und das Durchlaufen des gesamten Index kostete $72,02.
Beim LMArena Text-Board liegt dasselbe Modell auf Platz 79, mit einem Elo von 1436 plus/minus 4, bei 48.667 Stimmen. Die Zeile -high-preview unterscheidet sich mit 1438 kaum. Und V4 Pro, das Modell, das Flash im automatisierten Index schlägt, liegt hier mit 1458 darüber. Menschliche Präferenz und Benchmark-Aggregat gehen bei diesem Modell wirklich getrennte Wege.
Ein Lichtblick in den menschlichen Daten, mit einem Vorbehalt: Auf dem WebDev-Board liegt deepseek-v4-flash-high mit 1577 auf Platz 8. Diese Zeile trägt LMArenas Preliminary-Tag bei 1.319 Stimmen mit einem Intervall von plus/minus 18, ist also eher ein vielversprechendes Signal als ein gesichertes Ergebnis.
Meine Einschätzung dazu: Der automatisierte Index misst einen maximal konfigurierten Lauf bei Aufgaben, die Tool-Nutzung belohnen, während die Arena misst, wie sich eine Antwort für eine Person in einer Chat-Box anfühlt. Flash ist für Ersteres gebaut. Kauf es also dafür.
Wo es wirklich gut ist
Die Belege hier sind der überzeugendste Teil der ganzen Reaktion, weil es Rechnungen sind und keine Meinungen. Hier verdient sich der Rahmen des agentischen Einsatzes seine Berechtigung.
"I use deepseek for a lot of my personal day-to-day agent needs, and I will simply put this here and let this speak for itself, last 30 days:
Cost: $4.55USDAPI requests: 3,467Tokens: 323,183,886 And as an engineer who leads a small team, I have very high standards for quality, and these carry across to my personal projects where I use deepseek. It has not disappointed at all for coding or review tasks. For everything else, use another model."
Achte auf die letzte Zeile, denn das ist der nützlichste Satz im Thread. Die intensivsten Nutzer behaupten nicht, ein universelles Frontier-Modell zu haben, sondern ein sehr gutes, sehr billiges Arbeitstier für eine bestimmte Menge an Aufgaben. Jemand tauchte prompt mit einer höheren Rechnung und derselben Schlussfolgerung auf: 2,1 Milliarden Tokens in 12 Tagen für $19,27.
Nutzer von Agenten-Harnessen berichten dasselbe Muster:
"Essentially I'm running everything on flash now inside pi. With the correct set of MCP servers, context reducer tooling and skills it can implement any task I throw at it. Some sessions take 30+ turns, but it's fast and cheap; all this in an hour, with ~$0.5 cost. [...] I haven't used our slow opus subscription for weeks."
Die interessanteste Erklärung dafür, warum die billige Stufe bei dieser Art von Arbeit gewinnt, kam von einem Team, das es selbst herausfinden musste:
"DeepSeek V4 Flash is the most cost effective model we've tested. We had to really understand why it outperformed DeepSeek V4 Pro (although even on unreliable model cards, Flash was very close to Pro). Pro is slower and smarter in one-shot reasoning problems, but less effective with tools and therefore less performant in long horizon agentic tasks (especially with custom tools it was not trained on)."
Das passt auch gut auf den Anwendungsfall Zusammenfassen-und-Review. Ein Nutzer berichtete von vier Dollar über zwei Monate Review- und Zusammenfassungsarbeit, "ohne dramatischen Leistungsabfall gegenüber anderen US-Modellen". Für Batch-Jobs, die bisher zu teuer waren, um sie zu automatisieren, verändert der Preis wirklich, was sich zu bauen lohnt, dasselbe Argument, das ich in einem anderen Bereich über KI-Support-Kosten mache.
Solltest du es für diese Aufgabe nutzen?
Wo es versagt
Ein Test, der nur Stärken aufzählt, ist eine Pressemitteilung. Die folgenden Beschwerden sind konkret und tauchen in Threads immer wieder auf, und ein paar davon sind der ganze Grund, warum ich dieses Modell nicht vor einen Kunden stellen würde.
Es halluziniert, und die veröffentlichte Zahl ist hässlich. Artificial Analysis setzt die AA-Omniscience-Halluzinationsrate auf 84%, und die eigene Anmerkung besagt, dass die generationelle Verbesserung von "weniger Halluzinationen statt höherer Genauigkeit" kam. Das ist eine Verbesserung um 12 Punkte gegenüber einer Zahl, die noch schlechter startete. Nutzer beschreiben dasselbe ohne die Metrik:
"DeepSeek V4 hallucinates like crazy and often forgets explicitly mentioned parts of the context. I guess compressing tokens and cherry-picking attention comes at a cost."
Um fair zu sein, hat der intensivste Nutzer im Thread es an Konkurrenten kalibriert, statt es als disqualifizierend zu behandeln, und gesagt, es halluziniere "etwa genauso stark wie Codex-Modelle und alle anderen LLMs", und dass er alles, was es schreibt, überprüft und andere Modelle die Arbeit querchecken lässt. Das ist die richtige Haltung, und es ist auch eine echte Kostenposition, die auf keiner Preisliste auftaucht.
Arbeit mit langem Horizont in einer großen Codebasis ist die Schwachstelle, was angesichts des agentischen Verkaufsversprechens des Anbieters unangenehm ist.
"If you believe the benchmarks Deepseek v4 is pretty shitty at long running work in large codebases, but really really good at self contained algorithmic/math reasoning - which is basically ideal for a compiler for a language with a relatively complex type system. And with its cache pricing it's very cheap."
Es ist ein wortreiches Modell, und die Worte werden abgerechnet. Artificial Analysis weist explizit auf die Weitschweifigkeit hin.
Es verbrannte 210M Output-Tokens, um den Index gegenüber einem Klassenmedian von 100M abzuschließen, auf der Modellseite als "sehr weitschweifig im Vergleich" beschrieben. Der gesamte Lauf kostete trotzdem nur $72,02, was der Punkt ist, aber das 2,1-fache des mittleren Output-Volumens ist der Mechanismus, der den Listenpreis leise von deiner Rechnung trennt. Ich schlüssele diese Lücke ausführlich in der Preisaufschlüsselung auf.
Fähigkeiten, die schlicht fehlen. Es gibt keinen dokumentierten Bild-Input: keine Vision-Zeile auf der Preisliste, keinen Vision-Encoder in der Konfiguration, und DeepSeeks multimodale Arbeit lebt in separaten Modelllinien. Teams umgehen das, wie ein Nutzer beschrieb, indem sie ein zweites Modell für Vision bereithalten.
Es lohnt sich aber, eine Behauptung zu korrigieren, die sich damit verbreitet hat. Derselbe Bericht sagt, DeepSeek "unterstütze keine Websuche", und das gilt nur auf dem älteren Chat-Completions-Pfad. Die ausschließlich für Flash verfügbare Responses API bringt tatsächlich ein serverseitiges eingebautes web_search-Tool mit, neben apply_patch. Dateisuche, Code-Interpreter, Computer-Use und MCP-Tool-Typen werden dort alle ignoriert, das Fähigkeitsspektrum ist also schmal, aber Websuche steht auf der Liste.
Ein echter Abrechnungsausreißer ist dokumentiert, und das solltest du wissen, bevor du einen Agenten darauf ansetzt:
"I bought it through OpenRouter and used it with Pi agent. The model was good, but there appeared to be a pricing glitch or something, because it burned through $50 in under an hour on pretty trivial stuff. Pi agent claimed it only used like $1. OpenRouter claimed differently and said I used all $50."
DeepSeek veröffentlicht auch überhaupt kein Limit für Anfragen pro Minute oder Tokens pro Minute, nur eine Concurrency-Obergrenze, die auf Account-Ebene statt Key-Ebene gilt. Kombiniert mit einem Prepaid-Guthaben, das mitten in einem Lauf einen 402-Fehler zurückgeben kann, ist das mehr ein Monitoring-Problem als ein Preisproblem, und ein gutes Argument für ein ordentliches Tracking-Setup.
Ein Versionierungs-Ärgernis, das jeden trifft, der Benchmarks zitiert. Ein Nutzer brachte es gut auf den Punkt: Bei DeepSeek heißt es jetzt schlicht deepseek-v4-flash, während OpenRouter es deepseek/deepseek-v4-flash-0731 nennt, sodass man bei einem Benchmark, der "DeepSeek V4 Flash" sagt, nicht immer erkennen kann, welches Build gelaufen ist. Fixiere den datierten Namen, wenn du etwas schriftlich festhältst.
Die Gewichte selbst betreiben
Die MIT-Lizenz leistet hier echte Arbeit, und die lokalen Berichte sind der am besten dokumentierte Teil der Reaktion. Das ist wirklich ein Foundation-Modell, das man selbst hosten kann, kein nur gehostetes LLM.
| Hardware | Berichtete Geschwindigkeit |
|---|---|
| Dual DGX Spark | 60 Tokens/s in einer Session, 100+ aggregiert bei Concurrency 4 |
| Mac Studio M3 Ultra 256GB | ~30 Tokens/s Decode bei einer einzelnen Anfrage |
| Ryzen AI MAX+ 395 (Strix Halo) | 32 Tokens/s bei ~2,88 Bit pro Parameter |
| Einzelne RTX PRO 6000 96GB | 170 Tokens/s berichtet mit einer 2-Bit-Plane-Engine |
Ein lokaler Betreiber brachte auf den Punkt, warum sich Leute die Mühe machen, und es ist nicht die Arithmetik:
"2 sparks currently run this model at 60 t/s single session, up to just over 100 t/s aggregate with concurrency of 4. Going local has as opened up a world of use-cases I never would have entertained the idea of on metered/cloud usage. Privacy is a large part of it but, I also no longer think twice about whether to send a prompt or not based on the psychology of it costing money."
Rein bei den Kosten sind sich die Threads fast einstimmig in die andere Richtung einig. Eine Schätzung setzte eine Dual-Spark-Box bei acht- bis neuntausend Dollar an und kam zu dem Schluss, es "ergebe kaum Sinn, solange die API-Preise so sind, wie sie sind. Außer vielleicht aus Datenschutzgründen." Ein anderer Nutzer rechnete den Stromverbrauch durch und fand, dass DeepSeeks Cache-Rate zu erreichen billiger sei, als ein 36B-Modell zu Hause laufen zu lassen. Also: hosten für Kontrolle und Datenschutz, nicht um Geld zu sparen.
Mein Urteil, nach Aufgabe
| Aufgabe | Urteil | Der entscheidende Faktor |
|---|---|---|
| Massen-Zusammenfassung und Review | Nutzen | Cache-Hit-Input zu $0,0028 macht bisher nicht vertretbare Batch-Arbeit trivial |
| Eingegrenztes agentisches Coding | Nutzen, mit Review | Führt die agentischen Zeilen an, und der Tool-Nutzungsvorteil gegenüber Pro ist real |
| Arbeit mit langem Horizont, großes Repo | Vorsicht | Die durchgängigste Beschwerde in jedem Thread |
| Alles Visuelle | Meiden | Kein dokumentierter Bild-Input, also an ein zweites Modell routen |
| Einmaliges Reasoning und Recall | Pro erwägen | Pro gewinnt weiterhin bei Recall und Nadel-im-Heuhaufen-Suche im langen Kontext |
| Kundenkommunikation | Nicht unbeaufsichtigt | 84% Halluzinationsrate, plus API-Bedingungen, die zur Trainingsnutzung schweigen |
Im Vergleich zum Feld sind drei Modelle es wert, daneben gestellt zu werden. Bei ungefähr gleicher Intelligenz kostet GPT-5.6 Luna zwei- bis dreimal so viel und ist das Modell, mit dem man Flash für Vision kombiniert, ausgearbeitet in Flash vs. GPT-5.6. Wenn Genauigkeit wichtiger ist als der Preis, halluziniert Kimi K3 deutlich weniger und kostet deutlich mehr.
Für die multimodale Option in derselben Open-Weights-Klasse ist Qwen 3.8 Max die nächste Lektüre. Praxisberichte zu beiden gibt es im Qwen-Test und im Kimi-Test.
Zwei weitere Referenzpunkte, falls du eine Preisachse ziehst. Die Preise von Claude Opus 5 markieren das Frontier-Ende. Mistral-Alternativen deckt die europäische Open-Weight-Familie ab, und der GPT-5.6-Test hat das Urteil zu dem Modell, von dem die meisten Teams gerade tatsächlich wechseln.
Sollte es je einem Kunden antworten?
Das ist der Abschnitt, der mich wirklich beschäftigt, weil es mein Job ist. Und die ehrliche Antwort ist, dass das Modell der falsche Ort ist, um hinzuschauen.
Fang damit an, wohin die Tokens gehen. DeepSeeks kostenpflichtige Open-Platform-Bedingungen schweigen zur Trainingsnutzung, was nicht dasselbe ist wie erlaubend und nicht dasselbe wie sicher. Die Verbraucherbedingungen enthalten in Abschnitt 4.3 eine explizite Klausel mit einem Opt-out "Das Modell für alle verbessern"; der entsprechende Abschnitt im API-Dokument bricht davor ab. Es gibt in keine Richtung eine veröffentlichte Datenverarbeitungsvereinbarung oder Zero-Retention-Option, und die Datenschutzrichtlinie besagt, dass Daten in der Volksrepublik China nach chinesischem Recht verarbeitet und gespeichert werden. Zero-Retention-Anbieter existieren, und ein Nutzer berichtete von drei- bis fünffachen Preisen gegenüber dem Erstanbieterpreis, was den Großteil des Rabatts wieder auffrisst.
Wenn dir das alles neu ist, ist die Slack-Richtlinien-Episode der Präzedenzfall, den Leser schon erlebt haben. SOC 2 und DSGVO ist die Checkliste, die man durchgehen sollte, bevor man irgendetwas Kundennahes anschließt.
Dann gibt es noch die 84%-Zahl. Jedes Support-Team, mit dem ich spreche, hört eine solche Zahl und stellt die falsche Frage, nämlich "wie genau ist dein Modell". Hier ist ein Kunde von uns, der die richtige Frage viel besser gestellt hat, als ich es könnte. Ihr Bot hatte selbstbewusst bestätigt, dass die Firma Automodelle unterstützte, die gar nicht in ihrer Datenbank standen, weil eine Zeile in der Wissensdatenbank sagte, sie unterstützten alle Modelle. Das Modell war in Ordnung. Das Grounding war es nicht.
Die Zusammenfassung des Teams, wie man es richtig hinbekommt, war "am Anfang Versuch und Irrtum".
Ein dänisches B2B-Support-Team für Fahrzeugtelematik auf Zendesk, das rund 200 Tickets pro Monat bearbeitet und in Richtung 2.000 plus skaliert, das sich sorgte, die KI würde nicht unterstützte Automodelle übertrieben selbstsicher bestätigen.
Das ist die ganze Lehre daraus. Halluzination im Support ist meist ein Grounding- und Berechtigungsproblem im Kostüm eines Modells, und jede echte Lösung liegt oberhalb des Modells, nicht in ihm.
Der Stack, der ein wackliges Modell überlebensfähig macht, ist nicht exotisch. Retrieval über Quellen, die man tatsächlich verifiziert hat. Guardrails, was es behaupten darf. Ein Konfidenzwert mit einem Schwellenwert, den jemand absichtlich gewählt hat, und ein Mensch für alles darunter.
Unser eigener schlimmster beobachteter Fehler in der Produktion war ein KI-Agent, der etwa zehn Runden lang erzählte, er "führe Zendesk-Suchen aus", ohne je die API zu erreichen, und dann Dateien als gespeichert meldete, die nicht existierten. Nichts zerstört das Vertrauen in einen Teamkollegen schneller, als über die eigene Arbeit zu lügen, und kein Benchmark-Score hätte das erfasst. Was es erfasst, ist Containment-Messung nachträglich und menschliche Überprüfung davor.
Wenn du also rohe Modelle für eine Support-Warteschlange bewertest, ist die praktische Reihenfolge in etwa diese. Teste adversarial, bevor du irgendetwas vertraust. Baue eine Evaluations-Gewohnheit auf statt eines Launch-Termins. Setze Konfidenzschwellenwerte bewusst.
Lies dann Halluzinationsprävention, bevor du ein einziges Ticket anschließt, und stelle dir die Frage Selberbauen versus Kaufen ehrlich, denn diesen ganzen Stack selbst zusammenzubauen ist das eigentliche Projekt. Das Modell ist der billige Teil.
eesel ausprobieren
Wenn du von einer Tabelle hierher gekommen bist, die Preise pro Token für einen Support-Anwendungsfall vergleicht, würde ich dir bei einem Kaffee sagen, dass der Token-Preis nie der schwierige Teil war. Ein Modell an dein Helpdesk anzuschließen, es in deinen echten Makros und vergangenen Tickets zu grounden, und zu wissen, was es sagen wird, bevor es ein Kunde sieht, das ist der schwierige Teil, und das ist das Produkt.
Das ist es, was eesel ist: ein KI-Support-Agent, der sich mit Zendesk oder deinem bestehenden Helpdesk verbindet, jede Antwort in deinem verifizierten Wissen groundet und dich Simulationen mit deinen eigenen historischen Tickets laufen lässt, damit du genau siehst, wo es falsch gelegen hätte, bevor du live gehst. Du siehst das Aufgabenvolumen, die Trigger und jede Genehmigung oder Ablehnung pro Tool, sodass "halluziniert es?" zu einer Zahl wird, die du dir ansehen kannst, statt zu einer Sorge.
Die Preisgestaltung erfolgt pro gelöstem Gespräch statt pro Sitzplatz, was bedeutet, dass ein schrittweiser Rollout eine echte Option ist: Route 200 deiner 1.000 monatlichen Tickets und zahle für 200. Es gibt $50 kostenlose Nutzung zum Start, keine Kreditkarte erforderlich, und die Preisseite hat die Zahlen. Lass eine Simulation über die Tickets des letzten Monats laufen, und du weißt binnen einer Stunde, ob sich das für dich lohnt. Das ist eine deutlich bessere Nutzung eines Nachmittags, als einen Regler zu benchmarken.
Häufig gestellte Fragen
Ist DeepSeek V4 Flash gut?
Wie viel kostet DeepSeek V4 Flash?
Warum erzielt DeepSeek V4 Flash bessere Werte als V4 Pro?
Kann DeepSeek V4 Flash Bilder lesen?
Ist DeepSeek V4 Flash sicher für Kundendaten?
Sollte DeepSeek V4 Flash Support-Tickets beantworten?
Kann ich DeepSeek V4 Flash auf eigener Hardware betreiben?
Was sind die besten Alternativen zu DeepSeek V4 Flash?
Article by
Riellvriany Indriawan
Riell is a designer and writer at eesel AI with about two years of experience researching CX platforms, AI chatbots, and helpdesk software. She combines her design background with a sharp eye for how these tools actually look and feel in practice — making her comparisons unusually visual and user-focused.
